CN114885152A - 视频服务质量评价方法、装置、设备及存储介质 - Google Patents

Abstract

本申请提供一种视频服务质量评价方法、装置、设备及存储介质，其方法包括获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干服务属性参数；对所述视频服务数据进行预处理后，得到视频质量特征；将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型；获取待测视频的视频质量特征，并基于目标质量评价模型，得到所述待测视频的质量评价预测值。本申请通过目标质量评价模型可以尽量模拟人的主观评价，并且可以快速、批量进行视频服务质量评价。

Description

视频服务质量评价方法、装置、设备及存储介质

技术领域

本申请涉及数据分析技术领域，更具体地涉及一种视频服务质量评价方法、装置、计算机设备及计算机可读存储介质。

背景技术

视频传输过程中会受到网络环境的影响，造成视频质量的下降，影响用户的体验，因此视频质量评估方法的研究也受到了广泛关注。常见的一些客观质量评估方法(如MSE和PSNR等)，评估结果中人的真实感受一致性较低，因此评估结果不符合实际需求，并且无法快速、批量评价视频质量。

发明内容

鉴于以上内容，有必要提供一种视频服务质量评价方法、装置、计算机设备及计算机可读存储介质。

第一方面，本申请提供一种视频服务质量评价方法，包括：

获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干服务属性参数；

对所述视频服务数据进行预处理后，得到视频质量特征；

将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型；

获取待测视频的视频质量特征，并基于目标质量评价模型，得到所述待测视频的质量评价预测值。

在一些实施例中，所述视频服务数据至少包括首帧加载时间、卡顿率、服务成功率以及流畅度主观评价四种服务属性参数。

在一些实施例中，所述首帧加载时间为进入所述目标视频播放页后第一个视频帧的显示时刻与用户点击目标视频播放页链接时刻的时间差值；所述卡顿率为用户观看所述目标视频过程中的卡顿次数与所述目标视频被播放的次数的比值；所述服务成功率为流媒体节点或边缘节点服务成功吞吐的次数与总请求次数的比值；所述流畅度主观评价为用户对所述目标视频的流畅度重要性的主观评价结果。

在一些实施例中，所述对所述视频服务数据进行预处理后，得到视频质量特征，包括：

将所述首帧加载时间和预设的时间评价区间进行匹配，得到时间匹配结果，及将时间匹配结果取值为布尔值，以得到加载时间特征集；

将所述流畅度主观评价和预设的流程度评价区间进行匹配，得到流畅度匹配结果，及将所述流畅度匹配结果取值为布尔值，以得到流畅度特征集；

以所述加载时间特征集和流畅度特征集中的最大维度为目标维度，并根据所述卡顿率和服务成功率，分别建立卡顿特征集和服务特征集；

根据所述加载时间特征集、卡顿特征集、服务特征集和流畅度特征集，得到特征矩阵并作为视频质量特征。

在一些实施例中，所述初始质量评价模型采用深度学习模型，所述深度学习模型包括卷积层、池化层和全连接层。

在一些实施例中，所述将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型，包括：

将所述视频质量特征输入至所述初始质量评价模型进行训练，输出期望值，将所述期望值与所述主观质量评价值进行比较，确定预测误差，根据所述预测误差调整模型参数，及通过迭代训练，直至所述预测误差达到预设的误差范围，得到训练完备的目标质量评价模型。

在一些实施例中，在所述获取待测视频的视频质量特征之前，所述方法还包括：

获取待测视频的视频服务数据，对所述待测视频的视频服务数据进行预处理，得到视频质量特征。

第二方面，本申请提供一种视频服务质量评价装置，包括：

获取数据模块，用于获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干属性参数；

数据预处理模块，用于对所述视频服务数据进行预处理后，得到视频质量特征；

训练模型模块，用于将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型；

质量评价模块，用于获取待测视频的视频质量特征，并基于目标质量评价模型，得到待测视频的质量评价预测值。

第三方面，本申请提供一种计算机设备，包括：存储器，用于存储计算机程序；处理系统，用于执行所述存储器存储的所述计算机程序，当所述计算机程序被执行时，所述处理器用于执行如上述所述的视频服务质量评价方法。

第四方面，本申请的一种存储介质，所述存储介质包括计算机指令，当所述计算机指令在计算机设备上运行时，使得所述计算机设备执行如上述所述的视频服务质量评价方法。

本申请实施例通过获取多个用户观看目标视频时的视频服务数据以及主观质量评价值，该主观质量评价值作为标签值以便于后续模型训练；然后将每个用户对应目标视频的视频服务数据进行预处理，得到视频质量特征，然后基于视频质量特征和主观质量评价值进行模型训练，使得训练完成的目标质量评价模型能够智能化模拟人的主观来评价待测视频；进一步地，将待测视频的视频质量特征输入至目标质量评价模型，得到该待测视频的质量评价预测值，可以尽量模拟人的主观评价，并且可以快速、批量进行视频服务质量评价。

附图说明

图1是本申请一实施例中视频服务质量评价方法的流程示意图；

图2是本申请一实施例中视频服务质量评价方法步骤S102的流程示意图；

图3是本申请一实施例中视频服务质量评价装置的原理框图；

图4是本申请一实施例中计算机设备的原理框图。

具体实施方式

下面将结合本申请实现方式中的附图，对本申请实现方式中的技术方案进行清楚、完整地描述，显然，所描述的实现方式仅是本申请一部分实现方式，而不是全部的实现方式。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外，本申请提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

请参阅图1，本申请实施例提供一种视频服务质量评价方法，可以包括下述步骤：

S101、获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干服务属性参数。

需要说明的是，可以获取多个用户对目标视频的服务视频数据和主观质量评价值，以便于后续准备训练数据。

具体地，目标视频可以是需要进行测试的流媒体资源；主观质量评价值可以是用户对目标视频的主观评价分数；视频服务数据是指与目标视频的视频服务质量相关的服务属性参数。

可以将每个用户对应目标视频的服务视频数据建立成属性集合P＝{p1,p2,pi,…,pm}，其中pi代表第i种服务属性参数，m为正整数。

在一些实施例中，所述视频服务数据包括首帧加载时间p1、卡顿率p2、服务成功率p3以及流畅度主观评价p4四种服务属性参数，其中，所述首帧加载时间p1为进入所述目标视频播放页后第一个视频帧的显示时刻与用户点击目标视频播放页链接时刻的时间差值；所述卡顿率p2为用户观看所述目标视频过程中的卡顿次数与所述目标视频被播放的次数的比值；所述服务成功率p3为流媒体节点或边缘节点服务成功吞吐的次数与总请求次数的比值；所述流畅度主观评价p4为用户对所述目标视频的流畅度重要性的主观评价结果。

S102、对所述视频服务数据进行预处理后，得到视频质量特征。

在一些实施例中，请参阅图2，步骤S102可以包括下述步骤：

S201、将所述首帧加载时间和预设的时间评价区间进行匹配，得到时间匹配结果，及将时间匹配结果取值为布尔值，以得到加载时间特征集。

具体地，预设的时间评价区间包括区间一：无感知，0<＝p1<50；区间二：优秀，50<＝p1<200；区间三：良好，200<＝p1<1000；区间四：一般，1000<＝p1<2000；区间五：较差，2000<＝p1<5000；区间六：恶劣，5000<＝p1，每个区间分别表示用户对首帧加载快慢的感知结果与对应的首帧加载时间范围，从而体现用户的属性偏好和技术参数之间的对应关系。

比如，一用户对应的视频服务数据中首帧加载时间p1为500ms，与上述的时间评价区间进行匹配后，得到时间匹配结果为(False，False，True，False，False，False)，将该时间匹配结果取布尔值，即将False取值为0，True取值为1，得到加载时间特征集q1＝(0,0,1,0,0,0)。

S202、将所述流畅度主观评价和预设的流程度评价区间进行匹配，得到流畅度匹配结果，及将所述流畅度匹配结果取值为布尔值，以得到流畅度特征集。

需要说明的是，流畅度主观评价主要来自用户询问；预设的流畅度评价区间包括区间一：非常重要；区间二：重要性高；区间三：一般重要；区间四：重要性低；区间五：不重要，每个区间分别表示用户对流畅度这一属性的重视程度，从而体现用户的属性偏好。

比如，一用户对应的视频服务数据中流畅度主观评价为重要性高，与上述的流畅度评价区间进行匹配后，得到流畅度匹配结果为(False，True，False，False，False)，将该流畅度匹配结果取布尔值，即将False取值为0，True取值为1，得到流畅度特征集q4＝(0,1,0,0,0)。

S203、以所述加载时间特征集和流畅度特征集中的最大维度为目标维度，并根据所述卡顿率和服务成功率，分别建立卡顿特征集和服务特征集。

比如，一用户对应的视频服务数据中卡顿率为0.2,服务成功率为0.8，加载时间特征集和流畅度特征集中的最大维度为6，则分别建立卡顿特征集可以为q2＝(0.2，0.2，0.2，0.2，0.2，0.2)，服务特征集可以为q3＝(0.8，0.8，0.8，0.8，0.8，0.8)。

S204、根据所述加载时间特征集、卡顿特征集、服务特征集和流畅度特征集，得到特征矩阵并作为视频质量特征。

需要说明的是，以加载时间特征集、卡顿特征集、服务特征集和流畅度特征集中的最大维度p，建立pxp特征矩阵,将特征矩阵中的空白元素取值为0。

比如，针对q1＝(0,0,1,0,0,0)，q2＝(0.2，0.2，0.2，0.2，0.2，0.2)，q3＝(0.8，0.8，0.8，0.8，0.8，0.8)，q4＝(0,1,0,0,0)，得到6x6特征矩阵，该特征矩阵中空白元素取值为0。

S103、将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型。

在一些实施例中，所述初始质量评价模型采用深度学习模型，所述深度学习模型可以采用卷积神经网络，该卷积神经网络包括卷积层、池化层和全连接层；在其他实施例中深度学习模型还可以采用堆栈自编码网络、贝叶斯网络等，在此不多赘述。

需要说明的是，针对目标视频的样本数据包括视频质量特征和所述主观质量评价值，其中主观质量评价值作为标签。比如样本数据有2000份，其中1800份可以作为训练数据，剩余200份可以作为测试数据。

在一些实施例中，步骤S103可以包括：将所述视频质量特征输入至所述初始质量评价模型进行训练，输出期望值，将所述期望值与所述主观质量评价值进行比较，确定预测误差，根据所述预测误差调整模型参数，及通过迭代训练，直至所述预测误差达到预设的误差范围，得到训练完备的目标质量评价模型。

需要说明的是，将每个样本的视频质量特征即特征矩阵输入至深度学习模型中进行学习训练，输出期望值，将每次输出的期望值与主观质量评价值进行比较，确定预测误差，根据所述预测误差调整模型参数，及通过反向传播算法迭代训练，直至所述预测误差达到预设的误差范围，该预设的误差范围可以是1％～5％或1％～3％，然后得到训练完备的目标质量评价模型。进一步地，可以利用测试数据测试所述目标质量评价模型，以优化该目标质量评价模型。

S104、获取待测视频的视频质量特征，基于目标质量评价模型，得到待测视频的质量评价预测值。

具体地，在步骤S104中所述获取待测视频的视频质量特征之前，本实施例的视频服务质量评价装置还包括：获取待测视频的视频服务数据，对所述待测视频的视频服务数据进行预处理，得到视频质量特征，该预处理过程与上述步骤S102同理，本实施例在此不多赘述。

本申请实施例通过获取多个用户观看目标视频时的视频服务数据以及主观质量评价值，该主观质量评价值作为标签值以便于后续模型训练；然后将每个用户对应目标视频的视频服务数据进行预处理，得到视频质量特征，然后基于视频质量特征和主观质量评价值进行模型训练，使得训练完成的目标质量评价模型能够智能化模拟人的主观来评价待测视频；进一步地，将待测视频的视频质量特征输入至目标质量评价模型，得到该待测视频的质量评价预测值，可以尽量模拟人的主观评价，并且可以快速、批量进行视频服务质量评价。

本申请各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在实际工程中，可以将本申请各个实施例的技术方案及其功能封装成各种模块。

基于这种现实情况，在上述各实施例的基础上，本申请的实施例提供了一种视频服务质量评价装置，该系统用于执行上述方法实施例中的视频服务质量评价方法。请参阅图3，该视频服务质量评价装置包括：

获取数据模块301，用于获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干属性参数；

数据预处理模块302，用于对所述视频服务数据进行预处理后，得到视频质量特征；

训练模型模块303，用于将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型；

质量评价模块304，用于获取待测视频的视频质量特征，并基于目标质量评价模型，得到待测视频的质量评价预测值。

关于视频服务质量评价装置各个模块的具体限定可以参见上文中对于视频服务质量评价方法的限定，在此不再赘述。此外，需要说明的是，上述视频服务质量评价装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

参照图4，本实施例还提供了一种计算机设备，该计算机设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该计算机设备包括处理器401、存储器402及显示器403。图4示出了计算机设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

存储器402在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器402在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器402用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器402上存储有视频服务质量评价程序404。

处理器401在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器402中存储的程序代码或处理数据，例如执行视频服务质量评价方法等。

显示器403在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器403用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件401-403通过系统总线相互通信。

在一实施例中，当处理器401执行存储器402中视频服务质量评价程序404时实现以下步骤：

获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干服务属性参数；

对所述视频服务数据进行预处理后，得到视频质量特征；

将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型；

获取待测视频的视频质量特征，并基于目标质量评价模型，得到所述待测视频的质量评价预测值。

本实施例还提供了一种计算机可读存储介质，其上存储有视频服务质量评价程序，视频服务质量评价程序被处理器执行时实现以下步骤：

获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干服务属性参数；

对所述视频服务数据进行预处理后，得到视频质量特征；

将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型；

获取待测视频的视频质量特征，并基于目标质量评价模型，得到所述待测视频的质量评价预测值。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将本申请上述的实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。

Claims (10)

1.一种视频服务质量评价方法，其特征在于，包括：

获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干服务属性参数；

对所述视频服务数据进行预处理后，得到视频质量特征；

将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型；

获取待测视频的视频质量特征，并基于目标质量评价模型，得到所述待测视频的质量评价预测值。

2.根据权利要求1所述的视频服务质量评价方法，其特征在于，所述视频服务数据至少包括首帧加载时间、卡顿率、服务成功率以及流畅度主观评价四种服务属性参数。

3.根据权利要求2所述的视频服务质量评价方法，其特征在于，所述首帧加载时间为进入所述目标视频播放页后第一个视频帧的显示时刻与用户点击目标视频播放页链接时刻的时间差值；所述卡顿率为用户观看所述目标视频过程中的卡顿次数与所述目标视频被播放的次数的比值；所述服务成功率为流媒体节点或边缘节点服务成功吞吐的次数与总请求次数的比值；所述流畅度主观评价为用户对所述目标视频的流畅度重要性的主观评价结果。

4.根据权利要求2所述的视频服务质量评价方法，其特征在于，所述对所述视频服务数据进行预处理后，得到视频质量特征，包括：

将所述首帧加载时间和预设的时间评价区间进行匹配，得到时间匹配结果，及将时间匹配结果取值为布尔值，以得到加载时间特征集；

将所述流畅度主观评价和预设的流程度评价区间进行匹配，得到流畅度匹配结果，及将所述流畅度匹配结果取值为布尔值，以得到流畅度特征集；

以所述加载时间特征集和流畅度特征集中的最大维度为目标维度，并根据所述卡顿率和服务成功率，分别建立卡顿特征集和服务特征集；

根据所述加载时间特征集、卡顿特征集、服务特征集和流畅度特征集，得到特征矩阵并作为视频质量特征。

5.根据权利要求1所述的视频服务质量评价方法，其特征在于，所述初始质量评价模型采用深度学习模型，所述深度学习模型包括卷积层、池化层和全连接层。

6.根据权利要求2所述的视频服务质量评价方法，其特征在于，所述将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型，包括：

将所述视频质量特征输入至所述初始质量评价模型进行训练，输出期望值，将所述期望值与所述主观质量评价值进行比较，确定预测误差，根据所述预测误差调整模型参数，及通过迭代训练，直至所述预测误差达到预设的误差范围，得到训练完备的目标质量评价模型。

7.根据权利要求1所述的视频服务质量评价方法，其特征在于，在所述获取待测视频的视频质量特征之前，所述方法还包括：

获取待测视频的视频服务数据，对所述待测视频的视频服务数据进行预处理，得到视频质量特征。

8.一种视频服务质量评价装置，其特征在于，包括：

获取数据模块，用于获取用户观看目标视频时的视频服务数据和主观质量评价值，其中所述视频服务数据包括若干属性参数；

数据预处理模块，用于对所述视频服务数据进行预处理后，得到视频质量特征；

训练模型模块，用于将所述视频质量特征和所述主观质量评价值作为训练数据，及根据所述训练数据训练预设的初始质量评价模型，得到训练完备的目标质量评价模型；

质量评价模块，用于获取待测视频的视频质量特征，并基于目标质量评价模型，得到待测视频的质量评价预测值。

9.一种计算机设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理系统，用于执行所述存储器存储的所述计算机程序，当所述计算机程序被执行时，所述处理器用于执行如权利要求1-7任一项所述的视频服务质量评价方法。

10.一种存储介质，其特征在于，所述存储介质包括计算机指令，当所述计算机指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1-7任一项所述的视频服务质量评价方法。

Images