CN104092960A - 一种基于视觉主观感受的视频源切换方法 - Google Patents
一种基于视觉主观感受的视频源切换方法 Download PDFInfo
- Publication number
- CN104092960A CN104092960A CN201410358511.0A CN201410358511A CN104092960A CN 104092960 A CN104092960 A CN 104092960A CN 201410358511 A CN201410358511 A CN 201410358511A CN 104092960 A CN104092960 A CN 104092960A
- Authority
- CN
- China
- Prior art keywords
- video
- video source
- frame
- subjective feeling
- domain complexity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明涉及一种基于视觉主观感受的视频源切换方法,其特征在于:服务器端通过训练获取视觉主观感受预测器NMSVM,并将该视觉主观感受预测器NMSVM分发至客户端,客户端对视觉主观感受预测器NMSVM进行部署;客户端通过多项式拟合预测当前网络服务状态下一阶段可能的网络视频丢包率;客户端通过差分自回归移动平均方法预测当前视频源下一阶段可能的视频内容视觉特性;客户端通过视觉主观感受预测器NMSVM对当前视频源下一阶段的视觉主观感受进行预测,并根据预测结果决定是否需要切换视频源格式。本发明综合考虑网络丢包率、视频源格式、视频内容特性等因素,实现了网络流媒体服务不间断下的视频源格式无缝切换,方法简单灵活,具有较强的实用性。
Description
技术领域
本发明涉及网络实时流媒体服务中的用户体验领域,特别是一种基于视觉主观感受的视频源切换方法。
背景技术
随着互联网技术的不断发展,基于IP的实时流媒体服务质量及技术越来越受到重视。为了最大程度地满足用户对网络流媒体服务的要求,保障用户具有良好的用户体验,流媒体服务提供商要重视网络稳定性和不同格式、视频内容特性的视频源质量上的一个平衡,使得用户能够选择最合适的视频源来观看视频,进而提高用户的用户体验。
目前实时的流媒体服务在考虑用户合适视频源格式选择时,并没有将视频的内容特性和用户的主观感受考虑进去,而仅仅是考虑了网络稳定性对用户连续观影的影响,通常设置一个固定的丢包率阈值,若客户端检测到丢包率超过阈值,即要求更换视频源格式至低带宽资源的视频源格式。然而,这种僵化的视频源格式选择机制可能会出现如下情况:当用户观看的视频内容是属于运动量少的视频(如演讲类)时,网络丢包率超过阈值时,用户的主观视觉感受尚能接受,倘若切换至低带宽资源视频源格式反而进一步降低了用户的观看体验;当用户观看的视频内容是属于运动量多的视频(如F1赛车比赛)时,网络丢包率尚未达到阈值时,用户的主观感受已经完全无法接受了,需要切换至低带宽资源视频源格式以保证连续观影的基本用户体验,然而客户端未能触发切换视频源,这也将影响用户的观看体验。
支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的一种分类技术,具有较高的泛化能力,同时能解决小样本、高维和非线性的机器学习问题,并且能够避免神经网络结构选择和局部极小值问题,是众多机器学习算法中的佼佼者。同时SVM在处理多分类问题上有较好的表现,能够提高训练速度,并且有较高的推广能力。
发明内容
本发明的目的在于提供一种基于视觉主观感受的视频源切换方法,以实现有效的改善客户端接收到的视频质量的稳定性。
为实现上述目的,本发明的技术方案是:一种基于视觉主观感受的视频源切换方法,提供了服务器端和客户端,其特征在于按照以下方式实现:
S1:所述服务器端对于不同格式的视频源在不同类型的视频内容视觉特性下,通过模拟不同的网络视频丢包率,生成具有不同视觉主观感受的视频源训练样本,并通过SVM训练获取视觉主观感受预测器NMSVM,并将所述视觉主观感受预测器NMSVM分发至所述客户端,所述客户端对所述视觉主观感受预测器NMSVM进行部署;
S2:所述客户端通过多项式拟合预测当前网络服务状态下一阶段可能的网络视频丢包率;
S3:所述客户端通过差分自回归移动平均方法预测当前视频源下一阶段可能的视频内容视觉特性;
S4:所述客户端通过使用所述视觉主观感受预测器NMSVM对所述当前视频源下一阶段的视觉主观感受进行预测,并根据预测结果决定是否需要切换视频源格式;若需要切换,所述客户端则向所述服务器端发送切换视频源格式请求消息,否则不发送。
在本发明一实施例中,所述视频内容视觉特性的特征包括:时域复杂度、空域复杂度和平均帧比特率;所述视觉主观感受的类型包括:很差、差、一般、好和很好。
在本发明一实施例中,在所述步骤S1中,将所述视频源训练样本表示为 ,其中表示第i个所述视频源训练样本的特征向量,包括:时域复杂度、空域复杂度、平均帧比特率和丢包率,表示第i个所述视频源训练样本对应的视觉主观感受类型;根据所述视觉主观感受的5种类型,所述视觉主观感受预测器NMSVM包括5个分类器;所述分类器用于区分所述视频源训练样本的视觉主观感受是否属于对应的类型;通过对每个分类器中视频源训练样本的进行赋值,选取高斯核函数,并通过所述SVM训练构建所述5个分类器,以实现获取所述视觉主观感受预测器NMSVM。
在本发明一实施例中,在所述步骤S2中,所述多项式拟合采用基于最小二乘法的多项式拟合,并用表示t时刻的丢包率值,并通过N阶多项式建立多项式拟合模型:,其中n为阶数;通过前t秒的丢包率值f(t,A)得到t+1时刻的丢包率值f(t+1,A),并按照如下步骤实现:
S21:观测前t秒的网络丢包率,得到训练数据;
S22:用得到的所述训练数据训练所述多项式拟合模型得到a0、a1... an的值;
S23:利用步骤S22所得的所述多项式拟合模型预测下一秒的丢包率值f(t+1,A)。
在本发明一实施例中,在所述步骤S3中,对应所述视频内容视觉特性的3个特征,所述客户端通过利用差分自回归移动平均方法分别对应建立差分自回归移动平均模型,模拟所述当前视频源的帧时域复杂度分布曲线、帧空域复杂度分布曲线和帧比特数分布曲线,进而预测下一阶段视频的内容视觉特性,并按照如下步骤实现:
S31:计算M帧视频帧的视频时域复杂度,其中为视频第t帧的时域复杂度,m、n表示视频帧中列和行包含的宏块数;表示宏块的运动剧烈程度,其中和分别表示宏块运动矢量的水平分量和垂直分量;水平分量表示宏块(t, i, j)在参考宏块水平方向上的位移,垂直分量表示宏块(t, i, j)在所述参考宏块垂直方向上的位移;
S32:计算M帧视频帧的视频空域复杂度,其中为视频中第t个视频帧的空域复杂度,表示该区域中的第个受损宏块的DCT直流系数DC,是该受损区域中所有的受损宏块的DCT直流系数DC的平均值;
S33:计算M帧视频的平均帧比特数;
S34:分别绘制M帧视频帧的视频时域复杂度散点图、M帧视频帧的视频空域复杂度散点图、M帧视频的平均帧比特数散点图;
S35:利用步骤S34中绘制的所述视频时域复杂度散点图、所述视频空域复杂度散点图和所述视频的平均帧比特数散点图,分别计算所述视频时域复杂度、所述视频空域复杂度和所述视频平均帧比特数各自对应的差分自回归移动平均模型中的三个参数,包括:自回归项p、移动平均项数q和时间序列成为平稳时所做的差分次数d,并使用该差分自回归移动平均模型模拟所述当前视频源的帧时域复杂度分布曲线、帧空域复杂度分布曲线和帧比特数分布曲线;
S36:分别把每个视频帧的视频时域复杂度、视频空域复杂度和平均帧比特数看做一个时间序列,通过步骤S35中所得出的对应分布曲线分别预测出下N个帧的时域复杂度、空域复杂度和平均帧比特数;并将预测的N个帧的时域复杂度、空域复杂度和平均帧比特数对应分别取平均得到下一阶段视频的时域复杂度、空域复杂度和平均帧比特数。
在本发明一实施例中,在所述步骤S4中,所述客户端从所述服务器端接收并部署所述视觉主观感受预测器NMSVM后,在接受所述当前视频源的同时预测下一阶段的网络丢包率和视频内容视觉特性,并将预测结果输入所述视觉主观感受预测器NMSVM中,产生当前视频源下一阶段的视觉主观感受预测结果;如果视觉主观感受预测结果为“很差”和“差”,则所述客户端主动向所述服务器端发起切换请求,所述服务器端将网络流媒体服务切换为网络资源要求较低的视频源格式,从而实现网络流媒体服务不间断下的视频源格式无缝切换。
相较于现有技术,本发明具有以下有益效果:本发明提出了一种基于视觉主观感受的视频源切换方法,在考虑了网络丢包率的同时还兼顾了视频源格式和视频源内容特性,建立一种新的视频源质量预测模型,实现了通过对下一阶段视频源的质量的预测,以用户的主观视觉感受作为视频源格式切换的自适应标准,使客户端能够自适应的判断是否更换服务器端的视频源,从而保证客户端视频质量的稳定性,最大程度地保证用户观影体验,该方法简单,实现灵活,实用性较强。
附图说明
图1为本发明中基于视觉主观感受的视频源切换方法的流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明是一种基于视觉主观感受的视频源切换方法,提供了服务器端和客户端,其特征在于按照以下方式实现:
S1:所述服务器端对于不同格式的视频源在不同类型的视频内容视觉特性下,通过模拟不同的网络视频丢包率,生成具有不同视觉主观感受的视频源训练样本,并通过SVM训练获取视觉主观感受预测器NMSVM,并将所述视觉主观感受预测器NMSVM分发至所述客户端,所述客户端对所述视觉主观感受预测器NMSVM进行部署;
S2:所述客户端通过多项式拟合预测当前网络服务状态下一阶段可能的网络视频丢包率;
S3:所述客户端通过差分自回归移动平均方法预测当前视频源下一阶段可能的视频内容视觉特性;
S4:所述客户端通过使用所述视觉主观感受预测器NMSVM对所述当前视频源下一阶段的视觉主观感受进行预测,并根据预测结果决定是否需要切换视频源格式;若需要切换,所述客户端则向所述服务器端发送切换视频源格式请求消息,否则不发送。
在本实施例中,所述视频源的格式包括:高清格式、超高清格式和流畅格式;所述视频内容视觉特性的特征包括:时域复杂度、空域复杂度和平均帧比特率;根据该特征可将所述视频内容视觉特性分为4种类型:低时域低空域复杂度、低时域高空域复杂度、高时域低空域复杂度和高时域高空域复杂度;所述视觉主观感受的类型包括:很差、差、一般、好和很好。
在本实施例中,在所述步骤S1中,将所述视频源训练样本表示为,其中表示第i个所述视频源训练样本的特征向量,包括:时域复杂度、空域复杂度、平均帧比特率和丢包率,表示第i个所述视频源训练样本对应的视觉主观感受类型;根据所述视觉主观感受的5种类型,所述视觉主观感受预测器NMSVM包括5个分类器;所述分类器用于区分所述视频源训练样本的视觉主观感受是否属于对应的类型;在本实施例中,第1个分类器用于区分属于“很差”和不属于“很差”的视频源样本,第2个分类器用于区分属于“差”和不属于“差”的视频源样本,第3个分类器用于区分属于“一般”和不属于“一般”的视频源样本,第4个分类器用于区分属于“好”和不属于“好”的视频源样本,第5个分类器用于区分属于“很好”和不属于“很好”的视频源样本。通过对每个分类器中视频源训练样本的进行赋值,选取高斯核函数,并通过所述SVM训练构建所述5个分类器,以实现获取所述视觉主观感受预测器NMSVM。在本实施例中,将第1个分类器中属于“很差”的视频源训练样本中的赋值为1,将其他不属于“很差”的视频源训练样本中的赋值为-1;将第2个分类器中将属于“差”的视频源训练样本中的赋值为1,将其他不属于“差”的视频源训练样本中的赋值为-1;将第3个分类器中属于“一般”的视频源训练样本中的赋值为1,将其他不属于“一般”的视频源训练样本中的赋值为-1;将第4个分类器中将属于“好”的视频源训练样本中的赋值为1,将其他不属于“好”的视频源训练样本中的赋值为-1;将第5个分类器中将属于“很好”的视频源训练样本中的赋值为1,将其他不属于“很好”的视频源训练样本中的赋值为-1。
在本实施例中,在所述步骤S2中,所述多项式拟合采用基于最小二乘法的多项式拟合,并用表示t时刻的丢包率值,并通过N阶多项式建立多项式拟合模型:,其中n为阶数;通过前t秒的丢包率值f(t,A)得到t+1时刻的丢包率值f(t+1,A),并按照如下步骤实现:
S21:观测前t秒的网络丢包率,得到训练数据;
S22:用得到的所述训练数据训练所述多项式拟合模型得到a0、a1... an的值;
S23:利用步骤S22所得的所述多项式拟合模型预测下一秒的丢包率值f(t+1,A)。
在本实施例中,在所述步骤S3中,对应所述视频内容视觉特性的3个特征,所述客户端通过利用差分自回归移动平均方法分别对应建立差分自回归移动平均模型,模拟所述当前视频源的帧时域复杂度分布曲线、帧空域复杂度分布曲线和帧比特数分布曲线,进而预测下一阶段视频的内容视觉特性,并按照如下步骤实现:
S31:计算M帧视频帧的视频时域复杂度,其中为视频第t帧的时域复杂度,m、n表示视频帧中列和行包含的宏块数;表示宏块的运动剧烈程度,其中和分别表示宏块运动矢量的水平分量和垂直分量;水平分量表示宏块(t, i, j)在参考宏块水平方向上的位移,垂直分量表示宏块(t, i, j)在所述参考宏块垂直方向上的位移;
S32:计算M帧视频帧的视频空域复杂度,其中为视频中第t个视频帧的空域复杂度,表示该区域中的第个受损宏块的DCT直流系数DC,是该受损区域中所有的受损宏块的DCT直流系数DC的平均值;
S33:计算M帧视频的平均帧比特数;
S34:分别绘制M帧视频帧的视频时域复杂度散点图、M帧视频帧的视频空域复杂度散点图、M帧视频的平均帧比特数散点图;
S35:利用步骤S34中绘制的所述视频时域复杂度散点图、所述视频空域复杂度散点图和所述视频的平均帧比特数散点图,分别计算所述视频时域复杂度、所述视频空域复杂度和所述视频平均帧比特数各自对应的差分自回归移动平均模型中的三个参数,包括:自回归项p、移动平均项数q和时间序列成为平稳时所做的差分次数d,并使用该差分自回归移动平均模型模拟所述当前视频源的帧时域复杂度分布曲线、帧空域复杂度分布曲线和帧比特数分布曲线;具体的,在本实施例中,通过上述三种散点图分别计算各自对应的自相关系数和偏自相关系数来分析时间序列的相关性以确定p、q和d这三个参数的取值,其中,自相关系数,其中n为时间序列Yt的数据个数,为时间序列的平均值,Yt-k表示时间序列Yt其滞后k时刻的序列值,自相关系数表示一个变量在不同时刻数据间的相关关系,其绝对值的取值范围为0到1,其值越接近于1,自相关程度越大;偏自相关系数,。
S36:分别把每个视频帧的视频时域复杂度、视频空域复杂度和平均帧比特数看做一个时间序列,通过步骤S35中所得出的对应分布曲线分别预测出下N个帧的时域复杂度、空域复杂度和平均帧比特数;并将预测的N个帧的时域复杂度、空域复杂度和平均帧比特数对应分别取平均得到下一阶段视频的时域复杂度、空域复杂度和平均帧比特数。
在本实施例中,预测下N个帧中所取N的值设置为8;建立差分自回归移动平均模型过程中所取M的值为N值的整数倍,即M为8的整数倍。
在本实施例中,在所述步骤S4中,所述客户端从所述服务器端接收并部署所述视觉主观感受预测器NMSVM后,在接受所述当前视频源的同时预测下一阶段的网络丢包率和视频内容视觉特性,并将预测结果输入所述视觉主观感受预测器NMSVM中,产生当前视频源下一阶段的视觉主观感受预测结果;如果视觉主观感受预测结果为“很差”和“差”,则所述客户端主动向所述服务器端发起切换请求,所述服务器端将网络流媒体服务切换为网络资源要求较低的视频源格式,从而实现网络流媒体服务不间断下的视频源格式无缝切换。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (6)
1.一种基于视觉主观感受的视频源切换方法,提供了服务器端和客户端,其特征在于按照以下方式实现:
S1:所述服务器端对于不同格式的视频源在不同类型的视频内容视觉特性下,通过模拟不同的网络视频丢包率,生成具有不同视觉主观感受的视频源训练样本,并通过SVM训练获取视觉主观感受预测器NMSVM,并将所述视觉主观感受预测器NMSVM分发至所述客户端,所述客户端对所述视觉主观感受预测器NMSVM进行部署;
S2:所述客户端通过多项式拟合预测当前网络服务状态下一阶段可能的网络视频丢包率;
S3:所述客户端通过差分自回归移动平均方法预测当前视频源下一阶段可能的视频内容视觉特性;
S4:所述客户端通过使用所述视觉主观感受预测器NMSVM对所述当前视频源下一阶段的视觉主观感受进行预测,并根据预测结果决定是否需要切换视频源格式;若需要切换,所述客户端则向所述服务器端发送切换视频源格式请求消息,否则不发送。
2. 根据权利要求1所述一种基于视觉主观感受的视频源切换方法,其特征在于:所述视频内容视觉特性的特征包括:时域复杂度、空域复杂度和平均帧比特率;所述视觉主观感受的类型包括:很差、差、一般、好和很好。
3.根据权利要求2所述一种基于视觉主观感受的视频源切换方法,其特征在于:在所述步骤S1中,将所述视频源训练样本表示为 ,其中表示第i个所述视频源训练样本的特征向量,包括:时域复杂度、空域复杂度、平均帧比特率和丢包率,表示第i个所述视频源训练样本对应的视觉主观感受类型;根据所述视觉主观感受的5种类型,所述视觉主观感受预测器NMSVM包括5个分类器;所述分类器用于区分所述视频源训练样本的视觉主观感受是否属于对应的类型;通过对每个分类器中视频源训练样本的进行赋值,选取高斯核函数,并通过所述SVM训练构建所述5个分类器,以实现获取所述视觉主观感受预测器NMSVM。
4.根据权利要求1所述一种基于视觉主观感受的视频源切换方法,其特征在于:在所述步骤S2中,所述多项式拟合采用基于最小二乘法的多项式拟合,并用表示t时刻的丢包率值,并通过N阶多项式建立多项式拟合模型:,其中n为阶数;通过前t秒的丢包率值f(t,A)得到t+1时刻的丢包率值f(t+1,A),并按照如下步骤实现:
S21:观测前t秒的网络丢包率,得到训练数据;
S22:用得到的所述训练数据训练所述多项式拟合模型得到a0、a1... an的值;
S23:利用步骤S22所得的所述多项式拟合模型预测下一秒的丢包率值f(t+1,A)。
5.根据权利要求2所述一种基于视觉主观感受的视频源切换方法,其特征在于:在所述步骤S3中,对应所述视频内容视觉特性的3个特征,所述客户端通过利用差分自回归移动平均方法分别对应建立差分自回归移动平均模型,模拟所述当前视频源的帧时域复杂度分布曲线、帧空域复杂度分布曲线和帧比特数分布曲线,进而预测下一阶段视频的内容视觉特性,并按照如下步骤实现:
S31:计算M帧视频帧的视频时域复杂度,其中为视频第t帧的时域复杂度,m、n表示视频帧中列和行包含的宏块数;表示宏块的运动剧烈程度,其中和分别表示宏块运动矢量的水平分量和垂直分量;水平分量表示宏块(t, i, j)在参考宏块水平方向上的位移,垂直分量表示宏块(t, i, j)在所述参考宏块垂直方向上的位移;
S32:计算M帧视频帧的视频空域复杂度,其中为视频中第t个视频帧的空域复杂度,表示该区域中的第个受损宏块的DCT直流系数DC,是该受损区域中所有的受损宏块的DCT直流系数DC的平均值;
S33:计算M帧视频的平均帧比特数;
S34:分别绘制M帧视频帧的视频时域复杂度散点图、M帧视频帧的视频空域复杂度散点图、M帧视频的平均帧比特数散点图;
S35:利用步骤S34中绘制的所述视频时域复杂度散点图、所述视频空域复杂度散点图和所述视频的平均帧比特数散点图,分别计算所述视频时域复杂度、所述视频空域复杂度和所述视频平均帧比特数各自对应的差分自回归移动平均模型中的三个参数,包括:自回归项p、移动平均项数q和时间序列成为平稳时所做的差分次数d,并使用该差分自回归移动平均模型模拟所述当前视频源的帧时域复杂度分布曲线、帧空域复杂度分布曲线和帧比特数分布曲线;
S36:分别把每个视频帧的视频时域复杂度、视频空域复杂度和平均帧比特数看做一个时间序列,通过步骤S35中所得出的对应分布曲线分别预测出下N个帧的时域复杂度、空域复杂度和平均帧比特数;并将预测的N个帧的时域复杂度、空域复杂度和平均帧比特数对应分别取平均得到下一阶段视频的时域复杂度、空域复杂度和平均帧比特数。
6.根据权利要求2所述一种基于视觉主观感受的视频源切换方法,其特征在于:在所述步骤S4中,所述客户端从所述服务器端接收并部署所述视觉主观感受预测器NMSVM后,在接受所述当前视频源的同时预测下一阶段的网络丢包率和视频内容视觉特性,并将预测结果输入所述视觉主观感受预测器NMSVM中,产生当前视频源下一阶段的视觉主观感受预测结果;如果视觉主观感受预测结果为“很差”和“差”,则所述客户端主动向所述服务器端发起切换请求,所述服务器端将网络流媒体服务切换为网络资源要求较低的视频源格式,从而实现网络流媒体服务不间断下的视频源格式无缝切换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410358511.0A CN104092960B (zh) | 2014-07-26 | 2014-07-26 | 一种基于视觉主观感受的视频源切换方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410358511.0A CN104092960B (zh) | 2014-07-26 | 2014-07-26 | 一种基于视觉主观感受的视频源切换方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104092960A true CN104092960A (zh) | 2014-10-08 |
CN104092960B CN104092960B (zh) | 2017-06-06 |
Family
ID=51640639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410358511.0A Expired - Fee Related CN104092960B (zh) | 2014-07-26 | 2014-07-26 | 一种基于视觉主观感受的视频源切换方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104092960B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107734362A (zh) * | 2017-10-11 | 2018-02-23 | 咪咕视讯科技有限公司 | 一种视频源的确定方法、装置及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101448176A (zh) * | 2008-12-25 | 2009-06-03 | 华东师范大学 | 一种基于视频特征的流视频质量评估方法 |
WO2012076203A1 (en) * | 2010-12-10 | 2012-06-14 | Deutsche Telekom Ag | Method and apparatus for objective video quality assessment based on continuous estimates of packet loss visibility |
CN103024431A (zh) * | 2012-12-11 | 2013-04-03 | 福州大学 | 基于视频质量评估的视频自适应传输策略 |
CN103108210A (zh) * | 2013-03-07 | 2013-05-15 | 福州大学 | 基于空域复杂度的无参考视频质量评价方法 |
CN103391450A (zh) * | 2013-07-12 | 2013-11-13 | 福州大学 | 一种时空联合的无参考视频质量检测方法 |
-
2014
- 2014-07-26 CN CN201410358511.0A patent/CN104092960B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101448176A (zh) * | 2008-12-25 | 2009-06-03 | 华东师范大学 | 一种基于视频特征的流视频质量评估方法 |
WO2012076203A1 (en) * | 2010-12-10 | 2012-06-14 | Deutsche Telekom Ag | Method and apparatus for objective video quality assessment based on continuous estimates of packet loss visibility |
CN103024431A (zh) * | 2012-12-11 | 2013-04-03 | 福州大学 | 基于视频质量评估的视频自适应传输策略 |
CN103108210A (zh) * | 2013-03-07 | 2013-05-15 | 福州大学 | 基于空域复杂度的无参考视频质量评价方法 |
CN103391450A (zh) * | 2013-07-12 | 2013-11-13 | 福州大学 | 一种时空联合的无参考视频质量检测方法 |
Non-Patent Citations (1)
Title |
---|
赵婷: "基于空域和时域的视频质量评价模型", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107734362A (zh) * | 2017-10-11 | 2018-02-23 | 咪咕视讯科技有限公司 | 一种视频源的确定方法、装置及计算机可读存储介质 |
CN107734362B (zh) * | 2017-10-11 | 2020-07-28 | 咪咕视讯科技有限公司 | 一种视频源的确定方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104092960B (zh) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thang et al. | An evaluation of bitrate adaptation methods for HTTP live streaming | |
Huang et al. | Buffer state is enough: Simplifying the design of QoE-aware HTTP adaptive video streaming | |
Du et al. | Enabling AI-generated content (AIGC) services in wireless edge networks | |
CN107454446A (zh) | 基于体验质量分析的视频帧管理方法及其装置 | |
Pang et al. | Towards low latency multi-viewpoint 360 interactive video: A multimodal deep reinforcement learning approach | |
Liu et al. | When wireless video streaming meets AI: A deep learning approach | |
Guo et al. | Buffer-aware streaming in small-scale wireless networks: A deep reinforcement learning approach | |
Aguiar et al. | A real-time video quality estimator for emerging wireless multimedia systems | |
García et al. | Quality-control algorithm for adaptive streaming services over wireless channels | |
Gao et al. | Content-aware personalised rate adaptation for adaptive streaming via deep video analysis | |
Li et al. | An apprenticeship learning approach for adaptive video streaming based on chunk quality and user preference | |
Khan et al. | Reinforcement Learning in DASH | |
CN103428107A (zh) | 一种基于缓存下溢概率估计的自适应码流切换方法及系统 | |
Hsu | Mec-assisted fov-aware and qoe-driven adaptive 360 video streaming for virtual reality | |
Ye et al. | VRCT: A viewport reconstruction-based 360 video caching solution for tile-adaptive streaming | |
Darwich et al. | Enhancing cloud-based video streaming efficiency using neural networks | |
Hafez et al. | Reinforcement learning-based rate adaptation in dynamic video streaming | |
Yang et al. | Delay-optimized multi-user VR streaming via end-edge collaborative neural frame interpolation | |
CN104092960A (zh) | 一种基于视觉主观感受的视频源切换方法 | |
Farahani et al. | ALIVE: A Latency-and Cost-Aware Hybrid P2P-CDN Framework for Live Video Streaming | |
CN117201882A (zh) | 基于瓦片优先级的全景视频流传输方法、装置、系统及存储介质 | |
Danish et al. | A hybrid prediction model for video quality by QoS/QoE mapping in wireless streaming | |
CN118075517A (zh) | 用于选择流送媒体内容项的格式的方法、系统和介质 | |
Lu et al. | Deep-reinforcement-learning-based user-preference-aware rate adaptation for video streaming | |
Meng et al. | Fastconv: Fast learning based adaptive bitrate algorithm for video streaming |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170606 Termination date: 20200726 |