CN107027023A - 基于神经网络的VoIP无参考视频通信质量客观评价方法 - Google Patents

基于神经网络的VoIP无参考视频通信质量客观评价方法 Download PDF

Info

Publication number
CN107027023A
CN107027023A CN201710268980.7A CN201710268980A CN107027023A CN 107027023 A CN107027023 A CN 107027023A CN 201710268980 A CN201710268980 A CN 201710268980A CN 107027023 A CN107027023 A CN 107027023A
Authority
CN
China
Prior art keywords
video
neutral net
parameter
voip
section
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
Application number
CN201710268980.7A
Other languages
English (en)
Other versions
CN107027023B (zh
Inventor
王晶
费泽松
赵晓涵
李成才
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201710268980.7A priority Critical patent/CN107027023B/zh
Publication of CN107027023A publication Critical patent/CN107027023A/zh
Application granted granted Critical
Publication of CN107027023B publication Critical patent/CN107027023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details
    • H04N17/004—Diagnosis, testing or measuring for television systems or their details for digital television systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)

Abstract

本发明公开的基于神经网络的VoIP无参考视频通信质量客观评价方法，主要适用于实时通信场景下的VoIP视频通信质量监测，属于视频质量客观评价领域。本发明的方法通过如下步骤实现：在VoIP视频通话过程中对网络参数进行提取，同时对该段视频进行主观测试打分，对提取的网络参数进行标准化处理和降维处理，得到的降维数据作为神经网络的输入，主观测试得分作为神经网络的参考输出进行神经网络训练，得到各神经节点的权重及阈值，即完成神经网络构建；神经网络的输出即为根据输入参数映射得到的客观质量评分，所述的客观质量评分用于VoIP无参考视频通信质量客观评估。本发明能够实现对VoIP视频质量做出准确且实时评价。

Description

基于神经网络的VoIP无参考视频通信质量客观评价方法
技术领域
本发明涉及基于神经网络的VoIP无参考视频通信质量客观评价方法，主要适用于实时通信场景下的VoIP视频通信质量监测，属于视频质量客观评价领域。
背景技术
随近些年来，随着互联网技术的进步、多媒体通讯技术的发展和第四代移动通讯系统的普及，移动视频通信业务在生活和工作中愈发重要，其中基于VoIP的实时视频技术凭借其便捷性以及高性价比得到了广泛的应用。但IP网络的实时通信性能与专用通信网络相比不够稳定，由此带来的丢包、抖动和延时会影响视频通信的质量，从而影响用户体验。因此如何准确地对视频通信质量进行评价是实时通讯中的关键部分。
根据ITU和VQEG等国际组织对于视频质量评估相关技术标准的规定，视频质量评估方法有两种，一种是主观的评估方式，还有一种就是客观的评估方式。主观的视频质量评估方法以人的主观感受作为唯一衡量标准，因此具有极高的准确性，但主观评估方法复杂性较高，并且需要大量人力物力支持，因此不适用于实时通信中的视频质量评估。根据处理待测视频时有无对应的原始参考视频和参考程度，客观质量评估方法分为三大类：全参考方法、部分参考方法、无参考方法。其中，全参考方法需要与原始视频相比较，目前比较典型的全参考评价技术有“基于全像素失真的统计方法”和“基于人眼视觉系统的评价方法”。部分参考方法需要传输部分参考信息，这些参考信息可以来源于原始视频本身，也可以是非原始数据的额外信息，典型的两种方法是“基于结构相似性的质量评价方法”和“基于数字水印的部分参考视频质量评估”。无参考方法无需额外传输信息就能直接评价，典型的方法有块状检测评价方法和检测块边缘模糊方法。
综上所述，现有视频质量客观评估方法中，全参考方法和部分参考方法技术体系较为成熟，但这两种评价方法用于VoIP视频客观质量评价时会存在两个问题：一是无法准确衡量因为IP网络的延迟、抖动而带来的问题，从而影响整个测试结果的准确性。二是上述两种方法作为有参考体系，在进行评价的过程中需要原始数据或部分参考数据，这在实时通信中是难以实现的。因此，为了提升VoIP视频通信质量评价的准确性，就需要使用无参考客观质量评价算法，但现有无参考质量评价体系还不成熟，研究主要还局限在对已知劣化(如块效应、边缘模糊等)的检测和评价，当出现未假设到的错误时算法不适应，因此结果常与主观评价偏差较大。我国授权公开号为CN200810163592.3的发明专利“Motion Jpeg2000视频客观质量的无参考评估方法”公开了一种无参考体系的视频客观质量评价方法，但该方法需要对每帧图像进行处理，在实时性和计算复杂度上仍无法达到VoIP视频通信质量的评估要求。
发明内容
为解决现有的视频客观质量评价算法无法对VoIP视频质量做出准确且实时的评价，本发明公开的基于神经网络的VoIP无参考视频通信质量客观评价方法，要解决的技术问题是提供一种VoIP无参考视频通信质量客观评估方法，能够实现对VoIP视频质量做出准确且实时评价。
本发明的目的是通过下述技术方案实现的。
本发明公开的基于神经网络的VoIP无参考视频通信质量客观评价方法，在VoIP视频通话过程中对网络参数进行提取，同时对该段视频进行主观测试打分，对提取的网络参数进行标准化处理和降维处理，得到的降维数据作为神经网络的输入，主观测试得分作为神经网络的参考输出进行神经网络训练，得到各神经节点的权重及阈值，即完成神经网络构建。神经网络的输出即为根据输入参数映射得到的客观质量评分，所述的客观质量评分用于VoIP无参考视频通信质量客观评估。
本发明公开的基于神经网络的VoIP无参考视频通信质量客观评价方法，包括以下步骤：
步骤一、在VoIP视频通话过程中，使用有网络参数记录功能的VoIP软件对实时网络参数进行采集，同时测试人员给出该次视频通话的主观测试分数。
步骤一具体为：在一段视频通话中，每隔一定时间VoIP软件记录当前通话环境中的网络参数，网络参数包含该段时间内的丢包率、延时值、抖动缓存时间、帧率，共记录N组数据，测试人员根据此次视频通话的流畅度和清晰度给出主观测试分数。
步骤一所述的一定时间根据实际VoIP视频质量评价准确度设定。
步骤二、对步骤一中得到的网络参数进行预处理，得到一系列统计参数。
步骤二具体为：根据步骤一中记录的N组数据，计算出一段视频中丢包率、延迟、抖动缓存时间和帧率的最大值、最小值、方差、平均数、中位数和众数等M个参数。
步骤三、对步骤二中得到的M个统计参数进行初步降维处理，得到J维参数。
步骤三具体为：选择步骤二中得到的某段视频中M个参数，对其进行协方差计算，根据计算结果，去除互相关系数较高的多余参数，只保留互相关系数低于设定阈值的J个参数。
步骤四、对I段视频的数据标准化处理后进行主成分分析，并得到降维后的矩阵。
步骤四具体为：
步骤4.1.统一J个参数的单位量度，进行标准化处理，具体公式如下：
其中，xij是第i段视频第j个参数的值，是第j个参数的样本均值，j是第j个参数的标准差。
步骤4.2.将I段视频的参数构建成大小为I*J的矩阵A，对矩阵A进行主成分分析并降维，得到降维后大小为I*Q的矩阵，其中Q<J。
步骤五、构建神经网络，将I段视频的Q个参数作为神经网络的输入参数，对应该段视频的主观质量测试得分作为参考输出，进行神经网络的训练，得到各神经节点的权重及阈值，即完成神经网络构建。
步骤五具体为：
步骤5.1：初始化数据，将各个权值和阈值分别设为较小的初始值。
步骤5.2：导入一段视频对应的Q个参数作为神经网络的输入，该段视频的主观测试得分为参考输出，依次训练多段视频。
所述的一段视频指步骤四中得到的I段视频中的一段视频。
步骤5.3：根据输入样本以及各节点的激励函数计算输出层神经元的输出。
步骤5.4：将计算结果与参考输出比较，求出各层的误差。
步骤5.5：根据计算结果更新输入层，隐藏层，输出层各节点的权值和阈值。
步骤5.6：若误差未达到学习精度以内，从步骤5.3重新进行学习；若误差在学习精度以内，学习结束，即完成神经网络构建。
步骤六、构建完成后的神经网络的输出即为根据输入参数映射得到的客观质量评分。
至此，从步骤一到步骤六，完成基于神经网络的VoIP无参考视频通信质量客观评估方法。
有益效果：
本发明公开的基于神经网络的VoIP无参考视频通信质量客观评估方法，对比现有的技术，有如下有益效果：
1.现有视频客观质量评价方法中，需要对视频进行分析才能得到客观质量评分。本发明所述方法能够在无参考视频评价质量体系下，仅根据网络参数分析就可以实现视频客观质量评价，无需对视频进行分析，因此，能够减少计算复杂度与所需时间，同时避免无参考评价体系下，因为视频出现未预知错误时出现的评价误差。
2.本发明所述的方法不需要输入信号以及输出信号，仅对传输过程中的网络参数进行提取、处理与计算，能够极大减少存储与计算空间，提高该评价方法的实时性。
3.本发明所述方法中训练及测试所采用的基于网络参数和主观测试分数的神经网络，与传统方法相比，能够更好的反映参数及视频质量之间的关系，在能够给出与主观测试得分相近的客观测试得分的同时节省主观测试所需的大量人力和物力。
附图说明
图1本发明基于神经网络的VoIP无参考视频通信质量客观评估方法实施例中的数据采集示意图；
图2本发明基于神经网络的VoIP无参考视频通信质量客观评估方法实施例中的数据采集与分析过程示意图；
图3本发明基于神经网络的VoIP无参考视频通信质量客观评估方法实施例中的神经网络模型示意图；
图4本发明基于神经网络的VoIP无参考视频通信质量客观评估方法实施例中的神经网络训练流程图；
图5本发明基于神经网络的VoIP无参考视频通信质量客观评估方法实施例中的客观评价得分与实际主观测试得分的散点图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述。
实施例1
为验证本发明方法可行性，本实施例公开的基于神经网络的VoIP无参考视频通信质量客观评价方法，基于如图1所示的参数采集条件实现。
步骤1：准备手机及测试环境
本实施例中编译基于webrtc且具有网络参数提取功能的VoIP视频通信软件，安装到两部相同型号的Android手机中。
步骤2：在笔记本电脑中搭建可以控制网络参数的控制单元
本实施例中，笔记本电脑安装了网损模拟软件WANem，该软件可以准确地控制丢包率、延时及抖动。通过调节WANem中的参数，可以控制手机A的视频质量
步骤3：手机A、B分别连接无线网络
本实施例中，手机A连接安装有WANem的笔记本电脑产生的WiFi，该笔记本电脑与手机B连接至同一网络。
本实施例公开的基于神经网络的VoIP无参考视频通信质量客观评价方法，具体流程如图2所示，包括如下步骤：
步骤一、在VoIP视频通话过程中，使用有网络参数记录功能的VoIP软件对实时网络参数进行采集。
步骤一具体为：在每次视频通话开始前，利用网络损伤仿真软件进行网络损伤环境的设置。每次视频通话持续30秒，每隔1秒手机A中的VoIP软件记录当前通话环境中的网络参数，网络参数包含该段时间内的丢包率、延时值、抖动缓存时间、帧率，共记录30组数据。每次视频通话结束，测试人员根据该次视频的流畅度和清晰度给出1到5分的主观质量评分，打分标准如表1：
表1：视频主观质量评分标准
分数 质量等级
1.0 感觉糟糕
2.0 比较差，不适应
3.0 一般，可以接受
4.0 比较好
5.0 非常好
步骤二、对步骤一中得到的网络参数进行预处理，得到一系列统计参数。
步骤二具体为：根据步骤一中记录的30组数据，计算出每段视频中丢包率、延迟、抖动缓存时间和帧率的最大值、最小值、方差、平均数和中位数以及帧率的众数等21个参数。
步骤三、对步骤二中得到的21个统计参数进行初步降维处理，得到13维参数。
步骤三具体为：选择步骤二中得到的21个参数，计算其协方差矩阵，根据计算结果，去除互相关系数高于0.8的多余参数，只保留互相关系数低于0.8的参数，本实施例中最终保留的参数为丢包率最大值、丢包率最小值、丢包率中位数、延时最大值、延时最小值、延时平均数、抖动缓存最大值、抖动缓存最小值、抖动缓存平均数、帧率的最大值、帧率的最小值、帧率方差和帧率平均数共13个参数。
步骤四、对70段视频的参数标准化处理后进行主成分分析，并得到降维后的参数。
步骤四具体为：
步骤4.1.统一13个参数的单位量度，对70段视频中的参数分别进行标准化处理，具体公式如下：
其中，xij是第i段视频第j个参数的值，是第j个参数的样本均值，σj是第j个参数的标准差。
步骤4.2.将5段视频标准化处理后的参数构建成大小为70*13的矩阵A，对矩阵A进行主成分分析，本实施例中取贡献率E>85％的成分作为主成分，最终选取的主成分个数为6个，因此矩阵A可以转换成大小为70*6的矩阵。
步骤五、构建神经网络，所构建神经网络如图3所示。输入层有6个神经节点，隐藏层有3个神经节点，输出层有1个神经节点。
步骤五实现流程如图4所示，具体为：
步骤5.1：初始化数据，将各个神经元的权值和阈值都设置为0。
步骤5.2：导入一段视频对应的6个参数数据作为神经网络的输入，该段视频的主观测试得分为参考输出，依次训练多段视频。所述的一段视频指步骤四中的70段视频中的一段视频。
步骤5.3：根据输入样本以及各节点的激励函数计算输出层神经元的输出。
步骤5.4：将计算结果与参考输出比较，求出各层的误差。
步骤5.5：根据计算结果更新输入层，隐藏层，输出层各节点的权值和阈值。
步骤5.6：若输出结果误差大于0.0001，从步骤5.3重新进行学习；若误差在0.0001以内，学习结束，即完成神经网络构建。
本实施例中，经过训练，各个神经节点权值和阈值如下表所示：
表2：神经网络各节点权重和阈值
步骤六、构建后的神经网络输出即为根据输入参数映射得到的客观质量评分。本实施例中使用30段视频作为测试视频，使用步骤五得到的神经网络进行客观评分。
在本实施例中，将每段视频的网络参数标准化处理及降维后，输入到已构建完成的神经网络，得到视频客观质量得分，并将其与主观测试得分相比较。图5为比较结果图，横坐标为主观测试分数，纵坐标为本发明所述方法的客观评价得分，中间斜线为45度等值线，另外两条是0.5分误差线。从图中可以看出，本实施例的客观评价得分和主观测试得分的一致性较高，可以准确的评价VoIP视频通信质量。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于神经网络的VoIP无参考视频通信质量客观评价方法，其特征在于：包括如下步骤，
步骤一、在VoIP视频通话过程中，使用有网络参数记录功能的VoIP软件对实时网络参数进行采集，同时测试人员给出该次视频通话的主观测试分数；
步骤二、对步骤一中得到的网络参数进行预处理，得到一系列统计参数；
步骤三、对步骤二中得到的M个统计参数进行初步降维处理，得到J维参数；
步骤四、对I段视频的数据标准化处理后进行主成分分析，并得到降维后的矩阵；
步骤五、构建神经网络，将I段视频的Q个参数作为神经网络的输入参数，对应该段视频的主观质量测试得分作为参考输出，进行神经网络的训练，得到各神经节点的权重及阈值，即完成神经网络构建；
步骤六、构建完成后的神经网络的输出即为根据输入参数映射得到的客观质量评分；
至此，从步骤一到步骤六，完成基于神经网络的VoIP无参考视频通信质量客观评估方法。
2.如权利要求1所述的基于神经网络的VoIP无参考视频通信质量客观评价方法，其特征在于：
步骤一具体实现方法为，在一段视频通话中，每隔一定时间VoIP软件记录当前通话环境中的网络参数，网络参数包含该段时间内的丢包率、延时值、抖动缓存时间、帧率，共记录N组数据，测试人员根据此次视频通话的流畅度和清晰度给出主观测试分数。
3.如权利要求1所述的基于神经网络的VoIP无参考视频通信质量客观评价方法，其特征在于：
步骤二具体实现方法为，根据步骤一中记录的N组数据，计算出一段视频中丢包率、延迟、抖动缓存时间和帧率的最大值、最小值、方差、平均数、中位数和众数等M个参数。
4.如权利要求1所述的基于神经网络的VoIP无参考视频通信质量客观评价方法，其特征在于：
步骤三具体实现方法为，选择步骤二中得到的某段视频中M个参数，对其进行协方差计算，根据计算结果，去除互相关系数较高的多余参数，只保留互相关系数低于设定阈值的J个参数。
5.如权利要求1所述的基于神经网络的VoIP无参考视频通信质量客观评价方法，其特征在于：
步骤四具体实现方法为，
步骤4.1.统一J个参数的单位量度，进行标准化处理，具体公式如下：
其中，xij是第i段视频第j个参数的值，是第j个参数的样本均值，σj是第j个参数的标准差。
步骤4.2.将I段视频的参数构建成大小为I*J的矩阵A，对矩阵A进行主成分分析并降维，得到降维后大小为I*Q的矩阵，其中Q<J。
6.如权利要求1所述的基于神经网络的VoIP无参考视频通信质量客观评价方法，其特征在于：
步骤五具体实现方法为，
步骤5.1：初始化数据，将各个权值和阈值分别设为较小的初始值；
步骤5.2：导入一段视频对应的Q个参数作为神经网络的输入，该段视频的主观测试得分为参考输出，依次训练多段视频；
所述的一段视频指步骤四中得到的I段视频中的一段视频；
步骤5.3：根据输入样本以及各节点的激励函数计算输出层神经元的输出；
步骤5.4：将计算结果与参考输出比较，求出各层的误差；
步骤5.5：根据计算结果更新输入层，隐藏层，输出层各节点的权值和阈值；
步骤5.6：若误差未达到学习精度以内，从步骤5.3重新进行学习；若误差在学习精度以内，学习结束，即完成神经网络构建。
7.如权利要求1、2、3、4或5所述的基于神经网络的VoIP无参考视频通信质量客观评价方法，其特征在于：
步骤五具体实现方法为，
步骤5.1：初始化数据，将各个权值和阈值分别设为较小的初始值；
步骤5.2：导入一段视频对应的Q个参数作为神经网络的输入，该段视频的主观测试得分为参考输出，依次训练多段视频；
所述的一段视频指步骤四中得到的I段视频中的一段视频；
步骤5.3：根据输入样本以及各节点的激励函数计算输出层神经元的输出；
步骤5.4：将计算结果与参考输出比较，求出各层的误差；
步骤5.5：根据计算结果更新输入层，隐藏层，输出层各节点的权值和阈值；
步骤5.6：若误差未达到学习精度以内，从步骤5.3重新进行学习；若误差在学习精度以内，学习结束，即完成神经网络构建。
8.基于神经网络的VoIP无参考视频通信质量客观评价方法，其特征在于：在VoIP视频通话过程中对网络参数进行提取，同时对该段视频进行主观测试打分，对提取的网络参数进行标准化处理和降维处理，得到的降维数据作为神经网络的输入，主观测试得分作为神经网络的参考输出进行神经网络训练，得到各神经节点的权重及阈值，即完成神经网络构建；神经网络的输出即为根据输入参数映射得到的客观质量评分，所述的客观质量评分用于VoIP无参考视频通信质量客观评估。
CN201710268980.7A 2017-04-24 2017-04-24 基于神经网络的VoIP无参考视频通信质量客观评价方法 Active CN107027023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710268980.7A CN107027023B (zh) 2017-04-24 2017-04-24 基于神经网络的VoIP无参考视频通信质量客观评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710268980.7A CN107027023B (zh) 2017-04-24 2017-04-24 基于神经网络的VoIP无参考视频通信质量客观评价方法

Publications (2)

Publication Number Publication Date
CN107027023A true CN107027023A (zh) 2017-08-08
CN107027023B CN107027023B (zh) 2018-07-13

Family

ID=59527129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710268980.7A Active CN107027023B (zh) 2017-04-24 2017-04-24 基于神经网络的VoIP无参考视频通信质量客观评价方法

Country Status (1)

Country Link
CN (1) CN107027023B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743225A (zh) * 2017-10-16 2018-02-27 杭州电子科技大学 一种利用多层深度表征进行无参考图像质量预测的方法
CN107846586A (zh) * 2017-10-23 2018-03-27 网易（杭州）网络有限公司 视频流质量的监测方法、装置和服务端
CN108933697A (zh) * 2018-06-30 2018-12-04 江苏有线数据网络有限责任公司 一种宽带质量检测方法
CN109117380A (zh) * 2018-09-28 2019-01-01 中国科学院长春光学精密机械与物理研究所 一种软件质量评价方法、装置、设备及可读存储介质
CN109120924A (zh) * 2018-10-30 2019-01-01 宁波菊风系统软件有限公司 一种实时视频通信的质量评价方法
CN109124655A (zh) * 2018-07-04 2019-01-04 中国电子科技集团公司电子科学研究院 精神状态分析方法、装置、设备、计算机介质及多功能椅
CN109151219A (zh) * 2018-09-07 2019-01-04 携程旅游信息技术（上海）有限公司 呼叫中心语音质量检测方法、系统、设备及存储介质
CN109451300A (zh) * 2018-11-12 2019-03-08 中国联合网络通信集团有限公司 视频质量分数的确定方法和装置
CN110121110A (zh) * 2019-05-07 2019-08-13 北京奇艺世纪科技有限公司 视频质量评估方法、设备、视频处理设备及介质
CN110365970A (zh) * 2019-07-10 2019-10-22 广州瀚信通信科技股份有限公司 一种基于监督学习评估终端VoLTE视频通话感知方法
CN110572710A (zh) * 2019-09-25 2019-12-13 北京达佳互联信息技术有限公司 视频生成方法、装置、设备及存储介质
CN111314691A (zh) * 2018-12-11 2020-06-19 中国移动通信集团广东有限公司 一种视频通话质量评估方法和装置
CN111539948A (zh) * 2020-05-11 2020-08-14 北京百度网讯科技有限公司 视频质量评估的方法、装置、电子设备及存储介质
CN112188004A (zh) * 2020-09-28 2021-01-05 精灵科技有限公司 基于机器学习的障碍呼叫检测系统及其控制方法
CN113794874A (zh) * 2021-11-15 2021-12-14 南京理工大学紫金学院 一种多摄像机拍摄视频的质量评估方法
CN113949863A (zh) * 2021-10-21 2022-01-18 上海复达兴智能技术有限公司 一种实时音视频通信的体验质量评价方法、系统及设备
CN116170606A (zh) * 2021-11-24 2023-05-26 中国移动通信有限公司研究院 直播质量评估方法、装置、电子设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282481A (zh) * 2008-05-09 2008-10-08 中国传媒大学 一种基于人工神经网络的视频质量评价方法
CN101448175A (zh) * 2008-12-25 2009-06-03 华东师范大学 一种无参考的流视频质量评估方法
CN101478691A (zh) * 2008-12-31 2009-07-08 浙江大学 Motion Jpeg2000视频客观质量的无参考评估方法
CN102291594A (zh) * 2011-08-25 2011-12-21 中国电信股份有限公司上海信息网络部 一种ip网络视频质量的检测评估系统与方法
CN103945219A (zh) * 2014-04-30 2014-07-23 北京邮电大学 一种网络侧视频质量监测系统
CN104104943A (zh) * 2013-04-10 2014-10-15 江南大学 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法
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
JP2016213784A (ja) * 2015-05-13 2016-12-15 Kddi株式会社 リアルタイム映像通信の品質評価方法およびシステム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101282481A (zh) * 2008-05-09 2008-10-08 中国传媒大学 一种基于人工神经网络的视频质量评价方法
CN101448175A (zh) * 2008-12-25 2009-06-03 华东师范大学 一种无参考的流视频质量评估方法
CN101478691A (zh) * 2008-12-31 2009-07-08 浙江大学 Motion Jpeg2000视频客观质量的无参考评估方法
CN102291594A (zh) * 2011-08-25 2011-12-21 中国电信股份有限公司上海信息网络部 一种ip网络视频质量的检测评估系统与方法
CN104104943A (zh) * 2013-04-10 2014-10-15 江南大学 一种基于广义回归神经网络无参考jpeg2000压缩图像质量评价方法
CN103945219A (zh) * 2014-04-30 2014-07-23 北京邮电大学 一种网络侧视频质量监测系统
JP2016213784A (ja) * 2015-05-13 2016-12-15 Kddi株式会社 リアルタイム映像通信の品質評価方法およびシステム
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALI, MOHAMMED ABDALLA ABDELRAHIM ET AL: "Implementation and evaluate the no-reference image quality assessment based on spatial and spectral entropies on the different image quality databases", 《INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGY 》 *
兰梦等: "无参考视频通信业务质量客观评价方法综述", 《电视技术》 *
徐子强: "网络视频无参考客观质量评估研究", 《中国优秀硕士学位论文（信息科技辑）》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107743225A (zh) * 2017-10-16 2018-02-27 杭州电子科技大学 一种利用多层深度表征进行无参考图像质量预测的方法
CN107846586A (zh) * 2017-10-23 2018-03-27 网易（杭州）网络有限公司 视频流质量的监测方法、装置和服务端
CN108933697A (zh) * 2018-06-30 2018-12-04 江苏有线数据网络有限责任公司 一种宽带质量检测方法
CN108933697B (zh) * 2018-06-30 2021-02-19 江苏有线数据网络有限责任公司 一种宽带质量检测方法
CN109124655A (zh) * 2018-07-04 2019-01-04 中国电子科技集团公司电子科学研究院 精神状态分析方法、装置、设备、计算机介质及多功能椅
CN109151219A (zh) * 2018-09-07 2019-01-04 携程旅游信息技术（上海）有限公司 呼叫中心语音质量检测方法、系统、设备及存储介质
CN109151219B (zh) * 2018-09-07 2021-08-17 携程旅游信息技术（上海）有限公司 呼叫中心语音质量检测方法、系统、设备及存储介质
CN109117380A (zh) * 2018-09-28 2019-01-01 中国科学院长春光学精密机械与物理研究所 一种软件质量评价方法、装置、设备及可读存储介质
CN109117380B (zh) * 2018-09-28 2022-02-08 中国科学院长春光学精密机械与物理研究所 一种软件质量评价方法、装置、设备及可读存储介质
CN109120924A (zh) * 2018-10-30 2019-01-01 宁波菊风系统软件有限公司 一种实时视频通信的质量评价方法
CN109120924B (zh) * 2018-10-30 2020-06-02 宁波菊风系统软件有限公司 一种实时视频通信的质量评价方法
CN109451300A (zh) * 2018-11-12 2019-03-08 中国联合网络通信集团有限公司 视频质量分数的确定方法和装置
CN111314691A (zh) * 2018-12-11 2020-06-19 中国移动通信集团广东有限公司 一种视频通话质量评估方法和装置
CN111314691B (zh) * 2018-12-11 2022-09-16 中国移动通信集团广东有限公司 一种视频通话质量评估方法和装置
CN110121110A (zh) * 2019-05-07 2019-08-13 北京奇艺世纪科技有限公司 视频质量评估方法、设备、视频处理设备及介质
CN110365970A (zh) * 2019-07-10 2019-10-22 广州瀚信通信科技股份有限公司 一种基于监督学习评估终端VoLTE视频通话感知方法
CN110572710A (zh) * 2019-09-25 2019-12-13 北京达佳互联信息技术有限公司 视频生成方法、装置、设备及存储介质
CN110572710B (zh) * 2019-09-25 2021-09-28 北京达佳互联信息技术有限公司 视频生成方法、装置、设备及存储介质
CN111539948B (zh) * 2020-05-11 2023-06-02 北京百度网讯科技有限公司 视频质量评估的方法、装置、电子设备及存储介质
CN111539948A (zh) * 2020-05-11 2020-08-14 北京百度网讯科技有限公司 视频质量评估的方法、装置、电子设备及存储介质
CN112188004B (zh) * 2020-09-28 2022-04-05 精灵科技有限公司 基于机器学习的障碍呼叫检测系统及其控制方法
CN112188004A (zh) * 2020-09-28 2021-01-05 精灵科技有限公司 基于机器学习的障碍呼叫检测系统及其控制方法
CN113949863A (zh) * 2021-10-21 2022-01-18 上海复达兴智能技术有限公司 一种实时音视频通信的体验质量评价方法、系统及设备
CN113794874B (zh) * 2021-11-15 2022-02-01 南京理工大学紫金学院 一种多摄像机拍摄视频的质量评估方法
CN113794874A (zh) * 2021-11-15 2021-12-14 南京理工大学紫金学院 一种多摄像机拍摄视频的质量评估方法
CN116170606A (zh) * 2021-11-24 2023-05-26 中国移动通信有限公司研究院 直播质量评估方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN107027023B (zh) 2018-07-13

Similar Documents

Publication Publication Date Title
CN107027023B (zh) 基于神经网络的VoIP无参考视频通信质量客观评价方法
CN108428227B (zh) 基于全卷积神经网络的无参考图像质量评价方法
CN109727246A (zh) 一种基于孪生网络的对比学习图像质量评估方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN107545245A (zh) 一种年龄估计方法及设备
CN106549813A (zh) 一种网络性能的评估方法及系统
TW201734837A (zh) 一種多重抽樣模型訓練方法及裝置
CN101110699B (zh) 具有网络满意度预测预警功能的系统及其实现方法
CN103475897B (zh) 一种基于失真类型判断的自适应图像质量评价方法
CN104023232A (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
CN105894507B (zh) 基于图像信息量自然场景统计特征的图像质量评价方法
EP3525508A1 (en) Method and test system for mobile network testing as well as a network testing system
CN103607309A (zh) 一种业务kqi与qoe的映射方法
CN106375754B (zh) 基于视觉刺激衰减特性的无参考视频质量评估方法
CN107146216A (zh) 一种基于梯度自相似度的无参考图像客观质量评价方法
CN114566282A (zh) 一种基于超声心动图检测报告的治疗决策系统
CN111861204A (zh) 基于智能平台的课程移动学习评价系统及方法
CN110797046B (zh) 语音质量mos值的预测模型建立方法及装置
CN106530198B (zh) 基于参数拟合安全容量的自适应批量隐写方法
CN109995549B (zh) 一种评估流量价值的方法及装置
CN107945154A (zh) 基于四元数离散余弦变换的彩色图像质量评价方法
CN105139373A (zh) 基于独立子空间分析的无参考图像质量客观评价方法
CN101895787B (zh) 一种视频编码性能主观评价方法及系统
CN115018318B (zh) 一种社会区域风险预测分析方法与系统
CN110020597A (zh) 一种用于头晕/眩晕辅诊的眼部视频处理方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant