CN111314733A - 用于评估视频清晰度的方法和装置 - Google Patents
用于评估视频清晰度的方法和装置 Download PDFInfo
- Publication number
- CN111314733A CN111314733A CN202010067007.0A CN202010067007A CN111314733A CN 111314733 A CN111314733 A CN 111314733A CN 202010067007 A CN202010067007 A CN 202010067007A CN 111314733 A CN111314733 A CN 111314733A
- Authority
- CN
- China
- Prior art keywords
- video
- definition
- frame
- level
- network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 238000005070 sampling Methods 0.000 claims abstract description 61
- 230000004927 fusion Effects 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 22
- 238000012163 sequencing technique Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000010606 normalization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/232—Content retrieval operation locally within server, e.g. reading video streams from disk arrays
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及视频处理技术领域。本公开的实施例公开了用于评估视频清晰度的方法和装置。该方法包括:从视频中分段抽取出采样图像帧;采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征;融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征;将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果。该方法能够对各种场景中获得的视频的清晰度进行准确、客观的评估。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及视频处理技术领域,尤其涉及用于评估视频清晰度的方法和装置。
背景技术
随着计算机和网络技术的发展,互联网中产生了越来越丰富的内容。视频是一种重要的互联网内容模式。相较于音频、文字、图片等形式的内容,视频可以同时提供画面和声音,并且包含动态信息,因此高质量的视频有助于高效地传播内容。
视频的清晰度是视频质量的一个重要指标。传统的视频清晰度评估方法中,针对视频压缩或转码造成的分辨率损失等特定类型的视频设计相应的评估模型,通过计算人为设定的指标来评估视频的清晰度。这种方法能够针对视频压缩或转码等特定的场景得到视频清晰度评估结果,对于其他场景如镜头抖动、离焦模糊等无法得到可靠的评估结果。
发明内容
本公开的实施例提出了用于评估视频清晰度的方法和装置、电子设备和计算机可读介质。
第一方面,本公开的实施例提供了一种用于评估视频清晰度的方法,包括:从视频中分段抽取出采样图像帧;采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征;融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征;将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果。
在一些实施例中,上述从视频中分段抽取出采样图像帧,包括:将视频的分辨率转换为与播放场景对应的目标分辨率;从目标分辨率的视频中均匀抽取至少一帧作为采样图像帧。
在一些实施例中,上述采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征,包括:将采样图像帧输入至帧级别特征提取网络,提取出采样图像帧的多个尺度的图像特征;对采样图像帧的各尺度的图像特征进行转换后拼接,得到采样图像帧的清晰度特征。
在一些实施例中,上述融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征,包括:采用已训练的特征融合网络对抽取出的各采样图像帧的清晰度特征进行融合,得到视频的清晰度特征。
在一些实施例中,上述方法还包括:将采样图像帧的清晰度特征输入帧级别清晰度预测网络,得到采样图像帧的清晰度估测结果。
在一些实施例中,上述方法还包括:基于包含帧级别清晰度标注信息的样本图像帧集合对帧级别特征提取网络和帧级别清晰度预测网络进行训练;基于包含视频级别清晰度标注信息的样本视频集合,以及训练完成的帧级别特征提取网络对特征融合网络和视频级清晰度预测网络进行训练。
在一些实施例中,上述方法还包括:响应于根据视频的清晰度估测结果确定视频未达到预设的视频质量条件,对视频进行清晰度增强处理。
在一些实施例中,上述方法还包括:响应于根据视频搜索请求查找出至少一个目标视频;根据各目标视频的清晰度估测结果对各目标视频进行排序,按照排序提供搜索结果。
第二方面,本公开的实施例提供了一种用于评估视频清晰度的装置,包括:抽取单元,被配置为从视频中分段抽取出采样图像帧;提取单元,被配置为采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征;融合单元,被配置为融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征;第一预测单元,被配置为将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果。
在一些实施例中,上述抽取单元被配置为按照如下方式从视频中分段抽取出采样图像帧:将视频的分辨率转换为与播放场景对应的目标分辨率;从目标分辨率的视频中均匀抽取至少一帧作为采样图像帧。
在一些实施例中,上述提取单元被配置为按照如下方式提取采样图像帧的清晰度特征:将采样图像帧输入至帧级别特征提取网络,提取出采样图像帧的多个尺度的图像特征;对采样图像帧的各尺度的图像特征进行转换后拼接,得到采样图像帧的清晰度特征。
在一些实施例中,上述融合单元被配置为按照如下方式融合抽取出的各采样图像帧的清晰度特征:采用已训练的特征融合网络对抽取出的各采样图像帧的清晰度特征进行融合,得到视频的清晰度特征。
在一些实施例中,上述装置还包括:第二预测单元,被配置为将采样图像帧的清晰度特征输入帧级别清晰度预测网络,得到采样图像帧的清晰度估测结果。
在一些实施例中,上述装置还包括训练单元,被配置为:基于包含帧级别清晰度标注信息的样本图像帧集合对帧级别特征提取网络和帧级别清晰度预测网络进行训练;基于包含视频级别清晰度标注信息的样本视频集合,以及训练完成的帧级别特征提取网络对特征融合网络和视频级清晰度预测网络进行训练。
在一些实施例中,上述装置还包括:增强单元,被配置为响应于根据视频的清晰度估测结果确定视频未达到预设的视频质量条件,对视频进行清晰度增强处理。
在一些实施例中,上述装置还包括搜索单元,被配置为:响应于根据视频搜索请求查找出至少一个目标视频;根据各目标视频的清晰度估测结果对各目标视频进行排序,按照排序提供搜索结果。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面提供的用于评估视频清晰度的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现第一方面提供的用于评估视频清晰度的方法。
本公开的上述实施例的用于评估视频清晰度的方法和装置,通过从视频中分段抽取出采样图像帧,采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征,融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征,将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果,能够对从各种影响视频清晰度的场景中获得的视频的清晰度进行准确、客观的评估。由于视频清晰度评估结果是通过融合视频中不同时间段的图像帧的特征得到的,所以提升了视频清晰度评估结果的可靠性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于评估视频清晰度的方法的一个实施例的流程图;
图3是根据本公开的用于评估视频清晰度的方法的另一个实施例的流程图;
图4是图3所示的用于评估视频清晰度的方法的一个示例的实现原理流程示意图;
图5是本公开的用于评估视频清晰度的装置的一个实施例的结构示意图;
图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于评估视频清晰度的方法或用于评估视频清晰度的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103可以是用户端设备,其上可以安装有各种客户端应用。例如,图像处理类应用、视频播放应用、短视频应用,等等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是运行各种服务的服务器,例如为终端设备101、102、103上运行的视频播放类应用或短视频类应用提供后台支持的服务器。服务器105可以接收101、102、103发送的视频清晰度评估请求或视频搜索请求,对视频清晰度进行评估,并将评估结果反馈至终端设备101、102、103或者根据评估结果筛选清晰度良好的视频后反馈至终端设备101、102、103。
需要说明的是,本公开的实施例所提供的用于评估视频清晰度的方法一般由服务器105执行,相应地,用于评估视频清晰度的装置一般设置于服务器105中。
在一些场景中,服务器105可以从数据库、存储器或其他设备获取待评估的视频数据,这时,示例性系统架构100可以不存在终端设备101、102、103和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的用于评估视频清晰度的方法的一个实施例的流程200。该用于评估视频清晰度的方法,包括:
步骤201,从视频中分段抽取出采样图像帧。
在本实施例中,用于评估视频清晰度的方法的执行主体可以首先获取待评估清晰度的视频。该视频可以是用户上传的视频,可以是经过压缩、转码等处理的视频。
可以对视频进行分段采样,抽取其中的若干帧作为采样图像帧。具体可以按照一定的时间周期对视频进行分段,例如以1秒为单位进行分段,在每个视频分段内随机抽取一帧作为该分段的采样图像帧。或者,可以按照固定的间距均匀抽取N帧(N为正整数)作为采样图像帧。
在本实施例的一些可选的实现方式中,在获取待评估的视频之后,可以将视频的分辨率转换为与播放场景对应的目标分辨率。在这里,播放场景可以与播放设备的属性以及所选择的播放模式相关。播放设备的属性可以包括但不限于以下至少一项:设备的型号、设备的操作系统类型、设备所支持的视频分辨率;播放模式可以包括全屏播放、浮窗播放、小窗口播放、或者分屏播放,等等。上述执行主体可以预先配置播放设备的属性与视频的播放分辨率之间的对应关系。在检测到播放设备的属性之后,将获取到的视频的分辨率转换为对应的播放分辨率。
作为示例,若播放场景为安卓手机端全屏播放,则可以将获取到的待评估视频的分辨率转换为安卓手机端全屏播放的分辨率;若播放场景为网页全屏播放,则可以将获取到的待评估视频的分辨率转换为网页全屏播放的分辨率。
然后,可以从目标分辨率的视频中均匀地抽取至少一帧作为采样图像帧,即可以采用均匀采样的方式从目标分辨率的视频中抽取出至少一个图像帧。在这里,采样图像帧的数量可以根据视频的长度确定,或者可以预先设定。在实践中,可以设定在视频中以固定的间距抽取出采样图像帧,或者可以设定采样图像帧的数量,从视频中均匀地抽取出设定的数量的采样图像帧。
步骤202,采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征。
在本实施例中,可以采用预先训练的图像特征提取网络作为帧级别特征提取网络,来提取各采样图像帧的清晰度特征。预先训练的帧级别特征提取网络用于提取帧级别清晰度特征,可以预先基于图像样本集训练、训练时可以根据在特征提取网络提取出的特征的基础上执行图像识别、目标跟踪或图像质量评估等任务的结果构建监督函数来调整特征提取网络的参数。
可选地,上述帧级别特征提取网络可以基于从收集到的各种质量等级的样本视频中抽取出的视频帧形成的视频帧集合训练得出。上述帧级别特征提取网络可以是卷积神经网络,例如ResNet。
在本实施例的一些可选的实现方式中,可以按照如下方式提取采样图像帧的帧级别清晰度特征:首先将采样图像帧输入至帧级别特征提取网络,提取出采样图像帧的多个尺度的图像特征,然后对采样图像帧的各尺度的图像特征进行转换后拼接,得到采样图像帧的清晰度特征。
具体来说,上述帧级别特征提取网络的多个不同的网络层可以提取不同尺度的特征。例如,采用Resnet作为帧级别特征提取网络,提取Resnet网络中的至少两个残差模块(residual block)输出的不同尺度的特征图,可以将提取出的各尺度的特征图转换为向量作为采样图像帧在对应尺度的特征向量,之后将各尺度的特征图转换得到的向量进行拼接形成采样图像帧的清晰度特征。或者,可以对每个尺度的特征图计算均值、方差、标准差、分位数等统计值作为采样图像帧在该尺度的特征,将各尺度的特征图的上述统计值进行拼接形成采样图像帧的清晰度特征。
通过对采样图像帧提取多个尺度的特征并进行转换后拼接,可以提升提取出的特征的描述能力,进而帮助提升视频清晰度评估结果的可靠性。
步骤203,融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征。
在本实施例中,可以采用多种方式对对抽取出的各采样图像帧的清晰度特征进行融合,例如可以将各采样图像帧的清晰度特征拼接,或者加权后拼接,得到视频的清晰度特征。又例如,可以在将各采样图像帧的清晰度特征拼接后,采用主成分分析等方法对拼接后的特征进行处理,得到视频的清晰度特征。
在一些可选的实现方式中,可以采用已训练的特征融合网络对各采样图像帧的清晰度特征进行融合。即可以将各采样图像帧的清晰度特征输入至已训练的特征融合网络,特征融合网络的输出作为视频的清晰度特征。特征融合网络可以包括卷积层、批量归一化层、全连接层、非线性变换层(例如执行softmax、sigmoid等非线性运算的网络层)中的至少一种。
进一步地,上述特征融合网络可以是基于注意力机制的特征融合网络,则可以采用基于注意力机制的特征融合网络对抽取出的各采样图像帧的清晰度特征进行融合,得到视频的清晰度特征。其中,基于注意力机制的特征融合网络可以是在由卷积层、批量归一化层、全连接层、非线性变换层中至少一种形成的网络基础上增加Attention层形成的网络,基于注意力机制的特征融合网络可以为不同的采样图像帧分配权重并通过加权平均的方式进行特征融合。这样,可以进一步提升融合得到的视频的清晰度特征的准确性。
步骤204,将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果。
视频级清晰度预测网络可以包含至少一个全连接层和至少一个非线性层,还可以包括批量归一化层。视频级清晰度预测网络可以预先基于包含用户对清晰度的打分的样本视频数据训练得出。可以采用如步骤201至步骤203的方法提取样本视频数据的特征,或者也可以直接采用神经网络模型提取样本视频数据的特征,来训练视频级清晰度预测网络。
视频清晰度预测网络的输出可以是视频的清晰度等级或评分,等级越高,清晰度越高;或者评分越高,清晰度越高。
视频清晰度预测网络的输出也可以是视频清晰度是否达到预设清晰度标准的判断结果。在一些场景中,例如视频搜索场景中,通过本申请的方法可以直接返回视频清晰度是否达到预设的清晰度标准的评估结果,以便根据该评估结果剔除清晰度低的搜索结果。
本公开的上述实施例的用于评估视频清晰度的方法,通过从视频中分段抽取出采样图像帧,采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征,融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征,将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果,能够对各种影响视频清晰度的场景中获得的视频(例如低分辨率、离焦模糊、视频转码、视频压缩等场景中获得的视频)的清晰度进行准确、客观的评估。由于视频清晰度评估结果是通过融合视频中不同时间段的图像帧的特征得到的,所以提升了视频清晰度评估结果的可靠性。
在一些实施例中,上述用于评估视频清晰度的方法还可以包括:响应于根据视频的清晰度估测结果确定视频未达到预设的视频质量条件,对视频进行清晰度增强处理。其中,预设的视频质量条件可以是视频的清晰度达到预设的等级或得分。视频的清晰度增强处理可以包括但不限于以下至少一项:去噪、去模糊、亮度/对比度/色彩调整、锐化、超分辨率重建、去抖动,等等。可以采用预先训练的视频增强模型来对视频中的图像帧进行清晰度增强处理。
在一些实施例中,上述用于评估视频清晰度的方法还可以包括:响应于根据视频搜索请求查找出至少一个目标视频;根据各目标视频的清晰度估测结果对各目标视频进行排序,按照排序提供搜索结果。
在视频搜索场景中,用户发出视频搜索请求之后,可以解析搜索请求,从视频库中查找到与用户的搜索请求匹配的目标视频。采用上述步骤201至步骤204的方法确定各目标视频的清晰度,按照清晰度对目标视频排序,清晰度越高,排序越靠前。或者,可以基于目标视频与用户的搜索请求的匹配程度以及各目标视频的清晰度计算各目标视频的综合得分,按照综合得分确定各目标视频的排序。这样可以更高效地提供更符合用户需求的视频内容。
继续参考图3,其示出了本公开的用于评估视频清晰度的方法的另一个实施例的流程图。如图3所示,本实施例的用于评估视频清晰度的方法的流程300,包括以下步骤:
步骤301,从视频中分段抽取出采样图像帧。
步骤302,采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征。
步骤303,将采样图像帧的清晰度特征输入帧级别清晰度预测网络,得到采样图像帧的清晰度估测结果。
在本实施例中,可以预先训练图像清晰度预测网络作为帧级别的清晰度预测网络,利用帧级别的清晰度预测网络对各采样图像帧的清晰度进行评估。
上述帧级别的清晰度预测网络可以包括至少一个全连接层和至少一个非线性层,还可以包括批量归一化层。可选地,帧级别的清晰度预测网络还可以包括至少一个卷积层。帧级别的清晰度估测结果可以是采样图像帧的清晰度等级或得分,或者还可以是采样图像帧是否达到预设的图像质量的判断结果。
步骤304,采用已训练的特征融合网络对抽取出的各采样图像帧的清晰度特征进行融合,得到视频的清晰度特征。
特征融合网络是用于融合多个图像帧的特征以形成包含该多个图像帧的视频的特征的神经网络,可以通过对各采样图像帧的清晰度特征进行转换、拼接或加权求和等操作来融合特征。特征融合网络可以包括卷积层、全连接层等网络层。
上述特征融合网络可以是以基于视频的目标识别、视频增强等作为深度学习任务,采用样本视频数据训练得出的。在训练中,可以对视频中的多个图像帧提取特征,利用待训练深度学习模型中的特征融合网络融合各图像帧的特征之后,基于融合得到的特征确定当前的深度学习模型的性能,根据性能迭代调整深度学习模型的参数,直到模型收敛,得到完成训练的深度学习模型,可以提取出其中的特征融合网络作为已训练的特征融合网络。
步骤305,将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果。
本实施例的步骤301、步骤302、步骤305分别与前述实施例的步骤201、步骤202、步骤204一致,步骤301、步骤302、步骤305的具体实现方式可以分别参考前述实施例中步骤201、步骤202、步骤204的描述,此处不再赘述。
本实施例通过在采样图像帧级和视频级进行清晰度估测,能够获得更全面的视频清晰度估测结果。
请参考图4,其示出了图3所示的方法的一个示例的实现原理示意图。如图4所示,在获取到待评估的视频之后,分段抽取出多个采样图像帧,将各采样图像帧输入帧级别的特征提取网络得到对应的帧级别的清晰度特征。将各采样图像帧的帧级别的清晰度特征输入至帧级别清晰度预测网络,得到各采样帧的清晰度估测结果。各采样帧的帧级别的清晰度特征还被输入至特征融合网络进行融合,得到待评估的视频的清晰度特征。然后将视频的清晰度特征输入至视频级清晰度预测网络,得到视频的清晰度估测结果。
在一些实施例中,上述用于评估视频清晰度的方法的流程还可以包括:基于包含帧级别清晰度标注信息的样本图像帧集合对帧级别特征提取网络和帧级别清晰度预测网络进行训练;以及基于包含视频级别清晰度标注信息的样本视频集合,以及训练完成的帧级别特征提取网络对特征融合网络和视频级清晰度预测网络进行训练。
具体地,帧级别清晰度标注信息和视频级别的清晰度标注信息可以是人工标注的信息。在实践中,可以通过收集人类对样本图像帧和样本视频的清晰度的主观打分来获取帧级别的清晰度标注信息和视频级别的清晰度标注信息。可以基于卷积神经网络(如Resnet)来构建待训练的帧级别特征提取网络,基于批量归一化层、全连接层、非线性层来构建待训练的帧级别清晰度预测网络,将样本图像帧输入待训练的帧级别特征提取网络进行特征提取,并将提取出的特征还素如待训练的帧级别清晰度预测网络,得到当前的帧级别清晰度估测结果,根据帧级别的清晰度估测据结果与帧级别清晰度标注信息之间的差异构建损失函数,通过反向传播方法迭代调整待训练的帧级别特征提取网络和待训练的帧级别清晰度预测网络的参数,在迭代次数达到预设的阈值或者损失函数的值收敛至预设的范围内时停止调整参数,得到训练完成的帧级别特征提取网络和帧级别清晰度预测网络。
然后,可以对样本视频进行分段抽帧,利用训练完成的帧级别特征提取网络对从样本视频中抽取出的帧进行特征提取,得到各帧的帧级别清晰度特征。可以基于卷积神经网络构建待训练的特征融合网络,基于批量归一化层、全连接层、非线性层等构建待训练的视频级清晰度预测网络。然后将同一视频中抽取出的各帧的帧级别清晰度特征输入待训练的特征融合网络进行特征融合,将融合后的特征输入待训练的视频级清晰度预测网络,输出当前的视频级清晰度估测结果,基于当前的视频级清晰度估测结果与视频级别的清晰度标注信息之间的差异构建损失函数,通过反向传播方法迭代调整待训练的特征融合网络和待训练的视频级清晰度预测网络的参数,在迭代次数达到预设的阈值或者损失函数的值收敛至预设的范围内时停止调整参数,得到训练完成的特征融合网络和视频级清晰度预测网络。
通过以帧级别清晰度评估和视频级清晰度评估作为学习任务先训练帧级别特征提取网络和帧级别清晰度预测网络,然后训练特征融合网络和视频级清晰度预测网络,能够确保训练得到的帧级别特征提取网络、帧级别清晰度预测网络、特征融合网络和视频级清晰度预测网络的适用于视频清晰度评估场景,从而提升视频清晰度评估结果的准确性。
请参考图5,作为对上述用于评估视频清晰度的方法的实现,本公开提供了一种用于评估视频清晰度的装置的一个实施例,该装置实施例与图2和图3所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于评估视频清晰度的装置500包括抽取单元501、提取单元502、融合单元503以及第一预测单元503。其中,抽取单元501被配置为从视频中分段抽取出采样图像帧;提取单元502被配置为采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征;融合单元503被配置为融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征;第一预测单元504被配置为将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果。
在一些实施例中,上述抽取单元501被配置为按照如下方式从视频中分段抽取出采样图像帧:将视频的分辨率转换为与播放场景对应的目标分辨率;从目标分辨率的视频中均匀抽取至少一帧作为采样图像帧。
在一些实施例中,上述提取单元502被配置为按照如下方式提取采样图像帧的清晰度特征:将采样图像帧输入至帧级别特征提取网络,提取出采样图像帧的多个尺度的图像特征;对采样图像帧的各尺度的图像特征进行转换后拼接,得到采样图像帧的清晰度特征。
在一些实施例中,上述融合单元503被配置为按照如下方式融合抽取出的各采样图像帧的清晰度特征:采用已训练的特征融合网络对抽取出的各采样图像帧的清晰度特征进行融合,得到视频的清晰度特征。
在一些实施例中,上述装置还包括:第二预测单元,被配置为将采样图像帧的清晰度特征输入帧级别清晰度预测网络,得到采样图像帧的清晰度估测结果。
在一些实施例中,上述装置还包括训练单元,被配置为:基于包含帧级别清晰度标注信息的样本图像帧集合对帧级别特征提取网络和帧级别清晰度预测网络进行训练;基于包含视频级别清晰度标注信息的样本视频集合,以及训练完成的帧级别特征提取网络对特征融合网络和视频级清晰度预测网络进行训练。
在一些实施例中,上述装置还包括:增强单元,被配置为响应于根据视频的清晰度估测结果确定视频未达到预设的视频质量条件,对视频进行清晰度增强处理。
在一些实施例中,上述装置还包括搜索单元,被配置为:响应于根据视频搜索请求查找出至少一个目标视频;根据各目标视频的清晰度估测结果对各目标视频进行排序,按照排序提供搜索结果。
上述装置500中的各单元与参考图2和图3描述的方法中的步骤相对应。由此,上文针对用于评估视频清晰度的方法描述的操作、特征及所能达到的技术效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1所示的服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:从视频中分段抽取出采样图像帧;采用预先训练的帧级别特征提取网络提取采样图像帧的清晰度特征;融合抽取出的各采样图像帧的清晰度特征,得到视频的清晰度特征;将融合得到的视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定视频的清晰度估测结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括抽取单元、提取单元、融合单元以及第一预测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,抽取单元还可以被描述为“从视频中分段抽取出采样图像帧的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种用于评估视频清晰度的方法,包括:
从视频中分段抽取出采样图像帧;
采用预先训练的帧级别特征提取网络提取所述采样图像帧的清晰度特征;
融合抽取出的各采样图像帧的清晰度特征,得到所述视频的清晰度特征;
将融合得到的所述视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定所述视频的清晰度估测结果。
2.根据权利要求1所述的方法,其中,所述从视频中分段抽取出采样图像帧,包括:
将视频的分辨率转换为与播放场景对应的目标分辨率;
从目标分辨率的视频中均匀抽取至少一帧作为采样图像帧。
3.根据权利要求1所述的方法,其中,所述采用预先训练的帧级别特征提取网络提取所述采样图像帧的清晰度特征,包括:
将所述采样图像帧输入至所述帧级别特征提取网络,提取出所述采样图像帧的多个尺度的图像特征;
对所述采样图像帧的各尺度的图像特征进行转换后拼接,得到所述采样图像帧的清晰度特征。
4.根据权利要求1所述的方法,其中,所述融合抽取出的各采样图像帧的清晰度特征,得到所述视频的清晰度特征,包括:
采用已训练的特征融合网络对抽取出的各采样图像帧的清晰度特征进行融合,得到所述视频的清晰度特征。
5.根据权利要求4所述的方法,其中,所述方法还包括:
将所述采样图像帧的清晰度特征输入帧级别清晰度预测网络,得到所述采样图像帧的清晰度估测结果。
6.根据权利要求5所述的方法,其中,所述方法还包括:
基于包含帧级别清晰度标注信息的样本图像帧集合对所述帧级别特征提取网络和所述帧级别清晰度预测网络进行训练;
基于包含视频级别清晰度标注信息的样本视频集合,以及训练完成的所述帧级别特征提取网络对所述特征融合网络和所述视频级清晰度预测网络进行训练。
7.根据权利要求1-6任一项所述的方法,其中,所述方法还包括:
响应于根据所述视频的清晰度估测结果确定所述视频未达到预设的视频质量条件,对所述视频进行清晰度增强处理。
8.根据权利要求1-6任一项所述的方法,其中,所述方法还包括:
响应于根据视频搜索请求查找出至少一个目标视频;
根据各目标视频的清晰度估测结果对各目标视频进行排序,按照所述排序提供搜索结果。
9.一种用于评估视频清晰度的装置,包括:
抽取单元,被配置为从视频中分段抽取出采样图像帧;
提取单元,被配置为采用预先训练的帧级别特征提取网络提取所述采样图像帧的清晰度特征;
融合单元,被配置为融合抽取出的各采样图像帧的清晰度特征,得到所述视频的清晰度特征;
第一预测单元,被配置为将融合得到的所述视频的清晰度特征输入预先训练的视频级清晰度预测网络,确定所述视频的清晰度估测结果。
10.根据权利要求9所述的装置,其中,所述抽取单元被配置为按照如下方式从视频中分段抽取出采样图像帧:
将视频的分辨率转换为与播放场景对应的目标分辨率;
从目标分辨率的视频中均匀抽取至少一帧作为采样图像帧。
11.根据权利要求9所述的装置,其中,所述提取单元被配置为按照如下方式提取所述采样图像帧的清晰度特征:
将所述采样图像帧输入至所述帧级别特征提取网络,提取出所述采样图像帧的多个尺度的图像特征;
对所述采样图像帧的各尺度的图像特征进行转换后拼接,得到所述采样图像帧的清晰度特征。
12.根据权利要求9所述的装置,其中,所述融合单元被配置为按照如下方式融合抽取出的各采样图像帧的清晰度特征:
采用已训练的特征融合网络对抽取出的各采样图像帧的清晰度特征进行融合,得到所述视频的清晰度特征。
13.根据权利要求12所述的装置,其中,所述装置还包括:
第二预测单元,被配置为将所述采样图像帧的清晰度特征输入帧级别清晰度预测网络,得到所述采样图像帧的清晰度估测结果。
14.根据权利要求13所述的装置,其中,所述装置还包括训练单元,被配置为:基于包含帧级别清晰度标注信息的样本图像帧集合对所述帧级别特征提取网络和所述帧级别清晰度预测网络进行训练;
基于包含视频级别清晰度标注信息的样本视频集合,以及训练完成的所述帧级别特征提取网络对所述特征融合网络和所述视频级清晰度预测网络进行训练。
15.根据权利要求9-14任一项所述的装置,其中,所述装置还包括:
增强单元,被配置为响应于根据所述视频的清晰度估测结果确定所述视频未达到预设的视频质量条件,对所述视频进行清晰度增强处理。
16.根据权利要求9-14任一项所述的装置,其中,所述装置还包括搜索单元,被配置为:
响应于根据视频搜索请求查找出至少一个目标视频;
根据各目标视频的清晰度估测结果对各目标视频进行排序,按照所述排序提供搜索结果。
17.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067007.0A CN111314733B (zh) | 2020-01-20 | 2020-01-20 | 用于评估视频清晰度的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010067007.0A CN111314733B (zh) | 2020-01-20 | 2020-01-20 | 用于评估视频清晰度的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111314733A true CN111314733A (zh) | 2020-06-19 |
CN111314733B CN111314733B (zh) | 2022-06-10 |
Family
ID=71146842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010067007.0A Active CN111314733B (zh) | 2020-01-20 | 2020-01-20 | 用于评估视频清晰度的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111314733B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768377A (zh) * | 2020-06-28 | 2020-10-13 | 北京百度网讯科技有限公司 | 图像色彩评估方法、装置、电子设备及存储介质 |
CN111784694A (zh) * | 2020-08-20 | 2020-10-16 | 中国传媒大学 | 一种基于视觉注意力机制的无参考视频质量评价方法 |
CN111836073A (zh) * | 2020-07-10 | 2020-10-27 | 腾讯科技(深圳)有限公司 | 视频清晰度的确定方法、装置、设备及存储介质 |
CN111931668A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院重庆绿色智能技术研究院 | 一种基于自适应卷积神经网络的目标属性识别方法及系统 |
CN112053306A (zh) * | 2020-10-10 | 2020-12-08 | 哈尔滨工业大学 | 基于深度多块网络的图像去模糊方法 |
CN112288699A (zh) * | 2020-10-23 | 2021-01-29 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
CN113033697A (zh) * | 2021-04-15 | 2021-06-25 | 浙江大学 | 一种基于批量归一化层的模型自动评估方法及装置 |
CN113362304A (zh) * | 2021-06-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 清晰度预测模型的训练方法和确定清晰等级的方法 |
CN113392241A (zh) * | 2021-06-29 | 2021-09-14 | 中海油田服务股份有限公司 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
CN113538311A (zh) * | 2021-07-22 | 2021-10-22 | 浙江赫千电子科技有限公司 | 基于人眼主观视觉效果车载冗余摄像头的图像融合方法 |
CN113610713A (zh) * | 2021-08-13 | 2021-11-05 | 北京达佳互联信息技术有限公司 | 视频超分辨模型的训练方法、视频超分辨方法及装置 |
CN113724225A (zh) * | 2021-08-31 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 应用程序传输质量的确定方法及装置 |
CN114449343A (zh) * | 2022-01-28 | 2022-05-06 | 北京百度网讯科技有限公司 | 一种视频处理方法、装置、设备及存储介质 |
WO2023056896A1 (zh) * | 2021-10-08 | 2023-04-13 | 钉钉(中国)信息技术有限公司 | 清晰度的确定方法、装置及设备 |
CN116233626A (zh) * | 2023-05-05 | 2023-06-06 | 荣耀终端有限公司 | 图像处理方法、装置及电子设备 |
CN117041625A (zh) * | 2023-08-02 | 2023-11-10 | 成都梵辰科技有限公司 | 一种超高清视频图像质量检测网络构建方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080037864A1 (en) * | 2006-08-08 | 2008-02-14 | Chunhong Zhang | System and method for video quality measurement based on packet metric and image metric |
WO2010103112A1 (en) * | 2009-03-13 | 2010-09-16 | Thomson Licensing | Method and apparatus for video quality measurement without reference |
WO2017161756A1 (zh) * | 2016-03-23 | 2017-09-28 | 乐视控股(北京)有限公司 | 视频鉴别方法及系统 |
WO2018161775A1 (zh) * | 2017-03-08 | 2018-09-13 | 腾讯科技(深圳)有限公司 | 一种用于图像处理的神经网络模型的训练方法、装置和存储介质 |
CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
CN109886951A (zh) * | 2019-02-22 | 2019-06-14 | 北京旷视科技有限公司 | 视频处理方法、装置及电子设备 |
-
2020
- 2020-01-20 CN CN202010067007.0A patent/CN111314733B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080037864A1 (en) * | 2006-08-08 | 2008-02-14 | Chunhong Zhang | System and method for video quality measurement based on packet metric and image metric |
WO2010103112A1 (en) * | 2009-03-13 | 2010-09-16 | Thomson Licensing | Method and apparatus for video quality measurement without reference |
WO2017161756A1 (zh) * | 2016-03-23 | 2017-09-28 | 乐视控股(北京)有限公司 | 视频鉴别方法及系统 |
WO2018161775A1 (zh) * | 2017-03-08 | 2018-09-13 | 腾讯科技(深圳)有限公司 | 一种用于图像处理的神经网络模型的训练方法、装置和存储介质 |
CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN109886951A (zh) * | 2019-02-22 | 2019-06-14 | 北京旷视科技有限公司 | 视频处理方法、装置及电子设备 |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768377B (zh) * | 2020-06-28 | 2023-08-04 | 北京百度网讯科技有限公司 | 图像色彩评估方法、装置、电子设备及存储介质 |
CN111768377A (zh) * | 2020-06-28 | 2020-10-13 | 北京百度网讯科技有限公司 | 图像色彩评估方法、装置、电子设备及存储介质 |
CN111836073A (zh) * | 2020-07-10 | 2020-10-27 | 腾讯科技(深圳)有限公司 | 视频清晰度的确定方法、装置、设备及存储介质 |
CN111931668A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院重庆绿色智能技术研究院 | 一种基于自适应卷积神经网络的目标属性识别方法及系统 |
CN111784694A (zh) * | 2020-08-20 | 2020-10-16 | 中国传媒大学 | 一种基于视觉注意力机制的无参考视频质量评价方法 |
CN112053306A (zh) * | 2020-10-10 | 2020-12-08 | 哈尔滨工业大学 | 基于深度多块网络的图像去模糊方法 |
CN112288699A (zh) * | 2020-10-23 | 2021-01-29 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
CN112288699B (zh) * | 2020-10-23 | 2024-02-09 | 北京百度网讯科技有限公司 | 图像相对清晰度的评估方法、装置、设备和介质 |
CN113033697A (zh) * | 2021-04-15 | 2021-06-25 | 浙江大学 | 一种基于批量归一化层的模型自动评估方法及装置 |
CN113033697B (zh) * | 2021-04-15 | 2022-10-04 | 浙江大学 | 一种基于批量归一化层的模型自动评估方法及装置 |
CN113362304B (zh) * | 2021-06-03 | 2023-07-21 | 北京百度网讯科技有限公司 | 清晰度预测模型的训练方法和确定清晰等级的方法 |
CN113362304A (zh) * | 2021-06-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 清晰度预测模型的训练方法和确定清晰等级的方法 |
CN113392241A (zh) * | 2021-06-29 | 2021-09-14 | 中海油田服务股份有限公司 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
CN113392241B (zh) * | 2021-06-29 | 2023-02-03 | 中海油田服务股份有限公司 | 测井图像清晰度的识别方法、装置、介质及电子设备 |
CN113538311B (zh) * | 2021-07-22 | 2024-01-23 | 浙江赫千电子科技有限公司 | 基于人眼主观视觉效果车载冗余摄像头的图像融合方法 |
CN113538311A (zh) * | 2021-07-22 | 2021-10-22 | 浙江赫千电子科技有限公司 | 基于人眼主观视觉效果车载冗余摄像头的图像融合方法 |
CN113610713A (zh) * | 2021-08-13 | 2021-11-05 | 北京达佳互联信息技术有限公司 | 视频超分辨模型的训练方法、视频超分辨方法及装置 |
CN113610713B (zh) * | 2021-08-13 | 2023-11-28 | 北京达佳互联信息技术有限公司 | 视频超分辨模型的训练方法、视频超分辨方法及装置 |
CN113724225A (zh) * | 2021-08-31 | 2021-11-30 | 北京达佳互联信息技术有限公司 | 应用程序传输质量的确定方法及装置 |
CN113724225B (zh) * | 2021-08-31 | 2024-04-09 | 北京达佳互联信息技术有限公司 | 应用程序传输质量的确定方法及装置 |
WO2023056896A1 (zh) * | 2021-10-08 | 2023-04-13 | 钉钉(中国)信息技术有限公司 | 清晰度的确定方法、装置及设备 |
CN114449343A (zh) * | 2022-01-28 | 2022-05-06 | 北京百度网讯科技有限公司 | 一种视频处理方法、装置、设备及存储介质 |
CN116233626A (zh) * | 2023-05-05 | 2023-06-06 | 荣耀终端有限公司 | 图像处理方法、装置及电子设备 |
CN116233626B (zh) * | 2023-05-05 | 2023-09-15 | 荣耀终端有限公司 | 图像处理方法、装置及电子设备 |
CN117041625A (zh) * | 2023-08-02 | 2023-11-10 | 成都梵辰科技有限公司 | 一种超高清视频图像质量检测网络构建方法及系统 |
CN117041625B (zh) * | 2023-08-02 | 2024-04-19 | 成都梵辰科技有限公司 | 一种超高清视频图像质量检测网络构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111314733B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111314733B (zh) | 用于评估视频清晰度的方法和装置 | |
CN109344908B (zh) | 用于生成模型的方法和装置 | |
CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
CN108520220B (zh) | 模型生成方法和装置 | |
WO2020000879A1 (zh) | 图像识别方法和装置 | |
CN108989882B (zh) | 用于输出视频中的音乐片段的方法和装置 | |
CN109308490B (zh) | 用于生成信息的方法和装置 | |
CN109993150B (zh) | 用于识别年龄的方法和装置 | |
CN110213614B (zh) | 从视频文件中提取关键帧的方法和装置 | |
CN110502665B (zh) | 视频处理方法和装置 | |
CN109857908B (zh) | 用于匹配视频的方法和装置 | |
CN109961032B (zh) | 用于生成分类模型的方法和装置 | |
CN109214501B (zh) | 用于识别信息的方法和装置 | |
CN110211121B (zh) | 用于推送模型的方法和装置 | |
CN110070076B (zh) | 用于选取训练用样本的方法和装置 | |
US11750898B2 (en) | Method for generating target video, apparatus, server, and medium | |
CN111598006A (zh) | 用于标注对象的方法和装置 | |
CN112306793A (zh) | 用于监控网页的方法和装置 | |
CN109816023B (zh) | 用于生成图片标签模型的方法和装置 | |
CN110008926B (zh) | 用于识别年龄的方法和装置 | |
CN110248195B (zh) | 用于输出信息的方法和装置 | |
CN115294501A (zh) | 视频识别方法、视频识别模型训练方法、介质及电子设备 | |
CN110335237B (zh) | 用于生成模型的方法、装置和用于识别图像的方法、装置 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 |
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 |