CN115134582A - 视频质量评估方法和装置 - Google Patents
视频质量评估方法和装置 Download PDFInfo
- Publication number
- CN115134582A CN115134582A CN202110316784.9A CN202110316784A CN115134582A CN 115134582 A CN115134582 A CN 115134582A CN 202110316784 A CN202110316784 A CN 202110316784A CN 115134582 A CN115134582 A CN 115134582A
- Authority
- CN
- China
- Prior art keywords
- video
- fragment
- ith
- state
- quality evaluation
- 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.)
- Pending
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000001303 quality assessment method Methods 0.000 claims abstract description 47
- 239000012634 fragment Substances 0.000 claims description 248
- 230000003139 buffering effect Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000012854 evaluation process Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请公开了一种视频质量评估方法和装置,该方法包括:获取第i个视频流;所述第i个视频流包括多个视频分片;利用视频质量评估模型Mi‑1对第i个视频流进行视频质量评估,得到第一质量评估结果;根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti、视频分片大小阈值Ci,并根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di;利用视频分片播放时长Ti、视频分片大小阈值Ci和目标缓存时长Di更新视频质量评估模型Mi‑1,得到视频质量评估模型Mi。采用本申请实施例中的方法对网络流量中的视频流进行质量评估时,通用性较好,抗干扰能力较强,准确度高。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种视频质量评估方法和装置。
背景技术
网络的普及、终端数量的增多以及业务的多样化使得网络流量激增,从而产生网络拥塞,增加转发时延,严重时还会产生丢包,导致业务质量下降甚至不可用。为了保障应用体验质量(Quality of Experience,QoE),实现网络的智能运维,应用质量可视是基础的环节,涉及到园区和广域网络的各个产品领域。
当前视频流量占据网络流量的一半以上,企业和运营商无法从服务提供商直接获取应用体验质量,因此从网络侧进行视频质量的评估是视频质量可视的关键一环,有助于企业和运营商实时监控视频服务体验质量,并且在发生视频体验类问题后快速进行故障定位定界,采取相应措施,保障相应的服务等级(Service Level Agreement,SLA)。
综上,为保证视频应用体验质量,方便网络管理人员进行更高效的业务差异化配置和资源调度,从网络侧进行视频质量评估是重要的研究方向。
然而,现有技术中在网络侧进行视频质量评估的方法通常只针对特定版本的视频应用,因而亟需一种通用性较好、且抗干扰能力较强的视频质量评估方法。
发明内容
本申请实施例提供了一种视频质量评估方法和装置,在对网络流量中中的视频流进行质量评估的同时会对视频质量评估模型进行更新,并识别视频干扰,因而本申请实施例通用性较好,抗干扰能力较强。
第一方面,本申请提供了一种视频质量评估方法,该方法包括:获取第i个视频流;所述第i个视频流包括多个视频分片,所述i为正整数;利用视频质量评估模型Mi-1对第i个视频流进行视频质量评估,得到第一质量评估结果;当i等于1时,质量评估模型Mi-1为初始质量评估模型;根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti、视频分片大小阈值Ci,并根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di;利用视频分片播放时长Ti、视频分片大小阈值Ci和目标缓存时长Di更新视频质量评估模型Mi-1,得到视频质量评估模型Mi;其中,每个视频分片的分片状态用于描述该视频分片的下载时长、该视频分片的播放时长,以及该视频分片与前一个相邻视频分片的间隔时长三者之间的关系;质量评估模型Mi用于对第i+1个视频流的质量进行评估。
应当理解,上述第i个视频流为终端设备中视频应用中正在播放的视频流,在该第i个视频流播放过程中,利用视频质量评估模型Mi-1对其质量进行评估;在该第i个视频流播放完毕后,根据该第i个视频流中包含的多个视频分片对视频质量评估模型Mi-1进行更新;在本申请实施例中,视频质量评估结果可以包括视频卡顿和码率等评价指标。
可以看出,在本申请实施例中,对于终端设备上的同一视频应用而言,在其版本发生更新或其它可能的情况下,同一视频应用上视频流的相关参数也可能相应发生变化。因而本申请实施例在第i个视频流播放完毕后,利用第i个视频流中的视频分片更新视频质量模型Mi-1,得到视频质量评估模型Mi;然后利用视频质量评估模型Mi来评估第i+1个视频流,从而可以在视频应用版本发生更新或者当前播放的视频流参数相对已播放的视频流参数发生变化的条件下,及时根据当前播放的视频流对视频质量评估模型进行更新,从而更加准确地对视频流的质量进行评估。
在一种可行的实施方式中,在获取第i个视频流之后,上述方法还包括:根据上述多个视频分片中每个视频分片与该视频分片的前一个视频分片的间隔时长、每个视频分片的下载时长和视频分片播放时长Ti-1确定每个视频分片的分片状态;其中,视频分片播放时长Ti-1与第i-1个视频流对应;当i等于1时,视频分片播放时长Ti-1为第一预设值。
可以看出,在本申请实施例中,通过根据每个视频分片与该视频分片的前一个视频分片的间隔时长、每个视频分片的下载时长和视频分片播放时长Ti-1确定每个视频分片的分片状态,从而以便于后续根据每个视频分片的分片状态确定每个视频流对应的参数,进而利用该对应的参数对视频质量评估模型进行更新。
在一种可行的实施方式中,上述分片状态包括正常播放状态或异常缓冲状态;上述根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,包括:获取多个视频分片中正常播放状态的视频分片在第i个视频流中的序号;根据正常播放状态的视频分片在第i个视频流中的序号、每个正常播放状态的视频分片与该视频分片相邻的前一个正常播放状态的视频分片的间隔时长,以及视频分片播放时长Ti-1确定视频分片播放时长Ti;根据多个视频分片中异常缓冲状态的视频分片的大小和视频分片大小阈值Ci-1确定视频分片大小阈值Ci;其中,视频分片大小阈值Ci-1与第i-1个视频流对应;当i等于1时,视频分片大小阈值Ci-1为第二预设值。
可以看出,在本申请实施例中,对于同一视频应用中前后播放的两个视频流,该两个视频流的相关参数通常比较类似,因而本申请实施例中在当前第i个视频流播放完毕后,可以根据视频流中不同分片状态的视频分片和上一个相邻的已播放视频流对应的视频分片播放时长Ti-1和视频分片大小阈值Ci-1确定该第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,从而确保得到较为准确的视频分片播放时长Ti和视频分片大小阈值Ci,进而使得后续利用该两个参数更新得到的视频质量评估模型更加准确。
在一种可行的实施方式中,上述分片状态包括正常缓冲状态;上述根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di,包括:根据多个视频分片中连续正常缓冲状态的视频分片数量和视频分片播放时长Ti确定目标缓存时长Di。
可以看出,在本申请实施例中,根据当前第i个视频流已确定出的视频分片播放时长Ti和第i个视频流中连续正常缓冲状态的视频分片数量确定第i个视频流对应的目标缓存时长Di,以便后续利用该目标缓存时长Di更新视频质量评估模型,从而实现对视频质量评估模型的持续优化,进而在利用视频质量评估模型对视频流进行评估时得到更加准确的评估结果。
在一种可行的实施方式中,上述方法还包括:根据每个视频分片的分片状态确定第i个视频流中存在的视频干扰;根据视频干扰和目标缓存时长Di-1对第一质量评估结果进行修正,得到第二质量评估结果;其中,目标缓存时长Di-1与第i-1个视频流对应,当i=1时,目标缓存时长Di-1为第三预设值。
应理解,上述视频干扰可以包括人为产生的视频跳进、码率切换和暂停等。
可以看出,在本申请实施例中,通过识别出的视频干扰对第一质量评估结果进行修正,得到第二质量评估结果,可以排出人为因素对视频质量评估过程的影响,鲁棒性好,从而使得上述第二质量评估结果更加准确。
在一种可行的实施方式中,上述方法还包括:获取网络性能参数;根据网络性能参数对第一质量评估结果进行修正,得到第三质量评估结果。
应理解,上述网络性能参数可以包括上行速率和下行速率等。
可以看出,在本申请实施例中,通过对网络质量进行检测,并使用检测到的网络性能参数对第一质量评估结果进行修正,可以排出第一质量评估结果中的部分误差,鲁棒性好,从而使得上述第三质量评估结果更加准确。
在一种可行的实施方式中,上述方法还包括:获取网络性能参数;根据网络性能参数对第二质量评估结果进行修正,得到第四质量评估结果。
可以看出,在本申请实施例中,还可以利用网络性能参数对上述第二质量评估结果进行修正,即同时利用视频干扰和网络性能参数对模型评估的第一质量评估结果进行修正,从而最大程度地排出干扰,提升鲁棒性,从而提升视频质量评估结果的准确性。
在一种可行的实施方式中,上述获取第i个视频流,包括:根据视频分片大小阈值Ci-1获取第i个视频流,第i个视频流中的每个视频分片的大小大于或等于视频分片大小阈值Ci-1。
可以看出,在本申请实施例中,通过视频分片大小阈值Ci-1从网络流量中识别出多个视频分片,组成第i个视频流,以便后续根据识别出的多个视频分片确定第i个视频流对应的参数,并利用相关参数更新视频质量评估模型Mi-1,进而利用更新后的模型对后续的视频流进行视频质量评估。
第二方面,本申请公开了一种视频质量评估装置,该装置包括:获取单元,用于获取第i个视频流;第i个视频流包括多个视频分片,i为正整数;评估单元,用于利用视频质量评估模型Mi-1对第i个视频流进行视频质量评估,得到第一质量评估结果;当i等于1时,质量评估模型Mi-1为初始质量评估模型;计算单元,用于根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,并根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di;其中,每个视频分片的分片状态用于描述该视频分片的下载时长、该视频分片的播放时长,以及该视频分片与前一个相邻视频分片的间隔时长三者之间的关系;更新单元,用于根据视频分片播放时长Ti、视频分片大小阈值Ci和目标缓存时长Di更新视频质量评估模型Mi-1,得到视频质量评估模型Mi;其中,质量评估模型Mi用于对第i+1个视频流的质量进行评估。
在一种可行的实施方式中,上述计算单元还用于:在获取单元获取第i个视频流之后,根据多个视频分片中每个视频分片与该视频分片的前一个视频分片的间隔时长、每个视频分片的下载时长和视频分片播放时长Ti-1确定每个视频分片的分片状态;其中,视频分片播放时长Ti-1与第i-1个视频流对应;当i等于1时,视频分片播放时长Ti-1为第一预设值。
在一种可行的实施方式中,上述分片状态包括正常播放状态或异常缓冲状态;在根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci的方面,计算单元具体用于:获取多个视频分片中正常播放状态的视频分片在第i个视频流中的序号;根据正常播放状态的视频分片在第i个视频流中的序号、每个正常播放状态的视频分片与该视频分片相邻的前一个正常播放状态的视频分片的间隔时长,以及视频分片播放时长Ti-1确定视频分片播放时长Ti;根据多个视频分片中异常缓冲状态的视频分片的大小和视频分片大小阈值Ci-1确定视频分片大小阈值Ci;其中,视频分片大小阈值Ci-1与第i-1个视频流对应;当i等于1时,视频分片大小阈值Ci-1为第二预设值。
在一种可行的实施方式中,上述分片状态包括正常缓冲状态;在根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di的方面,计算单元具体用于:根据多个视频分片中连续正常缓冲状态的视频分片数量和视频分片播放时长Ti确定目标缓存时长Di。
在一种可行的实施方式中,上述计算单元还用于:根据每个视频分片的分片状态确定第i个视频流中存在的视频干扰;根据视频干扰和目标缓存时长Di-1对第一质量评估结果进行修正,得到第二质量评估结果;其中,目标缓存时长Di-1与第i-1个视频流对应,当i=1时,目标缓存时长Di-1为第三预设值。
在一种可行的实施方式中,上述计算单元还用于:获取网络性能参数;根据网络性能参数对第一质量评估结果进行修正,得到第三质量评估结果。
在一种可行的实施方式中,上述计算单元还用于:获取网络性能参数;根据网络性能参数对第二质量评估结果进行修正,得到第四质量评估结果。
在一种可行的实施方式中,上述获取单元具体用于:根据视频分片大小阈值Ci-1获取第i个视频流,第i个视频流中的每个视频分片的大小大于或等于视频分片大小阈值Ci-1。
第三方面,本申请公开了一种计算机可读存储介质,该计算机可读存储介质存储用于设备执行的程序代码,该程序代码包括用于执行如上述第一方面中任一项所述的方法。
第四方面,本申请公开了一种电子设备,该电子设备包括处理器和存储器,其中,存储器,用于存储计算机程序指令;处理器,用于调用所述计算机程序指令,以执行上述第一方面中任一项所述的方法。
附图说明
以下对本申请实施例中的附图进行介绍。
图1是本申请实施例中一种视频质量评估方法的评估过程示意图;
图2是本申请实施例中另一种视频质量评估方法的评估过程示意图;
图3是本申请实施例中又一种视频质量评估方法的评估过程示意图;
图4是本申请实施例中一种视频质量评估方法的流程示意图;
图5是本申请实施例中一种对质量评估结果进行修正的过程示意图;
图6是本申请实施例中一种视频质量评估装置结构示意图;
图7是本申请实施例中一种视频质量评估装置的硬件结构示意图。
具体实施方式
下面结合本申请实施例中的附图对本申请实施例进行描述。
请参见图1,图1位本申请实施例中一种视频质量评估方法100的评估过程示意图,该视频质量评估方法为基于人工智能(Artificial intelligence,AI)的评估方法。如图1所示,方法100包括三个阶段:训练阶段110、测试阶段120和评价阶段130。
视频质量评估方法100的具体过程如下:首先采集大量的视频流量数据,对采集的视频流量数据进行人工标注,将标注后的数据分为训练集和测试集。在训练阶段110中,对训练集中的每个视频流进行特征提取,如提取每个视频流的时间戳、包长、包间隔、标志位、时间窗口等流量统计特征,得到每个视频流的提取特征与标记值之间的对应关系;然后利用训练集数据训练初始视频质量评估模型,得到训练后的视频量评估模型;该初始视频质量评估模型可以是决策树或神经网络等模型,本申请不作限定。在测试阶段120中,首先同样对测试集中的每个视频流数据进行特征提取;然后将每个视频流的特征输入上述更新后的视频质量评估模型,得到评估结果;根据每个视频流的评估结果和该视频流的标记值之间的差异,确定上述更新后视频质量评估模型的进行质量评估的准确性,通常用泛化误差等来表征。在评价阶段130中,将待评价的视频流输入上述更新后的视频质量评估模型,得到待评价视频流的质量评估结果。
上述视频质量评估方法100为基于AI的视频质量评估方法,需要采集大量的未标记数据进行人工标注,实施难度大;此外,模型需要定期更新,重新采集数据,工作量较高。
请参见图2,图2为本申请实施例另一种视频质量评估方法200的评估过程示意图。视频质量评估方法200为基于会话的视频质量评估方法。方法200的评估过程如下:设置固定的视频分片大小阈值和视频分片播放时长,利用上述设定两个参数从待评估视频流中识别出视频分片;然后根据视频分片重构视频会话过程,并通过视频播放机制计算视频卡顿、码率等评价指标,输出评价结果。
上述视频质量评估方法200依赖预先设置的固定参数,因而当应用更新迭代后可能导致应用中的视频流的参数发生变化,导致模型失效;此外,方法200不能识别出视频中的跳进和暂停等干扰,因而其鲁棒性较差。
请参见图3,图3为本申请实施例中又一种视频质量评估方法300的评估过程示意图,方法300为一种自适应、抗干扰的视频质量评估方法。
如图3所示,方法300的评估过程如下:在第i个视频流播放过程中,首先采用视频质量评估模型Mi-1对该第i个视频流进行质量评估,得到第i个视频流的第一质量评估结果;此外,在第i个视频流播放过程中同步对视频流中的干扰进行识别,并获取第i个视频流播放过程中的网络性能参数;然后利用网络性能参数和识别出的视频干扰对第一质量评估结果进行修正,得到第四质量评估结果;最后,在第i个视频流播放完毕后,计算第i个视频流对应的参数,并利用该参数对视频质量评估模型Mi-1进行更新;其中,第i个视频流对应的参数包括视频分片播放时长Ti和视频分片大小阈值Ci和目标缓存时长Di。后续将结合图4详细描述方法300的具体评估流程。
请参加图4,图4是本申请实施例提供的一种视频质量评估方法300的流程示意图。如图4所示,方法300包括:步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410:获取第i个视频流;该第i个视频流包括多个视频分片,i为正整数。
其中,上述第i个视频流可以是终端设备当前正在播放的视频流,该第i个视频流中包括多个视频分片;可选地,该多个视频分片中的每个视频分片的播放时长相同。
步骤S420:利用视频质量评估模型Mi-1对第i个视频流进行视频质量评估,得到第一质量评估结果;当i等于1时,质量评估模型Mi-1为初始质量评估模型。
具体地,利用视频质量评估模型Mi-1对第i个视频流播放过程中的卡顿场景和码率参数进行确定,得到第一质量评估结果;其中,卡顿情况包括卡顿次数和每次卡顿的卡顿时长,码率参数包括每个视频分片的码率和第i个视频流的平均码率;每个视频分片的码率等于每个视频分片的大小(如150K)除以每个视频分片对应的播放时长,第i个视频流对应的平均码率等于每个视频分片的码率的平均值。
可选地,上述视频质量评估模型可以是启发式的数学模型,本申请对视频质量评估模型的具体细节不做限定。本领域技术人员也可采用其它模型来达到与本申请中视频质量评估模型相同的功能,本申请对此不限定。
步骤S430:根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,并根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di;其中,每个视频分片的分片状态用于描述该视频分片的下载时长、该视频分片的播放时长,以及该视频分片与前一个相邻视频分片的间隔时长三者之间的关系。
在一种可行的实施方式中,在获取第i个视频流之后,上述方法还包括:根据多个视频分片中每个视频分片与该视频分片的前一个视频分片的间隔时长、每个视频分片的下载时长和视频分片播放时长Ti-1确定每个视频分片的分片状态;其中,视频分片播放时长Ti-1与第i-1个视频流对应;当i等于1时,视频分片播放时长Ti-1为第一预设值。
其中,视频分片的分片状态包括四种:正常播放状态、异常缓冲状态、正常缓冲状态和暂停状态。每个视频分片的分片状态为上述四种中的一种。上述第一预设值可以根据具体应用场景进行设定,例如可以为10秒。视频分片播放时长Ti-1是在第i-1个视频流播放结束后,根据第i-1个视频流中包含的视频分片计算得到的。
可选地,第i个视频流中每个视频分片的分片状态的确定规则可以是:在当前视频分片与前一个相邻的视频分片的间隔时长大于预设间隔,且当前视频分片的下载时长小于视频分片播放时长Ti-1时,当前视频分片的分片状态为正常播放状态;在当前视频分片与前一个相邻的视频分片的间隔时长小于预设间隔,且当前视频分片的下载时长大于视频分片播放时长Ti-1时,当前视频分片的分片状态为异常缓冲状态;在当前视频分片与前一个相邻的视频分片的间隔时长小于预设间隔,且当前视频分片的下载时长小于视频分片播放时长Ti-1时,当前视频分片的分片状态为正常缓冲状态;在当前视频分片与前一个相邻的视频分片的间隔时长大于预设间隔,且当前视频分片的下载时长小于视频分片播放时长Ti-1时,当前视频分片的分片状态为暂停状态。其中,预设间隔可以根据实际应用场景确定,例如,预设间隔可以设置为2秒,本申请对此不作限定。
可以看出,在本申请实施例中,通过根据每个视频分片与该视频分片的前一个视频分片的间隔时长、每个视频分片的下载时长和视频分片播放时长Ti-1确定每个视频分片的分片状态,从而以便于后续根据每个视频分片的分片状态确定每个视频流对应的参数,进而利用该对应的参数对视频质量评估模型进行更新。
在一种可行的实施方式中,上述分片状态包括正常播放状态或异常缓冲状态;上述根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,包括:获取多个视频分片中正常播放状态的视频分片在第i个视频流中的序号;根据正常播放状态的视频分片在第i个视频流中的序号、每个正常播放状态的视频分片与该视频分片相邻的前一个正常播放状态的视频分片的间隔时长,以及视频分片播放时长Ti-1确定视频分片播放时长Ti;根据多个视频分片中异常缓冲状态的视频分片的大小和视频分片大小阈值Ci-1确定视频分片大小阈值Ci;其中,视频分片大小阈值Ci-1与第i-1个视频流对应;当i等于1时,视频分片大小阈值Ci-1为第二预设值。
具体地,上述视频分片播放时长Ti的确定过程如下:根据第i个视频流中的每个视频分片的播放顺序记录正常播放状态的视频分片在第i个视频流中的序号,将每个正常播放状态的视频分片的序号组成第一集合;其中,先播放的正常播放状态的视频分片的序号小,后播放的正常播放状态的视频分片的序号大。对第一集合中每两个相邻的元素进行相减,然后取绝对值,将计算结果组成第二集合。记录每个正常播放状态的视频分片与前一个相邻的正常播放状态的视频分片的时间间隔,将得到的时间间隔组成第三集合;对第三集合中的元素按从大到小或从小到大的顺序进行排序,得到第四集合;选取第四集合中第A个元素和第B个元素之间的元素求取平均值,得到平均时间间隔;其中,A和B为正整数,A小于或等于B。利用平均时间间隔除以第二集合中元素的中位数,得到参考视频分片播放时长Ta;利用公式(1)计算得到视频分片播放时长Ti。
Ti=X*Ti-1+Y*Ta(1)
其中,X和Y分别为第一权重和第二权重,X和Y为大于0且小于1的实数。
举例来说,上述第一集合包含的元素可以是{1,4,8,12,16,21},表示第i个视频流中正常播放状态的视频分片在第i个视频流中的顺序分别为:1、4、8、12、16和21;对第一集合中的每两个相邻元素进行相减,并取绝对值,将得到的计算结果组成第二集合{3,4,4,4,5},第二集合中元素的中位数为4。假设第四集合中的元素为{5,7,9,15,28},第四集合中的元素可以表示上述第一集合中所示出的五个视频分片中每两个相邻视频分片之间的时间间隔;然后对第四集合中的第二个元素和第四个元素之间的元素求取平均值,得到的平均时间间隔为10.3,利用平均时间间隔10.3除以第二集合中元素的中位数4,得到平参考视频分片播放时长Ta=2.575;其中,此时的A和B分别为2和4;假设此时X和Y分别为0.1和0.9,视频分片播放时长Ti-1为2秒,根据公式(1)计算得到第i个视频流的视频分片播放时长为2.5175秒。
具体的,上述视频分片大小阈值Ci的确定过程如下:记录每个正常播放状态的视频分片的大小,对每个视频分片的大小按照从小到大或从大到小的顺序进行排列,组成第五集合;选取第五集合中的第E个元素和第F个元素之间的元素取平均值,得到平均分片大小Ca;其中E和F为正整数,且E小于或等于F。利用公式(2)计算得到视频分片大小阈值Ci。
Ci=P*Ci-1+Q*Ca(2)
其中,P和Q分别为第三权重和第四权重,P和Q为大于或等于0且小于或等于1的实数。上述第二预设值C0可以根据具体应用场景进行设定,例如可以为100KB。视频分片大小阈值Ci-1是在第i-1个视频流播放结束后,根据第i-1个视频流中包含的视频分片计算得到的,具体过程可以参照上述视频分片大小阈值Ci的计算过程,此处不再赘述。
应当理解,选取第三集合中第A个元素和第B个元素之间的元素求取平均时间间隔可以排除较小和较大时间间隔对计算结果带来的影响,从而确保后续计算得到的平均时间间隔和视频分片播放时长Ti更加准确;同时,选取第五集合中的第E个元素和第F个元素之间的元素取平均分片大小可以排除较小和较大的分片大小对计算结果带来的影响;从而确保计算得到的平均分片大小和视频分片大小阈值Ci更加准确;通过上述计算方式可以使得利用视频分片播放时长Ti和视频分片大小阈值Ci更新得到的视频质量评估模型Mi更加准确,进而利用视频质量评估模型Mi评估第i+1个视频流时得到更加准确的评估结果。
在一种可行的实施方式中,上述分片状态包括正常缓冲状态;上述根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di,包括:根据多个视频分片中连续正常缓冲状态的视频分片数量和视频分片播放时长Ti确定目标缓存时长Di。
具体地,获取第i个视频流中包含的N段连续正常缓冲状态视频流,并记录每段连续正常缓冲状态视频流包含的视频分片数量,即该N段视频流对应N个视频分片数量;其中,每段连续正常缓冲状态视频流中包含至少一个视频分片,且该至少一个视频分片中每个视频分片的分片状态都为正常缓冲状态。选取N个视频分片数量中的最大值,利用该最大值乘以视频分片播放时长Ti,得到目标缓存时长Di;该目标缓存时长Di用于表征第i个视频流播放过程中的最大缓存。
可以看出,在本申请实施例中,根据当前第i个视频流已确定出的视频分片播放时长Ti和第i个视频流中连续正常缓冲状态的视频分片数量确定第i个视频流对应的目标缓存时长Di,以便后续利用该目标缓存时长Di更新视频质量评估模型,从而实现对视频质量评估模型的持续优化,进而在利用视频质量评估模型对视频流进行评估时得到更加准确的评估结果。
步骤S440:利用视频分片播放时长Ti、视频分片大小阈值Ci和目标缓存时长Di更新视频质量评估模型Mi-1,得到视频质量评估模型Mi;其中,质量评估模型Mi用于对第i+1个视频流的质量进行评估。
具体地,在第i个视频流播放完毕后,利用上述第i个视频流计算得到的视频分片播放时长Ti、视频分片大小阈值Ci和目标缓存时长Di替换视频质量评估模型Mi-1中的对应参数,得到视频质量评估模型Mi。视频质量评估模型Mi用于对后续的第i+1个视频流进行视频质量评估。
可以看出,在本申请实施例中,对于终端设备上的同一视频应用而言,在其版本发生更新或其它可能的情况下,同一视频应用上视频流的相关参数也可能相应发生变化。因而本申请实施例在第i个视频流播放完毕后,利用第i个视频流中的视频分片更新视频质量模型Mi-1,得到视频质量评估模型Mi;然后利用视频质量评估模型Mi来评估第i+1个视频流,从而可以在视频应用版本发生更新或者当前播放的视频流参数相对已播放的视频流参数发生变化的条件下,及时根据当前播放的视频流对视频质量评估模型进行更新,从而更加准确地对视频流的质量进行评估。
在一种可行的实施方式中,上述方法还包括:根据每个视频分片的分片状态确定第i个视频流中存在的视频干扰;根据视频干扰和目标缓存时长Di-1对第一质量评估结果进行修正,得到第二质量评估结果;其中,目标缓存时长Di-1与第i-1个视频流对应,当i=1时,目标缓存时长Di-1为第三预设值。
具体地,请参见图5,图5是本申请实施例中一种对质量评估结果进行修正的过程示意图。如图5所示,首先根据第i个视频流中每个视频分片的分片状态确定第i个视频流中存在的视频干扰,具体地:在当前视频分片的分片状态为正常播放状态,下一个相邻的视频分片的分片状态为正常缓冲状态时,可判定为视频在播放过程中发生了跳进或者码率切换;在当前视频分片的分片状态为正常播放状态,下一个相邻的视频分片的分片状态为暂停状态时,可判定为视频在播放过程中发生了暂停。然后,将上述识别出的视频干扰发送到视频质量评估模型Mi-1,以对第一质量评估结果进行修正,具体地:当视频分片从正常播放状态转移到暂停状态时,视频质量评估模型Mi-1会引起计算的缓存偏小,从而将视频干扰误判为卡顿;此时,将视频干扰输入到视频质量评估模型Mi-1可以将该种状态转移下的缓存修改为保持不变,从而比较修改后的缓存和目标缓存时长Di-1的大小,以将第一质量评估结果中误判为卡顿的结果修正为无卡顿。此外,当视频分片从正常播放状态转移到正常缓冲状态时,会引起计算的缓存偏大,从而导致模型会遗漏很多卡顿,此时将计算的缓存修改为保持不变,并比较修正后的缓存和目标缓存时长Di-1的大小,以重新评估该种状态转移下的卡顿情况。本申请实施例通过识别出上述两种视频干扰,并将视频干扰输入到视频质量评估模型Mi-1修正对应计算的缓存大小,并将修正后的缓存和目标缓存时长Di-1的大小,以重新评估第i个视频流的卡顿情况,从而对第一质量评估结果进行修正,得到第二质量评估结果。
可以看出,在本申请实施例中,通过识别出的视频干扰对第一质量评估结果进行修正,得到第二质量评估结果,可以排出人为因素对视频质量评估过程的影响,鲁棒性好,从而使得上述第二质量评估结果更加准确。
在一种可行的实施方式中,上述方法还包括:获取网络性能参数;根据网络性能参数对第一质量评估结果进行修正,得到第三质量评估结果。
具体地,上述网络性能参数包括上行速率和下行速率等。当某一时间段内,网络下行速率大于或等于第i个视频流中相应时间段内视频分片的分片码率的H倍,且该时间段内包含的视频分片在第一质量评估结果中对应的评估结果为卡顿时,将卡顿修正为无卡顿,得到第三质量评估结果;其中,H为大于1的实数。
可以看出,在本申请实施例中,通过对网络质量进行检测,并使用检测到的网络性能参数对第一质量评估结果进行修正,可以排出第一质量评估结果中的部分误差,鲁棒性好,从而使得上述第三质量评估结果更加准确。
在一种可行的实施方式中,上述方法还包括:获取网络性能参数;根据网络性能参数对第二质量评估结果进行修正,得到第四质量评估结果。
具体地,利用获取的网络性能参数对已进行视频干扰修正的第二质量评估结果进行修正,得到第四质量评估结果,具体过程参见上述实施例,此处不再赘述。
可以看出,在本申请实施例中,还可以利用网络性能参数对上述第二质量评估结果进行修正,即同时利用视频干扰和网络性能参数对模型评估的第一质量评估结果进行修正,从而最大程度地排出干扰,提升鲁棒性,从而提升视频质量评估结果的准确性。
在一种可行的实施方式中,上述获取第i个视频流,包括:根据视频分片大小阈值Ci-1获取第i个视频流,第i个视频流中的每个视频分片的大小大于或等于视频分片大小阈值Ci-1。
具体地,在获取第i个视频流的过程中,将网络视频流量中分片大小大于或等于视频分片大小阈值Ci-1的分片确定为视频分片;然后根据所获取的视频分片进行上述实施例中的对应操作,此处不再赘述。
可以看出,在本申请实施例中,通过视频分片大小阈值Ci-1从网络流量中识别出多个视频分片,组成第i个视频流,以便后续根据识别出的多个视频分片确定第i个视频流对应的参数,并利用相关参数更新视频质量评估模型Mi-1,进而利用更新后的模型对后续的视频流进行视频质量评估。
请参见图6,图6是本申请实施例中一种视频质量评估装置结构示意图。如图6所示,视频质量评估装置600包括:获取单元610、评估单元620、计算单元630和更新单元640。
获取单元610,用于获取第i个视频流;第i个视频流包括多个视频分片,i为正整数;
评估单元620,用于利用视频质量评估模型Mi-1对第i个视频流进行视频质量评估,得到第一质量评估结果;当i等于1时,质量评估模型Mi-1为初始质量评估模型;
计算单元630,用于根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,并根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di;其中,每个视频分片的分片状态用于描述该视频分片的下载时长、该视频分片的播放时长,以及该视频分片与前一个相邻视频分片的间隔时长三者之间的关系;
更新单元640,用于根据视频分片播放时长Ti、视频分片大小阈值Ci和目标缓存时长Di更新视频质量评估模型Mi-1,得到视频质量评估模型Mi;其中,质量评估模型Mi用于对第i+1个视频流的质量进行评估。
在一种可行的实施方式中,计算单元630还用于:在获取单元获取第i个视频流之后,根据多个视频分片中每个视频分片与该视频分片的前一个视频分片的间隔时长、每个视频分片的下载时长和视频分片播放时长Ti-1确定每个视频分片的分片状态;其中,视频分片播放时长Ti-1与第i-1个视频流对应;当i等于1时,视频分片播放时长Ti-1为第一预设值。
在一种可行的实施方式中,上述分片状态包括正常播放状态或异常缓冲状态;在根据多个视频分片中每个视频分片的分片状态确定第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci的方面,计算单元630具体用于:获取多个视频分片中正常播放状态的视频分片在第i个视频流中的序号;根据正常播放状态的视频分片在第i个视频流中的序号、每个正常播放状态的视频分片与该视频分片相邻的前一个正常播放状态的视频分片的间隔时长,以及视频分片播放时长Ti-1确定视频分片播放时长Ti;根据多个视频分片中异常缓冲状态的视频分片的大小和视频分片大小阈值Ci-1确定视频分片大小阈值Ci;其中,视频分片大小阈值Ci-1与第i-1个视频流对应;当i等于1时,视频分片大小阈值Ci-1为第二预设值。
在一种可行的实施方式中,上述分片状态包括正常缓冲状态;在根据视频分片播放时长Ti确定第i个视频流对应的目标缓存时长Di的方面,计算单元630具体用于:根据多个视频分片中连续正常缓冲状态的视频分片数量和视频分片播放时长Ti确定目标缓存时长Di。
在一种可行的实施方式中,上述计算单元630还用于:根据每个视频分片的分片状态确定第i个视频流中存在的视频干扰;根据视频干扰对第一质量评估结果进行修正,得到第二质量评估结果;其中,目标缓存时长Di-1与第i-1个视频流对应,当i=1时,目标缓存时长Di-1为第三预设值。
在一种可行的实施方式中,上述计算单元630还用于:获取网络性能参数;根据网络性能参数对第一质量评估结果进行修正,得到第三质量评估结果。
在一种可行的实施方式中,上述计算单元630还用于:获取网络性能参数;根据网络性能参数对第二质量评估结果进行修正,得到第四质量评估结果。
在一种可行的实施方式中,上述获取单元610具体用于:根据视频分片大小阈值Ci-1获取第i个视频流,第i个视频流中的每个视频分片的大小大于或等于视频分片大小阈值Ci-1。
请参见图7,本申请实施例中一种视频质量评估装置700的硬件结构示意图。图7所示的视频质量评估装置700(该装置700具体可以是一种计算机设备)包括存储器701、处理器702、通信接口703以及总线704。其中,存储器701、处理器702、通信接口703通过总线704实现彼此之间的通信连接。
存储器701可以是只读存储器(read only memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(random access memory,RAM)。存储器701可以存储程序,当存储器701中存储的程序被处理器702执行时,处理器702用于执行本申请实施例的视频质量评估方法的各个步骤。
处理器702可以采用通用的中央处理器(central processing unit,CPU),微处理器,应用专用集成电路(application specific integrated circuit,ASIC),图形处理器(graphics processing unit,GPU)或者一个或多个集成电路,用于执行相关程序,以实现本申请实施例的视频质量评估装置中的单元所需执行的功能,或者执行本申请方法实施例的视频质量评估方法。
处理器702还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请的图像处理方法的各个步骤可以通过处理器702中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器702还可以是通用处理器、数字信号处理器(digital signalprocessing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gatearray,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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701,处理器702读取存储器701中的信息,结合其硬件完成本申请实施例的视频质量评估装置中包括的单元所需执行的功能,或者执行本申请方法实施例的视频质量评估方法。
通信接口703使用例如但不限于收发器一类的收发装置,来实现装置700与其他设备或通信网络之间的通信。例如,可以通过通信接口703接收视频流量(即本申请实施例中所描述的视频流)。
总线704可包括在装置700各个部件(例如,存储器701、处理器702、通信接口703)之间传送信息的通路。
应注意,尽管图7所示的装置700仅仅示出了存储器、处理器、通信接口,但是在具体实现过程中,本领域的技术人员应当理解,装置700还包括实现正常运行所必须的其他器件。同时,根据具体需要,本领域的技术人员应当理解,装置700还可包括实现其他附加功能的硬件器件。此外,本领域的技术人员应当理解,装置700也可仅仅包括实现本申请实施例所必须的器件,而不必包括图7中所示的全部器件。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (18)
1.一种视频质量评估的方法,其特征在于,所述方法包括:
获取第i个视频流;所述第i个视频流包括多个视频分片,所述i为正整数;
利用视频质量评估模型Mi-1对所述第i个视频流进行视频质量评估,得到第一质量评估结果;当i等于1时,所述质量评估模型Mi-1为初始质量评估模型;
根据所述多个视频分片中每个视频分片的分片状态确定所述第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,并根据所述视频分片播放时长Ti确定所述第i个视频流对应的目标缓存时长Di;其中,所述每个视频分片的分片状态用于描述该视频分片的下载时长、该视频分片的播放时长,以及该视频分片与前一个相邻视频分片的间隔时长三者之间的关系;
利用所述视频分片播放时长Ti、所述视频分片大小阈值Ci和所述目标缓存时长Di更新所述视频质量评估模型Mi-1,得到视频质量评估模型Mi;其中,所述质量评估模型Mi用于对第i+1个视频流的质量进行评估。
2.根据权利要求1所述的方法,其特征在于,在所述获取第i个视频流之后,所述方法还包括:
根据所述多个视频分片中每个视频分片与该视频分片的前一个视频分片的间隔时长、所述每个视频分片的下载时长和视频分片播放时长Ti-1确定所述每个视频分片的分片状态;
其中,所述视频分片播放时长Ti-1与第i-1个视频流对应;当i等于1时,所述视频分片播放时长Ti-1为第一预设值。
3.根据权利要求2所述的方法,其特征在于,所述分片状态包括正常播放状态或异常缓冲状态;所述根据所述多个视频分片中每个视频分片的分片状态确定所述第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,包括:
获取所述多个视频分片中正常播放状态的视频分片在所述第i个视频流中的序号;
根据所述正常播放状态的视频分片在所述第i个视频流中的序号、每个正常播放状态的视频分片与该视频分片相邻的前一个正常播放状态的视频分片的间隔时长,以及所述视频分片播放时长Ti-1确定所述视频分片播放时长Ti;
根据所述多个视频分片中异常缓冲状态的视频分片的大小和视频分片大小阈值Ci-1确定所述视频分片大小阈值Ci;其中,所述视频分片大小阈值Ci-1与所述第i-1个视频流对应;当i等于1时,所述视频分片大小阈值Ci-1为第二预设值。
4.根据权利要求3所述的方法,其特征在于,所述分片状态包括正常缓冲状态;所述根据所述视频分片播放时长Ti确定所述第i个视频流对应的目标缓存时长Di,包括:
根据所述多个视频分片中连续正常缓冲状态的视频分片数量和所述视频分片播放时长Ti确定所述目标缓存时长Di。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
根据所述每个视频分片的分片状态确定所述第i个视频流中存在的视频干扰;
根据所述视频干扰和目标缓存时长Di-1对所述第一质量评估结果进行修正,得到第二质量评估结果;其中,所述目标缓存时长Di-1与所述第i-1个视频流对应,当i=1时,所述目标缓存时长Di-1为第三预设值。
6.根据权利要求1至4中任一项所述的方法,其特征在于,所述方法还包括:
获取网络性能参数;
根据所述网络性能参数对所述第一质量评估结果进行修正,得到第三质量评估结果。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
获取网络性能参数;
根据所述网络性能参数对所述第二质量评估结果进行修正,得到第四质量评估结果。
8.根据权利要求1至7中任一项所述的方法,其特征在于,所述获取第i个视频流,包括:
根据视频分片大小阈值Ci-1获取所述第i个视频流,所述第i个视频流中的每个视频分片的大小大于或等于所述视频分片大小阈值Ci-1。
9.一种视频质量评估装置,其特征在于,所述装置包括:
获取单元,用于获取第i个视频流;所述第i个视频流包括多个视频分片,所述i为正整数;
评估单元,用于利用视频质量评估模型Mi-1对所述第i个视频流进行视频质量评估,得到第一质量评估结果;当i等于1时,所述质量评估模型Mi-1为初始质量评估模型;
计算单元,用于根据所述多个视频分片中每个视频分片的分片状态确定所述第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci,并根据所述视频分片播放时长Ti确定所述第i个视频流对应的目标缓存时长Di;其中,所述每个视频分片的分片状态用于描述该视频分片的下载时长、该视频分片的播放时长,以及该视频分片与前一个相邻视频分片的间隔时长三者之间的关系;
更新单元,用于根据所述视频分片播放时长Ti、所述视频分片大小阈值Ci和所述目标缓存时长Di更新所述视频质量评估模型Mi-1,得到视频质量评估模型Mi;其中,所述质量评估模型Mi用于对第i+1个视频流的质量进行评估。
10.根据权利要求9所述的装置,其特征在于,所述计算单元还用于:
在所述获取单元获取所述第i个视频流之后,根据所述多个视频分片中每个视频分片与该视频分片的前一个视频分片的间隔时长、所述每个视频分片的下载时长和视频分片播放时长Ti-1确定所述每个视频分片的分片状态;
其中,所述视频分片播放时长Ti-1与第i-1个视频流对应;当i等于1时,所述视频分片播放时长Ti-1为第一预设值。
11.根据权利要求10所述的装置,其特征在于,所述分片状态包括正常播放状态或异常缓冲状态;在所述根据所述多个视频分片中每个视频分片的分片状态确定所述第i个视频流对应的视频分片播放时长Ti和视频分片大小阈值Ci的方面,所述计算单元具体用于:
获取所述多个视频分片中正常播放状态的视频分片在所述第i个视频流中的序号;
根据所述正常播放状态的视频分片在所述第i个视频流中的序号、每个正常播放状态的视频分片与该视频分片相邻的前一个正常播放状态的视频分片的间隔时长,以及所述视频分片播放时长Ti-1确定所述视频分片播放时长Ti;
根据所述多个视频分片中异常缓冲状态的视频分片的大小和视频分片大小阈值Ci-1确定所述视频分片大小阈值Ci;其中,所述视频分片大小阈值Ci-1与所述第i-1个视频流对应;当i等于1时,所述视频分片大小阈值Ci-1为第二预设值。
12.根据权利要求11所述的装置,其特征在于,所述分片状态包括正常缓冲状态;在所述根据所述视频分片播放时长Ti确定所述第i个视频流对应的目标缓存时长Di的方面,所述计算单元具体用于:
根据所述多个视频分片中连续正常缓冲状态的视频分片数量和所述视频分片播放时长Ti确定所述目标缓存时长Di。
13.根据权利要求9至11中任一项所述的装置,其特征在于,所述计算单元还用于:
根据所述每个视频分片的分片状态确定所述第i个视频流中存在的视频干扰;
根据所述视频干扰和目标缓存时长Di-1对所述第一质量评估结果进行修正,得到第二质量评估结果;其中,所述目标缓存时长Di-1与所述第i-1个视频流对应,当i=1时,所述目标缓存时长Di-1为第三预设值。
14.根据权利要求9至11中任一项所述的装置,其特征在于,所述计算单元还用于:
获取网络性能参数;
根据所述网络性能参数对所述第一质量评估结果进行修正,得到第三质量评估结果。
15.根据权利要求12所述的装置,其特征在于,所述计算单元还用于:
获取网络性能参数;
根据所述网络性能参数对所述第二质量评估结果进行修正,得到第四质量评估结果。
16.根据权利要求9至15中任一项所述的装置,其特征在于,所述获取单元具体用于:
根据视频分片大小阈值Ci-1获取所述第i个视频流,所述第i个视频流中的每个视频分片的大小大于或等于所述视频分片大小阈值Ci-1。
17.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储用于设备执行的程序代码,所述程序代码包括用于执行如权利要求1至8中任一项所述的方法。
18.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,其中,
所述存储器,用于存储计算机程序指令;
所述处理器,用于调用所述计算机程序指令,以执行如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316784.9A CN115134582A (zh) | 2021-03-24 | 2021-03-24 | 视频质量评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110316784.9A CN115134582A (zh) | 2021-03-24 | 2021-03-24 | 视频质量评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115134582A true CN115134582A (zh) | 2022-09-30 |
Family
ID=83374359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110316784.9A Pending CN115134582A (zh) | 2021-03-24 | 2021-03-24 | 视频质量评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115134582A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116992076A (zh) * | 2023-09-27 | 2023-11-03 | 成都华栖云科技有限公司 | 基于学习行为的视频抽取方法及装置 |
-
2021
- 2021-03-24 CN CN202110316784.9A patent/CN115134582A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116992076A (zh) * | 2023-09-27 | 2023-11-03 | 成都华栖云科技有限公司 | 基于学习行为的视频抽取方法及装置 |
CN116992076B (zh) * | 2023-09-27 | 2023-12-01 | 成都华栖云科技有限公司 | 基于学习行为的视频抽取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11522888B2 (en) | Anomaly detection and troubleshooting system for a network using machine learning and/or artificial intelligence | |
CN111836079B (zh) | 一种视频码流的传输方法及装置 | |
CN110519290B (zh) | 异常流量检测方法、装置及电子设备 | |
Xu et al. | PROTEUS: network performance forecast for real-time, interactive mobile applications | |
CN107566890B (zh) | 处理音频流播放异常的方法、装置、计算机装置及计算机可读存储介质 | |
CN115134582A (zh) | 视频质量评估方法和装置 | |
EP2775673B1 (en) | Content reproduction information estimating device, method and program | |
US20110116390A1 (en) | Method, device, and computer program product for detecting and encoding states for accurate measurement | |
CN110505522A (zh) | 视频数据的处理方法、装置、及电子设备 | |
Bentaleb et al. | Data-driven bandwidth prediction models and automated model selection for low latency | |
CN112738553A (zh) | 一种基于网络通信质量的自适应云渲染系统及方法 | |
WO2010054690A1 (en) | Method for estimating the 'quality of experience' of a user in respect of audio and/or video contents distributed through telecommunications networks | |
CN110138638B (zh) | 一种网络流量的处理方法及装置 | |
CN111753875A (zh) | 一种电力信息系统运行趋势分析方法、装置及存储介质 | |
CN109564686A (zh) | 在视频分析中更新用于对象追踪器的运动模型的方法和系统 | |
CN105245562A (zh) | 操作高速缓存器的方法以及对应的高速缓存器 | |
WO2018024497A1 (en) | Estimation of losses in a video stream | |
CN111263225A (zh) | 视频卡顿预测方法、装置、计算机设备及存储介质 | |
WO2012098078A2 (en) | Method for processing a compressed video stream | |
CN109756358B (zh) | 采样频率推荐方法、装置、设备与存储介质 | |
US20130081071A1 (en) | Estimating user-perceived quality of an encoded video stream | |
CN110781950B (zh) | 一种报文处理方法及装置 | |
CN111131808B (zh) | 视频卡顿故障分析方法、装置和机顶盒 | |
EP3420698A1 (en) | Predicting multimedia session mos | |
JP2006506904A5 (zh) |
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 |