CN115278221B - 一种视频质量评估方法、装置、设备及介质 - Google Patents
一种视频质量评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115278221B CN115278221B CN202210908608.9A CN202210908608A CN115278221B CN 115278221 B CN115278221 B CN 115278221B CN 202210908608 A CN202210908608 A CN 202210908608A CN 115278221 B CN115278221 B CN 115278221B
- Authority
- CN
- China
- Prior art keywords
- evaluation
- matrix
- key frame
- fusion
- evaluation index
- 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
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 345
- 239000011159 matrix material Substances 0.000 claims abstract description 218
- 230000004927 fusion Effects 0.000 claims abstract description 143
- 238000013441 quality evaluation Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007499 fusion processing Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 24
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (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
本申请提供一种视频质量评估方法、装置、设备及介质，其中，该方法包括：获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，第一关键帧评估矩阵中的关键帧和第二关键帧评估矩阵中的关键帧是在不同的时刻输出的；对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵；对融合评估矩阵进行熵权法处理，得到评估指标权值向量，评估指标权值向量包括融合评估指标集合中每个融合评估指标对应的权值；将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值。通过该方法，可以提升视频质量评估的效率。
Description
技术领域
本申请涉及图像处理领域，特别是涉及一种视频质量评估方法、装置、设备及介质。
背景技术
视频监控系统是当今安防系统的重要组成部分，已被应用于越来越多的领域，大到机场安防、军事港口、公安要地、道路交通，小到商场、居民住宅甚至大街小巷，都覆盖有视频监控系统。随着视频监控系统的增多，监控规模的急剧扩大，系统内接入相机数量也急速递增。由于每个相机在进行摄像及信息传输时容易受环境差异、网络波动等因素影响导致视频质量是动态变化的，同时相机本身的老化也会影响视频画面的质量。一旦系统中一些重要场景的相机视频质量不佳，将严重影响系统对这些重要区域的监控。所以在视频监控系统中对重要区域相机视频质量的保障变得尤为重要。由于平台接入成千上万的相机，靠人力实时监测所有相机的视频质量已不能满足要求。同时，视频监控系统正朝着人工智能的方向发展，也需要监控系统自身实现对大量相机视频质量的实时检测。
为了有效监测视频监控系统的视频质量，需要采用科学合理的方法对视频质量进行评估。其中，评估方法可以分为主观和客观。由于视频监控系统中相机数量大，相机视频质量动态变化，且需要实时给出所关注的相机视频的质量评估结果，费时费力的主观评估方法已不适用与当今的视频监控系统。客观评估方法中，可以从视频的压缩损伤和传输损伤角度提取评估指标，然后采用神经网络算法评估出反映视频质量的一个综合值；也可以对视频采用时域和空域的角度对视频质量进行评估；也有小波变换、特征挖掘等算法应用于视频质量评估。但是以上客观评估方法普遍计算复杂度较高，且大多基于静态的视频质量参数，没有考虑到当前急剧扩大的视频监控规模以及复杂的视频监控环境中可能存在的视频质量动态变化情况。
申请内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供一种视频质量评估方法、装置、设备及介质，可以提升视频质量评估的效率。
第一方面，本申请实施例提供了一种视频质量评估方法，该方法包括：
获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，第一关键帧评估矩阵中的关键帧和第二关键帧评估矩阵中的关键帧是在不同的时刻输出的；
对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，融合评估矩阵包括融合评估指标集合；
对融合评估矩阵进行熵权法处理，得到评估指标权值向量，评估指标权值向量包括融合评估指标集合中每个融合评估指标对应的权值；
将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值。
于本申请的一实施例中，待测的图像采集设备的数量为至少一个；
于本申请的一实施例中，获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵之前，获取第一关键帧集合和第二关键帧集合，第一关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第一时刻采集到的关键帧，第二关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第二时刻采集到的关键帧；根据评估指标集合对第一关键帧集合和第二关键帧集合中包括的关键帧进行诊断，得到第一评估指标值集合和第二评估指标值集合；根据第一关键帧集合和第一评估指标值集合构建第一关键帧评估矩阵，根据第二关键帧集合和第二评估指标值集合构建第二关键帧评估矩阵。
于本申请的一实施例中，对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵之前，对第一关键帧评估矩阵与第二关键帧评估矩阵进行减法运算处理，得到增长矩阵。
于本申请的一实施例中，通过第一预设参数对第一关键帧评估矩阵进行加权处理，且通过第二预设参数对增长矩阵进行加权处理，得到融合评估矩阵；第一预设参数为当前视频质量好坏程度所占权重，第二预设参数为视频质量指标动态变化趋势所占权重。
于本申请的一实施例中，计算融合评估指标集合中每个融合评估指标值的权重，得到权重矩阵；根据权重矩阵计算出每个融合评估指标的熵值；根据每个融合评估指标的熵值计算出每个融合评估指标的差异性系数；将每个融合评估指标的差异性系数作为评估指标权值向量。
于本申请的一实施例中，计算融合评估矩阵中第一图像采集设备对应的第一融合评估指标的在第一图像采集设备所有融合评估指标中的比例值，得到权重矩阵；其中，第一图像采集设备为至少一个图像采集设备中的任意一个，第一融合评估指标为融合评估指标集合中的任意一个融合评估指标。
于本申请的一实施例中，将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值之后，对每个图像采集设备所采集关键帧的质量评估值进行排序，并标记质量评估值低于预设阈值的关键帧对应的图像采集设备的视频质量不合格。
第二方面，本申请实施例提供了一种视频质量评估装置，该装置包括：
获取单元，用于获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，第一关键帧评估矩阵中的关键帧和第二关键帧评估矩阵中的关键帧是在不同的时刻输出的；
处理单元，用于对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，融合评估矩阵包括融合评估指标集合；
处理单元，还用于对融合评估矩阵进行熵权法处理，得到评估指标权值向量，评估指标权值向量包括融合评估指标集合中每个融合评估指标对应的权值；
运算单元，用于将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值。
第三方面，本申请实施例提供了一种视频质量评估设备，包括处理器、存储器和通信接口，处理器、存储器和通信接口相互连接，其中，存储器用于存储计算机程序，计算机程序包括程序指令，处理器被配置用于调用程序指令，执行如第一方面描述的视频质量评估方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时使处理器执行如第一方面描述的视频质量评估方法。
本申请实施例中，通过获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，第一关键帧评估矩阵中的关键帧和第二关键帧评估矩阵中的关键帧是在不同的时刻输出的；对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，融合评估矩阵包括融合评估指标集合；对融合评估矩阵进行熵权法处理，得到评估指标权值向量，评估指标权值向量包括融合评估指标集合中每个融合评估指标对应的权值；将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值。通过该方法，可以提升视频质量评估的效率。
附图说明
图1显示为本申请实施例提供的一种视频质量评估系统的架构示意图；
图2显示为本申请实施例提供的一种视频质量评估方法的流程示意图；
图3显示为本申请实施例提供的一种关键帧评估矩阵的示意图；
图4显示为本申请实施例提供的一种视频质量评估装置的框图；
图5显示为本申请实施例提供的一种视频质量评估设备的实体结构简化示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，图1为本申请实施例提供的一种视频质量评估系统的架构示意图。如图1所示，该架构包括至少一个图像采集设备和视频监控系统。其中，至少一个图像采集设备包括图像采集设备1、图像采集设备2、图像采集设备3和图像采集设备m，其中，该m是根据至少一个图像采集设备的数量确定的，是正整数。每个图像采集设备均连接于视频监控系统中。视频监控系统可以获取每个图像采集设备采集到的视频数据，并确定出关键帧，对该关键帧进行质量评估。其中，质量评估的维度可以包括评估指标1、评估指标2、评估指标3至评估指标n。其中，该n可以是本领域技术人员设计的，根据评估指标的维度个数来确定n的大小。
为了可以提升视频质量评估的效率，本申请实施例提供了一种视频质量评估方法、装置、设备及介质，下面进一步对本申请实施例提供的一种视频质量评估方法进行详细介绍。
请参阅图2，图2为本申请实施例提供的一种视频质量评估方法的流程示意图，该方法可以应用于图1所示的实施环境，并由该实施环境中的视频监控系统具体执行。应理解的是，该方法也可以适用于其它的示例性实施环境，并由其它实施环境中的设备具体执行，本实施例不对该方法所适用的实施环境进行限制。
其中，该视频质量评估方法可以包括如下步骤S210～S240，具体为：
S210、获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，第一关键帧评估矩阵中的关键帧和第二关键帧评估矩阵中的关键帧是在不同的时刻输出的。
其中，待测的图像采集设备的数量可以是至少一个。
于本申请的一实施例中，获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵之前，可以获取第一关键帧集合和第二关键帧集合。其中，该第一关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第一时刻采集到的关键帧，该第二关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第二时刻采集到的关键帧。示例性的，若待测的图像采集设备的个数为m个，则第一关键帧集合可以包括该m个图像采集设备中每个图像采集设备在第一时刻的关键帧，即m个关键帧；第二关键帧集合也是类似的，此处不做赘述。
需要说明的是，第一时刻可以是当前时刻，第二时刻可以是第一时刻的上一帧对应的时刻。
进一步地，视频监控系统根据评估指标集合对第一关键帧集合和第二关键帧集合中包括的关键帧进行诊断，得到第一评估指标值集合和第二评估指标值集合。其中，该评估指标集合可以包括视频抖动、条纹干扰、视频遮挡、视频冻结、视频噪声、清晰度、横纹干扰、滚动条纹和横波干扰，即9项评估指标。需要说明的是，评估指标集合中包括的评估指标可以是本领域技术人员设置的，本申请实施例不对评估指标集合包括的各个维度及维度的个数进行限定。另外，第一评估指标值集合包括每个待测的图像采集设备在第一时刻采集到的关键帧对应的各个评估指标的诊断分数值，该诊断分数值可以是0-100。该诊断分数值可以是系统根据特定的算法得出的。第二评估指标值集合包括每个待测的图像采集设备在第二时刻采集到的关键帧对应的各个评估指标的诊断分数值。
进一步地，视频监控系统可以根据第一关键帧集合和第一评估指标值集合构建第一关键帧评估矩阵，根据第二关键帧集合和第二评估指标值集合构建第二关键帧评估矩阵。其中，第一关键帧评估矩阵包括的行数与待测的图像采集设备的个数相同，列数与评估指标的个数相同。若第一关键帧评估矩阵中包括m行，9列，那么该第一关键帧评估矩阵中就包括9*m个数值。示例性的，如图3所示为一种关键帧评估矩阵的示意图，该关键帧评估矩阵包括图像采集设备1至图像采集设备m中每个图像采集设备在评估指标1至评估指标n中各个评估指标对应的诊断分数值，即aij(0≤i≤m，0≤j≤9)。第一关键帧评估矩阵即是在第一时刻生成的关键帧评估矩阵，第二关键帧评估矩阵即是在第二时刻生成的关键帧评估矩阵。
S220、对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，融合评估矩阵包括融合评估指标集合。
于本申请的一实施例中，对第一关键帧评估矩阵和所述第二关键帧评估矩阵进行融合处理，得到融合评估矩阵之前，视频监控系统可以对第一关键帧评估矩阵与第二关键帧评估矩阵进行减法运算处理，得到增长矩阵。其中，第一关键帧评估矩阵可以记为At，第二键帧评估矩阵可以记为At-1，增长矩阵可以记为A*。那么A*＝At-At-1，即At中每个元素值减去At-1中每个元素值。
于本申请的一实施例中，视频监控系统可以通过第一预设参数对第一关键帧评估矩阵进行加权处理，且通过第二预设参数对增长矩阵进行加权处理，得到融合评估矩阵，其中，第一预设参数为当前视频质量好坏程度所占权重，第二预设参数为视频质量指标动态变化趋势所占权重。该融合评估矩阵可以记为A，第一预设参数可以记为x，第二预设参数可以记为y，那么A＝xAt+yA*，其中，0≤x≤1，0≤y≤1，且x+y＝1。x与y的具体值可以是本领域技术人员设置的。
S230、对融合评估矩阵进行熵权法处理，得到评估指标权值向量，评估指标权值向量包括融合评估指标集合中每个融合评估指标对应的权值。
视频监控系统可以计算融合评估指标集合中每个融合评估指标值的权重，得到权重矩阵。具体地，计算融合评估矩阵中第一图像采集设备对应的第一融合评估指标值在第一图像采集设备所有融合评估指标中的比例值，得到权重矩阵；其中，第一图像采集设备为至少一个图像采集设备中的任意一个，第一融合评估指标为融合评估指标集合中的任意一个融合评估指标。其中，每个融合评估指标值指的是如图3所示的aij(0≤i≤m，0≤j≤9)对应的权重qij(0≤i≤m，0≤j≤9)。其中，qij＝aij/(ai1+ai2+...+ai9)，即每个qij等于该aij在该行所有值之和所占的比例。
进一步地，视频监控系统可以根据权重矩阵计算出每个融合评估指标的熵值。每个融合评估指标的熵值即为评估指标1的熵值、评估指标2的熵值至评估指标9的熵值。各个融合评估指标的熵值可以记为ej。e1表示评估指标1的熵值，即视频抖动指标的熵值；e2表示评估指标2的熵值，即条纹干扰指标的熵值，以此类推。该
进一步地，视频监控系统可以根据每个融合评估指标的熵值计算出每个融合评估指标的差异性系数。该差异性系数可以记为gj，gj＝1-ej。
进一步地，视频监控系统可以将每个融合评估指标的差异性系数(gj)作为评估指标权值向量。该权值向量可以记为
S240、将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值。
具体地，视频监控系统将A与相乘，得到[γ1γ2...γm]T，其中，γi表示第i个图像采集设备所采集到的关键帧的质量评估值。
于本申请的一实施例中，视频监控系统可以对每个图像采集设备所采集关键帧的质量评估值进行排序，并标记质量评估值低于预设阈值的关键帧对应的图像采集设备的视频质量不合格。其中，排序可以是正序也可以是逆序，该预设阈值可以是本领域技术人员设计的，本申请实施例不作限定。
通过本申请实施例，获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，第一关键帧评估矩阵中的关键帧和第二关键帧评估矩阵中的关键帧是在不同的时刻输出的。其中，评估指标可以包括：视频抖动、条纹干扰、视频遮挡、视频冻结、视频噪声、清晰度、横纹干扰、滚动条纹、横波干扰。进一步地，对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，融合评估矩阵包括融合评估指标集合；对融合评估矩阵进行熵权法处理，得到评估指标权值向量，评估指标权值向量包括融合评估指标集合中每个融合评估指标对应的权值；将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值。为了充分考虑各项指标参数的变化趋势，在评估矩阵中引入增长矩阵；熵权法具有客观性、算法复杂度低等优势，本申请采用熵权法处理融合评估矩阵，得到每个融合评估指标对应的权值。整个评估过程客观、快速、有效，并且每次评估都可同时列入多路视频质量指标，评估结果具有对比性。
请参阅图4，图4是本申请实施例提供的一种视频质量评估装置的框图。该装置可以包括获取单元410、处理单元420和运算单元430。该装置可以应用于图1所示的实施环境。该装置也可以适用于其它的示例性实施环境，并具体配置在其它设备中，本实施例不对该装置所适用的实施环境进行限制。
如图4所示，该示例性的视频质量评估装置包括：
获取单元410，用于获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，第一关键帧评估矩阵中的关键帧和第二关键帧评估矩阵中的关键帧是在不同的时刻输出的；
处理单元420，用于对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，融合评估矩阵包括融合评估指标集合；
处理单元420，还用于对融合评估矩阵进行熵权法处理，得到评估指标权值向量，评估指标权值向量包括融合评估指标集合中每个融合评估指标对应的权值；
运算单元430，用于将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值。
于本申请的一实施例中，待测的图像采集设备的数量为至少一个；
于本申请的一实施例中，获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵之前，获取单元410，还用于获取第一关键帧集合和第二关键帧集合，第一关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第一时刻采集到的关键帧，第二关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第二时刻采集到的关键帧；处理单元420，还用于根据评估指标集合对第一关键帧集合和第二关键帧集合中包括的关键帧进行诊断，得到第一评估指标值集合和第二评估指标值集合；根据第一关键帧集合和第一评估指标值集合构建第一关键帧评估矩阵，根据第二关键帧集合和第二评估指标值集合构建第二关键帧评估矩阵。
于本申请的一实施例中，对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵之前，处理单元420，还用于对第一关键帧评估矩阵与第二关键帧评估矩阵进行减法运算处理，得到增长矩阵。
于本申请的一实施例中，处理单元420，还用于通过第一预设参数对第一关键帧评估矩阵进行加权处理，且通过第二预设参数对增长矩阵进行加权处理，得到融合评估矩阵；第一预设参数为当前视频质量好坏程度所占权重，第二预设参数为视频质量指标动态变化趋势所占权重。
于本申请的一实施例中，运算单元430，还用于计算融合评估指标集合中每个融合评估指标值的权重，得到权重矩阵；处理单元420，还用于根据权重矩阵计算出每个融合评估指标的熵值；根据每个融合评估指标的熵值计算出每个融合评估指标的差异性系数；将每个融合评估指标的差异性系数作为评估指标权值向量。
于本申请的一实施例中，运算单元430，还用于计算融合评估矩阵中第一图像采集设备对应的第一融合评估指标的在第一图像采集设备所有融合评估指标中的比例值，得到权重矩阵；其中，第一图像采集设备为至少一个图像采集设备中的任意一个，第一融合评估指标为融合评估指标集合中的任意一个融合评估指标。
于本申请的一实施例中，将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值之后，处理单元420，还用于对每个图像采集设备所采集关键帧的质量评估值进行排序，并标记质量评估值低于预设阈值的关键帧对应的图像采集设备的视频质量不合格。
请参见图5，图5为本申请实施例提供的一种视频质量评估设备的实体结构简化示意图，该装置包括处理器510、存储器520以及通信接口530，该处理器510、存储器520以及通信接口530通过一条或多条通信总线连接。
处理器510被配置为支持通信装置执行图1中方法相应的功能。该处理器510可以是中央处理器(central processing unit，CPU)，网络处理器(network processor，NP)，硬件芯片或者其任意组合。
存储器520用于存储程序代码等。存储器520可以包括易失性存储器(volatilememory)，例如随机存取存储器(random access memory，RAM)；存储器520也可以包括非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，ROM)，快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储器520还可以包括上述种类的存储器的组合。
通信接口530用于收发数据、信息或消息等，也可以描述为收发器、收发电路等。
在本申请实施例中，该处理器510可以调用存储器520中存储的程序代码以执行以下操作：
处理器510可以调用存储器520中存储的程序代码获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，第一关键帧评估矩阵中的关键帧和第二关键帧评估矩阵中的关键帧是在不同的时刻输出的；
处理器510可以调用存储器520中存储的程序代码对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，融合评估矩阵包括融合评估指标集合；
处理器510可以调用存储器520中存储的程序代码对融合评估矩阵进行熵权法处理，得到评估指标权值向量，评估指标权值向量包括融合评估指标集合中每个融合评估指标对应的权值；
处理器510可以调用存储器520中存储的程序代码将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值。
于本申请的一实施例中，待测的图像采集设备的数量为至少一个；
于本申请的一实施例中，获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵之前，处理器510可以调用存储器520中存储的程序代码获取第一关键帧集合和第二关键帧集合，第一关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第一时刻采集到的关键帧，第二关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第二时刻采集到的关键帧；根据评估指标集合对第一关键帧集合和第二关键帧集合中包括的关键帧进行诊断，得到第一评估指标值集合和第二评估指标值集合；根据第一关键帧集合和第一评估指标值集合构建第一关键帧评估矩阵，根据第二关键帧集合和第二评估指标值集合构建第二关键帧评估矩阵。
于本申请的一实施例中，对第一关键帧评估矩阵和第二关键帧评估矩阵进行融合处理，得到融合评估矩阵之前，处理器510可以调用存储器520中存储的程序代码对第一关键帧评估矩阵与第二关键帧评估矩阵进行减法运算处理，得到增长矩阵。
于本申请的一实施例中，处理器510可以调用存储器520中存储的程序代码通过第一预设参数对第一关键帧评估矩阵进行加权处理，且通过第二预设参数对增长矩阵进行加权处理，得到融合评估矩阵；第一预设参数为当前视频质量好坏程度所占权重，第二预设参数为视频质量指标动态变化趋势所占权重。
于本申请的一实施例中，处理器510可以调用存储器520中存储的程序代码计算融合评估指标集合中每个融合评估指标值的权重，得到权重矩阵；根据权重矩阵计算出每个融合评估指标的熵值；根据每个融合评估指标的熵值计算出每个融合评估指标的差异性系数；将每个融合评估指标的差异性系数作为评估指标权值向量。
于本申请的一实施例中，处理器510可以调用存储器520中存储的程序代码计算融合评估矩阵中第一图像采集设备对应的第一融合评估指标的在第一图像采集设备所有融合评估指标中的比例值，得到权重矩阵；其中，第一图像采集设备为至少一个图像采集设备中的任意一个，第一融合评估指标为融合评估指标集合中的任意一个融合评估指标。
于本申请的一实施例中，将融合评估矩阵和评估指标权值向量进行乘法运算处理，得到待测的图像采集设备所采集关键帧的质量评估值之后，处理器510可以调用存储器520中存储的程序代码对每个图像采集设备所采集关键帧的质量评估值进行排序，并标记质量评估值低于预设阈值的关键帧对应的图像采集设备的视频质量不合格。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，
计算机程序用于使计算机执行如上述实施例中的任一项的方法。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的实施例一所包含步骤的指令(instructions)。
需要说明的是，本公开上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。在本申请中，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。
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操作的计算机程序代码，上述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，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。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (8)
1.一种视频质量评估方法，其特征在于，包括：
获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，所述第一关键帧评估矩阵中的关键帧和所述第二关键帧评估矩阵中的关键帧是在不同的时刻输出的，所述第一关键帧评估矩阵根据第一关键帧集合和第一评估指标值集合进行构建，所述第二关键帧评估矩阵根据第二关键帧集合和第二评估指标值集合构建，所述第一关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第一时刻采集到的关键帧，所述第二关键帧集合中包括所述至少一个待测的图像采集设备中每个图像采集设备在第二时刻采集到的关键帧，所述第一时刻与第二时刻不同；
对所述第一关键帧评估矩阵和所述第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，所述融合评估矩阵包括融合评估指标集合，其中，对所述第一关键帧评估矩阵和所述第二关键帧评估矩阵进行融合处理包括，对所述第一关键帧评估矩阵与所述第二关键帧评估矩阵进行减法运算处理，得到增长矩阵；通过第一预设参数对所述第一关键帧评估矩阵进行加权处理，且通过第二预设参数对所述增长矩阵进行加权处理，得到所述融合评估矩阵；所述第一预设参数为当前视频质量好坏程度所占权重，所述第二预设参数为视频质量指标动态变化趋势所占权重；
对所述融合评估矩阵进行熵权法处理，得到评估指标权值向量，所述评估指标权值向量包括所述融合评估指标集合中每个融合评估指标对应的权值；
将所述融合评估矩阵和所述评估指标权值向量进行乘法运算处理，得到所述待测的图像采集设备所采集关键帧的质量评估值。
2.根据权利要求1所述的方法，其特征在于，所述待测的图像采集设备的数量为至少一个；
所述获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵之前，所述方法还包括：
获取第一关键帧集合和第二关键帧集合；
根据评估指标集合对所述第一关键帧集合和第二关键帧集合中包括的关键帧进行诊断，得到第一评估指标值集合和第二评估指标值集合；
根据所述第一关键帧集合和所述第一评估指标值集合构建所述第一关键帧评估矩阵，根据所述第二关键帧集合和所述第二评估指标值集合构建所述第二关键帧评估矩阵。
3.根据权利要求1所述的方法，其特征在于，所述对所述融合评估矩阵进行熵权法处理，得到评估指标权值向量，包括：
计算所述融合评估指标集合中每个融合评估指标值的权重，得到权重矩阵；
根据所述权重矩阵计算出每个融合评估指标的熵值；
根据所述每个融合评估指标的熵值计算出所述每个融合评估指标的差异性系数；
将所述每个融合评估指标的差异性系数作为所述评估指标权值向量。
4.根据权利要求3所述的方法，其特征在于，所述计算所述融合评估指标集合中每个融合评估指标的权重，得到权重矩阵，包括：
计算所述融合评估矩阵中第一图像采集设备对应的第一融合评估指标值在所述第一图像采集设备所有融合评估指标中的比例值，得到所述权重矩阵；其中，所述第一图像采集设备为所述至少一个图像采集设备中的任意一个，所述第一融合评估指标为所述融合评估指标集合中的任意一个融合评估指标。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述融合评估矩阵和所述评估指标权值向量进行乘法运算处理，得到所述待测的图像采集设备所采集关键帧的质量评估值之后，所述方法还包括：
对所述每个图像采集设备所采集关键帧的质量评估值进行排序，并标记质量评估值低于预设阈值的关键帧对应的图像采集设备的视频质量不合格。
6.一种视频质量评估装置，其特征在于，包括：
获取单元，用于获取待测的图像采集设备的第一关键帧评估矩阵和第二关键帧评估矩阵，所述第一关键帧评估矩阵中的关键帧和所述第二关键帧评估矩阵中的关键帧是在不同的时刻输出的，所述第一关键帧评估矩阵根据第一关键帧集合和第一评估指标值集合进行构建，所述第二关键帧评估矩阵根据第二关键帧集合和第二评估指标值集合构建，所述第一关键帧集合中包括至少一个待测的图像采集设备中每个图像采集设备在第一时刻采集到的关键帧，所述第二关键帧集合中包括所述至少一个待测的图像采集设备中每个图像采集设备在第二时刻采集到的关键帧，所述第一时刻与第二时刻不同；
处理单元，用于对所述第一关键帧评估矩阵和所述第二关键帧评估矩阵进行融合处理，得到融合评估矩阵，所述融合评估矩阵包括融合评估指标集合，其中，对所述第一关键帧评估矩阵和所述第二关键帧评估矩阵进行融合处理包括，对所述第一关键帧评估矩阵与所述第二关键帧评估矩阵进行减法运算处理，得到增长矩阵；通过第一预设参数对所述第一关键帧评估矩阵进行加权处理，且通过第二预设参数对所述增长矩阵进行加权处理，得到所述融合评估矩阵；所述第一预设参数为当前视频质量好坏程度所占权重，所述第二预设参数为视频质量指标动态变化趋势所占权重；
所述处理单元，还用于对所述融合评估矩阵进行熵权法处理，得到评估指标权值向量，所述评估指标权值向量包括所述融合评估指标集合中每个融合评估指标对应的权值；
运算单元，用于将所述融合评估矩阵和所述评估指标权值向量进行乘法运算处理，得到所述待测的图像采集设备所采集关键帧的质量评估值。
7.一种视频质量评估设备，其特征在于，包括处理器、存储器和通信接口，所述处理器、所述存储器和所述通信接口相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1至5中任一项所述的视频质量评估方法。
8.一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有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1至5中任一项所述的视频质量评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210908608.9A CN115278221B (zh) | 2022-07-29 | 2022-07-29 | 一种视频质量评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210908608.9A CN115278221B (zh) | 2022-07-29 | 2022-07-29 | 一种视频质量评估方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115278221A CN115278221A (zh) | 2022-11-01 |
| CN115278221B true CN115278221B (zh) | 2024-05-07 |
Family
ID=83770143
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210908608.9A Active CN115278221B (zh) | 2022-07-29 | 2022-07-29 | 一种视频质量评估方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115278221B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111464833A (zh) * | 2020-03-23 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 目标图像生成方法、目标图像生成装置、介质及电子设备 |
| CN111539948A (zh) * | 2020-05-11 | 2020-08-14 | 北京百度网讯科技有限公司 | 视频质量评估的方法、装置、电子设备及存储介质 |
| US10904311B1 (en) * | 2019-06-28 | 2021-01-26 | Fuze, Inc. | Management of media quality for a collaboration session |
| CN114567798A (zh) * | 2022-02-28 | 2022-05-31 | 南京烽火星空通信发展有限公司 | 一种针对互联网短视频变种的溯源方法 |
| CN114630139A (zh) * | 2022-03-15 | 2022-06-14 | 广州虎牙科技有限公司 | 直播视频的质量评估方法及其相关设备 |
| CN114745293A (zh) * | 2022-03-30 | 2022-07-12 | 深圳市国电科技通信有限公司 | 网络通信质量评估方法、装置、电子设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10431000B2 (en) * | 2017-07-18 | 2019-10-01 | Sony Corporation | Robust mesh tracking and fusion by using part-based key frames and priori model |
-
2022
- 2022-07-29 CN CN202210908608.9A patent/CN115278221B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10904311B1 (en) * | 2019-06-28 | 2021-01-26 | Fuze, Inc. | Management of media quality for a collaboration session |
| CN111464833A (zh) * | 2020-03-23 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 目标图像生成方法、目标图像生成装置、介质及电子设备 |
| CN111539948A (zh) * | 2020-05-11 | 2020-08-14 | 北京百度网讯科技有限公司 | 视频质量评估的方法、装置、电子设备及存储介质 |
| CN114567798A (zh) * | 2022-02-28 | 2022-05-31 | 南京烽火星空通信发展有限公司 | 一种针对互联网短视频变种的溯源方法 |
| CN114630139A (zh) * | 2022-03-15 | 2022-06-14 | 广州虎牙科技有限公司 | 直播视频的质量评估方法及其相关设备 |
| CN114745293A (zh) * | 2022-03-30 | 2022-07-12 | 深圳市国电科技通信有限公司 | 网络通信质量评估方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于运动剧烈程度的无参考视频质量评价模型;余春艳;吴丽丽;陈国龙;郑维宏;;光子学报;20130715(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115278221A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Perceptual quality assessment for multi-exposure image fusion | |
| US6888564B2 (en) | Method and system for estimating sharpness metrics based on local edge kurtosis | |
| CN111193923A (zh) | 视频质量评估方法、装置、电子设备及计算机存储介质 | |
| US20140126808A1 (en) | Recursive conditional means image denoising | |
| CN108337505B (zh) | 信息获取方法和装置 | |
| CN110659391A (zh) | 一种视频侦查方法及装置 | |
| CN110557521B (zh) | 视频去雨的方法、装置、设备及计算机可读存储介质 | |
| CN113255685B (zh) | 一种图像处理方法、装置、计算机设备以及存储介质 | |
| CN111931719B (zh) | 高空抛物检测方法以及装置 | |
| CN111654700A (zh) | 一种隐私遮蔽处理方法、装置、电子设备及监控系统 | |
| CN112084826A (zh) | 图像处理方法、图像处理设备以及监控系统 | |
| CN112802076A (zh) | 反射图像生成模型及反射去除模型的训练方法 | |
| CN109564567A (zh) | 数据存储方法、装置、电子设备及计算机可读存储介质 | |
| CN111414921B (zh) | 样本图像处理方法、装置、电子设备及计算机存储介质 | |
| CN115278221B (zh) | 一种视频质量评估方法、装置、设备及介质 | |
| CN111191593A (zh) | 图像目标检测方法、装置、存储介质及污水管道检测装置 | |
| CN115482500A (zh) | 基于置信概率的人群统计方法及装置 | |
| CN112639868A (zh) | 图像处理方法、装置及可移动平台 | |
| CN118648879B (zh) | 用于重症监护报警管理的数据处理系统及方法 | |
| CN117911930B (zh) | 一种基于智能视频监控的数据安全预警方法及装置 | |
| CN115866411B (zh) | 基于光线校正的车载监控自适应曝光方法、装置及设备 | |
| CN116152874A (zh) | 一种人脸图像检测方法、装置、电子设备及存储介质 | |
| CN118485813A (zh) | 基于深度学习的全景效果评估系统及方法 | |
| CN116863387A (zh) | 用于确定目标河道污染事件的方法、装置、设备和介质 | |
| Narayanan et al. | Visible property enhancement techniques of IoT cameras using machine learning techniques |
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 |