CN112188310B - 测试序列构建方法、装置、电子设备及存储介质 - Google Patents
测试序列构建方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112188310B CN112188310B CN202011043002.0A CN202011043002A CN112188310B CN 112188310 B CN112188310 B CN 112188310B CN 202011043002 A CN202011043002 A CN 202011043002A CN 112188310 B CN112188310 B CN 112188310B
- Authority
- CN
- China
- Prior art keywords
- video
- sequence set
- classification result
- complexity
- preset
- 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.)
- Active
Links
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]
- H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
- H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
- H04N21/845—Structuring of content, e.g. decomposing content into time segments
- H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/136—Incoming video signal characteristics or properties
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/136—Incoming video signal characteristics or properties
- H04N19/14—Coding unit complexity, e.g. amount of activity or edge presence estimation
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Television Signal Processing For Recording (AREA)
Abstract
本发明实施例提供了一种测试序列构建方法、装置、电子设备及存储介质,所述方法包括:获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段;确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型;基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列。如此利用实际编码场景中视频构建测试序列,且覆盖了实际编码场景中所需考虑的多项维度,可以在实际编码场景使用视频编码器的过程中体现出视频编码器该有的性能。
Description
技术领域
本发明涉及视频编码技术领域,尤其涉及一种测试序列构建方法、装置、电子设备及存储介质。
背景技术
视频编码器对视频进行压缩,获得高压缩比和高质量的码流数据,方便进行网络传输,且具有较好的码流数据控制精度、多路数编码、低延时、高编码密度、高标清兼容的特性。当前在对视频编码器性能进行测试或者调优的过程中,需要提供视频测试序列(测试序列,是将不同场景的视频切成视频片段组成的集合)供视频编码器性能测试或者调优使用。
相关技术中,视频测试序列主要使用的是编码标准提案中的通用测试序列。由于该通用测试序列是为了优化编码标准而提出,该通用测试序列中包含的视频片段与实际编码场景中的视频片段差别较大,并且在视频内容、复杂度等维度上的丰富性较差,导致在实际编码场景使用视频编码器的过程中并未体现出视频编码器该有的性能。
发明内容
本发明实施例的目的在于提供一种测试序列构建方法、装置、电子设备及存储介质,以实现利用实际编码场景中视频构建测试序列,覆盖实际编码场景中所需考虑的多项维度,可以在实际编码场景使用视频编码器的过程中体现出视频编码器该有的性能的有益效果。具体技术方案如下:
在本发明实施例的第一方面,首先提供了一种测试序列构建方法,所述方法包括:
获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段;
确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型;
基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列。
在一个可选的实施方式中,所述基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列,包括:
对于所述候选序列集中每个视频片段,均根据所述视频空域复杂度及所述视频时域复杂度进行时空域分类;
从时空域分类结果中抽取目标视频片段以构建测试序列。
在一个可选的实施方式中,所述对于所述候选序列集中每个视频片段,均根据所述视频空域复杂度及所述视频时域复杂度进行时空域分类,包括:
对于所述候选序列集中每个视频片段,均根据所述视频空域复杂度进行空域复杂度分类;
对于任一空域复杂度分类结果中每个视频片段,均根据所述视频时域复杂度进行时域复杂度分类,得到时空域分类结果。
在一个可选的实施方式中,所述对于所述候选序列集中每个视频片段,均根据所述视频空域复杂度及所述视频时域复杂度进行时空域分类,包括:
对于所述候选序列集中每个视频片段,均根据所述视频时域复杂度进行时域复杂度分类;
对于任一时域复杂度分类结果中每个视频片段,均根据所述视频空域复杂度进行空域复杂度分类,得到时空域分类结果。
在一个可选的实施方式中,所述从时空域分类结果中抽取目标视频片段以构建测试序列,包括:
从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列。
在一个可选的实施方式中,所述从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列,包括:
从任一时空域分类结果中均抽取预设数量的目标视频片段以构建第一序列集;
对于所述第一序列集中每个所述目标视频片段,均根据所述视频分辨率进行分辨率分类;
根据各个分辨率分类结果各自对应的预设占比,调整各个分辨率分类结果中所述目标视频片段的数量;
对于经过调整的所述第一序列集中每个所述目标视频片段,均根据所述视频质量进行质量分类;
根据各个质量分类结果各自对应的预设占比,调整各个质量分类结果中所述目标视频片段的数量以构建第二序列集;
确定所述第二序列集为测试序列。
在一个可选的实施方式中,所述从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列,包括:
从任一时空域分类结果中均抽取预设数量的目标视频片段以构建第一序列集;
对于所述第一序列集中每个所述目标视频片段,均根据所述视频质量进行质量分类;
根据各个质量分类结果各自对应的预设占比,调整各个质量分类结果中所述目标视频片段的数量;
对于经过调整的所述第一序列集中每个所述目标视频片段,均根据所述视频分辨率进行分辨率分类;
根据各个分辨率分类结果各自对应的预设占比,调整各个分辨率分类结果中所述目标视频片段的数量以构建第二序列集;
确定所述第二序列集为测试序列。
在一个可选的实施方式中,所述确定所述第二序列集为测试序列之前,所述方法还包括:
判断所述第二序列集中所述目标视频片段对应的所述视频类型是否涵盖所有预设视频类型;
若所述第二序列集中所述目标视频片段对应的所述视频类型涵盖所有预设视频类型,则执行所述确定所述第二序列集为测试序列的步骤。
在一个可选的实施方式中,所述方法还包括:
若所述第二序列集中所述目标视频片段对应的所述视频类型未涵盖所有预设视频类型,确定缺失的所述预设视频类型;
查找缺失的所述预设视频类型对应的缺失视频片段,并添加至所述第二序列集中。
在一个可选的实施方式中,所述方法还包括:
确定所述缺失视频片段的视频空域复杂度、视频时域复杂度、视频分辨率、视频质量;
从所述第二序列集中删除与所述缺失视频片段的视频空域复杂度、视频时域复杂度、视频分辨率、视频质量均一致的所述目标视频片段。
在一个可选的实施方式中,所述确定所述候选序列集中每个视频片段的特征信息,包括:
对于所述候选序列集中每个视频片段,利用预设视频编码器以预设第一编码规则进行编码得到编码后的第一码流数据;
对于所述候选序列集中每个视频片段,计算对应所述第一码流数据大小与该视频片段大小之间的第一比值;
对于所述候选序列集中每个视频片段,确实对应所述第一比值为该视频片段的视频空域复杂度。
在一个可选的实施方式中,所述确定所述候选序列集中每个视频片段的特征信息,包括:
对于所述候选序列集中每个视频片段,利用预设视频编码器以预设第二编码规则进行编码得到编码后的第二码流数据;
对于所述候选序列集中每个视频片段,计算对应所述第二码流数据中所有目标帧大小与所有非目标帧大小之间的第二比值;
对于所述候选序列集中每个视频片段,确定对应所述第二比值为该视频片段的视频时域复杂度。
在一个可选的实施方式中,所述对于所述候选序列集中每个视频片段,计算对应所述第二码流数据中所有目标帧大小与所有非目标帧大小之间的第二比值,包括:
对于所述候选序列集中每个视频片段,计算对应所述第二码流数据中所有I帧平均大小与所有非I帧平均大小之间的第二比值。
在一个可选的实施方式中,所述确定所述候选序列集中每个视频片段的特征信息,包括:
对于所述候选序列集中每个视频片段,输入至视频质量预测模型,以使所述视频质量预测模式输出对应的视频质量。
在本发明实施例的第二方面,还提供了一种测试序列构建装置,所述装置包括:
视频切片模块,用于获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段;
信息确定模块,用于确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型;
序列构建模块,用于基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列。
在本发明实施例的第三方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的测试序列构建方法。
在本发明实施例的第四方面,还提供了一种存储介质,所述存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的测试序列构建方法。
在本发明实施例的第五方面,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的测试序列构建方法。
本发明实施例提供的技术方案,通过获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,确定候选序列集中每个视频片段的至少下述信息之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型,并据此可以对候选序列集中的所有视频片段进行筛选以构建测试序列。如此利用实际编码场景中视频构建测试序列,且覆盖了实际编码场景中所需考虑的多项维度,可以在实际编码场景使用视频编码器的过程中体现出视频编码器该有的性能。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中示出的一种测试序列构建方法的实施流程示意图;
图2为本发明实施例中示出的另一种测试序列构建方法的实施流程示意图;
图3为本发明实施例中示出的一种时空域分类结果示意图;
图4为本发明实施例中示出的一种测试序列构建装置的结构示意图;
图5为本发明实施例中示出的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明实施例提供的一种测试序列构建方法的实施流程示意图,该方法具体可以包括以下步骤:
S101,获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段。
本发明实施例中为了获取实际编码场景中的视频,可以从多个预设视频渠道中进行获取,以获得多个实际编码场景中的视频。
本发明中视频渠道包括但不限于各个视频编码标准,各类长视频网站、各类短视频网站、电影原盘等,如此获取的视频既可以涵盖了传统的PGC(Professionally-generated Content,专业生产内容)视频,又包含了当下火热的UGC(User-generatedContent,用户生成内容)视频。
对于获取的多个不同视频,可以基于预设视频切片规则进行切片,构成候选序列集。例如,对于视频1,按照特定帧数(1000帧)进行切片,生成多个视频片段,对于视频2、视频3……类似,本发明实施例在此不再一一赘述,由这些视频片段可以构成候选序列集。
S102,确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型。
对于上述候选序列集中每个视频片段,确定该视频片段的特征信息,其中,该特征信息至少包括下述之一:视频复杂度、视频分辨率、视频质量、视频类型。
其中,视频复杂度包括视频空域复杂度与视频时域复杂度。视频空域复杂度,即反映视频片段中每帧图像的空域复杂情况的指标,如果视频片段中每帧图像的纹理平坦,则视频空域复杂度较低,如果视频片段中每帧图像的纹理复杂,则视频空域复杂度较高。视频时域复杂度,即反映视频片段中各帧图像之间的时域复杂情况的指标,如果视频片段中各帧图像之间场景内容几乎没变化,则视频时域复杂度较低,如果视频片段中各帧图像之间场景内容变化剧烈,则视频时域复杂度较高。
视频分辨率,即视频片段中每帧图像的像素个数。视频类型,即视频的内容类型。视频质量,即视频的主观质量,主要考虑视频片段的模糊程度,是否有噪声、块效应、颜色异常等。
对于候选序列集中每个视频片段的视频空域复杂度,具体可以参考以下实施方式确定:对于所述候选序列集中每个视频片段,利用预设视频编码器以预设第一编码规则进行编码得到编码后的第一码流数据;对于所述候选序列集中每个视频片段,计算对应所述第一码流数据大小与该视频片段大小之间的第一比值;对于所述候选序列集中每个视频片段,确实对应所述第一比值为该视频片段的视频空域复杂度。其中,对于预设第一编码规则可以是All-Intra的编码方式(也称帧内编码)和CQP的编码模式(QP(quantizationparameter)为量化参数,CQP表示对视频每一帧采用固定的量化参数进行编码),本发明实施例对此不作限定。
例如,对于候选序列集中视频片段1,利用预设编码器(例如x265)以All-Intra的编码方式和CQP的编码模式对视频片段1进行编码,得到编码后的第一码流数据1,计算第一码流数据1大小与视频片段1大小之间的第一比值1(值域0-1),确定该第一比值1为视频片段1的视频空域复杂度,比值越小,则空域复杂度越低,否则空域复杂度越高。对于候选序列集中其它视频片段类似,本发明实施例在此不再一一赘述。
为了覆盖预设空域复杂度类别,对于候选序列集中每个视频片段,均根据视频空域复杂度进行空域复杂度分类,判断空域复杂度分类结果是否覆盖预设空域复杂度类别。
其中,可以针对视频空域复杂度进行归一化处理,对于候选序列集中每个视频片段,确定该视频片段对应的归一化处理后的视频空域复杂度所属的空域复杂度区间,确定该空域复杂度区间对应的空域复杂度类别为该视频片段的空域复杂度类别,如此完成空域复杂度分类。
例如,对于空域复杂度划分为五类,各个空域复杂度类别对应的空域复杂度区间,如下表1所示。
空域复杂度类别 | 空域复杂度区间 |
第一类 | (0,0.2) |
第二类 | (0.2,0.4) |
第三类 | (0.4,0.6) |
第四类 | (0.6,0.8) |
第五类 | (0.8,1) |
表1
对于候选序列集中视频片段1的视频空域复杂度进行归一化处理,确定该视频片段1对应的归一化处理后的视频空域复杂度所属的空域复杂度区间(0,0.2),确定该空域复杂度区间(0,0.2)对应的空域复杂度类别(第一类)为该视频片段1的空域复杂度类别,对于候选序列集中其它视频片段类似,本发明实施例在此不再一一赘述,如此完成空域复杂度分类。对于空域复杂度分类结果,判断其是否覆盖上述五类,如果未覆盖上述五类,可以继续获取视频,以确保覆盖上述五类。
对于候选序列集中每个视频片段的视频时域复杂度,具体可以参考以下实施方式确定:对于所述候选序列集中每个视频片段,利用预设视频编码器以预设第二编码规则进行编码得到编码后的第二码流数据;对于所述候选序列集中每个视频片段,计算对应所述第二码流数据中所有目标帧大小与所有非目标帧大小之间的第二比值;对于所述候选序列集中每个视频片段,确定对应所述第二比值为该视频片段的视频时域复杂度。其中,对于预设第二编码规则可以是Random-Access的编码方式(也称随机访问编码)和CQP的编码模式,目标帧可以是I帧,非目标帧可以是非I帧(即P/B帧),本发明实施例对此不作限定。
例如,对于候选序列集中视频片段1,利用预设编码器(例如x265)以Random-Access的编码方式和CQP的编码模式对该视频片段1进行编码得到编码后的第二码流数据1,计算第二码流数据1中所有I帧的平均大小与所有非I帧(P/B帧)的平均大小之间的第二比值1,确定该第二比值1为该视频片段1的视频时域复杂度,比值越小,时域复杂度越低,否则时域复杂度越高。对于候选序列集中其它视频片段类似,本发明实施例在此不再一一赘述。
为了覆盖预设时域复杂度类别,对于候选序列集中每个视频片段,均根据该视频片段的视频时域复杂度进行时域复杂度分类,判断时域复杂度分类结果是否覆盖预设时域复杂度类别,如果未覆盖预设时域复杂度类别,则继续获取视频,以确保覆盖全面。
其中,对于候选序列集中每个视频片段,确定该视频片段对应的时域复杂度所属的时域复杂度区间,确定该时域复杂度区间对应的时域复杂度类别为该视频片段的时域复杂度类别,如此完成时域复杂度分类。
对于时域复杂度分类,与空域复杂度分类类似,例如,对于时域复杂度划分为八类,各个时域复杂度类别各自对应一个时域复杂度区间,对于候选序列集中视频片段1,确定该视频片段1对应的时域复杂度所属的时域复杂度区间A,确定该时域复杂度区间A对应的时域复杂度类别(第一类)为该视频片段1的时域复杂度类别,对于候选序列集中其它视频片段类似,本发明实施例在此不再一一赘述,如此完成时域复杂度分类。对于时域复杂度分类结果,判断其是否覆盖上述八类,如果未覆盖上述八类,可以继续获取视频,以确保覆盖上述八类。
对于候选序列集中每个视频片段的视频分辨率,具体可以参考以下实施方式确定:对于所述候选序列集中每个视频片段,统计该视频片段的宽和高。
为了覆盖目前常用的视频分辨率类别,对于候选序列集中每个视频片段的视频分辨率,均根据视频分辨率进行分辨率分类,判断分辨率分类结果是否覆盖常用的视频分辨率类别,如果未覆盖,可以继续获取视频,以确保覆盖全面。
例如,将目前常用的分辨率分为七类,分别为270p(480x270等),480p(832x480,854x480等),540p(960x540等),720p(1280x720等),1080p(1920x1080等),4k(3840x2160,4096×2160等),对于候选序列集中视频片段1,该视频片段1的分辨率为1280x720,可以将该视频片段1划分为720P,对于候选序列集中其它视频片段类似,本发明实施例在此不再一一赘述,如此可以完成分辨率分类。对于分辨率分类结果,判断其是否覆盖上述七类,如果未覆盖上述七类,则可以继续获取视频,以覆盖上述七类。需要说明的是,对于分辨率类别,其中既有横屏视频片段,也有竖屏视频片段,例如对于720P,既有1280x720,也有720x1280。
对于候选序列集中每个视频片段的视频类型,具体可以参考以下实施方式确定:获取视频时就已知视频类型并进行标注,或者,后期分析视频片段进行确定。其中,后期分析视频片段进行确定可以是人工识别进行标注,也可以是利用机器学习的方法进行标注。
为了覆盖目前常见的视频类别,对于候选序列集中每个视频片段,均根据视频类型进行分类,判断分类结果是否覆盖上述常见的视频类别,如果未覆盖,可以继续获取视频,以确保覆盖全面。
例如,将目前常见的视频类型基于内容分为七类:电影/动漫/游戏/体育/综艺/秀场/教育,对于候选序列集中视频片段1,该视频片段1标注为电影,可以将该视频片段1划分为电影这一类别,对于候选序列集中其它视频片段类似,本发明实施例在此不再一一赘述,如此可以完成视频类型分类。对于分类结果,判断其是否覆盖上述七类,如果未覆盖上述七类,可以继续获取视频,以覆盖上述七类。
对于候选序列集中每个视频片段的视频质量,具体可以参考以下实施方式确定:对于所述候选序列集中每个视频片段,输入至视频质量预测模型,以使所述视频质量预测模式输出对应的视频质量。其中,以往的编码标准中所使用的测试序列,都是原始质量较好的视频,然而目前在实际编码应用中,有许多编码前的原视频质量就较差,尤其是UGC视频,因此编码器的测试序列需加入各种质量的视频。
在本发明实施例中,可以基于训练样本,样本的标签为视频质量(例如质量评分1,2,3,4,5),对初始深度神经网络模型进行模型训练,以得到上述视频质量预测模型。其中,可以在正确率达到预设阈值,或者损失函数数值最小的情况下停止模型训练。
例如,对于视频质量,可以划分为五类,分别如下:第一类视频质量评分为1,第二类视频质量评分为2,第三类视频质量评分为3,第四类视频质量评分为4,第五类视频质量评分为5,对于候选序列集中视频片段1,输入至视频质量预测模型,以使视频质量预测模式输出对应的视频质量评分1,可以将该视频片段1划分至第一类,对于候选序列集中其它视频片段类似,本发明实施例在此不再一一赘述,如此可以完成视频质量分类。对于视频质量分类结果,判断分类结果是否覆盖上述五类,如果未覆盖,可以继续获取视频,以确保覆盖上述五类。
S103,基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列。
对于候选序列集中每个视频片段,均确定该视频片段对应的视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型之中至少之一,如此可以基于每个视频片段对应的视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型之中至少之一,对候选序列集中的所有视频片段进行综合筛选以构建测试序列。
通过上述对本发明实施例提供的技术方案的描述,通过获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,确定候选序列集中每个视频片段的至少下述信息之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型,并据此可以对候选序列集中的所有视频片段进行筛选以构建测试序列。如此利用实际编码场景中视频构建测试序列,且覆盖了实际编码场景中所需考虑的多项维度,可以在实际编码场景使用视频编码器的过程中体现出视频编码器该有的性能。
如图2所示,为本发明实施例提供的另一种测试序列构建方法的实施流程示意图,该方法具体可以包括以下步骤:
S201,获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段。
在本发明实施例,本步骤与上述步骤S101类似,本发明实施例在此不再一一赘述。
S202,确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型。
在本发明实施例,本步骤与上述步骤S102类似,本发明实施例在此不再一一赘述。
S203,对于所述候选序列集中每个视频片段,均根据所述视频空域复杂度及所述视频时域复杂度进行时空域分类。
对于候选序列集中每个视频片段,均根据该视频片段的视频空域复杂度及时域复杂度进行时空域分类,可以得到时空域分类结果。
具体地,对于候选序列集中每个视频片段,均根据该视频片段的视频空域复杂度进行空域复杂度分类,对于任一空域复杂度分类结果中每个视频片段,均根据该视频片段的时域复杂度进行时域复杂度分类,如此可以得到时空域分类结果。其中,空域复杂度分类、时域复杂度分类均可以参考上述实施例。
例如,对于候选序列集中每个视频片段,均根据该视频片段的视频空域复杂度进行空域复杂度分类,空域复杂度分类划分为M=5类,对于这5类任一一类中包含的每个视频片段,均根据该视频片段的时域复杂度进行时域复杂度分类,时域复杂度分类划分为N=8类,如此可以得到时空域分类结果,如图3所示。
或者,对于候选序列集中每个视频片段,均根据该视频片段的时域复杂度进行时域复杂度分类,对于任一时域复杂度分类结果中每个视频片段,均根据该视频片段的空域复杂度进行空域复杂度分类,得到时空域分类结果。其中,空域复杂度分类、时域复杂度分类均可以参考上述实施例。
例如,对于候选序列集中每个视频片段,均根据该视频片段的时域复杂度进行时域复杂度分类,时域复杂度分类划分为N=8类,对于这8类任一一类中包含的每个视频片段,均根据该视频片段的空域复杂度进行空域复杂度分类,空域复杂度分类划分为M=5类,如此可以得到时空域分类结果,如图3所示。
S204,从时空域分类结果中抽取目标视频片段以构建测试序列。
对于时空域分类结果,本发明实施例可以从其中抽取目标视频片段以构建测试序列。具体地,可以从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列。
例如,如图3所示,对于时空域分类,共划分了M*N=40类,从每个分类中均匀抽取K=10个目标视频片段,如此可以得到400个目标视频片段,用来构建测试序列。其中,每个分类中抽取K个目标视频片段,可以确保构建的测试序列在复杂度特征上均匀分布。
此外,为了均衡考虑视频分辨率及视频质量,可以继续从视频分辨率、视频质量等维度继续对上述目标视频进行筛选:从任一时空域分类结果中均抽取预设数量的目标视频片段以构建第一序列集,对于所述第一序列集中每个所述目标视频片段,均根据所述视频分辨率进行分辨率分类;根据各个分辨率分类结果各自对应的预设占比,调整各个分辨率分类结果中所述目标视频片段的数量;对于经过调整的所述第一序列集中每个所述目标视频片段,均根据所述视频质量进行质量分类;根据各个质量分类结果各自对应的预设占比,调整各个质量分类结果中所述目标视频片段的数量以构建第二序列集;确定所述第二序列集为测试序列。其中,分辨率分类、质量分类可以参考上述实施例。
例如,从任一时空域分类结果中均抽取10个目标视频片段,如此可以得到400个目标视频片段,可以构建第一序列集,对于第一序列集中每个目标视频片段,均根据该目标视频片段的分辨率进行分辨率分类,根据各个分辨率分类结果中各自对应的比例(例如视频分辨率270p/480p/540p/720p/1080p/4k各自对应的比例为1:1:1:3:3:1),调整各个分辨率分类结果中目标视频片段的数量,如此可以删减一些目标视频片段,然后对于调整后的第一序列集中每个目标视频片段,均根据该目标视频片段的视频质量进行质量分类,根据各个质量分类结果中各自对应的比例(例如视频质量评分1/2/3/4/5各自对应的比例为1:1:1:1:6),调整各个质量分类结果中目标视频片段的数量,如此可以得到第二序列集,可以确定第二序列集为测试序列。
或者,从任一时空域分类结果中均抽取预设数量的目标视频片段以构建第一序列集;对于所述第一序列集中每个所述目标视频片段,均根据所述视频质量进行质量分类;根据各个质量分类结果各自对应的预设占比,调整各个质量分类结果中所述目标视频片段的数量;对于经过调整的所述第一序列集中每个所述目标视频片段,均根据所述视频分辨率进行分辨率分类;根据各个分辨率分类结果各自对应的预设占比,调整各个分辨率分类结果中所述目标视频片段的数量以构建第二序列集;确定所述第二序列集为测试序列。其中,分辨率分类、质量分类可以参考上述实施例。
例如,从任一时空域分类结果中均抽取10个目标视频片段,如此可以得到400个目标视频片段,可以构建第一序列集,对于第一序列集中每个目标视频片段,均根据该目标视频片段的视频质量进行质量分类,根据各个质量分类结果中各自对应的比例(例如视频质量评分1/2/3/4/5各自对应的比例为1:1:1:1:6),调整各个质量分类结果中目标视频片段的数量,如此可以删减一些目标视频片段,然后对于调整后的第一序列集中每个目标视频片段,均根据该目标视频片段的分辨率进行分辨率分类,根据各个分辨率分类结果中各自对应的比例(例如视频分辨率270p/480p/540p/720p/1080p/4k各自对应的比例为1:1:1:3:3:1),调整各个分辨率分类结果中目标视频片段的数量,如此可以得到第二序列集,可以确定第二序列集为测试序列。
另外,为了确保第二序列集中目标视频片段可以覆盖当前常见的视频类型,可以判断所述第二序列集中所述目标视频片段对应的所述视频类型是否涵盖所有预设视频类型,若所述第二序列集中所述目标视频片段对应的所述视频类型涵盖所有预设视频类型,则可以确定第二序列集为测试序列。
若所述第二序列集中所述目标视频片段对应的所述视频类型未涵盖所有预设视频类型,确定缺失的所述预设视频类型,查找缺失的所述预设视频类型对应的缺失视频片段,并添加至所述第二序列集中,与此同时,确定所述缺失视频片段的视频空域复杂度、视频时域复杂度、视频分辨率、视频质量,从所述第二序列集中删除与所述缺失视频片段的视频空域复杂度、视频时域复杂度、视频分辨率、视频质量均一致的所述目标视频片段。
例如,对于第二序列集,判断其中目标视频片段对应的视频类型是否覆盖了上述七类,如果第二序列集中目标视频片段对应的视频类型覆盖了上述七类,则可以确定该第二序列集为测试序列。
如果第二序列集中目标视频片段对应的视频类型未覆盖上述七类,则需要确定缺失的视频类型:电影,可以从上述候选序列集中查找一个或者若干个属于电影类型的视频片段(即缺失视频片段),添加至第二序列集中,如此同时,可以确定缺失视频片段的视频空域复杂度、视频时域复杂度、视频分辨率、视频质量,从第二序列集中删除与该缺失视频片段的视频空域复杂度、视频时域复杂度、视频分辨率、视频质量均一致的目标视频片段,然后可以确定此时的第二序列集为测试序列。
对于第二序列集中目标视频片段,如果其中数量较多或者较少,可以根据实际需求,调整第二序列集中目标视频片段的数量,以满足实际需求。
与上述方法实施例相对应,本发明实施例还提供了一种测试序列构建装置,如图4所示,该装置可以包括:视频切片模块410、信息确定模块420、序列构建模块430。
视频切片模块410,用于获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段;
信息确定模块420,用于确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型;
序列构建模块430,用于基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器51、通信接口52、存储器53和通信总线54,其中,处理器51,通信接口52,存储器53通过通信总线54完成相互间的通信,
存储器53,用于存放计算机程序;
处理器51,用于执行存储器53上所存放的程序时,实现如下步骤:
获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段;确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型;基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种存储介质,该存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的测试序列构建方法。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一所述的测试序列构建方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在存储介质中,或者从一个存储介质向另一个存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非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作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种测试序列构建方法,其特征在于,所述方法包括:
获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段;
确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型;
基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列,包括:对于所述候选序列集中每个视频片段,均根据所述视频空域复杂度及所述视频时域复杂度进行时空域分类;从时空域分类结果中抽取目标视频片段以构建测试序列;
所述从时空域分类结果中抽取目标视频片段以构建测试序列,包括:从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列;
所述从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列,包括:从任一时空域分类结果中均抽取预设数量的目标视频片段以构建第一序列集;对于所述第一序列集中每个所述目标视频片段,均根据所述视频分辨率进行分辨率分类;根据各个分辨率分类结果各自对应的预设占比,调整各个分辨率分类结果中所述目标视频片段的数量;对于经过调整的所述第一序列集中每个所述目标视频片段,均根据所述视频质量进行质量分类;根据各个质量分类结果各自对应的预设占比,调整各个质量分类结果中所述目标视频片段的数量以构建第二序列集;确定所述第二序列集为测试序列。
2.根据权利要求1所述的方法,其特征在于,所述从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列,包括:
从任一时空域分类结果中均抽取预设数量的目标视频片段以构建第一序列集;
对于所述第一序列集中每个所述目标视频片段,均根据所述视频质量进行质量分类;
根据各个质量分类结果各自对应的预设占比,调整各个质量分类结果中所述目标视频片段的数量;
对于经过调整的所述第一序列集中每个所述目标视频片段,均根据所述视频分辨率进行分辨率分类;
根据各个分辨率分类结果各自对应的预设占比,调整各个分辨率分类结果中所述目标视频片段的数量以构建第二序列集;
确定所述第二序列集为测试序列。
3.根据权利要求1至2任一项所述的方法,其特征在于,所述确定所述第二序列集为测试序列之前,所述方法还包括:
判断所述第二序列集中所述目标视频片段对应的所述视频类型是否涵盖所有预设视频类型;
若所述第二序列集中所述目标视频片段对应的所述视频类型涵盖所有预设视频类型,则执行所述确定所述第二序列集为测试序列的步骤。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述第二序列集中所述目标视频片段对应的所述视频类型未涵盖所有预设视频类型,确定缺失的所述预设视频类型;
查找缺失的所述预设视频类型对应的缺失视频片段,并添加至所述第二序列集中。
5.根据权利要求1所述的方法,其特征在于,所述确定所述候选序列集中每个视频片段的特征信息,包括:
对于所述候选序列集中每个视频片段,利用预设视频编码器以预设第一编码规则进行编码得到编码后的第一码流数据;
对于所述候选序列集中每个视频片段,计算对应所述第一码流数据大小与该视频片段大小之间的第一比值;
对于所述候选序列集中每个视频片段,确实对应所述第一比值为该视频片段的视频空域复杂度。
6.根据权利要求1所述的方法,其特征在于,所述确定所述候选序列集中每个视频片段的特征信息,包括:
对于所述候选序列集中每个视频片段,利用预设视频编码器以预设第二编码规则进行编码得到编码后的第二码流数据;
对于所述候选序列集中每个视频片段,计算对应所述第二码流数据中所有目标帧大小与所有非目标帧大小之间的第二比值;
对于所述候选序列集中每个视频片段,确定对应所述第二比值为该视频片段的视频时域复杂度。
7.根据权利要求6所述的方法,其特征在于,所述对于所述候选序列集中每个视频片段,计算对应所述第二码流数据中所有目标帧大小与所有非目标帧大小之间的第二比值,包括:
对于所述候选序列集中每个视频片段,计算对应所述第二码流数据中所有I帧平均大小与所有非I帧平均大小之间的第二比值。
8.一种测试序列构建装置,其特征在于,所述装置包括:
视频切片模块,用于获取多个不同视频,并基于预设视频切片规则进行切片,构成候选序列集,其中,所述候选序列集中包含多个视频片段;
信息确定模块,用于确定所述候选序列集中每个视频片段的特征信息,其中,所述特征信息至少包括下述之一:视频空域复杂度、视频时域复杂度、视频分辨率、视频质量、视频类型;
序列构建模块,用于基于所述特征信息对所述候选序列集中的所有视频片段进行筛选以构建测试序列,包括:对于所述候选序列集中每个视频片段,均根据所述视频空域复杂度及所述视频时域复杂度进行时空域分类;从时空域分类结果中抽取目标视频片段以构建测试序列;
所述从时空域分类结果中抽取目标视频片段以构建测试序列,包括:从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列;
所述从任一时空域分类结果中均抽取预设数量的目标视频片段以构建测试序列,包括:从任一时空域分类结果中均抽取预设数量的目标视频片段以构建第一序列集;对于所述第一序列集中每个所述目标视频片段,均根据所述视频分辨率进行分辨率分类;根据各个分辨率分类结果各自对应的预设占比,调整各个分辨率分类结果中所述目标视频片段的数量;对于经过调整的所述第一序列集中每个所述目标视频片段,均根据所述视频质量进行质量分类;根据各个质量分类结果各自对应的预设占比,调整各个质量分类结果中所述目标视频片段的数量以构建第二序列集;确定所述第二序列集为测试序列。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7任一所述的方法步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043002.0A CN112188310B (zh) | 2020-09-28 | 2020-09-28 | 测试序列构建方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011043002.0A CN112188310B (zh) | 2020-09-28 | 2020-09-28 | 测试序列构建方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112188310A CN112188310A (zh) | 2021-01-05 |
CN112188310B true CN112188310B (zh) | 2022-08-16 |
Family
ID=73946608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011043002.0A Active CN112188310B (zh) | 2020-09-28 | 2020-09-28 | 测试序列构建方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112188310B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113014922B (zh) * | 2021-02-23 | 2023-04-07 | 北京百度网讯科技有限公司 | 模型训练、视频编码方法,装置,设备以及存储介质 |
CN113329226B (zh) * | 2021-05-28 | 2022-12-20 | 北京字节跳动网络技术有限公司 | 数据的生成方法、装置、电子设备及存储介质 |
CN114241350B (zh) * | 2021-11-09 | 2023-09-19 | 北京百度网讯科技有限公司 | 视频编码测试序列确定方法、相关装置及计算机程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291620A (zh) * | 2017-06-30 | 2017-10-24 | 郑州云海信息技术有限公司 | 一种测试用例生成方法及装置 |
CN109286825A (zh) * | 2018-12-14 | 2019-01-29 | 北京百度网讯科技有限公司 | 用于处理视频的方法和装置 |
CN109996084A (zh) * | 2019-04-30 | 2019-07-09 | 华侨大学 | 一种基于多分支卷积神经网络的hevc帧内预测方法 |
CN110401834A (zh) * | 2019-08-06 | 2019-11-01 | 杭州微帧信息科技有限公司 | 一种基于深度学习的自适应视频编码方法 |
CN111182300A (zh) * | 2018-11-09 | 2020-05-19 | 华为技术有限公司 | 编码参数的确定方法、装置、设备及存储介质 |
CN111524110A (zh) * | 2020-04-16 | 2020-08-11 | 北京微吼时代科技有限公司 | 视频质量的评价模型构建方法、评价方法及装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101783971B (zh) * | 2010-01-26 | 2013-07-03 | 深圳市融创天下科技股份有限公司 | 一种视频质量主观测试方法 |
CN103501441B (zh) * | 2013-09-11 | 2016-08-17 | 北京交通大学长三角研究院 | 一种基于人类视觉系统的多描述视频编码方法 |
WO2017130183A1 (en) * | 2016-01-26 | 2017-08-03 | Beamr Imaging Ltd. | Method and system of video encoding optimization |
CN106534873B (zh) * | 2016-11-29 | 2019-05-03 | 四川大学 | 基于小波域的分布式视频编码关键帧丢失错误保护方法 |
WO2018179851A1 (en) * | 2017-03-28 | 2018-10-04 | Sharp Kabushiki Kaisha | Systems and methods for determining a level of quantization |
CN109561310B (zh) * | 2017-09-26 | 2022-09-16 | 腾讯科技(深圳)有限公司 | 视频编码处理方法、装置、设备和存储介质 |
CN108184117B (zh) * | 2018-01-10 | 2021-11-26 | 北京工业大学 | 基于内容的比特流层视频质量评价模型 |
CN108989801B (zh) * | 2018-07-27 | 2021-10-08 | 福州大学至诚学院 | 一种基于时空特性的自适应模式选择快速方法 |
-
2020
- 2020-09-28 CN CN202011043002.0A patent/CN112188310B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291620A (zh) * | 2017-06-30 | 2017-10-24 | 郑州云海信息技术有限公司 | 一种测试用例生成方法及装置 |
CN111182300A (zh) * | 2018-11-09 | 2020-05-19 | 华为技术有限公司 | 编码参数的确定方法、装置、设备及存储介质 |
CN109286825A (zh) * | 2018-12-14 | 2019-01-29 | 北京百度网讯科技有限公司 | 用于处理视频的方法和装置 |
CN109996084A (zh) * | 2019-04-30 | 2019-07-09 | 华侨大学 | 一种基于多分支卷积神经网络的hevc帧内预测方法 |
CN110401834A (zh) * | 2019-08-06 | 2019-11-01 | 杭州微帧信息科技有限公司 | 一种基于深度学习的自适应视频编码方法 |
CN111524110A (zh) * | 2020-04-16 | 2020-08-11 | 北京微吼时代科技有限公司 | 视频质量的评价模型构建方法、评价方法及装置 |
Non-Patent Citations (1)
Title |
---|
王彩虹 ; 姜秀华 ; 王玉霞.基于视频统计特征挑选测试序列的方法研究.《电视技术》.2008,77-80. * |
Also Published As
Publication number | Publication date |
---|---|
CN112188310A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112188310B (zh) | 测试序列构建方法、装置、电子设备及存储介质 | |
CN110856037B (zh) | 一种视频封面确定方法、装置、电子设备及可读存储介质 | |
CN110909205B (zh) | 一种视频封面确定方法、装置、电子设备及可读存储介质 | |
Wu et al. | A perceptually weighted rank correlation indicator for objective image quality assessment | |
CN101398854A (zh) | 一种视频片段检索方法和系统 | |
Karim et al. | Quality of service (QoS): measurements of image formats in social cloud computing | |
CN110933492B (zh) | 一种播放时长预测方法及装置 | |
Ling et al. | Towards perceptually-optimized compression of user generated content (ugc): Prediction of ugc rate-distortion category | |
Shullani et al. | Social network identification of laundered videos based on DCT coefficient analysis | |
Jiang et al. | Quality Prediction of DWT‐Based Compression for Remote Sensing Image Using Multiscale and Multilevel Differences Assessment Metric | |
CN111083469A (zh) | 一种视频质量确定方法、装置、电子设备及可读存储介质 | |
CN115131695A (zh) | 视频检测模型的训练方法、视频检测方法及装置 | |
Hu et al. | Fast source camera identification using matching signs between query and reference fingerprints | |
CN112765402A (zh) | 一种敏感信息识别方法、装置、设备及存储介质 | |
Youssef et al. | Detecting double and triple compression in HEVC videos using the same bit rate | |
Jin et al. | Video logo removal detection based on sparse representation | |
CN113220974A (zh) | 点击率预测模型训练、搜索召回方法、装置、设备及介质 | |
Li et al. | A cascaded algorithm for image quality assessment and image denoising based on CNN for image security and authorization | |
Wang et al. | Video transcoding optimization based on input perceptual quality | |
JP7411785B2 (ja) | イントラ予測のための補間フィルタリング方法と装置、コンピュータプログラム及び電子装置 | |
CN115269998A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN114241350A (zh) | 视频编码测试序列确定方法、相关装置及计算机程序产品 | |
CN111737519A (zh) | 识别机器人账号的方法、装置、电子设备及计算机可读存储介质 | |
Glavota et al. | No-reference real-time video transmission artifact detection for video signals | |
Peng et al. | RMT-BVQA: Recurrent Memory Transformer-based Blind Video Quality Assessment for Enhanced Video Content |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221221 Address after: No.006, 6th floor, building 4, No.33 yard, middle Xierqi Road, Haidian District, Beijing 100085 Patentee after: BEIJING KINGSOFT CLOUD NETWORK TECHNOLOGY Co.,Ltd. Patentee after: Kingsoft Cloud (Shenzhen) Edge Computing Technology Co.,Ltd. Address before: No.006, 6th floor, building 4, No.33 yard, middle Xierqi Road, Haidian District, Beijing 100085 Patentee before: BEIJING KINGSOFT CLOUD NETWORK TECHNOLOGY Co.,Ltd. |