CN105049930B - 基于支持向量机的无线视频流业务QoE评估方法 - Google Patents
基于支持向量机的无线视频流业务QoE评估方法 Download PDFInfo
- Publication number
- CN105049930B CN105049930B CN201510501626.5A CN201510501626A CN105049930B CN 105049930 B CN105049930 B CN 105049930B CN 201510501626 A CN201510501626 A CN 201510501626A CN 105049930 B CN105049930 B CN 105049930B
- Authority
- CN
- China
- Prior art keywords
- mrow
- parameter
- video
- msub
- alpha
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 16
- 230000003139 buffering effect Effects 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 238000004040 coloring Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client
- H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
- H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless
- H04N21/64723—Monitoring of network processes or resources, e.g. monitoring of network load
- H04N21/64738—Monitoring network characteristics, e.g. bandwidth, congestion level
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于支持向量机的无线视频流业务QoE评估方法。本发明首先将端到端无线视频流业务QoE的影响因素划分为客观感知参数与心理感知参数两类。其次设置不同的无线视频流性能参数与网络环境，利用人工实验分别评价仅受客观感知参数与仅受心理感知参数影响的视频流MOS值，并将两者乘性融合为综合MOS值。然后利用支持向量机建立评估模型，通过数据集对模型进行训练，实现对无线视频流QoE的评估。本发明将无线视频流业务的端到端参数全面纳入考虑，特别是视频内容特征与播放缓冲参数，并利用支持向量机分析拟合用户体验质量与各影响参数之间的非线性关系，能提供准确有效、符合实际的QoE评估结果。
Description
技术领域
本发明属于无线通信技术领域，具体涉及一种基于支持向量机的无线视频业务QoE评估方法。
背景技术
随着无线通信技术的高速发展，以及手机、平板电脑等智能终端设备的普及，无线视频流业务在通信数据总量中所占的比重越来越大。为了在日渐激烈的竞争中占据一席之地，服务提供商们越发希望获得用户对视频流服务质量的认可。因此，如何从用户角度出发，系统地评估视频流质量与业务满意度，已成为一个迫切需要解决的问题。
目前，服务质量(Quality of Service,QoS)是业界最广泛采用的服务度量标准，其性能指标主要包括网络的带宽、丢包率、抖动与延时等。但是QoS仅仅反应网络传输层面的性能，无法直接反映用户的主观感受，即使网络各部分都有较好的QoS指标，用户对业务的实际满意程度可能依然很差。为弥补QoS的不足，用户体验质量(Quality ofExperience,QoE)的概念应运而生。
国际电信联盟电信标准化部门(ITU-T)将QoE定义为“终端用户所感受到的一项业务或服务的总体可接受程度”。QoE包含对完整的端到端系统的评价，如网络、用户、终端以及业务的基础设施等影响因素。对于无线视频流业务，采用QoE作为综合评价指标，能从用户角度出发，有效地反映终端用户在使用业务过程中的主观感受。
为准确描述QoE与主观感受之间的关系，通常采用量化的方法来衡量QoE，并反映业务质量与用户期望之间的差距。目前使用最广泛的QoE量化方法是ITU-T提出的平均意见得分(Mean Opinion Score,MOS)，它将用户的主观感受划分为五个等级，取值从1至5，1表示体验最差，5表示体验最佳，如表1所示。MOS值能够高效、细致地描述用户的主观体验质量，被广泛应用于基于QoE的业务评估与优化研究中。
表1.平均意见得分
| MOS | QoE | 失真损伤程度 |
| 5 | 优 | 无法察觉 |
| 4 | 良 | 可察觉但不严重 |
| 3 | 尚可 | 轻微 |
| 2 | 次 | 严重 |
| 1 | 差 | 非常严重 |
目前，针对无线视频流业务QoE，通常采用模型映射的方法，来评估不同因素影响下的用户体验质量，如ITU-T提出的G.1070意见模型，基于编码比特率、帧率与丢包率计算视频质量。但是，该模型没有将视频的内容特征考虑在内，无法反映不同视频内容类型对用户体验质量的影响，且准确度有限。此外，目前大部分视频资源支持HTTP传输，通过在客户端播放器设置缓冲区，来缓解延时、抖动等对视频播放质量的影响，而现有的大量基于UDP的视频质量评估模型，在HTTP服务中将变得不再适用。
为了提高准确度，解决影响参数与QoE映射的多参数非线性问题，越来越多的研究转向了利用机器学习建立模型的方法，而如何有效地结合视频内容特征、编码参数、网络传输参数、缓冲区参数等影响因素，准确地评估用户体验质量，目前尚未出现有效的解决方案。
发明内容
本发明的目的是针对现有解决方案的不足，提出一种基于支持向量机的无线视频流业务QoE评估方法。本发明所述方法考虑视频内容特征、编码参数、网络传输参数与播放缓冲参数等端到端QoE影响因素，在分别评价客观感知QoE与心理感知QoE之后，利用乘性融合的方法获得综合QoE，最后利用支持向量机建立模型，在契合人类实际感知模式的同时，提高了QoE评估的准确度，降低了评估误差。
为了实现上述目的，本发明所采用的技术方案的具体步骤为：
步骤1：确定影响无线视频流QoE的端到端参数，包含客观感知参数与心理感知参数两类。
客观感知参数包括视频内容特征、编码参数与网络传输参数。视频内容特征包括空间信息SI、时间信息TI、亮度信息Br、颜色信息CI；编码参数包括编码比特率EBR、帧率FR、分辨率Res；网络传输参数包括丢包率PLR。
空间信息SI表示视频序列的空间复杂度，计算公式为SI＝maxtime{stdspace[Sobel(Fn)]}，其中Fn表示视频序列的第n帧图像(亮度平面)，Sobel(·)表示Sobel滤波，stdspace[·]表示在像素域上计算标准差，maxtime{·}表示在视频序列的所有帧结果中取最大值。
时间信息TI表示视频序列的运动剧烈程度，计算公式为TI＝maxtime{stdspace[Mn(i,j)]}，其中Mn(i,j)＝Fn(i,j)-Fn-1(i,j)，Fn(i,j)表示第n帧图像中第i行第j列的像素值(亮度平面)。
亮度信息Br表示视频图像的平均亮度差，计算公式为
其中表示第n帧图像中第i行第j列像素的平均亮度，Nb为每帧图像亮度平面的像素列数目，Mb为每帧图像亮度平面的像素行数目。
颜色信息CI用于衡量视频序列的颜色分布，计算公式为CI＝maxtime{stdspace[cn(i,j)]}，其中U(i,j)表示每帧第i行第j列像素的色度值，V(i,j)表示表示每帧第i行第j列像素的浓度值，Nc为每帧图像色度平面的像素列数目，Mc为每帧图像色度平面的像素行数目。
编码比特率EBR表示单位时间内视频包含的比特数，帧率FR表示视频每秒显示的帧数，分辨率Res表示视频图像的像素数量，丢包率PLR表示网络传输中丢失数据包数量占所发送数据包总量的比率。以上客观感知参数可从编解码器与比特流信息中获取。
心理感知参数即播放缓冲参数，包括初始缓冲延时IBD与重缓冲时间比RTR，建立缓冲区模型来计算这两个参数。
初始缓冲延时IBD表示从视频的第一个帧进入缓冲区到它最终被播放的时间间隔，计算公式为其中Bfull为缓冲区的长度，单位为秒；μ为视频播放速率，单位为bits/s；λ是视频数据的平均有效吞吐量，单位为bits/s；
重缓冲时间比RTR表示重缓冲总时长占视频播放时长的比率，计算公式为其中
Trebuf为平均重缓冲延时；Bempty为标识缓冲区读空的阈值，单位为秒；nrebuf为视频播放过程中发生重缓冲的次数，l为视频长度，单位为秒。
步骤2：设置不同的端到端参数下的网络环境，分别对客观感知MOS与心理感知MOS进行评价，然后利用乘性融合方法，获得综合MOS值。
2-1.根据ITU-T建议的评估标准，将无线视频流的体验质量划分为5个等级，即MOS值从1至5分别表示体验质量从最差到最佳。
根据研究，不同参数对QoE的影响是相互叠加的，相比于传统加权和的形式，乘性融合的方法更适用于对用户满意度的评估。
2-2.利用人工实验与控制变量的方法，分别评价视频流受客观感知参数与心理感知参数影响的QoE，分别记为客观感知MOSobj与心理感知MOSpsy，则视频流的综合MOS值计算为同时记录对应的端到端参数，作为训练集。
步骤3：基于支持向量机建立QoE评估模型，并将步骤2中记录的端到端参数与对应的综合MOS值作为输入数据，对评估模型进行训练；具体过程如下：
3-1.训练集记为{(xi,yi)}，i＝1,2,...,N，其中xi＝[x1,x2,…,x10]T为输入数据，包含视频内容特征(SI、TI、Br、CI)、编码参数(EBR、FR、Res)、网络传输参数(PLR)与播放缓冲参数(IBD、RTR)，yi为对应的综合MOS值，N为样本数。
3-2.定义函数将输入数据映射到高维特征空间，采用径向基函数作为核函数：其中γ为系数。对于输入的训练集，在高维特征空间构造最优线性函数其中x为输入的参数向量，f(x)为模型输出的MOS估计值，w为权重向量，b为偏置项。
3-3.引入ε-不敏感损失函数来限制估计值f(x)与训练数据y之间的偏差：
则回归优化的目标函数为：其中ξi与ξi *为松弛变量，表示带外训练样本的偏离程度，C为正则化常数。
3-4.以上问题的等效对偶问题为：
其中为拉格朗日乘子对。
3-5.解上述对偶优化问题，获得N个乘子对根据支持向量机的回归公式，模型的MOS评估值即为
步骤4：利用步骤3中建立的QoE评估模型，采集无线视频流的影响参数，包括视频内容特征(SI、TI、Br、CI)、编码参数(EBR、FR、Res)、网络传输参数(PLR)与播放缓冲参数(IBD、RTR)，作为模型的输入x＝[x1,x2,…,x10]T，则模型的输出y即为对应参数条件下的MOS评估值。
本发明是基于支持向量机的无线视频流业务QoE评估模型，与现有的QoE评估模型相比，其优点体现在：
1、现有的视频流业务QoE评估模型考虑的影响因素不够全面，大多仅考虑比特率、帧率、延时、丢包率等传统参数，而本发明同时将视频内容特征(空间信息、时间信息、亮度信息、颜色信息)、编码参数(编码比特率、帧率、分辨率)、网络传输参数(丢包率)与播放缓冲参数(初始缓冲延时、重缓冲时间比)纳入考虑，更能全面、准确地评估用户的体验质量，且适用于对HTTP视频流业务的QoE评估。
2、本发明将端到端影响参数划分为客观感知参数与心理感知参数两类，利用乘性融合方法将不同类别参数对QoE的影响进行叠加，与传统采用加权和的形式相比，该方法更符合用户对视频流业务的感知，更能准确反映用户的体验质量。
3、与传统的计算模型和映射公式相比，支持向量机作为一种监督式机器学习算法，能更有效地分析并拟合QoE与各影响参数之间的非线性关系，提高模型评估的准确度。
附图说明
图1为HTTP无线视频流业务的网络结构示意图。
图2为基于支持向量机的无线视频流业务QoE评估模型结构示意图。
具体实施方式
以下结合附图并举实施例对本发明做进一步详细说明。
本实例为基于HTTP的无线视频流业务，视频序列经历服务器的编码与网络的传输，最后到达用户终端缓冲区进行播放，如图1所示。
本实例具体通过以下步骤实现：
步骤1：确定影响无线视频流QoE的端到端参数，包括客观感知参数与心理感知参数两类。客观感知参数包含视频内容特征(空间信息SI、时间信息TI、亮度信息Br、颜色信息CI)、编码参数(编码比特率EBR、帧率FR、分辨率Res)与网络传输参数(丢包率PLR)。心理感知参数即播放缓冲参数，包含初始缓冲延时IBD与重缓冲时间比RTR。
步骤2：设置不同端到端参数下的网络环境，记录对应的综合MOS值。从视频库中选取不同内容的视频序列，内容从简单到复杂，运动程度从缓慢到剧烈，格式为Y:U:V＝4:2:0，采用H.264/MPEG-4AVC编码，画面组结构为IBBPBBPBB，设置编码比特率取值范围为64kb/s-768kb/s，帧率取5fps-30fps，分辨率取QCIF、CIF、4CIF，丢包率去0.01-0.20。按照ITU-T建议的评价标准，利用人工实验与控制变量的方法，分别评价仅受客观感知参数影响与仅受心理感知参数影响的视频流QoE，记为客观感知MOSobj与心理感知MOSpsy。然后将两者乘性融合，获得综合MOS值，同时记录对应的端到端参数，作为训练集。
步骤3：基于支持向量机建立QoE评估模型，并将步骤2中记录的端到端参数与对应的综合MOS值作为输入，对评估模型进行训练，如图2中虚线部分的过程所示。具体过程如下：
(1)将视频内容特征(SI、TI、Br、CI)、编码参数(EBR、FR、Res)、网络传输参数(PLR)与播放缓冲参数(IBD、RTR)记为输入参数向量xi＝[x1,x2,…,x10]T，对应的综合MOS值记为yi，则训练集为{(xi,yi)}，i＝1,2,...,N。
(2)定义函数将输入数据映射到高维特征空间，采用径向基函数作为核函数：对于输入的训练集，在高维特征空间构造最优线性函数为模型输出的估计MOS值。
(3)引入ε-不敏感损失函数限制估计值f(x)与训练数据y之间的偏差：回归优化的目标函数为：
其中ξi与ξi *为松弛变量，C为正则化常数。
(4)等效对偶问题为：
其中为拉格朗日乘子对。
(5)解上述对偶优化问题，获得N个乘子对模型的MOS评估值即为
步骤4：采集所需评估环境下的无线视频流端到端参数集x＝[x1,x2,…,x10]T，包含视频内容特征(SI、TI、Br、CI)、编码参数(EBR、FR、Res)、网络传输参数(PLR)与播放缓冲参数(IBD、RTR)，将其作为步骤3所建立的QoE评估模型的输入，如图2中实线部分过程所示，模型的输出即为对应参数条件下的MOS评估值。
Claims (1)
1.基于支持向量机的无线视频流业务QoE评估方法，其特征在于该方法包含以下具体步骤：
步骤1：确定影响无线视频流QoE的端到端参数，包含客观感知参数与心理感知参数两类；
客观感知参数包括视频内容特征、编码参数与网络传输参数；视频内容特征包括空间信息SI、时间信息TI、亮度信息Br、颜色信息CI；编码参数包括编码比特率EBR、帧率FR、分辨率Res；网络传输参数包括丢包率PLR；
心理感知参数即播放缓冲参数，包括初始缓冲延时IBD与重缓冲时间比RTR，建立缓冲区模型来计算这两个参数；
步骤2：设置不同的端到端参数下的网络环境，分别对客观感知MOS与心理感知MOS进行评价，然后利用乘性融合方法，获得综合MOS值；
步骤3：基于支持向量机建立QoE评估模型，并将步骤2中记录的端到端参数与对应的综合MOS值作为输入数据，对评估模型进行训练；
步骤4：利用步骤3中建立的QoE评估模型，采集无线视频流的影响参数，包括视频内容特征(SI、TI、Br、CI)、编码参数(EBR、FR、Res)、网络传输参数(PLR)与播放缓冲参数(IBD、RTR)，作为模型的输入x＝[x1,x2,...,x10]T，则模型的输出y即为对应参数条件下的MOS评估值；
空间信息SI表示视频序列的空间复杂度，计算公式为SI＝maxtime{stdspace[Sobel(Fn)]}，其中Fn表示视频序列的第n帧图像(亮度平面)，Sobel(·)表示Sobel滤波，stdspace[·]表示在像素域上计算标准差，maxtime{·}表示在视频序列的所有帧结果中取最大值；
时间信息TI表示视频序列的运动剧烈程度，计算公式为TI＝maxtime{stdspace[Mn(i,j)]}，其中Mn(i,j)＝Fn(i,j)-Fn-1(i,j)，Fn(i,j)表示第n帧图像中第i行第j列的像素值(亮度平面)；
亮度信息Br表示视频图像的平均亮度差，计算公式为其中表示第n帧图像中第i行第j列像素的平均亮度，Nb为每帧图像亮度平面的像素列数目，Mb为每帧图像亮度平面的像素行数目；
颜色信息CI用于衡量视频序列的颜色分布，计算公式为CI＝maxtime{stdspace[cn(i,j)]}，其中U(i,j)表示每帧第i行第j列像素的色度值，V(i,j)表示表示每帧第i行第j列像素的浓度值，Nc为每帧图像色度平面的像素列数目，Mc为每帧图像色度平面的像素行数目；
编码比特率EBR表示单位时间内视频包含的比特数，帧率FR表示视频每秒显示的帧数，分辨率Res表示视频图像的像素数量，丢包率PLR表示网络传输中丢失数据包数量占所发送数据包总量的比率；以上客观感知参数可从编解码器与比特流信息中获取；
初始缓冲延时IBD表示从视频的第一个帧进入缓冲区到它最终被播放的时间间隔，计算公式为其中Bfull为缓冲区的长度，单位为秒；μ为视频播放速率，单位为bits/s；λ是视频数据的平均有效吞吐量，单位为bits/s；
重缓冲时间比RTR表示重缓冲总时长占视频播放时长的比率，计算公式为其中 Trebuf为平均重缓冲延时；Bempty为标识缓冲区读空的阈值，单位为秒；nrebuf为视频播放过程中发生重缓冲的次数，l为视频长度，单位为秒；
步骤2所述的综合MOS值的获取如下：
2-1.根据ITU-T建议的评估标准，将无线视频流的体验质量划分为5个等级，即MOS值从1至5分别表示体验质量从最差到最佳；
2-2.利用人工实验与控制变量的方法，分别评价视频流受客观感知参数与心理感知参数影响的QoE，分别记为客观感知MOSobj与心理感知MOSpsy，则视频流的综合MOS值计算为同时记录对应的端到端参数，作为训练集；
评估模型的训练具体过程如下：
3-1.训练集记为{(xi,yi)}，i＝1,2,...,N，其中xi＝[x1,x2,...,x10]T为输入数据，包含视频内容特征(SI、TI、Br、CI)、编码参数(EBR、FR、Res)、网络传输参数(PLR)与播放缓冲参数(IBD、RTR)，yi为对应的综合MOS值，N为样本数；
3-2.定义函数将输入数据映射到高维特征空间，采用径向基函数作为核函数：其中γ为系数；对于输入的训练集，在高维特征空间构造最优线性函数其中x为输入的参数向量，f(x)为模型输出的MOS估计值，w为权重向量，b为偏置项；
3-3.引入ε-不敏感损失函数来限制估计值f(x)与训练数据y之间的偏差：
则回归优化的目标函数为：
其中ξi与为松弛变量，表示带外训练样本
ξi,ξi *≥0,i＝1,2,...,N
的偏离程度，C为正则化常数；
3-4.步骤3-3问题的等效对偶问题为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>max</mi>
<mrow>
<mi>&alpha;</mi>
<mo>,</mo>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
</mrow>
</munder>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&epsiv;</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>&le;</mo>
<mi>C</mi>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
其中为拉格朗日乘子对；
3-5.解上述对偶优化问题，获得N个乘子对根据支持向量机的回归公式，模型的MOS评估值即为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510501626.5A CN105049930B (zh) | 2015-08-14 | 2015-08-14 | 基于支持向量机的无线视频流业务QoE评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510501626.5A CN105049930B (zh) | 2015-08-14 | 2015-08-14 | 基于支持向量机的无线视频流业务QoE评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105049930A CN105049930A (zh) | 2015-11-11 |
| CN105049930B true CN105049930B (zh) | 2018-03-06 |
Family
ID=54456051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510501626.5A Expired - Fee Related CN105049930B (zh) | 2015-08-14 | 2015-08-14 | 基于支持向量机的无线视频流业务QoE评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105049930B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105430383A (zh) * | 2015-12-07 | 2016-03-23 | 广东电网有限责任公司珠海供电局 | 一种视频流媒体业务的体验质量评估方法 |
| CN107404646B (zh) * | 2016-05-20 | 2019-11-29 | 华为技术有限公司 | 视频质量评估的方法、装置和头端设备 |
| CN105933329B (zh) * | 2016-06-12 | 2018-11-20 | 浙江大学 | 基于在线学习的视频流业务码率自适应方法 |
| CN106792146A (zh) * | 2016-09-22 | 2017-05-31 | 南京邮电大学 | 一种视频业务中数据驱动的用户体验的客观评价方法 |
| CN106534976B (zh) * | 2016-10-12 | 2019-11-08 | 南京邮电大学 | Iptv视频业务中用户满意度的智能化预测方法 |
| CN107018408A (zh) * | 2017-01-19 | 2017-08-04 | 湖南大学 | 移动端http视频流的体验质量评估方法 |
| CN108900862A (zh) * | 2018-02-14 | 2018-11-27 | 南京邮电大学 | 基于统计分析的网络视频流QoE-QoS参数映射方法 |
| CN110166796B (zh) * | 2018-05-16 | 2021-09-17 | 腾讯科技（深圳）有限公司 | 视频帧的处理方法、装置、计算机可读介质及电子设备 |
| CN110971891B (zh) * | 2018-09-30 | 2024-08-20 | 北京奇虎科技有限公司 | 视频质量评估方法、装置及电子设备 |
| CN112329636B (zh) * | 2020-11-06 | 2023-06-16 | 华侨大学 | 联合支持向量机和模糊推理的视频质量评估方法和系统 |
| CN112822482B (zh) * | 2020-12-31 | 2022-11-08 | 上海掌门科技有限公司 | 一种确定音视频通话的评估得分的方法与设备 |
| CN115884195A (zh) * | 2021-09-28 | 2023-03-31 | 中兴通讯股份有限公司 | 模型训练方法、无线资源调度方法及其装置及电子设备 |
| CN114095756B (zh) * | 2021-11-17 | 2024-04-02 | 天津大学 | 基于长期视野预测的自适应全景视频流传输系统及其方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8885050B2 (en) * | 2011-02-11 | 2014-11-11 | Dialogic (Us) Inc. | Video quality monitoring |
| CN103888846B (zh) * | 2014-03-04 | 2017-02-08 | 浙江大学 | 基于QoE的无线视频流业务自适应速率控制方法 |
-
2015
- 2015-08-14 CN CN201510501626.5A patent/CN105049930B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105049930A (zh) | 2015-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105049930B (zh) | 基于支持向量机的无线视频流业务QoE评估方法 | |
| CN102685790B (zh) | 模拟用户行为的移动流媒体业务感知体验QoE的测评方法 | |
| CN101626506B (zh) | 一种视频码流的质量评估方法、装置及系统 | |
| Yang et al. | Survey on QoE assessment approach for network service | |
| CN104883563B (zh) | 一种视频数据质量评估方法和装置 | |
| CN104023232B (zh) | 基于层次分析和多元线性回归的移动视频质量评估方法 | |
| CN103152599A (zh) | 基于有序回归的移动视频业务用户体验质量评估方法 | |
| JP6099107B2 (ja) | メディア品質を評価するための方法および装置 | |
| CN105430383A (zh) | 一种视频流媒体业务的体验质量评估方法 | |
| CN101384084A (zh) | 异构网络中的网络终端选择方法及装置 | |
| CN102959976A (zh) | 评估视频流质量的方法及设备 | |
| Aguiar et al. | Video quality estimator for wireless mesh networks | |
| Aguiar et al. | A real-time video quality estimator for emerging wireless multimedia systems | |
| Taha et al. | A QoE adaptive management system for high definition video streaming over wireless networks | |
| Moldovan et al. | Subjective assessment of bitdetect—a mechanism for energy-aware multimedia content adaptation | |
| Garcia-Pineda et al. | A holistic modeling for QoE estimation in live video streaming applications over LTE Advanced technologies with Full and Non Reference approaches | |
| Wang et al. | Inferring end-to-end latency in live videos | |
| Wang et al. | No-reference hybrid video quality assessment based on partial least squares regression | |
| CN117061791B (zh) | 云视频帧自适应协作渲染方法、装置及计算机设备 | |
| CN104837008B (zh) | 一种基于网络丢包损伤的比特流层视频感知质量评价方法 | |
| Yuan et al. | IPTV video quality assessment model based on neural network | |
| CN102630037A (zh) | 一种视频系统中从psnr到mos的映射算法 | |
| Zhang et al. | MDVQM: A novel multidimensional no-reference video quality metric for video transcoding | |
| Li et al. | Enhancing Quality of Experience (QoE) assessment models for video applications | |
| Sevcik et al. | Prediction of subjective video quality based on objective assessment |
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 |
Granted publication date: 20180306 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |