CN115866235A - 视频质量评估方法、装置、电子设备及存储介质 - Google Patents
视频质量评估方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115866235A CN115866235A CN202111115460.5A CN202111115460A CN115866235A CN 115866235 A CN115866235 A CN 115866235A CN 202111115460 A CN202111115460 A CN 202111115460A CN 115866235 A CN115866235 A CN 115866235A
- Authority
- CN
- China
- Prior art keywords
- video
- videos
- score
- inputting
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
Abstract
本发明实施例涉及通信技术领域,公开了一种视频质量评估方法,包括:对视频集中各个视频进行分类;将不同类别的视频输入至不同的预置模型中,利用所述预置模型获取所述视频的质量评估结果。本发明实施例还公开了一种视频质量评估装置、电子设备及存储介质。本发明实施例提供的视频质量评估方法、装置、电子设备及存储介质,可以实现视频质量的自动化评估,效率较高,可以适应多种场景的视频,对多种场景的视频质量均能得到准确的评估结果。
Description
技术领域
本申请实施例涉及通信技术领域,特别涉及一种视频质量评估方法、装置、电子设备及存储介质。
背景技术
5G(第五代移动通信技术)为具有高速率、低时延和大连接特点的新一代宽带移动通信技术,将引领全球从移动互联网时代过渡到移动物联网时代。随着5G的商用和普及,视频业务也会涉及到多种场景,例如高清视频通话、自动驾驶和远程医疗等场景。为了及时准确地掌握视频业务系统的整体运行状态,急需一套自动化运行的视频质量评估体系对视频质量进行评估,并针对视频质量的薄弱环节或技术缺陷等提出改进措施,从而不断提高视频业务系统的运行质量,满足用户对视频业务日益强烈的质量诉求。
目前,对视频质量进行评估主要有两种方法:一种是由评估员进行主观质量评估,另一种是通过建立数学模型来进行客观质量评估。然而,前一种评估方法由于采用人工的方式进行,效率较低,难以大规模部署应用;后一种评估方法由于建立的数学模型是针对单一场景下的视频,因此其只能适应单一场景,对于多种场景的视频无法得出准确的评估结果。
发明内容
本申请实施例的主要目的在于提出一种视频质量评估方法、装置、电子设备及存储介质,可以自动对视频质量进行评估,效率较高,且可以适应多种场景的视频,对多种场景的视频质量均能得到准确的评估结果。
为实现上述目的,本申请实施例提供了一种视频质量评估方法,包括:对视频集中各个视频进行分类;将不同类别的视频输入至不同的预置模型中,利用所述预置模型获取所述视频的质量评估结果。
为实现上述目的,本申请实施例还提供了一种视频质量评估装置,包括:获取模块,用于对视频集中各个视频进行分类;评估模块,用于将不同类别的视频输入至不同的预置模型中,利用所述预置模型获取所述视频的质量评估结果。
为实现上述目的,本申请实施例还提供了一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的视频质量评估方法。
为实现上述目的,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的视频质量评估方法。
本申请提出的视频质量评估方法,通过获取视频集中各个视频的类别,将不同类别的视频输入至不同的预置模型中,利用不同的预置模型获取视频的质量评估结果。由于是利用预置模型来评估视频质量,因此可以实现视频质量的自动化评估,效率较高,适宜大规模部署应用;同时,将不同的视频输入至不同的预置模型中,再利用不同的预置模型来获取视频质量评估结果,可以使不同场景下不同类别的视频得到与类别相适应的质量评估结果,从而可以使视频质量评估适应多种场景的视频,对多种场景的视频质量均能得到准确的评估结果。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定。
图1是本发明实施例提供的视频质量评估方法的流程示意图;
图2是本发明实施例提供的视频质量评估方法进行加权采样的原理示意图;
图3是本发明实施例提供的视频质量评估方法的另一流程示意图;
图4是本发明实施例提供的视频质量评估方法中度量映射评估模型的原理示意图;
图5是本发明实施例提供的视频质量评估方法的又一流程示意图;
图6是本发明实施例提供的视频质量评估方法采集视频数据的示例图;
图7是本发明实施例提供的视频质量评估方法中端到端评估模型的原理示意图;
图8是本发明实施例提供的视频质量评估方法的原理示意图;
图9是本发明实施例提供的视频质量评估方法中预置模型的训练、验证和测试示意图;
图10是本发明实施例提供的视频质量评估装置的模块结构示意图;
图11是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本申请各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本申请的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
在一个实施例中,涉及一种视频质量评估方法,通过对视频集中各个视频进行分类,将不同类别的视频输入至不同的预置模型中,利用不同的预置模型获取视频的质量评估结果。由于是利用预置模型来评估视频质量,因此可以实现视频质量的自动化评估,效率较高,适宜大规模部署应用;同时,通过将不同的视频输入至不同的预置模型中,再利用不同的预置模型来获取视频质量评估结果,可以使不同场景下不同类别的视频得到与类别相适应的质量评估结果,从而可以使视频质量评估适应多种场景的视频,对多种场景的视频质量均能得到准确的评估结果。
应当说明的是,本发明实施例提供的视频质量评估方法的执行主体可以为服务端,其中,服务端可以由单独的服务器或多个服务器组成的集群来实现。
本发明实施例提供的视频质量评估方法的具体流程如图1所示,包括以下步骤:
S101:对视频集中各个视频进行分类。
在一个具体的例子中,对视频集中各个视频进行分类,可以是按照功能场景、视频长度、接入并发数、接入类型和网络环境参数中的至少一种数据对视频集中各个视频进行分类,从而得到各个视频的类别。例如,按照功能场景可以分为:会议、直播或点播等类别;按照视频长度可以分为:长视频、短视频等类别。具体分类的方法可以根据实际需要进行,本发明实施例对此不做具体限制。
S102:将不同类别的视频输入至不同的预置模型中,利用预置模型获取视频的质量评估结果。
可以理解的是,当使用的预置模型不同时,获得的视频的质量评估结果也不相同。另外,当用视频在不同位置的视频数据输入至相同的预置模型时,获得的视频的质量评估结果也可能不相同。例如,将视频链路上传输后的视频输入至预置模型,和将解码后的视频输入至预置模型相比,获得的视频的质量评估结果可能不相同。预置模型可以为两个以上,从而实现对不同类别的视频的质量评估,具体可以根据各个视频的分类方法决定,本发明实施例对预置模型的种类和数量不做具体限制。
由于视频集中包括的视频数量可能是海量的,若对视频集中每一视频均进行视频质量评估,则服务端的算力可能不足,同时意义不大。在一个具体的例子中,在将不同类别的视频输入至不同的预置模型中之前,还包括:对视频集中各个视频添加标签和/或权重,根据标签和/或权重采用加权采样算法抽取视频集中的部分视频;而将不同类别的视频输入至不同的预置模型中,包括:将部分视频中不同类别的视频输入至不同的预置模型中,其中,对视频进行加权采样的原理示意图可以参考图2。
在对视频集中各个视频添加标签和/或权重时,可以按照接入并发数、网络环境和使用规模等对视频添加标签和/或权重。例如,若视频为5G网络环境,则添加5G的标签,若视频为4G网络环境,则添加4G的标签;又例如,若接入并发数较多,则添加较高的权重;若接入并发数较少,则添加较少的权重。具体添加标签和权重的方式可以根据实际需要进行设置,本发明实施例对此不做具体限制。在对各个视频添加标签和/或权重后,对各个视频采集加权采样算法进行抽样,从而可以使视频集中的视频权重高的采样多、权重低采样少,抽取得到具有代表性的视频进行评估,可以降低海量数据带来的系统压力。
通过对视频添加标签和/或权重,根据标签和/或权重采用加权采样算法抽取视频集中的部分视频,对抽取的部分视频进行视频质量评估,可以抽取代表性的视频进行质量评估,能够较好地反映视频集整体的视频质量,同时对海量的视频集进行降维处理,减少服务端的负担。
本发明实施例提供的视频质量评估方法,通过获取视频集中各个视频的类别,将不同类别的视频输入至不同的预置模型中,利用不同的预置模型获取视频的质量评估结果。由于是利用预置模型来评估视频质量,因此可以实现视频质量的自动化评估,效率较高,适宜大规模部署应用;同时,通过获取视频的类别,将不同的视频输入至不同的预置模型中,再利用不同的预置模型来获取视频质量评估结果,可以使不同场景下不同类别的视频得到与类别相适应的质量评估结果,从而可以使视频质量评估适应多种场景的视频,对多种场景的视频质量均能得到准确的评估结果。
在一个具体的例子中,视频集中的视频包括第一类别视频,预置模型包括度量映射评估模型,在将不同类别的视频输入至不同的预置模型中(S102)之前,本发明实施例提供的视频质量评估方法还包括:获取视频在视频链路上的传输特征数据;而将不同类别的视频输入至不同的预置模型中,利用预置模型获取视频的质量评估结果(S102),则包括:将第一类别视频的传输特征数据输入至度量映射评估模型中,利用度量映射评估模型获取第一类别视频的第一得分,第一得分由度量映射评估模型根据传输特征数据评估后输出。
请参考图3,其为本发明实施例提供的视频质量评估方法的另一流程示意图,具体包括以下步骤:
S101’:对视频集中各个视频进行分类。
S102’:获取视频在视频链路上的传输特征数据。
传输特征数据是指视频在视频链路上与传输相关的特征数据,例如丢包率、丢帧率、延迟或抖动等特征数据。
为了使训练好的度量映射评估模型可以实现对所有视频均可以实现质量评估,在训练度量映射评估模型时,可以选取每一个视频都具有的传输特征数据。另外,在训练度量映射评估模型时,输入的传输特征数据越多,度量映射评估模型得到的质量评估结果越准确。
S103’:将第一类别视频的传输特征数据输入至度量映射评估模型中,利用度量映射评估模型获取第一类别视频的第一得分,第一得分由度量映射评估模型根据传输特征数据评估后输出。
度量映射评估模型在具体实现时,如图4所示,可以根据视频的监控数据(例如日志)得到KPI(Key Performance Indication,关键绩效指标),将KPI作为传输特征数据,然后将KPI映射到KQI(Key Quality Indicators,关键质量指标),最后再将KQI映射至VMOS(Video Mean Opinion Score,视频平均主观意见分),将VMOS作为度量映射评估模型输出的第一得分。通过以上映射,若VMOS较低时,例如低于某一得分时,可以通过倒推的方式发送传输特征数据中的异常传输特征数据,从而在得到视频质量评估结果的同时,实现对导致视频质量下降的问题进行定位,方便视频质量的改进。
应当理解的是,对视频质量的评估,一般通过用户观看的视频和原始视频进行对比,通过比较原始视频与观看的视频之间的差别来确定视频的质量。但对于一些情况下,若原始视频难以获取,则难以通过比较原始视频与观看的视频之间的差别来确定视频的质量,例如在弱网环境下,难以获取原始视频,此时可以通过获取视频链路的传输特征数据,根据传输特征数据来获取视频质量的评估得分,实现对视频的质量评估。相应地,可以将弱网环境下的视频划分为第一类别视频。
在一个具体的例子中,在利用度量映射评估模型获取第一类别视频的第一得分之后,还包括:若第一得分小于第一预期得分,则根据度量映射评估模型倒推并定位视频在视频链路上异常的传输特征数据,和/或,根据第一得分输出视频质量的预警信息。
第一预期得分可以根据实际需要进行设置,此处不做具体限制。在根据度量映射评估模型倒推并定位视频在视频链路上异常的传输特征数据时,可以是从上述的VMOS倒推至KQI,再由KQI倒推至KPI,最后根据KPI定位出异常的传输特征数据,进行相应的异常定位。
通过在第一得分小于第一预期得分时,根据度量映射评估模型倒推并定位视频在视频链路上异常的传输特征数据,可以在视频质量较差时定位出具体的问题,从而作出针对性的措施改进;而根据第一得分输出视频质量的预警信息,可以使视频的用户提前获知视频质量即将变差的信息,提高用户体验,实现视频质量的先验预测。
在一个具体的例子中,视频集中的视频还包括第二类别视频,预置模型还包括端到端评估模型;在将不同类别的视频输入至不同的预置模型中(S102)之前,还包括:在视频的视频链路的前端和后端分别设置一个采集点,通过采集点采集视频在前端的前端视频数据和在后端的后端视频数据;而将不同类别的视频输入至不同的预置模型中,利用预置模型获取视频的质量评估结果(S102),还包括:将第二类别视频的前端视频数据和后端视频数据输入至端到端评估模型中,利用端到端评估模型获取第二类别视频的第二得分,其中第二得分由端到端评估模型在比较后端视频数据和前端视频数据之间的差别后输出。
请参考图5,其为本发明实施例提供的视频质量评估方法的又一流程示意图,具体包括以下步骤:
S101”:对视频集中各个视频进行分类。
S102”:在视频的视频链路的前端和后端分别设置至少一个采集点,通过采集点采集视频在前端的前端视频数据和在后端的后端视频数据。
在一个具体的例子中,在通过采集点采集视频的前端视频数据或后端视频数据时,在采集点通过旁路复制的方式采集前端视频数据和后端视频数据,从而不影响到正常的视频链路流程,不会产生额外的负担,实现用户无感知。
请参考图6,其为本发明实施例方式提供的视频质量评估方法采集视频数据的示例图。如图6所示,可以分别在视频链路的编码前、传输前、传输后和编码后设置采集点,通过旁路复制的方式来获取前端视频数据和后端视频数据。
S103”:将第二类别视频的前端视频数据和后端视频数据输入至端到端评估模型中,利用端到端评估模型获取第二类别视频的第二得分,第二得分由端到端评估模型在比较后端视频数据和前端视频数据之间的差别后输出。
在构建端到端评估模型时,可以利用机器学习、深度学习等技术构建多种全参考的算法,例如,以PSNR、VMAF、DVQA等为基础网络,形成端到端评估算法集,最后经过训练得到端到端评估模型。在选择基础网络时,可以根据服务端的算力和质量的需求决定。例如,在编码前后的链路,可选择VMAF为基础网络,可以节省服务端的算力;又例如,在视频的产生端和播放端的链路,可选择DVQA为基础网络,可以对视频的时空联合特征进行精准提取。
请参考图7,其为本发明实施例提供的视频质量评估方法中端到端评估模型的原理示意图。图中的失真视频即为后端视频数据,而参考视频即为前端视频数据,参考视频和失真视频应为同一种类和同一时间段内的,它们为相对概念,可以是编码前和解码后的,也可以是编码前和编码后,只要两者之间有差别(损失),即可以拿来作为对比。也即,前端视频数据和后端视频数据可以分别指编码前的视频数据和解码后的视频数据,也可以分别指编码前的视频数据和编码后的视频数据。
应当理解的是,在网络环境较好可以获取到原始视频的情况下,可以通过对比原始视频在传输前后的对比来进行质量评估,因此,与第一类别视频划分的条件相对,可以将非弱网环境下的视频划分为第二类别视频。
通过在视频链路的前端和后端分别设置采集点来采集视频数据,再将采集的前端视频数据和后端视频数据输入至端到端评估模型中,得到第二类别视频的质量评估结果,可以实现对第二类别视频的质量评估。
在一个具体的例子中,在利用端到端评估模型获取第二类别视频的第二得分(S103’)之后,还包括:若第二得分低于第二预期得分,则将第二类别视频的传输特征数据输入至度量映射评估模型中,利用度量映射评估模型获取第二类别视频的第一得分,和/或,根据第二得分输出视频质量的预警信息。
第二预期得分可以根据实际需要进行设置,本发明实施例对此不做具体限制。应当理解的是,在获取视频在视频链路上的传输特征数据(S102’)时,获取的是视频中所有视频(若为抽样则为抽样中的所有视频)的传输特征数据,包括第一类别视频和第二类别视频,因此这里可以直接将第二类别视频的传输特征数据输入至度量映射评估模型中来获取第一得分。可以继续参考图6,在通过采集点采集视频数据时,同时采集视频的传输特征数据(即图中的度量数据)。
通过在得分低于预期时,将第二类别视频的传输特征数据输入至度量映射评估模型中,利用度量映射评估模型获取第二类别视频的第一得分,可以从两个维度上进一步评估视频的质量;同时,由于度量映射模型是通过传输特征数据得到得分的,因此还可以进一步根据得分倒推出异常的传输特征数据,从而实现视频质量的问题定位;另外,根据第二得分输出视频质量的预警信息,可以使视频的用户提前获知视频质量即将变差的信息,提高用户体验,实现视频质量的先验预测。
请参考图8,其为本发明实施例提供的视频质量评估方法的原理示例图。具体地,将视频业务中的视频集进行统一分类,通过加权采样后抽取部分视频,之后对抽取的部分视频进行链路采集数据,对于第一类别视频采用度量映射模型进行视频质量评估,对于第二类别视频采用端到端评估模型进行视频质量评估;若采用端到端评估模型得到的得分低于预期,则可以再采用度量映射评估模型进一步评估,在得到另外一种维度的同时还可以进一步分析出异常的传输特征数据,从而实现相应的视频质量的预测和问题的定位。
请参考图9,其为本发明实施例提供的视频质量评估方法中预置模型训练、验证和测试的示例图。具体地,预置模型可以分别从视频集中采集相应的数据进行训练,在训练到一定程度后,再采集相应的数据验证模型的精度,在模型达到一定的精度后,将预置模型(即图中的质量评估模型)应用于测试,从而得到相应的质量评估结果(如图中的98、32、76各个视频的得分)。
此外,本领域技术人员可以理解,上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
在一个实施例中,涉及一种视频质量评估装置200,如图10所示,包括获取模块201和评估模块202,各模块功能详细说明如下:
获取模块201,用于对视频集中各个视频进行分类;
评估模块202,用于将不同类别的视频输入至不同的预置模型中,利用预置模型获取视频的质量评估结果。
进一步地,视频包括第一类别视频,预置模型包括度量映射评估模型;本发明实施例提供的视频质量评估装置200还包括第一采集模块,其中,第一采集模块用于获取视频在视频链路上的传输特征数据;评估模块202还用于:将第一类别视频的传输特征数据输入至度量映射评估模型中,利用度量映射评估模型获取第一类别视频的第一得分,第一得分由度量映射评估模型根据传输特征数据评估后输出。
进一步地,本发明实施例提供的视频质量评估装置200还包括评估处理模块,所述评估处理模块用于:在第一得分小于第一预期得分时,根据度量映射评估模型倒推并定位视频在视频链路上异常的传输特征数据,和/或,根据第一得分输出视频质量的预警信息。
进一步地,视频还包括第二类别视频,预置模型还包括端到端评估模型;本发明实施例提供的视频质量评估装置200还包括第二采集模块,其中,第二采集模块用于:在视频的视频链路的前端和后端分别设置至少一个采集点;通过采集点采集视频在前端的前端视频数据和在后端的后端视频数据;评估模块202还用于:将第二类别视频的前端视频数据和后端视频数据输入至端到端评估模型中,利用端到端评估模型获取第二类别视频的第二得分,第二得分由端到端评估模型在比较后端视频数据和前端视频数据之间的差别后输出。
进一步地,本发明实施例提供的视频质量评估装置200还包括复评模块,其中,复评模块用于:若第二得分低于第二预期得分,则将第二类别视频的传输特征数据输入至度量映射评估模型中,利用度量映射评估模型获取第二类别视频的第一得分,和/或,根据第二得分输出视频质量的预警信息。
进一步地,第二采集模块还用于在采集点通过旁路复制的方式采集前端视频数据和后端视频数据。
进一步地,获取模块201还用于依据功能场景、视频长度、接入并发数、接入类型和网络环境参数中的至少一种数据对视频集中各个视频进行分类。
进一步地,本发明实施例提供的视频质量评估装置200还包括抽取模块,其中,抽取模块用于:对视频集中各个视频添加标签和/或权重;根据标签和/或权重采用加权采样算法抽取视频集中的部分视频;评估模块202还用于:将部分视频中不同类别的视频输入至不同的预置模型中。
不难发现,本实施例为与前述方法的实施例相对应的装置实施例,本实施例可与前述方法的实施例互相配合实施。前述方法的实施例中提到的相关技术细节在本实施例中依然有效,为了减少重复,这里不再赘述。相应地,本实施例中提到的相关技术细节也可应用在前述方法的实施例中。
值得一提的是,本实施例中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施例中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施例中不存在其它的单元。
在一个实施例中,涉及一种电子设备,如图11所示,包括:至少一个处理器301;以及,与至少一个处理器301通信连接的存储器302;其中,存储器302存储有可被至少一个处理器301执行的指令,指令被至少一个处理器301执行,以使至少一个处理器301能够执行上述的视频质量评估方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
在一个实施例中,涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)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(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施例是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (11)
1.一种视频质量评估方法,其特征在于,包括:
对视频集中各个视频进行分类;
将不同类别的视频输入至不同的预置模型中,利用所述预置模型获取所述视频的质量评估结果。
2.根据权利要求1所述的视频质量评估方法,其特征在于,所述视频包括第一类别视频,所述预置模型包括度量映射评估模型;
在所述将不同类别的视频输入至不同的预置模型中之前,还包括:
获取所述视频在视频链路上的传输特征数据;
所述将不同类别的视频输入至不同的预置模型中,利用所述预置模型获取所述视频的质量评估结果,包括:
将所述第一类别视频的传输特征数据输入至所述度量映射评估模型中,利用所述度量映射评估模型获取所述第一类别视频的第一得分,所述第一得分由所述度量映射评估模型根据所述传输特征数据评估后输出。
3.根据权利要求2所述的视频质量评估方法,其特征在于,在所述利用所述度量映射评估模型获取所述第一类别视频的第一得分之后,还包括:
若所述第一得分小于第一预期得分,则根据所述度量映射评估模型倒推并定位所述视频在视频链路上异常的传输特征数据,和/或,根据所述第一得分输出视频质量的预警信息。
4.根据权利要求2所述的视频质量评估方法,其特征在于,所述视频还包括第二类别视频,所述预置模型还包括端到端评估模型;
在所述将不同类别的视频输入至不同的预置模型中之前,还包括:
在所述视频的视频链路的前端和后端分别设置至少一个采集点;
通过所述采集点采集所述视频在所述前端的前端视频数据和在所述后端的后端视频数据;
所述将不同类别的视频输入至不同的预置模型中,利用所述预置模型获取所述视频的质量评估结果,还包括:
将所述第二类别视频的所述前端视频数据和所述后端视频数据输入至所述端到端评估模型中,利用所述端到端评估模型获取所述第二类别视频的第二得分,所述第二得分由所述端到端评估模型在比较所述后端视频数据和所述前端视频数据之间的差别后输出。
5.根据权利要求4所述的视频质量评估方法,其特征在于,在所述利用所述端到端评估模型获取所述第二类别视频的第二得分之后,还包括:
若所述第二得分低于第二预期得分,则将所述第二类别视频的传输特征数据输入至所述度量映射评估模型中,利用所述度量映射评估模型获取所述第二类别视频的第一得分,和/或,根据所述第二得分输出视频质量的预警信息。
6.根据权利要求4所述的视频质量评估方法,其特征在于,所述通过所述采集点采集所述视频在所述前端的前端视频数据和在所述后端的后端视频数据,具体为:
在所述采集点通过旁路复制的方式采集所述前端视频数据和所述后端视频数据。
7.根据权利要求1-6任一项所述的视频质量评估方法,其特征在于,所述对视频集中各个视频进行分类,包括:
依据功能场景、视频长度、接入并发数、接入类型和网络环境参数中的至少一种数据对所述视频集中各个视频进行分类。
8.根据权利要求7所述的视频质量评估方法,其特征在于,在所述将不同类别的视频输入至不同的预置模型中之前,还包括:
对视频集中各个视频添加标签和/或权重;
根据所述标签和/或所述权重采用加权采样算法抽取所述视频集中的部分视频;
所述将不同类别的视频输入至不同的预置模型中,包括:
将所述部分视频中不同类别的视频输入至不同的预置模型中。
9.一种视频质量评估装置,其特征在于,包括:
获取模块,用于对视频集中各个视频进行分类;
评估模块,用于将不同类别的视频输入至不同的预置模型中,利用所述预置模型获取所述视频的质量评估结果。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8任一项所述的视频质量评估方法。
11.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的视频质量评估方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115460.5A CN115866235A (zh) | 2021-09-23 | 2021-09-23 | 视频质量评估方法、装置、电子设备及存储介质 |
PCT/CN2022/093999 WO2023045365A1 (zh) | 2021-09-23 | 2022-05-19 | 视频质量评估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111115460.5A CN115866235A (zh) | 2021-09-23 | 2021-09-23 | 视频质量评估方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115866235A true CN115866235A (zh) | 2023-03-28 |
Family
ID=85653001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111115460.5A Pending CN115866235A (zh) | 2021-09-23 | 2021-09-23 | 视频质量评估方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115866235A (zh) |
WO (1) | WO2023045365A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116546191A (zh) * | 2023-07-05 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 视频链路质量检测方法、装置及设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101616315A (zh) * | 2008-06-25 | 2009-12-30 | 华为技术有限公司 | 一种视频质量评价方法、装置和系统 |
EP2936804A4 (en) * | 2012-12-21 | 2016-06-01 | Thomson Licensing | VIDEO QUALITY MODEL, METHOD FOR DEVELOPING A VIDEO QUALITY MODEL AND METHOD FOR DETERMINING THE VIDEO QUALITY USING A VIDEO QUALITY MODEL |
CN111212279B (zh) * | 2018-11-21 | 2021-06-29 | 华为技术有限公司 | 一种视频质量的评估方法及装置 |
CN113840131B (zh) * | 2020-06-08 | 2023-08-01 | 中国移动通信有限公司研究院 | 视频通话质量评估方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-09-23 CN CN202111115460.5A patent/CN115866235A/zh active Pending
-
2022
- 2022-05-19 WO PCT/CN2022/093999 patent/WO2023045365A1/zh active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116546191A (zh) * | 2023-07-05 | 2023-08-04 | 杭州海康威视数字技术股份有限公司 | 视频链路质量检测方法、装置及设备 |
CN116546191B (zh) * | 2023-07-05 | 2023-09-29 | 杭州海康威视数字技术股份有限公司 | 视频链路质量检测方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023045365A1 (zh) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347668B (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN109359385B (zh) | 一种服务质量评估模型的训练方法及装置 | |
WO2018059402A1 (zh) | 确定故障类型的方法和装置 | |
CN107786994B (zh) | 端到端无线业务的用户感知质差分析方法和系统 | |
CN112784718B (zh) | 一种基于边缘计算与深度学习的绝缘子状态识别方法 | |
EP3761562A1 (en) | Indicator determination method and related device thereto | |
CN111242171A (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
CN110647447A (zh) | 用于分布式系统的异常实例检测方法、装置、设备和介质 | |
CN101616315A (zh) | 一种视频质量评价方法、装置和系统 | |
CN112434178A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN113568899A (zh) | 基于大数据的数据优化方法及云服务器 | |
CN115866235A (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
CN109560978B (zh) | 网络流量检测方法、装置及系统和计算机可读存储介质 | |
CN112566170B (zh) | 网络质量评估方法、装置、服务器及存储介质 | |
CN113660687A (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
CN112948262A (zh) | 一种系统测试方法、装置、计算机设备和存储介质 | |
WO2023051318A1 (zh) | 模型训练方法、无线资源调度方法及其装置及电子设备 | |
CN114827951A (zh) | 一种基于车辆终端的车辆网络质量分析方法、系统及存储介质 | |
CN110543509A (zh) | 用户访问数据的监控系统、方法、装置及电子设备 | |
CN113840131B (zh) | 视频通话质量评估方法、装置、电子设备及可读存储介质 | |
CN112434717B (zh) | 一种模型训练方法及装置 | |
CN112800102A (zh) | 告警相关性计算方法、装置及计算设备 | |
CN113128986A (zh) | 长链路交易的报错处理方法及装置 | |
CN112001622A (zh) | 云虚拟网关的健康度评估方法、系统、设备和存储介质 | |
CN116915767B (zh) | 文档传输方法及装置 |
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 |