CN112101788A - 基于长期记忆的视频QoE评价系统及方法 - Google Patents

基于长期记忆的视频QoE评价系统及方法 Download PDF

Info

Publication number
CN112101788A
CN112101788A CN202010970028.3A CN202010970028A CN112101788A CN 112101788 A CN112101788 A CN 112101788A CN 202010970028 A CN202010970028 A CN 202010970028A CN 112101788 A CN112101788 A CN 112101788A
Authority
CN
China
Prior art keywords
video
acceptability
long
term memory
experimenters
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
CN202010970028.3A
Other languages
English (en)
Other versions
CN112101788B (zh
Inventor
赵铁松
郑琰楠
陈静
陈炜玲
房颖
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202010970028.3A priority Critical patent/CN112101788B/zh
Publication of CN112101788A publication Critical patent/CN112101788A/zh
Application granted granted Critical
Publication of CN112101788B publication Critical patent/CN112101788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N17/00—Diagnosis, testing or measuring for television systems or their details

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (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

本发明提出一种基于长期记忆的视频QoE评价系统及方法，包括：视频序列生成模块、采集模块、基于长期记忆的数据库和QoE评价模型；所述视频序列生成模块包括可接受度测试视频序列生成模块和长期记忆影响测试视频序列生成模块；所述采集模块用于采集实验人员对视频的可接受度以及具有不同长期记忆的实验人员对视频的主观意见分；所述基于长期记忆的数据库按照整体可接受度的区间分为至少三类数据库，并存储实验人员对视频的可接受度和主观意见分信息。其建立了能够有效提取客观量化的指标信息的基于长期记忆的QoE评价模型，从而对视频处理、压缩和传输提供关键性的指导作用。

Description

基于长期记忆的视频QoE评价系统及方法
技术领域
本发明属于视频编码与传输、信息学领域，尤其涉及一种基于长期记忆的视频QoE评价系统及方法。
背景技术
随着视频通信技术的快速发展，视频质量评价(Video Quality Assessment,VQA)对视频编码与传输的指导作用日益凸显，已成为研究热点之一。其中，体验质量(Qualityof Experience,QoE)直接根据用户的主观感受反映视频质量，可较为准确地反映当前视频质量与用户感知质量间的联系，因此QoE评价模型被引入VQA体系并受到研究人员的持续关注。
QoE评价模型的建立需要考虑不同的QoE影响因素，这些影响因素大体可分为客观因素和主观因素两大类，前者主要包括除用户本身感知之外的外在因素，例如视频的编解码、音视频同步、数据包延迟丢失、链路的选择、界面交互性、观看环境等；后者主要包括用户本身的心理和生理因素，例如用户的记忆、播放习惯、注意力、期望等。用户的主观因素往往能够更加体现出用户的心理和生理的特性，而记忆作为一项重要的人类心理特性，将对QoE产生重要影响。显然，若能在QoE评价模型中考虑记忆因素，有望提高视频质量评价的精度。现有研究已表明记忆对视频QoE存在着影响，并且一些学者利用记忆效应来提升预测QoE的准确性。但是这些研究考虑的主要是短时记忆的影响，而没有考虑长期记忆对用户QoE的影响。
当前并没有一种可靠的基于长期记忆的视频QoE评价方案，能够从测试者的主观评价的实验数据中抽取出能够进行客观量化的指标信息，从而形成具备现实技术价值的视频处理、压缩和传输的指导。
发明内容
为了填补现有技术的空白，本发明提出一种基于长期记忆的视频QoE评价系统及方法，其提供了完备的测试视频生成和测试数据处理及建模的完整方案，能够从人员对视频的评价中提取出基于长期记忆的QoE量化信息，从而对视频处理、压缩和传输提供关键性的指导作用。
本发明具体采用以下技术方案：
一种基于长期记忆的视频QoE评价系统，其特征在于,包括：视频序列生成模块、采集模块、基于长期记忆的数据库和QoE评价模型；
所述视频序列生成模块包括可接受度测试视频序列生成模块和长期记忆影响测试视频序列生成模块；
所述可接受度测试视频序列生成模块将每个源视频按不同Qp值进行编码，并将同一个源视频的具有不同Qp值的视频以Qp值从大到小的顺序依次拼接，并在每段视频之间插入一段灰度视频作为两个测试视频之间的过渡，从而生成多个可接受度测试视频序列；
所述长期记忆影响测试视频序列生成模块对选取多个离散Qp值对应的多个视频并进行有间隔的随机排列，作为长期记忆影响测试视频序列；
所述采集模块用于采集实验人员对视频的可接受度以及具有不同长期记忆的实验人员对视频的主观意见分；
所述基于长期记忆的数据库按照整体可接受度的区间分为至少三类数据库，并存储实验人员对视频的可接受度和主观意见分信息；
所述整体可接受度为每个实验人员对不同视频的可接受度的平均值；
所述QoE评价模型的LTM_QoE模型公式如下：
Figure BDA0002683152100000021
其中，q表示视频的客观质量；Racc表示视频的可被接受度；α、β以及C分别是视频的可被接受度的权重系数、视频客观质量的权重系数以及常数项；
所述视频的可被接受度为在同一类数据库中的不同实验人员对同一视频的可接受度的平均值。
优选地，还包括数据筛选模块，所述数据筛选模块对基于长期记忆的数据库中的数据进行筛选，通过分别计算每一类数据库中，主观意见分与MOS值的相关系数以剔除异常数据。
优选地，当所述相关系数小于0.7时，作为异常数据去除。
优选地，所述视频的客观质量通过采用SSIM算法获得的SSIM值表征。
优选地，α、β以及C的值通过使用留出法从基于长期记忆的数据库中随机选择的数据训练获得。
优选地，α＝-5.311，β＝8.151，C＝-0.848。
以及根据以上评价系统的评价方法，其特征在于，包括以下步骤：
步骤S1：生成多个可接受度测试视频序列和长期记忆影响测试视频序列；
步骤S2：进行可接受度实验；通过观看可接受度测试视频序列获取实验人员对视频的可接受度；进行长期记忆影响实验，通过观看长期记忆影响测试视频序列获取实验人员对视频的主观意见分；
步骤S3：按照整体可接受度的区间将实验人员对视频的可接受度信息存储于各类数据库中；并计算获取每一视频的的可被接受度；
步骤S4：使用留出法从所述基于长期记忆的数据库中随机选择数据对LTM_QoE模型进行训练，以确定模型的参数。
优选地，在步骤S3计算获取每一视频的的可被接受度之前，还对数据库中的数据进行筛选，通过分别计算每一类数据库中，主观意见分与MOS值的相关系数以剔除异常数据。
优选地，在所述长期记忆影响实验中，实验环境满足ITU-R BT.500-13建议书中的要求，采用ITU-TP.911建议的11个等级绝对等级评分对测试视频进行评分。
与现有技术相比，本发明及其优选方案有如下有益效果：
1、本发明方案通过对源视频进行处理构建了可接受度测试视频序列和长期记忆影响测试视频序列，为提取可接受度信息提供了客观的载体。
2、本发明方案采用可接受度表征用户对视频质量的长期记忆，并通过主观指标与客观指标的融合，建立了能够有效提取客观量化的指标信息的基于长期记忆的QoE评价模型，从而对视频处理、压缩和传输提供关键性的指导作用。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例可接受度实验测试视频构建示意图；
图2为本发明实施例可接受度实验数据处理流程图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
本实施例提供了如下的评价系统设计方案，包括：视频序列生成模块、采集模块、基于长期记忆的数据库、数据筛选模块和QoE评价模型；
视频序列生成模块包括可接受度测试视频序列生成模块和长期记忆影响测试视频序列生成模块；
可接受度测试视频序列生成模块将每个源视频按不同Qp值进行编码，并将同一个源视频的具有不同Qp值的视频以Qp值从大到小的顺序依次拼接，并在每段视频之间插入一段灰度视频作为两个测试视频之间的过渡，从而生成多个可接受度测试视频序列；
长期记忆影响测试视频序列生成模块对选取多个离散Qp值对应的多个视频并进行有间隔的随机排列，作为长期记忆影响测试视频序列；
采集模块用于采集实验人员对视频的可接受度以及具有不同长期记忆的实验人员对视频的主观意见分；
基于长期记忆的数据库按照整体可接受度的区间分为至少三类数据库，并存储实验人员对视频的可接受度和主观意见分信息；
整体可接受度为每个实验人员对不同视频的可接受度的平均值；
数据筛选模块对基于长期记忆的数据库中的数据进行筛选，通过分别计算每一类数据库中，主观意见分与MOS值的相关系数以剔除异常数据；当相关系数小于0.7时，作为异常数据去除。
QoE评价模型的LTM_QoE模型公式如下：
Figure BDA0002683152100000041
其中，q表示视频的客观质量；Racc表示视频的可被接受度；α、β以及C分别是视频的可被接受度的权重系数、视频客观质量的权重系数以及常数项；
视频的可被接受度为在同一类数据库中的不同实验人员对同一视频的可接受度的平均值。
视频的客观质量通过采用SSIM算法获得的SSIM值表征。
α、β以及C的值通过使用留出法从基于长期记忆的数据库中随机选择的数据训练获得。作为优选，α＝-5.311，β＝8.151，C＝-0.848。
基于以上系统的评价方法包括以下步骤：
步骤S1：生成多个可接受度测试视频序列和长期记忆影响测试视频序列；
步骤S2：进行可接受度实验；通过观看可接受度测试视频序列获取实验人员对视频的可接受度；进行长期记忆影响实验，通过观看长期记忆影响测试视频序列获取实验人员对视频的主观意见分；
步骤S3：按照整体可接受度的区间将实验人员对视频的可接受度信息存储于各类数据库中；并计算获取每一视频的的可被接受度；
步骤S4：使用留出法从基于长期记忆的数据库中随机选择数据对LTM_QoE模型进行训练，以确定模型的参数。
在步骤S3计算获取每一视频的的可被接受度之前，还对数据库中的数据进行筛选，通过分别计算每一类数据库中，主观意见分与MOS值的相关系数以剔除异常数据。
其中，在长期记忆影响实验中，实验环境满足ITU-R BT.500-13建议书中的要求，采用ITU-T P.911建议的11个等级绝对等级评分对测试视频进行评分。
基于以上方案，本实施例还提供了一次完整的实例作为充分展示：
其过程包括以下步骤：
步骤1：设计可接受度实验和长期记忆影响实验分别获取实验人员对视频的可接受度以及具有不同长期记忆的实验人员对视频的主观评分，获取主观实验数据；
步骤2：对可接受度实验的主观实验数据进行处理获取实验人员的长期记忆，并以此将所有实验人员分为三类，从而建立三类基于不同长期记忆的视频数据库；
步骤3：基于步骤2中分类完成的三个数据库，将对应数据库的视频主观评分数据进行数据处理以验证其有效性；
步骤4：基于步骤2中分类完成的三个数据库，获得视频位于不同数据库中的可被接受度；
步骤5：利用获得的主观数据库，构建由视频的可被接受度和视频内在客观质量加权获得的基于长期记忆的QoE评价模型(LTM_QoE)。
步骤1中的可接受实验和长期记忆影响实验的测试视频集构建步骤如下：
步骤a1：将每个源视频按不同Qp值进行编码，分别生成Qp值从15到45，共31个具有不同Qp的视频序列。Qp值越高，视频质量越差。9个源视频共生成279个具有不同Qp的视频。
步骤a2：可接受度测试视频序列：如图1所示，将同一个源视频的31个具有不同Qp的视频序列从Qp值为45到15依次拼接起来，其中每个视频之间插入一段5秒的灰度视频，作为两个测试视频之间的过渡。9个源视频共生成9个可接受度测试视频序列；
步骤a3：长期记忆影响测试视频序列：选取Qp值为15、17、20、23、25、28、30、32、34、36、38、40、43的视频作为长期记忆影响实验的测试序列，共126个。
步骤1中的可接受实验和长期记忆影响实验的主观实验设置具体如下：
步骤b1：实验环境均按照ITU-RBT.500-13建议书的要求进行布置。本次测试所用设备为计算机，包括主机和显示器。其中，主机参数为：Intel(R)Core(TM)i7-6700 CPU@3.4GHz、16GBRAM、Nvidia显卡、Window10系统。显示器的分辨率为。实验测试视频使用播放软件potplayer进行播放。
步骤b2：本次实验的测试人员共50人，其中男性24名，女性26名，均为非图像处理相关专业人员。年龄在20-65岁之间，视力均正常(含矫正后)。在实验之前，向测试人员介绍实验步骤和注意事项。
步骤b3：可接受度实验：让实验人员观看构建好的可接受度测试视频序列，测试视频的Qp从高到低(即视频质量从差到高)，观看过程中若实验人员认为当前视频呈现的质量是可接受的并且可用于日常观看，则记录当前视频画面对应的Qp值，该Qp值对应的视频客观质量即实验人员的可接受度大小；
步骤b4：长期记忆影响实验：让所有实验人员观看126个长期记忆影响测试视频序列。每个测试视频间隔5s，所有测试视频随机播放。实验环境满足ITU-R BT.500-13建议书里面的要求。采用ITU-T P.911建议的11个等级绝对等级评分对这126个测试视频进行评分，计算出对应的平均主观意见分，完成视频质量主观评价，得到主观评价结果。
步骤S2的流程图如图2所示，具体为：
步骤c1：获得每个测试人员对单个视频的可接受度大小。实验人员通过主观实验获得每一个源视频可接受的质量。为便于研究，这个可接受的视频质量需要用一个客观评价指标来描述，常用的客观指标为第二章中的PSNR、MSE以及SSIM等。由于SSIM能够更精确地体现用户主观体验质量，因此本实施例将其作为评价可接受视频的客观质量。此时，可接受度的取值范围即SSIM的取值范围，为0到1之间。
步骤c2：获取每个测试人员的整体可接受度大小。为避免只考虑单个视频可接受度的不全面性，本实施例综合多个视频的可接受度平均值(即整体可接受度)以表示用户的长期记忆。将每个实验人员对不同视频的可接受度进行平均可以得到该实验人员的整体可接受度，计算公式如下：
Figure BDA0002683152100000071
其中Xi表示每个测试人员对不同视频的可接受度大小；N表示视频数，本节实验的视频数为9个；Z表示同一个实验人员的对所有视频的整体可接受度。本实施例将实验人员的整体可接受度这个指标作为该实验人员的长期记忆的表示方法。
步骤c3：建立基于长期记忆的数据库。为进一步研究人的长期记忆(即可接受度)对视频体验质量的影响，本实施例按照实验人员整体可接受度的不同将实验一所有数据分成三个数据库，第一类数据库为整体可接受度为0.9以上的实验人员获得的数据，人数为15人；第二类为整体可接受度大于0.85小于0.9的实验人员获得的数据，人数为20人；第三类整体可接受度为小于0.85的实验人员获得的数据，人数为15人。根据长期记忆分类的三个数据库中，每个数据库将具有相同的视频集，但每个数据库中用户长期记忆有所不同，因此虽然视频集相同，主观评分将会存在着一定的差异。
步骤S3具体为：
步骤d1：计算首先统计每个实验人员对每个测试视频的主观评分，然后计算每个测试视频的平均意见分数(Mean Opinion Score,MOS)，计算公式如下：
Figure BDA0002683152100000072
其中，Si表示每个测试者对同一个视频的评分；N代表测试人员数量。
步骤d2：通过计算每个测试人员的评分与MOS值之间的相关系数可以验证这些人员的评分数据是否可靠，其中相关系数包括皮尔森线性相关系数(Pearson LinearCorrelation Coefficient,PLCC)、斯皮尔曼秩相关系数(Spearman Rank-orderCorrelation Coefficient,SRCC)。由ITU-R BT.1788可知，相关系数不大于0.7的数据均判为不可靠数据，可将这些不可靠数据剔除。经计算，三类数据库中每个测试人员的评分数据与MOS值之间的相关系数都在0.7以上，因此本次实验所有测试人员的数据均为可靠数据。
步骤S4具体为：
本实施例将主观数据按用户整体可接受度分为3类，构建了三类基于不同长期记忆的数据库。这三类数据库具有相同的视频集，但每个数据库中用户长期记忆有所不同，因此虽然视频集相同，用户的体验质量会存在着一定的差异。且不同数据库中用户对同一个视频的可接受度不同。本实施例定义用户对所有视频可接受度的平均值(整体可接受度)作为该用户的长期记忆，在数据库应用中，针对单个视频的可被接受度则定义为在同一个长期记忆数据库中的不同用户对该视频的接受度的平均值，计算公式如下：
Figure BDA0002683152100000081
其中，Racc表示某一类数据库中视频的可被接受度；Xj表示在某一类数据库中的不同用户对同一个视频的可接受度；M表示某一类数据库中用户数量，三类数据库的用户数分别为15，20，15。由此可以得出，同一个视频在三类数据库中，其可被接受度不同，有3个值。即对于具有不同长期记忆的用户，视频的可被接受度不同。
步骤S5具体为：
本实施例使用留出法从数据库中随机选择7/9数据进行训练模型，其余2/9数据集对训练出的模型进行测试性能。重复上述步骤36次，根据视频体验质量由视频的内在质量以及该视频的可被接受度加权所得，最终得出LTM_QoE模型公式如下：
Figure BDA0002683152100000082
其中，q表示当前视频的内在质量(即客观质量)，本模型采用SSIM算法来获得视频的客观质量。Racc表示视频的可被接受度，由公式(3)所得。α、β以及C分别是视频的可被接受度、视频内在质量的权重系数以及常数项。利用36次拟合的参数的平均值作为最终参数。最终模型参数的数值大小为α＝-5.311，β＝8.151，C＝-0.848。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于长期记忆的视频QoE评价系统及方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (9)

1.一种基于长期记忆的视频QoE评价系统，其特征在于,包括：视频序列生成模块、采集模块、基于长期记忆的数据库和QoE评价模型；
所述视频序列生成模块包括可接受度测试视频序列生成模块和长期记忆影响测试视频序列生成模块；
所述可接受度测试视频序列生成模块将每个源视频按不同Qp值进行编码，并将同一个源视频的具有不同Qp值的视频以Qp值从大到小的顺序依次拼接，并在每段视频之间插入一段灰度视频作为两个测试视频之间的过渡，从而生成多个可接受度测试视频序列；
所述长期记忆影响测试视频序列生成模块对选取多个离散Qp值对应的多个视频并进行有间隔的随机排列，作为长期记忆影响测试视频序列；
所述采集模块用于采集实验人员对视频的可接受度以及具有不同长期记忆的实验人员对视频的主观意见分；
所述基于长期记忆的数据库按照整体可接受度的区间分为至少三类数据库，并存储实验人员对视频的可接受度和主观意见分信息；
所述整体可接受度为每个实验人员对不同视频的可接受度的平均值；
所述QoE评价模型的LTM_QoE模型公式如下：
Figure FDA0002683152090000011
其中，q表示视频的客观质量；Racc表示视频的可被接受度；α、β以及C分别是视频的可被接受度的权重系数、视频客观质量的权重系数以及常数项；
所述视频的可被接受度为在同一类数据库中的不同实验人员对同一视频的可接受度的平均值。
2.根据权利要求1所述的基于长期记忆的视频QoE评价系统，其特征在于：还包括数据筛选模块，所述数据筛选模块对基于长期记忆的数据库中的数据进行筛选，通过分别计算每一类数据库中，主观意见分与MOS值的相关系数以剔除异常数据。
3.根据权利要求2所述的基于长期记忆的视频QoE评价系统，其特征在于：当所述相关系数小于0.7时，作为异常数据去除。
4.根据权利要求1所述的基于长期记忆的视频QoE评价系统，其特征在于：所述视频的客观质量通过采用SSIM算法获得的SSIM值表征。
5.根据权利要求1所述的基于长期记忆的视频QoE评价系统，其特征在于：α、β以及C的值通过使用留出法从基于长期记忆的数据库中随机选择的数据训练获得。
6.根据权利要求1所述的基于长期记忆的视频QoE评价系统，其特征在于：α＝-5.311，β＝8.151，C＝-0.848。
7.根据权利要求1所述的基于长期记忆的视频QoE评价系统的评价方法，其特征在于，包括以下步骤：
步骤S1：生成多个可接受度测试视频序列和长期记忆影响测试视频序列；
步骤S2：进行可接受度实验；通过观看可接受度测试视频序列获取实验人员对视频的可接受度；进行长期记忆影响实验，通过观看长期记忆影响测试视频序列获取实验人员对视频的主观意见分；
步骤S3：按照整体可接受度的区间将实验人员对视频的可接受度信息存储于各类数据库中；并计算获取每一视频的的可被接受度；
步骤S4：使用留出法从所述基于长期记忆的数据库中随机选择数据对LTM_QoE模型进行训练，以确定模型的参数。
8.根据权利要求7所述的基于长期记忆的视频QoE评价系统的评价方法，其特征在于：在步骤S3计算获取每一视频的的可被接受度之前，还对数据库中的数据进行筛选，通过分别计算每一类数据库中，主观意见分与MOS值的相关系数以剔除异常数据。
9.根据权利要求7所述的基于长期记忆的视频QoE评价系统的评价方法，其特征在于：在所述长期记忆影响实验中，实验环境满足ITU-R BT.500-13建议书中的要求，采用ITU-TP.911建议的11个等级绝对等级评分对测试视频进行评分。
CN202010970028.3A 2020-09-15 2020-09-15 基于长期记忆的视频QoE评价系统及方法 Active CN112101788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010970028.3A CN112101788B (zh) 2020-09-15 2020-09-15 基于长期记忆的视频QoE评价系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010970028.3A CN112101788B (zh) 2020-09-15 2020-09-15 基于长期记忆的视频QoE评价系统及方法

Publications (2)

Publication Number Publication Date
CN112101788A true CN112101788A (zh) 2020-12-18
CN112101788B CN112101788B (zh) 2022-04-12

Family

ID=73758622

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010970028.3A Active CN112101788B (zh) 2020-09-15 2020-09-15 基于长期记忆的视频QoE评价系统及方法

Country Status (1)

Country Link
CN (1) CN112101788B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113395602A (zh) * 2021-06-25 2021-09-14 合肥工业大学 针对自适应点云视频流媒体中用户体验质量QoE的建模方法
CN113784131A (zh) * 2021-08-20 2021-12-10 杭州当虹科技股份有限公司 视频编码自动化辅助系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106604026A (zh) * 2016-12-16 2017-04-26 浙江工业大学 一种移动流媒体用户体验质量QoE评估方法
US20190158564A1 (en) * 2016-03-06 2019-05-23 Ssimwave Inc. Method and system for automatic user quality-of-experience measurement of streaming video
CN109905696A (zh) * 2019-01-09 2019-06-18 浙江大学 一种基于加密流量数据的视频服务体验质量的识别方法
CN111277899A (zh) * 2020-02-18 2020-06-12 福州大学 基于短期记忆和用户期望的视频质量评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190158564A1 (en) * 2016-03-06 2019-05-23 Ssimwave Inc. Method and system for automatic user quality-of-experience measurement of streaming video
CN106604026A (zh) * 2016-12-16 2017-04-26 浙江工业大学 一种移动流媒体用户体验质量QoE评估方法
CN109905696A (zh) * 2019-01-09 2019-06-18 浙江大学 一种基于加密流量数据的视频服务体验质量的识别方法
CN111277899A (zh) * 2020-02-18 2020-06-12 福州大学 基于短期记忆和用户期望的视频质量评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TIESONG ZHAO ET.AL: "QoE_in_Video_Transmission_A_User_Experience-Driven_Strategy", 《IEEE COMMUNICATIONS SURVEYS & TUTORIALS》 *
孙鹏 等: "基于长短期记忆的流媒体QoE预测模型", 《计算机工程与设计》 *
李霞等: "基于不同显示终端和编码方式的QoE研究", 《有线电视技术》 *
翟宇轩等: "基于HTTP自适应流媒体传输的3D视频质量评价", 《北京航空航天大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113395602A (zh) * 2021-06-25 2021-09-14 合肥工业大学 针对自适应点云视频流媒体中用户体验质量QoE的建模方法
CN113784131A (zh) * 2021-08-20 2021-12-10 杭州当虹科技股份有限公司 视频编码自动化辅助系统及方法

Also Published As

Publication number Publication date
CN112101788B (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN108090902B (zh) 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法
CN112101788B (zh) 基于长期记忆的视频QoE评价系统及方法
Urvoy et al. NAMA3DS1-COSPAD1: Subjective video quality assessment database on coding conditions introducing freely available high quality 3D stereoscopic sequences
CN105635727B (zh) 基于成对比较的图像主观质量的评价方法和装置
CN110728656A (zh) 基于元学习的无参考图像质量数据处理方法、智能终端
CN110060236A (zh) 基于深度卷积神经网络的立体图像质量评价方法
CN112699283B (zh) 试卷生成方法及装置
CN109167996A (zh) 一种基于卷积神经网络的无参考立体图像质量评价方法
CN110689523A (zh) 基于元学习个性化图像信息评价方法、信息数据处理终端
CN110765362B (zh) 一种基于学习情况相似度的协同过滤个性化学习推荐方法
CN111784121A (zh) 基于不确定性分数分布学习的动作质量评价方法
CN115374106B (zh) 一种基于知识图谱技术的数据智能分级方法
CN111711816B (zh) 基于可察知编码效应强度的视频客观质量评价方法
CN105956159A (zh) 一种评价图像质量客观方法综合效率的算法
CN108366274A (zh) 一种刷播放量的检测方法和装置
CN117352114B (zh) 一种基于聚类算法的心理测评量表的推荐方法及系统
CN111277899B (zh) 基于短期记忆和用户期望的视频质量评价方法
CN115738285A (zh) 一种游戏质量评价反馈方法及系统
CN101895787A (zh) 一种视频编码性能主观评价方法及系统
Li et al. No-reference stereoscopic image quality assessment using natural scene statistics
Zerman et al. Analysing the impact of cross-content pairs on pairwise comparison scaling
CN118521876B (zh) 基于相似性度量的沉浸式视频质量评价方法及装置
CN118312639B (zh) 一种用于多媒体教学的音频管理系统
CN115391734B (zh) 一种基于联邦学习的客户满意度分析系统
CN114401400B (zh) 基于视觉显著性编码效应感知的视频质量评测方法及系统

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