CN103428523A - 评估视频质量的方法和装置 - Google Patents

Abstract

本发明实施例提供一种评估视频质量的方法和装置，能够准确地对视频质量进行评估。该方法包括：根据目标视频，确定该目标视频的实际量化参数和临界量化参数，其中，该临界量化参数是该目标视频在人眼不能明显地识别出失真的情况下的最大量化参数；根据该实际量化参数和临界量化参数，确定该目标视频的质量。根据本发明实施例的评估视频质量的方法和装置，通过确定目标视频的临界量化参数并将该实际量化参数与临界量化参数进行比较，能够准确地判断出目标视频的主观质量是否相对于所使用的实际量化参数的严格地单调变化，从而能够准确地对视频质量进行评估。

Description

评估视频质量的方法和装置

技术领域

本发明涉及视频领域，并且更具体地，涉及评估视频质量的方法和装置。

背景技术

在网络视频迅速发展的背景下，由于视频业务数据量大，实时性要求高，并且用户敏感性强，使得运营商需要对传输的视频业务质量进行评估以保证用户对视频业务的体验需求。

目前，已知一种评估视频质量的方法，认为视频的主观质量与视频的量化参数有近似的线性关系，即，对应不同的量化参数有不同的主观质量，从而根据该视频（编码时）所使用的量化参数来计算视频的主观质量。

但是，通过试验发现，视频的主观质量与所使用的量化参数并不是完全呈线性关系，并且，视频的主观质量也并不是相对于量化参数严格地单调变化，因此，上述现有的评估视频质量的方法并不能准确地对视频质量进行评估。

发明内容

本发明实施例提供一种评估视频质量的方法和装置，能够准确地对视频质量进行评估。

一方面，提供了一种评估视频质量的方法，该方法包括：根据目标视频，确定该目标视频的实际量化参数和临界量化参数，其中，该临界量化参数是该目标视频在人眼不能明显地识别出失真的情况下的最大量化参数；根据该实际量化参数和临界量化参数，确定该目标视频的质量。

另一方面，提供了一种评估视频质量的装置，该装置包括：参数确定单元，用于根据目标视频，确定该目标视频的实际量化参数和临界量化参数，其中，该临界量化参数是该目标视频在人眼不能明显地识别出失真的情况下的最大量化参数；质量评估单元，用于根据该参数确定单元确定的该实际量化参数和临界量化参数，确定该目标视频的质量。

根据本发明实施例的评估视频质量的方法和装置，通过确定目标视频的临界量化参数并将该实际量化参数与临界量化参数进行比较，能够准确地判断出目标视频的主观质量是否相对于所使用的实际量化参数的严格地单调变化，从而能够准确地对视频质量进行评估。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明一实施例的评估视频质量的方法的示意性流程图。

图2是用于表示测定视频的主观质量与量化参数之间关系的试验结果的曲线图。

图3是根据本发明一实施例的评估视频质量的装置的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了根据本发明实施例的评估视频质量的方法100的示意性流程图，如图1所示，该方法包括：

S110，根据目标视频，确定该目标视频的实际量化参数和临界量化参数，其中，该临界量化参数是该目标视频在人眼不能明显地识别出失真的情况下的最大量化参数；

S120，根据该实际量化参数和临界量化参数，确定该目标视频的质量。

具体地说，首先，进行测定视频的主观质量与编码时所使用的量化参数之间关系的主观实验，即，对于不同内容类型的视频序列，分别用各个量化参数（QP，quantization parameter）进行编码（例如，在H.264编码类型下，分别用QP0-51进行编码；在MPEG4或MPEG2编码类型下，分别用QP0-31进行编码），然后对编码出的各个视频序列的质量进行主观评分。需要说明的是，本专利所描述的QP可能在各个编码类型中的具体定义有所不同，可以是具体的量化步长，也可以是对应于量化步长的索引（index）值。图2示出了各类型视频序列的主观质量分数的平均值（纵轴）与编码时使用的QP的关系，如图2所示，当QP较小时，在一定范围内（图中原点到T_n范围内），人眼通常不能明显地识别出失真。并且，主观质量的变化趋势是，随QP的增大，人眼会感觉到失真越来越明显。而在QP变化的过程中，人眼对失真的识别有一个QP临界点，当QP小于临界点时，人眼基本上不能识别出视频失真，即，可以认为主观质量等同于无压缩失真，但是，当QP大于临界点时，视频质量会随着QP的增大而降低，即相对于QP严格地单调变化。

因此，本发明基于以上试验发现，在确定目标视频的主观质量时，首先确定该目标视频的临界量化参数，并根据该目标视频实际编码时实际使用的实际量化参数与临界点的关系，确定该目标视频的主观质量。

即，在S110，可以从接收到的目标视频的数据包中，获取该目标视频编码时所使用的实际量化参数，并且，可以根据该目标视频的例如频编码类型和分辨率来确定该目标视频的临界量化参数。

下面，对确定视频的临界量化参数的过程进行说明。

在本发明实施例中，该根据目标视频，确定该目标视频的临界量化参数，包括：

根据目标视频，确定与该目标视频相对应的基准量化参数和该目标视频的内容复杂度信息；

根据该基准量化参数和该内容复杂度信息，确定该临界量化参数。

具体地说，对于所有目标视频统一设定一个基准量化参数（记作T₀），即，当不考虑视频的内容时，认为对于具有相同视频编码类型和分辨率的视频有一个统一的临界点T₀。

并且，在本发明实施例中，可以通过以下主观试验来获取该T₀，即，作为实例而非限定，可以根据编码类型和分辨率，分别选取视频空间复杂度和时间复杂度均很低（不考虑视频内容）的视频序列，采用各个QP进行编码，并对这些视频序列进行主观评分，找到主观质量开始下降的QP，作为T₀，并且，可以生成指示视频的编码类型和分辨率与基准量化参数（T₀）关系的表项。从而在对目标视频进行质量评估时，可以根据该目标视频的编码类型和分辨率，从该表项中确定该目标视频的基准量化参数（T₀）。应理解，以上列举的确定基准量化参数的方法仅为本发明的一个示例性说明，本发明并不限定于此。

一般情况下，对于内容复杂度cc（视频内容复杂度用以表征视频编码的复杂程度，是结合视频的时间复杂度和空间复杂度的统一描述量，包括空间复杂度和/或时间复杂度）大的视频序列，人眼掩盖效应也相对较大，因此，cc较大的视频的量化参数临界点的值大于cc较小的视频的量化参数临界点的值。

即，在考虑视频内容复杂度的影响时，由于复杂度越大，人眼视觉掩盖也越大，因此该临界量化参数（记作T_n）也越大。

因此，在本发明实施例中，还可以获取该目标视频的内容复杂度信息，该内容复杂度信息可以携带在目标视频的视频流中，从而可以从该目标视频中提取该复杂度信息，也可以根据目标视频的实际量化参数和码率等，计算出该内容复杂度信息，并且，在本发明实施例中，计算视频复杂度的方法与现有技术相同，这里省略其说明，此外，还可以通过试验等，对不同内容（例如，可以将视频源分类为新闻类视频、体育运动类视频、电影视频等）的视频源的内容复杂度信息进行测定，并生成指示视频的内容与内容复杂度信息的对应关系的表项，从而，可以根据目标视频的内容，确定内容复杂度信息。应理解，以上列举的确定内容复杂度信息的方法仅为本发明的一个示例性说明，本发明并不限定于此。

从而，该根据该基准量化参数和该复杂度信息，确定该临界量化参数，包括：

根据以下公式确定该临界量化参数，

$T_n=T_0\·[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}]\·[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}];$ 或

$T_n=T_0\·[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}];$ 或

$T_n=T_0\·\left[{1+\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}\right];$ 或

T_n=T₀·[a₁·scc+b₁·tcc+c₁]；或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}];$ 或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}];$ 或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}]$

其中，T_n为该临界量化参数，T₀为该基准量化参数，scc为该空间复杂度信息，tcc为该时间复杂度信息，a₁、b₁、a₂、b₂、c₁为根据样本视频进行训练而获得的常数。

具体地说，该T_n相当于在T₀的基础上加了内容复杂度掩盖的结果，因此，可以通过以下公式1来以T₀和复杂度来表达T_n。

T_n=T₀·func（cc）        公式1

其中，T₀是常数，代表基准量化参数，如上所述，可以预先根据视频编码类型和分辨率而获取多种数值，并根据目标视频的频编码类型和分辨率来确定具体使用哪一个；func（cc）是内容复杂度掩盖公式，并且，在本发明实施例中，该内容复杂度cc可以包括空间复杂度scc和时间复杂度tcc，也可以只包括空间复杂度或时间复杂度，因此，

该内容复杂度信息包括该目标视频的时间复杂度信息和空间复杂度信息中的至少一个。

另外，当cc增大时，func（cc）增大，此公式可以是线性模型，也可以是非线性模型，也可以是线性模型与非线性模型的组合。

因此，作为示例而非限定，可以通过以下具体公式2至8来表达func（cc）。

$\mathrm{func}(\mathrm{scc},\mathrm{tcc})=[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}]\·[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}]$ 公式2

$\mathrm{func}\left(\mathrm{scc}\right)=[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}]$ 公式3

$\mathrm{func}\left(\mathrm{tcc}\right)=[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}]$ 公式4

func（scc，tcc）=[a₁·scc+b₁·tcc+c₁]        公式5

$\mathrm{func}(\mathrm{scc},\mathrm{tcc})=[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}]$ 公式6

$\mathrm{func}\left(\mathrm{scc}\right)=[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}]$ 公式7

$\mathrm{func}\left(\mathrm{tcc}\right)=[1+\frac{{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}]$ 公式8

其中，a₁、b₁、a₂、b₂、c₁为常数，可以通过以下方式训练获得，即，根据视频编码类型和分辨率，分别对多个不同内容的视频进行主观质量测试等试验，记录各视频的T_n、T₀、scc、tcc作为训练数据，从而，可以采用例如期望最大化算法，通过逐步改进公式的参数，使参数和训练数据的似然概率逐渐增大，最后终止于一个极大点。直观地理解，期望最大化算法也可被看作为一个逐次逼近算法：事先并不知道模型的参数，可以随机的选择一套参数或者事先粗略地给定某个初始参数λ0，确定出对应于这组参数的最可能的状态，计算每个训练样本的可能结果的概率，在当前的状态下再由样本对参数修正，重新估计参数λ，并在新的参数下重新确定模型的状态，这样，通过多次的迭代，循环直至某个收敛条件满足为止，就可以使得模型的参数逐渐逼近真实参数。因此，该步骤可以以离线的方式自动进行。应理解，以上列举的各公式以及各公式中的常数的训练方法仅是本发明的一个实施例，本发明并不限定于此。

在本发明实施例中，通过解析目标视频的视频编码类型、分辨率、实际量化参数和内容复杂度信息，便能够获得根据本发明实施例的评估视频质量的方法所需的参数，无需对目标视频进行深层解析，例如，无需解析到具体的像素值或运动矢量。从而能够降低对终端性能的要求。

并且，通过根据目标视频的内容复杂度信息来确定该目标视频的临界量化参数，能够使最终的质量评估结构更符合人眼的主观感受。

在S120，可以根据通过以上步骤获取的实际量化参数和临界量化参数对目标视频的主观质量进行评估。即，该根据该实际量化参数和临界量化参数，确定该目标视频的质量，包括：

当该实际量化参数小于等于该临界量化参数时，确定该目标视频的质量为最高质量；

当该实际量化参数大于该临界量化参数时，根据以下公式确定该目标视频的质量，

Q_encoding=Q_max-a₃·（QP-T_n）；或

Q_encoding=Q_max-a₃·（QP-T_n）²+b₃

其中，Q_encoding为该目标视频的质量，Q_max为规定的该目标视频的最高质量，QP为该目标视频的实际量化参数，T_n为该临界量化参数，a₃、b₃为根据样本视频进行训练而获得的常数。

具体地说，在本发明实施例中，可以按例如视频的编码类型和分辨率，对视频进行分类，并对具有不同编码类型和分辨率的视频类，预定义无压缩时的最高质量Q_max。

从而，当目标视频的所使用的实际量化参数QP小于等于通过以上步骤计算出的该目标视频的临界量化参数T_n时，可以认为人眼不会识别出该目标视频失真，因此，可以认为该目标视频的主观质量为该目标视频所属视频类的最高质量Q_max。

当目标视频的所使用的实际量化参数QP大于通过以上步骤计算出的该目标视频的临界量化参数T_n时，该目标视频的失真随QP的增大而增大，并且，该目标视频的失真与T_n及QP的关系线性也可以是非线性的，也可以是线性与非线性公式的组合。因此，可以通过以下公式9或公式10来以QP和T_n来表达该失真，

func（QP，T）=a₃·（QP-T_n）        公式9

func（QP，T）=a₃·（QP-T_n）²+b₃    公式10

其中，a₃、b₃为常数，可以通过以下方式训练获得，即，根据视频编码类型和分辨率，分别对多个不同内容的视频进行主观质量测试等试验，记录各视频的质量（失真）、T_n和QP作为训练数据，从而，可以采用例如期望最大化算法，通过逐步改进公式的参数，使参数和训练数据的似然概率逐渐增大，最后终止于一个极大点。直观地理解，期望最大化算法也可被看作为一个逐次逼近算法：事先并不知道模型的参数，可以随机的选择一套参数或者事先粗略地给定某个初始参数λ0，确定出对应于这组参数的最可能的状态，计算每个训练样本的可能结果的概率，在当前的状态下再由样本对参数修正，重新估计参数λ，并在新的参数下重新确定模型的状态，这样，通过多次的迭代，循环直至某个收敛条件满足为止，就可以使得模型的参数逐渐逼近真实参数。因此，该步骤可以以离线的方式自动进行。应理解，以上列举的各公式以及各公式中的常数的训练方法仅是本发明的一个实施例，本发明并不限定于此。

从而，可以根据该目标视频的最高质量Q_max与通过公式9或10求出的失真量，求出该目标视频的主观质量。

根据本发明实施例的评估视频质量的方法，通过确定目标视频的临界量化参数并将该实际量化参数与临界量化参数进行比较，能够准确地判断出目标视频的主观质量是否相对于所使用的实际量化参数严格地单调变化，从而能够准确地对视频质量进行评估。

可选地，在本发明实施例中，该根据目标视频，确定该目标视频的实际量化参数和临界量化参数，包括：

根据目标视频，确定该目标视频的各帧、条带或宏块的实际量化参数和临界量化参数；以及

该根据该实际量化参数和临界量化参数，确定该目标视频的质量，包括：

根据该各帧、条带或宏块的实际量化参数和临界量化参数，确定该各帧、条带或宏块的质量；

根据该各帧、条带或宏块的质量，确定该视频的质量。

具体地说，上述过程可以是基于视频序列或视频段的平均QP值进行的视频序列质量计算，也可以是基于视频的各帧、条带或宏块的QP和T_n（各各帧、条带或宏块的内容复杂度信息不同，其T_n也相异，并且各帧、条带或宏块具体的T_n的计算方法，与上述目标视频的T_n的计算方法相似，这里省略其说明），首先进行帧、条带或宏块质量计算，再对各帧、条带或宏块的质量进行平均值或加权平均，从而确定整个视频序列的质量。

其中，对于计算视频帧的质量计算，可以直接基于视频帧的QP计算视频帧的质量；也可以基于视频的条带的QP计算条带的质量再组合成帧质量，或用条带的QP的平均值、加权平均值等组合方式得到帧的QP，从而计算帧的质量；还可以基于视频的宏块的QP计算宏块的质量再组合成帧质量，或用宏块的QP的平均值、加权平均值等组合方式得到帧的QP，计算帧的质量。

需要说明的是，对于不同的帧类型，比如I帧、P帧、B帧，以相同的QP编码的主观质量有可能是不同的，此时，不同的帧类型的质量可通过调节公式9或公式10中的参数值a₃、b₃来改变。

以上述帧质量计算方法得到视频流里各个视频帧的质量，或者相近QP的多个视频帧的平均质量后，视频序列的质量可以由单帧或多帧的帧组合根据多种现有方法组合得到。

并且，在本发明实施例中，还可以根据目标视频的帧率，对通过以上步骤求出的目标视频的主观质量进行修订，即，考虑到帧率的影响，当帧率越小时，视频序列将会有不连贯的现象，导致视频压缩基准质量越低，其中，具体的修订方法与现有技术相同，这里省略其说明。

需要说明的是，网络视频质量受到许多复杂因素的影响，例如，视频编解码端参数与传输信道的适配情况，带宽、丢包、时延、抖动等传输信道服务质量对于视频主观质量的影响都大不相同。而无论是丢包还是停顿的主观体验，都是在压缩失真的体验上叠加了其他失真的质量下降值。因此，在本发明实施例中，是在不考虑带宽、丢包、时延、抖动等的情况下，评估视频的质量。并且，可在最终得到的评估结果的基础上，可以再根据带宽、丢包、时延、抖动等的情况，对该评估结果进行修订。

上文中，结合图1和图2，详细描述了根据本发明实施例的评估视频质量的方法，下面将结合图3，详细描述根据本发明实施例的评估视频质量的装置。

图3示出了根据本发明实施例的评估视频质量的装置200的示意性框图。如图3所示，该装置可以包括：

参数确定单元210，用于根据目标视频，确定该目标视频的实际量化参数和临界量化参数，其中，该临界量化参数是该目标视频在人眼不能明显地识别出失真的情况下的最大量化参数；

质量评估单元220，用于根据该参数确定单元210确定的该实际量化参数和临界量化参数，确定该目标视频的质量。

并且，在本发明实施例中，该参数确定单元210具体用于根据目标视频，确定与该目标视频相对应的基准量化参数和该目标视频的内容复杂度信息；

用于根据该基准量化参数和该内容复杂度信息，确定该临界量化参数。

另外，在本发明实施例中，该内容复杂度信息包括该目标视频的时间复杂度信息和空间复杂度信息中的至少一个。

可选地，该参数确定单元210具体用于根据以下公式确定该临界量化参数，

$T_n=T_0\·[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}]\·[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}];$ 或

$T_n=T_0\·[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}];$ 或

$T_n=T_0\·[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}];$ 或

T_n=T₀·[a₁·scc+b₁·tcc+c₁]；或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}];$ 或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}];$ 或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}]$

其中，T_n为该临界量化参数，T₀为该基准量化参数，scc为该空间复杂度信息，tcc为该时间复杂度信息，a₁、b₁、a₂、b₂、c₁为根据样本视频进行训练而获得的常数。

在本发明实施例中，该质量评估单元220具体用于当该实际量化参数小于等于该临界量化参数时，确定该目标视频的质量为最高质量；

用于当该实际量化参数大于该临界量化参数时，根据以下公式确定该目标视频的质量，

Q_encoding=Q_max-a₃·（QP-T_n）；或

Q_encoding=Q_max-a₃·（QP-T_n）²+b₃

其中，Q_encoding为该目标视频的质量，Q_max为规定的该目标视频的最高质量，QP为该目标视频的实际量化参数，T_n为该临界量化参数，a₃、b₃为根据样本视频进行训练而获得的常数。

可选地，在本发明实施例中，该参数确定单元210具体用于根据目标视频，确定该目标视频的各帧、条带或宏块的实际量化参数和临界量化参数；以及

该质量评估单元220具体用于根据该参数确定单元210确定的该各帧、条带或宏块的实际量化参数和临界量化参数，确定该各帧、条带或宏块的质量；

用于根据该各帧、条带或宏块的质量，确定该视频的质量。

根据本发明实施例的评估视频质量的装置可对应于本发明实施例的评估视频质量的方法的执行主体，并且，该控制业务的传输的装置中的各模块和上述其他操作和/或功能分别为了实现图1中的方法100的相应流程，为了简洁，在此不再赘述。

根据本发明实施例的评估视频质量的装置，通过确定目标视频的临界量化参数并将该实际量化参数与临界量化参数进行比较，能够准确地判断出目标视频的主观质量是否相对于所使用的实际量化参数严格地单调变化，从而能够准确地对视频质量进行评估。

并且，通过解析目标视频的视频编码类型、分辨率、实际量化参数和内容复杂度信息，便能够获得根据本发明实施例的评估视频质量的方法所需的参数，无需对目标视频进行深层解析，例如，无需解析到具体的像素值或运动矢量。从而能够降低对终端性能的要求。

并且，通过根据目标视频的内容复杂度信息来确定该目标视频的临界量化参数，能够使最终的质量评估结构更符合人眼的主观感受。

需要说明的是，网络视频质量受到许多复杂因素的影响，例如，视频编解码端参数与传输信道的适配情况，带宽、丢包、时延、抖动等传输信道服务质量对于视频主观质量的影响都大不相同。而无论是丢包还是停顿的主观体验，都是在压缩失真的体验上叠加了其他失真的质量下降值。因此，在本发明实施例中，是在不考虑带宽、丢包、时延、抖动等的情况下，评估视频的质量。并且，可在最终得到的评估结果的基础上，可以再根据带宽、丢包、时延、抖动等的情况，对该评估结果进行修订。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

该作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

该功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例该方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

以上该，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以该权利要求的保护范围为准。

Claims (12)

1.一种评估视频质量的方法，其特征在于，所述方法包括：

根据目标视频，确定所述目标视频的实际量化参数和临界量化参数，其中，所述临界量化参数是所述目标视频在人眼不能明显地识别出失真的情况下的最大量化参数；

根据所述实际量化参数和临界量化参数，确定所述目标视频的质量。

2.根据权利要求1所述的方法，其特征在于，根据目标视频，确定所述目标视频的临界量化参数，包括：

根据目标视频，确定与所述目标视频相对应的基准量化参数和所述目标视频的内容复杂度信息；

根据所述基准量化参数和所述内容复杂度信息，确定所述临界量化参数。

3.根据权利要求2所述的方法，其特征在于，所述内容复杂度信息包括所述目标视频的时间复杂度信息和空间复杂度信息中的至少一个。

4.根据权利要求3所述的方法，其特征在于，所述根据所述基准量化参数和所述复杂度信息，确定所述临界量化参数，包括：

根据以下公式确定所述临界量化参数，

$T_n=T_0\·[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}]\·[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}];$ 或

$T_n=T_0\·[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}];$ 或

$T_n=T_0\·[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}];$ 或

T_n=T₀·[a₁·scc+b₁·tcc+c₁]；或

$T_n=T_0\·[1+\frac{{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}];$ 或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}];$ 或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}]$

其中，T_n为所述临界量化参数，T₀为所述基准量化参数，scc为所述空间复杂度信息，tcc为所述时间复杂度信息，a₁、b₁、a₂、b₂、c₁为根据样本视频进行训练而获得的常数。

5.根据权利要求4所述的方法，其特征在于，根据所述实际量化参数和临界量化参数，确定所述目标视频的质量，包括：

当所述实际量化参数小于等于所述临界量化参数时，确定所述目标视频的质量为最高质量；

当所述实际量化参数大于所述临界量化参数时，根据以下公式确定所述目标视频的质量，

Q_encoding=Q_max-a₃·（QP-T_n）；或

Q_encoding=Q_max-a₃·（QP-T_n）²+b₃

其中，Q_encoding为所述目标视频的质量，Q_max为规定的所述目标视频的最高质量，QP为所述目标视频的实际量化参数，T_n为所述临界量化参数，a₃、b₃为根据样本视频进行训练而获得的常数。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述根据目标视频，确定所述目标视频的实际量化参数和临界量化参数，包括：

根据目标视频，确定所述目标视频的各帧、条带或宏块的实际量化参数和临界量化参数；以及

所述根据所述实际量化参数和临界量化参数，确定所述目标视频的质量，包括：

根据所述各帧、条带或宏块的实际量化参数和临界量化参数，确定所述各帧、条带或宏块的质量；

根据所述各帧、条带或宏块的质量，确定所述视频的质量。

7.一种评估视频质量的装置，其特征在于，所述装置包括：

参数确定单元，用于根据目标视频，确定所述目标视频的实际量化参数和临界量化参数，其中，所述临界量化参数是在不使人眼明显地识别出失真的情况下所述目标视频能够使用的最大量化参数；

质量评估单元，用于根据所述参数确定单元确定的所述实际量化参数和临界量化参数，确定所述目标视频的质量。

8.根据权利要求7所述的装置，其特征在于，所述参数确定单元具体用于根据目标视频，确定与所述目标视频相对应的基准量化参数和所述目标视频的内容复杂度信息；

用于根据所述基准量化参数和所述内容复杂度信息，确定所述临界量化参数。

9.根据权利要求8所述的装置，其特征在于，所述内容复杂度信息包括所述目标视频的时间复杂度信息和空间复杂度信息中的至少一个。

10.根据权利要求9所述的装置，其特征在于，所述参数确定单元具体用于根据以下公式确定所述临界量化参数，

$T_n=T_0\·[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}]\·[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}];$ 或

$T_n=T_0\·[1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}];$ 或

$T_n=T_0\·[1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}];$ 或

T_n=T₀·[a₁·scc+b₁·tcc+c₁]；或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}\·{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}];$ 或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}{1+{\left(\frac{\mathrm{scc}}{a_1}\right)}^{b_1}}];$ 或

$T_n=T_0\·[1+\frac{{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}{1+{\left(\frac{\mathrm{tcc}}{a_2}\right)}^{b_2}}]$

其中，T_n为所述临界量化参数，T₀为所述基准量化参数，scc为所述空间复杂度信息，tcc为所述时间复杂度信息，a₁、b₁、a₂、b₂、c₁为根据样本视频进行训练而获得的常数。

11.根据权利要求10所述的装置，其特征在于，所述质量评估单元具体用于当所述实际量化参数小于等于所述临界量化参数时，确定所述目标视频的质量为最高质量；

用于当所述实际量化参数大于所述临界量化参数时，根据以下公式确定所述目标视频的质量，

Q_encoding=Q_max-a₃·（QP-T_n）；或

Q_encoding=Q_max-a₃·（QP-T_n）²+b₃

其中，Q_encoding为所述目标视频的质量，Q_max为规定的所述目标视频的最高质量，QP为所述目标视频的实际量化参数，T_n为所述临界量化参数，a₃、b₃为根据样本视频进行训练而获得的常数。

12.根据权利要求7至11中任一项所述的装置，其特征在于，所述参数确定单元具体用于根据目标视频，确定所述目标视频的各帧、条带或宏块的实际量化参数和临界量化参数；以及

所述质量评估单元具体用于根据所述参数确定单元确定的所述各帧、条带或宏块的实际量化参数和临界量化参数，确定所述各帧、条带或宏块的质量；

用于根据所述各帧、条带或宏块的质量，确定所述视频的质量。

Images