CN102572501A - 考虑网络性能及视频本身特征的视频质量评估方法及装置 - Google Patents

Abstract

本发明提供考虑网络性能的视频质量评估的控制方法，其特征在于，包括步骤：a.获取视频的变化特征信息；b.获取视频在网络传输过程中的性能指标信息；c.获取受损视频及其评价结果信息；d.生成所述变化特征信息以及所述性能指标信息与所述评价结果之间的映射关系。还提供相应的控制装置。因此本发明考虑了网络性能因素对视频质量的影响，这使得本方法在目前的网络传输中更实用。本发明还考虑了原始视频图像的变化，更加符合人眼视觉特征。本发明只需在获得原始视频图像的变化信息以反映整个视频的内容变化信息及在视频传输过程中的网络性能指标作为特征记录下来即可以得到对视频的评分。

Description

考虑网络性能及视频本身特征的视频质量评估方法及装置

技术领域

本发明涉及用户服务体验(QoE)的技术领域，具体地说是一种部分参考视频质量评估方法，尤其是考虑网络性能的视频质量评估的控制方法及装置。

背景技术

随着以互联网络协议(IP)为代表的分组网络技术的迅速发展，使得分组网络具有高带宽、费用低廉、接入方便等优点。与此同时，分组网络所提供的应用并不是简单地局限于网页浏览、搜索引擎、电子邮件等信息工具类的应用，而是扩展到IPTV等流媒体服务。然而，流式视频业务具有高带宽、实时性要求高，对分组丢失、乱序、时延抖动和传输延迟等网络损伤非常敏感的特性；而且，作为分组网络核心协议的传统IP协议只提供尽力而为(best effort)这一种类型的服务，它只是尽网络的最大能力传送分组，却不提供任何服务质量保证，分组丢失、时延抖动和传输延迟都是不可避免的，这就意味着在分组网络中潜在着损伤流媒体视频质量的可能性。因此，网络服务提供商希望拥有在线性能监控工具能对网络视频服务中的视频质量进行实时地监控。为了能够在best effort的分组网络上实现更为可靠和稳定的流式视频服务运营，就有必要建立有效的网络视频质量评估方法，能在系统运行时对网络视频质量进行监控，真实有效地反映用户所体验到的视频质量，以便对突发情况及时做出决策。

传统的视频质量评估方法是基于视频编/解码算法的，通过它来评价由该算法产生的视频质量的优劣，而没有考虑用于传送视频的网络性能。这些评价方法主要分为两类：主观评价与客观评价。主观评价方法是人为地评价总体的视频质量，最常用的是由ITU推荐的MOS(Mean Opinion Score)。但是主观评价方法实时性不好，通常不能用于实时视频通信中视频质量的评估。客观评价方法一般通过比较原始图像序列与经编/解码后的图像序列来评价视频质量，常用的是峰值信噪比(Peak Signal to Noise Ratio-PSNR)和均方误差(Mean SquareError-MSE)，它们是在像素级上做操作，所以对视频的时空域非常敏感，而人眼对某些失真不太敏感，这样的话所得到的结果就不符合人眼的主观特征。而且这两种方法需要参考原始视频，在实际的视频传输中难以做到这点。因此，本发明提出一种考虑网络性能及视频本身特征的视频质量评估方法。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种考虑网络性能的视频质量评估的控制方法以及相应的控制装置。

根据本发明的一个方面，提供考虑网络性能的视频质量评估的控制方法，其特征在于，包括步骤：a.获取视频的变化特征信息；b.获取视频在网络传输过程中的性能指标信息；c.获取受损视频及其评价结果信息；d.生成所述变化特征信息以及所述性能指标信息与所述评价结果之间的映射关系。

根据本发明的另一个方面，还提供考虑网络性能的视频质量评估的控制装置，包括装置：第一获取装置，其用于获取视频的变化特征信息；第二获取装置，其用于获取视频在网络传输过程中的性能指标信息；第三获取装置，其用于获取受损视频及其评价结果信息；第一生成装置，其用于生成所述变化特征信息以及所述性能指标信息与所述评价结果之间的映射关系。

本发明的目的是提供一种在分组网络中考虑网络性能及人眼视觉特征的视频质量评估方法，该方法包括计算视频图像的变化特征，对视频文件进行丢包以模拟网络上视频流的传输，只需参考源文件的视频图像变化信息以反映视频内容变化信息及对网络性能分析则能得出符合人眼视觉特征的视频质量评分。

本发明是这样实现的：一种考虑网络性能及人眼视觉特征的视频质量评估方法，该方法包括记算原始视频文件图像的变化特征以反映整个视频文件的变化趋势；通过模拟网络视频流的传输，并采取主动控制丢包产生受损视频，在传输过程中记录丢包、延迟、抖动等性能指标；通过人眼主观评价受损视频获得对受损视频的主观评分；根据视频的变化特征、网络性能来分析视频本身特征、网络因素和视频质量评分之间的关系。例如，如图5所示，具体操作步骤如下：

第一步：将视频的每帧保存为JPEG文件；

第二步：计算视频图像间的变化情况并记录；

第三步：计算整个视频的变化特征；

第四步：模拟网络视频流的传输；

第五步：在模拟传输过程中记录丢包、延迟、抖动等性能指标；

第六步：产生受损视频；

第七步：播放受损视频；

第八步：通过主观评价记录对受损视频的主观评价结果；

第九步：分析以上得到的信息得出网络因素、视频本身特征与视频质量之间的映射关系。

第十步：结束。

其中，综合考虑网络因素和视频本身的变化特征对视频质量的影响来评估视频的质量。通过计算视频图像间的变化情况来反映整个视频的变化趋势。扫描视频的每帧，比较相邻帧对应像素的变化，其计算公式如下：

D_k(i，j)＝Y_k+1(i，j)-Y_k(i，j)

其中Y_k+1(i，j)和Y_k(i，j)表示第k帧和第k+1帧对应的像素值。然后计算相邻帧的变化。其计算公式如下：

$T_k=\frac{\underset{j=1}{\overset{\mathrm{column}}{\mathrm{\Σ}}}\underset{i=1}{\overset{\mathrm{row}}{\mathrm{\Σ}}}|D_k(i,j)-\stackrel{\‾}{D_k}|}{\mathrm{column}\×\mathrm{row}}$

式中T_K表示的是视频中相邻帧之间的像素变化情况。接着，计算整段视频的变化情况。

$M=\frac{\underset{k=1}{\overset{\mathrm{frames}}{\mathrm{\Σ}}}|T_k-\stackrel{\‾}{T}|}{\mathrm{frames}}$

式中M表示整个视频的变化情况。

与背景技术相比，本发明有以下优点：

(1)实用性：作为分组网络核心协议的传统IP协议只提供尽力而为(best effort)这一种类型的服务，它只是尽网络的最大能力传送分组，却不提供任何服务质量保证，视频在传输的过程中必然会受网络因素的影响，因此本发明考虑了网络性能因素对视频质量的影响，这使得本方法在目前的网络传输中更实用。

(2)精确性：本方法考虑了原始视频图像的变化，更加符合人眼视觉特征。因为在网络性能影响相同的情况下，对于不同的视频，视频质量评分也不一样相同，通过考虑原始视频的变化特征使得评分更接近主观评分。

(3)实时性：只需在获得原始视频图像的变化信息以反映整个视频的内容变化信息及在视频传输过程中的网络性能指标作为特征记录下来即可以得到对视频的评分。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明的第一实施例的，考虑网络性能的视频质量评估的控制方法的控制方法的流程图；

图2示出根据本发明的第二实施例的，考虑网络性能的视频质量评估的控制方法的流程图；

图3示出根据本发明的第三实施例的，考虑网络性能的视频质量评估的控制装置的结构图；

图4示出根据本发明的一个具体实施方式的，考虑网络性能的视频质量评估的示意图；以及

图5示出根据本发明的另一个具体实施方式的，考虑网络性能的视频质量评估的示意图。

具体实施方式

本发明公开了一种在分组网络中考虑网络性能及视频本身特征的视频质量评估方法，该方法包括计算原始视频文件图像的变化特征以反映整个视频文件的变化趋势；通过模拟网络视频流的传输，并采取主动控制丢包产生受损视频。在传输过程中记录丢包、延迟、抖动等性能指标；通过人眼主观评价受损视频获得对受损视频的主观评分；根据获得的视频的变化特征、网络性能、主观评分来分析视频本身特征、网络因素和视频质量评分之间的关系。在实际应用中，可通过提取视频的变化特征以及视频传输过程的丢包、延迟、抖动等性能指标，便可对视频进行评分。该方法能准确的评估视频的质量，更符合人眼视觉特征。其原理可以参考图4所示的具体实施方式。

图1示出根据本发明的第一实施例的，考虑网络性能的视频质量评估的控制方法的控制方法的流程图。具体地，在本实施例中，首先执行步骤S210，获取视频的变化特征信息。然后执行步骤S211，获取视频在网络传输过程中的性能指标信息。然后执行步骤S212，获取受损视频及其评价结果信息。最后执行步骤S213，生成所述变化特征信息以及所述性能指标信息与所述评价结果之间的映射关系。

图2示出根据本发明的第二实施例的，考虑网络性能的视频质量评估的控制方法的流程图。本领域技术人员可以将本实施例理解为图1所示实施例的一个具体实施方式。具体地，在本实施例中，首先执行步骤S220，将视频的每帧保存为图像文件。然后执行步骤S221，计算所述图像文件之间的变化特征信息。然后执行步骤S222，计算整段视频的变化特征信息。然后执行步骤S223，将视频进行模拟网络视频流的传输。然后执行步骤S224，在模拟传输过程中记录所述性能指标信息。然后执行步骤S225，获取通过模拟传输后的受损视频。然后执行步骤S226，获取与所述受损视频对应的评价结果信息。最后执行步骤S227，生成所述变化特征信息以及所述性能指标信息与所述评价结果之间的映射关系。

在本实施例的一个优选例中，所述步骤S221包括步骤“计算相邻帧对应的所述图像对应像素之间的变化特征信息”以及步骤“计算相邻帧对应的所述图像之间的变化特征信息”。优选地，根据如下公式计算相邻帧对应的所述图像的相对应像素之间的变化特征信息D_k+1(i，j)：

D_k(i，j)＝Y_k+1(i，j)-Y_k(i，j)

其中，Y_k+1(i，j)和Y_k(i，j)表示第k帧和第k+1帧对应的像素值。优选地，根据如下公式计算相邻帧对应的所述图像之间的变化特征信息T_k：

$T_k=\frac{\underset{j=1}{\overset{\mathrm{column}}{\mathrm{\Σ}}}\underset{i=1}{\overset{\mathrm{row}}{\mathrm{\Σ}}}|D_k(i,j)-\stackrel{\‾}{D_k}|}{\mathrm{column}\×\mathrm{row}}.$

在本实施例的另一个优选例中，根据如下公式计算整段视频的变化特征信息M：

$M=\frac{\underset{k=1}{\overset{\mathrm{frames}}{\mathrm{\Σ}}}|T_k-\stackrel{\‾}{T}|}{\mathrm{frames}}.$

在本实施例的又一个优选例中，所述性能指标信息可以包括丢包、延迟以及抖动中的任一个或任多个信息。

在本实施例的又一个优选例中，所述步骤S227包括如下步骤：

d1.搭建BP神经网络；

d2.将视频的变化特征及相应的网络性能信息、视频质量评分作为神经网络的输入，输入到神经网络中训练神经网络；

d3.神经网络训练好后利用神经网络的自学习功能自动得出视频的变化特征及相应的网络性能信息与视频质量评分之间的关系，只需输入视频的变化特征及相应的网络性能信息即可得出视频的评分。

本领域技术人员理解，可以参考《神经网络原理》文献来实现上述步骤d1、d3。进一步地，在上述步骤d2中的变化特征可以优选地包括视频的运动变化特征，次优地还可以包括图像的边缘特征等，在此不予赘述。相应地，所述步骤d2中的网络性能信息可以优选地包括丢包，次优地还可以包括延迟、抖动，在此不予赘述。相应地，所述步骤d2中的评价信息可以优选地包括MOS(平均意见得分)，次优地还可以包括PSNR(峰值信噪比)，在此不予赘述。

进一步地，本领域技术人员理解，在本实施例中，所述步骤S225可以通过如下方式实现：首先由用户根据一段真实码流产生分包信息，生成一个用户自定义的分包信息文件，然后修改网络模拟器NS-2的代码文件使得NS-2读取用户自定义文件，从而将真实码流分包信息(产生时间、大小)通过NS-2仿真网络的传输，在接收端利用NS-2根据收到的接收信息，按照时间戳信息重新拼接成一个视频文件，作为受损视频文件。

相应地，本领域技术人员理解，在本实施例中，所述步骤S226可以通过人为地观看视频得到其相应的视频质量评分。

进一步地，本领域技术人员可以将本实施例中的步骤S220、步骤S221以及步骤S222理解为图1中所述步骤S210的一个具体实施方式；将本实施例中的步骤S223以及步骤S224理解为图1中所述步骤S211的一个具体实施方式；将本实施例中的步骤S225以及步骤S226理解为图1中所述步骤S212的一个具体实施方式。

图3示出根据本发明的第三实施例的，考虑网络性能的视频质量评估的控制装置的结构图。具体地，在本实施例中，所述控制装置4包括第一获取装置41，其用于获取视频的变化特征信息；第二获取装置42，其用于获取视频在网络传输过程中的性能指标信息；第三获取装置43，其用于获取受损视频及其评价结果信息；第一生成装置44，其用于生成所述变化特征信息以及所述性能指标信息与所述评价结果之间的映射关系。

优选地，所述第一获取装置41包括第一保存装置411，其用于将视频的每帧保存为图像文件；第一计算装置412，其用于计算所述图像文件之间的变化特征信息；第二计算装置413，其用于计算整段视频的变化特征信息。

优选地，所述第二获取装置42包括第一模拟装置421，其用于将视频进行模拟网络视频流的传输；第一记录装置422，其用于在模拟传输过程中记录所述性能指标信息。

优选地，所述第三获取装置43包括第四获取装置431，其用于获取通过模拟传输后的受损视频；第五获取装置432，其用于获取与所述受损视频对应的评价结果信息。

在本实施例的一个优选例中，所述所述第一计算装置可以包括第三计算装置，其用于计算相邻帧对应的所述图像对应像素之间的变化特征信息；以及第四计算装置，其用于计算相邻帧对应的所述图像之间的变化特征信息。优选地，根据如下公式计算相邻帧对应的所述图像的相对应像素之间的变化特征信息D_k+1(i，j)：

D_k(i，j)＝Y_k+1(i，j)-Y_k(i，j)

其中，Y_k+1(i，j)和Y_k(i，j)表示第k帧和第k+1帧对应的像素值。优选地，根据如下公式计算相邻帧对应的所述图像之间的变化特征信息T_k：

$T_k=\frac{\underset{j=1}{\overset{\mathrm{column}}{\mathrm{\Σ}}}\underset{i=1}{\overset{\mathrm{row}}{\mathrm{\Σ}}}|D_k(i,j)-\stackrel{\‾}{D_k}|}{\mathrm{column}\×\mathrm{row}}.$

在本实施例的另一个优选例中，根据如下公式计算整段视频的变化特征信息M：

$M=\frac{\underset{k=1}{\overset{\mathrm{frames}}{\mathrm{\Σ}}}|T_k-\stackrel{\‾}{T}|}{\mathrm{frames}}.$

在本实施例的又一个优选例中，所述性能指标信息可以包括丢包、延迟以及抖动中的任一个或任多个信息。

在本实施例的又一个优选例中，所述第一生成装置44包括第六获取装置、第七获取装置以及第八获取装置。其中，所述第六获取装置用于搭建BP神经网络；所述第七获取装置用于将视频的变化特征及相应的网络性能信息、评价信息作为神经网络的输入，输入到神经网络中训练神经网络；所述第八获取装置用于在神经网络训练好后利用神经网络的自学习功能自动得出视频的变化特征及相应的网络性能信息与视频质量评分之间的关系，只需输入视频的变化特征及相应的网络性能信息即可得出视频的评分。进一步地，所述本领域技术人员可以参考上述图2所示实施例实现本实施例，在此不予赘述。

图4示出根据本发明的一个具体实施方式的，考虑网络性能的视频质量评估的示意图。通过本示意图可以清楚地了解到本发明的原理，即通过多种途径来综合地对视频质量进行评估：计算原始视频文件图像的变化特征以反映整个视频文件的变化趋势；通过模拟网络视频流的传输，并采取主动控制丢包产生受损视频。在传输过程中记录丢包、延迟、抖动等性能指标；通过人眼主观评价受损视频获得对受损视频的主观评分；根据获得的视频的变化特征(即图4最左边的一条线路)、网络性能(即图4中间的部分，例如丢包率、延迟、抖动等)、主观评分(即图4最右边的一条线路)来分析视频本身特征、网络因素和视频质量评分之间的关系。在实际应用中，可通过提取视频的变化特征以及视频传输过程的丢包、延迟、抖动等性能指标，便可对视频进行评分。

进一步地，图5示出根据本发明的另一个具体实施方式的，考虑网络性能的视频质量评估的示意图。本领域技术人员理解，本实施方式与图2所示实施例基本近似，即两者通过类似的方式实现本发明提供的技术方案。具体地，图5所示步骤5至少可以参考图2所示步骤S224实现；图5所示步骤6至少可以参考图2所示步骤S225实现；图5所示步骤7、8至少可以参考图2所示步骤S226实现，本领域技术人员可以上述图2所示内容实现本具体实施方式，在此不予赘述。

进一步地，参考上述图1至图5，本领域技术人员理解，在一个变化例中，所述步骤S211还可以通过如下方式实现，即通过真实的网络传输来获取视频在网络传输中的性能指标信息，通过这样的方式，通过一个视频的真实网络传输来获取该视频的评价信息，从而在后续过程中将针对该视频的评价信息用于对其他视频评价的参考信息。本领域技术人员结合现有技术以及上述实施例可以实现所述变化例，在此不予赘述。

进一步地，在一个变化例中，所述步骤S212中的评分结果信息还可以通过其他方式实现，例如利用利用思博伦公司的视频测试系统(VTS)对受损视频的视频质量进行测量，通过求得的MPQM值来得到相应的视频质量评分。领域技术人员结合现有技术以及上述实施例可以实现所述变化例，在此不予赘述。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (20)

1.一种考虑网络性能及视频本身特征的视频质量评估控制方法，其特征在于，包括如下步骤：

a.获取视频的变化特征信息；

b.获取视频在网络传输过程中的性能指标信息；

c.获取受损视频及其评价结果信息；

d.生成所述变化特征信息以及所述性能指标信息与所述评价结果之间的映射关系。

2.根据权利要求1所述的控制方法，其特征在于，所述步骤a包括如下步骤：

a1.将视频的每帧保存为图像文件；

a2.计算所述图像文件之间的变化特征信息；

a3.计算整段视频的变化特征信息。

3.根据权利要求2所述的控制方法，其特征在于，所述步骤a2包括如下步骤中的任一个或任多个步骤：

a21.计算相邻帧对应的所述图像对应像素之间的变化特征信息；

a22.计算相邻帧对应的所述图像之间的变化特征信息。

4.根据权利要求3所述的控制方法，其特征在于，根据如下公式计算相邻帧对应的所述图像的相对应像素之间的变化特征信息D_k+1(i，j)：

D_k(i，j)＝Y_k+1(i，j)-Y_k(i，j)

其中，Y_k+1(i，j)和Y_k(i，j)表示第k帧和第k+1帧对应的像素值。

5.根据权利要求3或4所述的控制方法，其特征在于，根据如下公式计算相邻帧对应的所述图像之间的变化特征信息T_k：

$T_k=\frac{\underset{j=1}{\overset{\mathrm{column}}{\mathrm{\Σ}}}\underset{i=1}{\overset{\mathrm{row}}{\mathrm{\Σ}}}|D_k(i,j)-\stackrel{\‾}{D_k}|}{\mathrm{column}\×\mathrm{row}}.$

6.根据权利要求3至5中任一项所述的控制方法，其特征在于，根据如下公式计算整段视频的变化特征信息M：

$M=\frac{\underset{k=1}{\overset{\mathrm{frames}}{\mathrm{\Σ}}}|T_k-\stackrel{\‾}{T}|}{\mathrm{frames}}.$

7.根据权利要求1至6中任一项所述的控制方法，其特征在于，所述步骤b包括如下步骤：

b1.将视频进行模拟网络视频流的传输；

b2.在模拟传输过程中记录所述性能指标信息。

8.根据权利要求7所述的控制方法，其特征在于，所述性能指标信息包括如下信息中的任一个或任多个信息：

-丢包；

-延迟；

-抖动。

9.根据权利要求1至8中任一项所述的控制方法，其特征在于，所述步骤c包括如下步骤：

c1.获取通过模拟传输后的受损视频；

c2.获取与所述受损视频对应的评价结果信息。

10.根据权利要求9所述的控制方法，其特征在于，所述步骤d包括如下步骤：

d1.搭建BP神经网络；

d2.将视频的变化特征及相应的网络性能信息、评价信息作为神经网络的输入，输入到神经网络中训练神经网络；

d3.神经网络训练好后利用神经网络的自学习功能自动得出视频的变化特征及相应的网络性能信息与视频质量评分之间的关系，只需输入视频的变化特征及相应的网络性能信息即可得出视频的评分。

11.一种考虑网络性能及视频本身特征的视频质量评估的控制装置，其特征在于，包括如下装置：

第一获取装置，其用于获取视频的变化特征信息；

第二获取装置，其用于获取视频在网络传输过程中的性能指标信息；

第三获取装置，其用于获取受损视频及其评价结果信息；

第一生成装置，其用于生成所述变化特征信息以及所述性能指标信息与所述评价结果之间的映射关系。

12.根据权利要求11所述的控制装置，其特征在于，所述第一获取装置包括如下装置：

第一保存装置，其用于将视频的每帧保存为图像文件；

第一计算装置，其用于计算所述图像文件之间的变化特征信息；

第二计算装置，其用于计算整段视频的变化特征信息。

13.根据权利要求12所述的控制装置，其特征在于，所述第一计算装置包括如下装置中的任一个或任多个装置：

第三计算装置，其用于计算相邻帧对应的所述图像对应像素之间的变化特征信息；

第四计算装置，其用于计算相邻帧对应的所述图像之间的变化特征信息。

14.根据权利要求13所述的控制装置，其特征在于，根据如下公式计算相邻帧对应的所述图像的相对应像素之间的变化特征信息D_k+1(i，j)：

D_k(i，j)＝Y_k+1(i，j)-Y_k(i，j)

其中，Y_k+1(i，j)和Y_k(i，j)表示第k帧和第k+1帧对应的像素值。

15.根据权利要求13或14所述的控制装置，其特征在于，根据如下公式计算相邻帧对应的所述图像之间的变化特征信息T_k：

$T_k=\frac{\underset{j=1}{\overset{\mathrm{column}}{\mathrm{\Σ}}}\underset{i=1}{\overset{\mathrm{row}}{\mathrm{\Σ}}}|D_k(i,j)-\stackrel{\‾}{D_k}|}{\mathrm{column}\×\mathrm{row}}.$

16.根据权利要求13至15中任一项所述的控制装置，其特征在于，根据如下公式计算整段视频的变化特征信息M：

$M=\frac{\underset{k=1}{\overset{\mathrm{frames}}{\mathrm{\Σ}}}|T_k-\stackrel{\‾}{T}|}{\mathrm{frames}}.$

17.根据权利要求11至16中任一项所述的控制装置，其特征在于，所述第二获取装置包括如下装置：

第一模拟装置，其用于将视频进行模拟网络视频流的传输；

第一记录装置，其用于在模拟传输过程中记录所述性能指标信息。

18.根据权利要求17所述的控制装置，其特征在于，所述性能指标信息包括如下信息中的任一个或任多个信息：

-丢包；

-延迟；

-抖动。

19.根据权利要求11至18中任一项所述的控制装置，其特征在于，所述第三获取装置包括如下装置：

第四获取装置，其用于获取通过模拟传输后的受损视频；

第五获取装置，其用于获取与所述受损视频对应的评价结果信息。

20.根据权利要求19所述的控制装置，其特征在于，所述第一生成装置包括如下装置：

第六获取装置，用于搭建BP神经网络；

第七获取装置，用于将视频的变化特征及相应的网络性能信息、评价信息作为神经网络的输入，输入到神经网络中训练神经网络；

第八获取装置，用于在神经网络训练好后利用神经网络的自学习功能自动得出视频的变化特征及相应的网络性能信息与视频质量评分之间的关系，只需输入视频的变化特征及相应的网络性能信息即可得出视频的评分。

Images