WO2015089793A1

WO2015089793A1 - 移动视频业务的体验质量测量方法及装置

Info

Publication number: WO2015089793A1
Application number: PCT/CN2013/089975
Authority: WO
Inventors: 邓晓琳; 韩广林; 费泽松; 白伟
Original assignee: 华为技术有限公司
Priority date: 2013-12-19
Filing date: 2013-12-19
Publication date: 2015-06-25
Also published as: EP3073736A4; US9838680B2; CN104956673A; EP3073736B1; CN104956673B; US20160295210A1; EP3073736A1

Abstract

本发明实施例提供一种移动视频业务的体验质量测量方法及装置。该方法包括：对各个样本视频各分段的PSNR进行处理，根据处理后得到的预输入参数和各个样本视频的主观测试分数，确定出ePSNR预测模型，进而根据该预测模型，确定出增强主观测试分数MOS预测模型。然后，对于任何需要评估的视频，仅仅根据ePSNR预测模型确定出ePSNR，再根据增强MOS预测模型，即可确定出需要评估的视频的QoE。相较于现有技术中仅仅考虑了各帧PSRN平均值的QoE确定方法，该移动视频业务的体验质量测量过程中，尽可能的将影响视频的PSNR的因素都考虑进去，因此，能够实现对HAS视频业务体验质量的精确测量。

Description

移动视频业务的体验质量测量方法及装

技术领域

本发明实施例涉及移动通信领域，尤其涉及一种移动视频业务的体验质量测量方法及装置。背景技术

随着移动互联网的发展，以手机电视、移动视频电视、视频短消息等为代表的移动视频业务越来越受到用户的喜爱，移动视频业务将成为移动通信业务的主力。为吸引更多的客户，网络提供商和业务提供商更加关心用户对移动视频业务的体验质量（Quality of Experience, QoE) ，该 QoE由主观测试分数（Mean Opinion Score, MOS ) 体现， MOS值越高，表示 QoE越大，用户满意度好。其中， MOS是通过人来对视频进行打分得到一个视频的平均得分，这种打分测试需要在严格的测试环境下，遵循标准规定的特定流程来实现，对环境要求很高，流程复杂，通常不会采用。

现有技术中，通过峰值信噪比（Peak Signal to Noise Ratio, PSNR) 或结构相似性测量指数（Structural Similarity Index Measurement, SSIM) 对 MOS 进行评估。具体的，对于传统的视频业务，即码率恒定的视频业务，计算视频每一帧的 PSNR或 SSIM,然后对整个视频所有帧求 PSNR或 SSIM平均值，用这个平均值作为视频质量的客观评估指标。

然而， HTTP自适应流媒体（HTTP Adaptive Streaming, HAS )视频业务会在发送端将完整的视频编码成几个不同码率的视频，并对每个码率的视频进行分段。接收端根据当前的信道条件会请求相应码率的分段，最终导致 HAS 播放视频的码率是波动的。此时，主观 MOS分除了跟平均 PSNR或者平均 SSIM有关，还跟码率的波动情况等相关。因此，上述 MOS评估方法并不适于 HAS视频业务的体验质量测量。发明内容

本发明实施例提供一种移动视频业务的体验质量测量方法及装置，实现对 HAS视频业务体验质量的精确测量。

第一个方面，本发明实施例提供一种移动视频业务的体验质量测量方法，包括：

对样本视频的每一个码率每一分段的峰值噪声比 PSNR进行预处理，得到差值峰值噪声比 dPSNR, 其中，每一码率每一分段的 dPSNR为该码率该分段的 PSNR与同一个样本视频中最大码率对应的该分段的 PSNR的差值；对于同一样本视频，根据各码率各分段的 dPSNR, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值峰值噪声比 mean (dPSNR) 、最大差值峰值噪声比 max (dPSNR) 、最小差值峰值噪声比 min (dPSNR) 、方差差值峰值噪声比 std (dPSNR) ；

根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS, 确定增强峰值噪声比 ePSNR预测模型；

根据所述 ePSNR预测模型，确定增强主观测试分数 MOS预测模型。在第一个方面的第一种可能的实现方式中，所述根据各个样本视频的预输入参数与对应的主观测试分数 MOS，确定增强峰值噪声比 ePSNR预测模型，包括：

对各样本视频的预输入参数与对应的主观测试分数 MOS 进行一次线性拟合，确定出 ePSNR;

所述 ePSNR=aXmean (dPSNR) +b Xmax (dPSNR) +c Xmin (dPSNR) +dX std (dPSNR) ，其中， a、 b、 c、 d为使得所述 ePSNR与所述 MOS相关性最大的一组参数；

根据所述 ePSNR预测模型，确定增强主观测试分数 eMOS预测模型，包括：

对根据所述 ePSNR预测模型确定的 ePSNR与对应的主观测试分数 MOS 进行一次线性拟合，确定出 eMOS;

所述 eMOS=e X所述 ePSNR+f。

结合第一个方面的第一种可能的实现方式，在第一个方面的第二种可能的实现方式中，所述 a=1.3、 b=0、 c=-0.2、 d=-0.6、 e=0.34、 f=4.1。

第二个方面，本发明实施例提供一种移动视频业务的体验质量测量方法，包括：对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值；

对于同一样本视频，根据各码率各分段的 dSSIM, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值结构相似性测量指数 mean (dSSIM) 、最大差值结构相似性测量指数 max (dSSIM) 、最小差值结构相似性测量指数 min (dSSIM)、方差差值结构相似性测量指数 std (dSSIM) ；

根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数

MOS, 确定增强结构相似性测量指数 eSSIM预测模型；

根据所述 eSSIM预测模型，确定增强主观测试分数 MOS预测模型。在第二个方面的第一种可能的实现方式中，所述根据各个样本视频的预输入参数与对应的主观测试分数 MOS，确定增强结构相似性测量指数 eSSIM 预测模型，包括：

对各样本视频的预输入参数与对应的主观测试分数 MOS 进行一次线性拟合，确定出 eSSIM;

所述 eSSIM=aX mean (dSSIM) +b X max (dSSIM) +c Xmin (dSSIM) +dX std (dSSIM) ，其中， a、 b、 c、 d为使得所述 eSSIM与所述 MOS相关性最大的一组参数；

根据所述 eSSIM预测模型，确定增强主观测试分数 eMOS预测模型，包括：

对所述 eSSIM预测模型确定的 eSSIM与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS;

所述 eMOS=e X所述 eSSIM+f。

结合第二个方面的第一种可能的实现方式，在第二个方面的第二种可能的实现方式中，所述 a=1.4、 b=0、 c=-0.3、 d=-0.9、 e=22、 f=3.7。

第三个方面，本发明实施例提供一种移动视频业务的体验质量测量装置，包括：

预处理模块，用于对样本视频的每一个码率每一分段的峰值噪声比 PSNR 进行预处理，得到差值峰值噪声比 dPSNR,其中，每一码率每一分段的 dPSNR 为该码率该分段的 PSNR 与同一个样本视频中最大码率对应的该分段的 PSNR的差值；

预输入参数确定模块，用于根据所述预处理模块处理得到的各码率各分段的 dPSNR, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值峰值噪声比 mean (dPSNR) 、最大差值峰值噪声比 max (dPSNR) 、最小差值峰值噪声比 min (dPSNR) 、方差差值峰值噪声比 std (dPSNR) ；

ePSNR预测模型确定模块，用于根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS，确定增强峰值噪声比 ePSNR预测模型；

MOS预测模型确定模块，用于根据所述 ePSNR预测模型确定模块确定出的所述 ePSNR预测模型，确定增强主观测试分数 MOS预测模型。

在第三个方面的第一种可能的实现方式中，所述 ePSNR预测模型确定模块，具体用于对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 ePSNR,所述 ePSNR=aXmean(dPSNR)+b X max(dPSNR) +c X min (dPSNR) +dX std (dPSNR) ，其中， a、 b、 c、 d为使得所述 ePSNR 与所述 MOS相关性最大的一组参数；

所述 MOS预测模型确定模块，具体用于对根据所述 ePSNR预测模型确定的 ePSNR与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS，所述 eMOS=e X所述 ePSNR+f。

结合第三个方面的第一种可能的实现方式，在第三个方面的第二种可能的实现方式中，所述 a=1.3、 b=0、 c=-0.2、 d=-0.6、 e=0.34、 f=4.1。

第四个方面，本发明实施例提供一种移动视频业务的体验质量测量装置，包括：

预处理模块，用于对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值；

预输入参数确定模块，用于对于同一样本视频，根据各码率各分段的 dSSIM, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值结构相似性测量指数 mean (dSSIM) 、最大差值结构相似性测量指数 max (dSSIM)、最小差值结构相似性测量指数 min (dSSIM) 、方差差值结构相似性测量指数 std (dSSIM) ；

eSSIM预测模型确定模块，用于根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS，确定增强结构相似性测量指数 eSSIM 预测模型；

MOS 预测模型，用于根据所述 eSSIM 预测模型确定模块确定的所述 eSSIM预测模型，确定增强主观测试分数 MOS预测模型。

在第四个方面的第一种可能的实现方式中，所述 eSSIM预测模型确定模块，具体用于对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 eSSIM,所述 eSSIM=aXmean(dSSIM)+b X max (dSSIM) +c X min (dSSIM) +dX std (dSSIM) ，其中， a、 b、 c、 d为使得所述 eSSIM 与所述 MOS相关性最大的一组参数；

所述 MOS预测模型确定模块，具体用于对所述 eSSIM预测模型确定的 eSSIM与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS，所述 eMOS=e X所述 eSSIM+f。

结合第四个方面的第一种可能的实现方式，在第四个方面的第二种可能的实现方式中，所述 a=1.4、 b=0、 c=-0.3、 d=-0.9、 e=22、 f=3.7。

第五个方面，本发明实施例提供一种移动视频业务的体验质量测量装置，包括：处理器和存储器，所述存储器存储执行指令，当所述移动视频业务的体验质量测量装置运行时，所述处理器与所述存储器之间通信，所述处理器执行所述执行指令，对样本视频的每一个码率每一分段的峰值噪声比 PSNR 进行预处理，得到差值峰值噪声比 dPSNR,其中，每一码率每一分段的 dPSNR 为该码率该分段的 PSNR 与同一个样本视频中最大码率对应的该分段的 PSNR的差值；

对于同一样本视频，根据各码率各分段的 dPSNR, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值峰值噪声比 mean (dPSNR) 、最大差值峰值噪声比 max (dPSNR) 、最小差值峰值噪声比 min (dPSNR) 、方差差值峰值噪声比 std (dPSNR) ；根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数

MOS, 确定增强峰值噪声比 ePSNR预测模型；

根据所述 ePSNR预测模型，确定增强主观测试分数 MOS预测模型。在第五个方面的第一种可能的实现方式中，所述处理器，还用于执行所述执行指令，对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 ePSNR,所述 ePSNR=aXmean(dPSNR)+b X max(dPSNR) +c X min (dPSNR) +dX std (dPSNR) ，其中， a、 b、 c、 d为使得所述 ePSNR 与所述 MOS 相关性最大的一组参数，对根据所述 ePSNR预测模型确定的 ePSNR与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS; 所述 eMOS=e X所述 ePSNR+f。

结合第五个方面的第一种可能的实现方式，在第五个方面的第二种可能的实现方式中，所述 a=1.3、 b=0、 c=-0.2、 d=-0.6、 e=0.34、 f=4.1。

第六个方面，本发明实施例提供一种移动视频业务的体验质量测量装置，包括：处理器和存储器，所述存储器存储执行指令，当所述移动视频业务的体验质量测量装置运行时，所述处理器与所述存储器之间通信，所述处理器执行所述执行指令，对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值；

MOS, 确定增强结构相似性测量指数 eSSIM预测模型；

根据所述 eSSIM预测模型，确定增强主观测试分数 MOS预测模型。在第六个方面的第一种可能的实现方式中，所述处理器，还用于执行所述执行指令，对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 eSSIM,所述 eSSIM=aXmean(dSSIM)+b X max (dSSIM) +c X min (dSSIM) +dX std (dSSIM) ，其中， a、 b、 c、 d为使得所述 eSSIM 与所述 MOS相关性最大的一组参数，对所述 eSSIM预测模型确定的 eSSIM 与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS，所述 eMOS=e X所述 eSSIM+f。

结合第六个方面的第一种可能的实现方式，在第六个方面的第二种可能的实现方式中，所述 a=1.4、 b=0、 c=-0.3、 d=-0.9、 e=22、 f=3.7。

本发明实施例提供的移动视频业务的体验质量测量方法及装置，在对各个样本视频各分段的 PSNR进行处理后，根据处理后得到的预输入参数和各个样本视频的主观测试分数，确定出 ePSNR预测模型，进而根据该预测模型，确定出增强主观测试分数 MOS预测模型。然后，对于任何需要评估的视频，仅仅根据 ePSNR预测模型确定出 ePSNR, 然后根据增强 MOS预测模型，即可确定出需要评估的视频的 QoE。相较于现有技术中仅仅考虑了各帧 PSRN 平均值的 QoE确定方法，该移动视频业务的体验质量测量过程中，尽可能的将影响视频的 PSNR的因素都考虑进去，因此，能够实现对 HAS视频业务体验质量的精确测量。附图说明

图 1为本发明移动视频业务的体验质量测量方法实施例一的流程图；图 2为本发明视频的结构示意图；

图 3为本发明视频的 PSNR分布示意图；

图 4为主观 MOS分与 y之间的相关性的第一分析图；

图 5为主观 MOS分与 y之间的相关性的第二分析图；

图 6为主观 MOS分与 y之间的相关性的第三分析图；

图 7A为 MOS与 mean (dPSNR) 的散点图；

图 7B为 MOS与 ePSNR的散点图；

图 8是实际 MOS分与拟合曲线示意图；

图 9为本发明移动视频业务的体验质量测量方法实施例二的流程图；图 10 为本发明移动视频业务的体验质量测量装置实施例一的结构示意图；

图 11 为本发明移动视频业务的体验质量测量装置实施例二的结构示意图；

图 12 为本发明移动视频业务的体验质量测量装置实施例三的结构示意图；

图 13 为本发明移动视频业务的体验质量测量装置实施例四的结构示意图。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。

图 1 为本发明移动视频业务的体验质量测量方法实施例一的流程图。本实施例的执行主体为体验质量测量装置，该体验质量测量装置可独立设置在无线接入网侧，也可以集成设置在无线接入网侧网元上，如集成在演进型节点（eNodeB, eNB) 上，本实施例适用于需要对码率不恒定的视频业务的体验质量进行精确测量的场景。具体的，本实施例包括如下步骤：

101、对样本视频的每一个码率每一分段的峰值噪声比 PSNR进行预处理，得到差值峰值噪声比 dPSNR, 其中，每一码率每一分段的 dPSNR为该码率该分段的 PSNR与同一个样本视频中最大码率对应的该分段的 PSNR的差值。

一般来说，视频是由很多帧图像组成的， PSNR和 SSIM都是图像质量评价的客观标准，把该图像客观评价的方法应用到是视频业务中，对各帧的 PSNR或 SSIM求平均值，得到平均 PSNR或平均 SSIM, 从而实现了对传统视频业务的体验质量评估，该传统视频即为每帧的码率一致的视频。而本实施例中，视频主要为码率不恒定的视频，如 HTTP 自适应流媒体（HTTP Adaptive Streaming, HAS) 视频。 HAS视频业务会将一个完整的视频编码成几个不同码率的视频，并将每个码率的视频进行分段，例如，根据当前的信道条件请求相应码率的视频分段。从码率的角度来说，在相同的帧序号上，码率大视频的 PSNR值总是大于码率小视频 PSNR值；从各分段的角度来说，同一个码率的不同分段，即不同帧序号上的 PSNR值呈现波动现象，例如，用来传输静止图像的帧的 PSNR值高于用来传输动态图像的帧的 PSNR值。由此可知，一个视频的 PSNR, 不仅和码率有关系，还于视频的内容有关。

针对 HAS 视频业务的上述特点，本步骤中，体验质量（Quality of Experience , QoE ) 测量装置对样本视频各个分段的 PSNR进行预处理，即对于每一个码率每一个分段，求该码率该分段的 PSNR与同一个样本视频中最大码率对应的该分段的 PSNR的差值。具体的，可参见图 2。

图 2为本发明视频的结构示意图。如图 2，样本视频首先编码成 M种码率，然后每个码率被分成 N个分段，每个码率视频会对应一个 M3U8文件，记录该码率所有分段视频在发送端的存放地址。最后所有码率对应的 M3U8 文件会形成一个总的 M3U8文件，其中记录了每个码率 M3U8文件的存放地址。接收端在请求播放视频时首先下载总的 M3U8文件，并据此下载所有码率对应的 M3U8文件。接收端在播放视频时，会根据当前的下载情况决定下一个分段应该请求什么码率的分段，并根据要请求码率的 M3U8文件，向发送端请求相应的分段。例如当前下载一个分段所用时间很短，证明当前的信道条件好，则在下载下一个分段的时候应该请求一个比当前码率更高的分段。通过此种方法可以实现下载速度和播放速度相匹配前提下，最大化利用信道资源，使得接收端可以流畅的观看相对高质量的视频。

一般来说，不同码率的视频的质量随着帧序号的变化呈现出一致的趋势，把每个码率的各分段的 PSNR分别减去码率最大视频对应的 PSNR得到差值 dPSNR, 其中，该 dPSNR (differential PSNR)可通过如下公式（1 ) 计算：。

dPSN^ = PSNRy - PSNR_Mj ( l ) 其中： = 1，²，³，' ' ·，Μ 表示不同码率， i=l表示最小的一个码率， i=M表示最大的一个码率； j = u 表示不同的分段， j=l表示视频时间方向上第 —个分段， j=N表示最后一个分段。由于接收方最终接收到的视频是不同码率分段的组合，相较于原始视频有偏差，即发生视频损伤。

102、对于同一样本视频，各码率各分段的 dPSNR, 确定根据样本视频得到的接收视频的预输入参数，预输入参数包括：平均差值峰值噪声比 mean ( dPSNR) 、最大差值峰值噪声比 max ( dPSNR) 、最小差值峰值噪声比 min ( dPSNR) 、方差差值峰值噪声比 std ( dPSNR) 。本步骤中， QoE测量装置尽可能的将影响接收视频质量的 PSNR因素确定出来并将其作为预输入参数。

具体的，各码率各分段的 dPSNR可以在发送方计算出来，并存放在 M3U8 文件中。接收方接收根据接收到的视频，以及捕获到的 M3U8文件，可以确定预输入参数，例如，确定所有分段的 mean (dPSNR) 、 max (dPSNR) 、 min (dPSNR) 以及 std (dPSNR) 等，将确定出的各个数据作为预输入参数。其中， mean(PSNI 是影响视频质量的最关键因素， min(PSNI 反映了接收方接收到的视频中质量最差的分段， ma^PSNR)反映了接收视频中的最好分段，标准差的值 std(PSNR)反应了视频质量的波动情况，标准差越大视频质量的波动就越大，标准差越小视频质量的波动就越小。

103、根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS，确定增强峰值噪声比 ePSNR预测模型。

QoE测量装置将 mean (dPSNR) 作为影响 QoE的最关键的因素，在该 mean (dPSNR) 的基础上，依次确定其他预输入参数， g卩 max (dPSNR) 、 min (dPSNR) 以及 std (dPSNR) 对 QoE的影响。以下将根据预输入参数确定出的 PSNR称之为增强峰值噪声比 ePSNR。QoE测量装置根据预设的算法，对各预输入参数与与对应的主观测试分数 MOS进行拟合，从而确定出 ePSNR 预测模型。

104、根据 ePSNR预测模型，确定增强主观测试分数 MOS预测模型。在确定出 ePSNR预测模型后， QoE测量装置进一步的对 ePSNR预测模型与对应的主观测试分数 MOS进行拟合，确定出增强 MOS预测模型。

本发明实施例提供的移动视频业务的体验质量测量方法，在对各个样本视频各分段的 PSNR进行处理后，根据处理后得到的预输入参数和各个样本视频的主观测试分数，确定出 ePSNR预测模型，进而根据该预测模型，确定出增强主观测试分数 MOS预测模型。然后，对于任何需要评估的视频，仅仅根据 ePSNR预测模型确定出 ePSNR, 然后根据增强 MOS预测模型，即可确定出需要评估的视频的 QoE。相较于现有技术中仅仅考虑了各帧 PSRN平均值的 QoE确定方法，该移动视频业务的体验质量测量过程中，尽可能的将影响视频的 PSNR的因素都考虑进去，因此，能够实现对 HAS视频业务体验质量的精确测量。下面，用一个具体的实施例对本发明如何确定 ePSNR预测模型与增强主观测试分数 MOS预测模型的过程进行详细说明。本实施例中，下一代移动通信网络（Next Generation Mobile Netwoks, NGMN) 提供 90个损伤视频作为样本视频，并同时提供每一个样本视频的播放记录，该播放记录携带在不同时间分别播放的哪一个码率的视频的信息。对于每个样本视频，每种编码码率视频在每个段上的 dPSNR都是已知的，所以根据播放记录可以很容易的算出 mean(dPSNR), max(dPSNR), min(dPSNR), std(dPSNR)。另外，每个样本视频的 MOS分数已知。

图 3为本发明视频的 PSNR分布示意图。本实施例中，视频由 6个码率的视频组成，图中由下至上的曲线①〜⑥分布代表不同的码率，其中，曲线① 的码率为 128kbs，曲线②的码率为 210kbs，曲线③的码率为 350kbs，曲线④ 的码率为 545kbs，曲线⑤的码率为 876kbs，曲线⑥的码率为 1410kbs。其中，横坐标为帧序号，纵坐标为 PSNR值。需要说明的是，该图仅为一个示意图，并不代表实际实验数据得到的图。

请结合图 3，根据该图可推理得出：不同码率的视频随着帧序号的变化呈现出一致的趋势。例如，在帧序号 771上，曲线②对应的 PSNR值与曲线⑥ 对应的 PSNR值的差值为 dPSNRl ,与在帧序号 1431上，曲线②对应的 PSNR 值与曲线⑥对应的 PSNR值的差值为 dPSNR2，该 dPSNRl与 dPSNR2近似。因此，求出各个曲线的同一个分段的 dPSNR, 其他分段的 dPSNR即为该同一个分段的 dPSNR的近似值。

按照图 2公式（1 ) ，对其中一个分段的 PSNR进行处理，得到的 dPSNR 结果如表 1所示，表 1为图 3中 dPSNR的属性表。

表 1

码率 · kbs» · dPSNR

128 -6.33862

210 -4.81513

350 -3.63021

545 -2.39006

876 -1.22393

1410 0 在确定出 dPSNR后，根据该值确定预输入参数，即接收视频所有分段的 mean (dPSNR) 、 max (dPSNR) 、 min (dPSNR) 以及 std (dPSNR) 等，然后将 mean (dPSNR)作为影响 QoE的最关键的因素，在该 mean (dPSNR) 的基础上，依次确定其他预输入参数，即 max (dPSNR) 、 min (dPSNR) 以及 std (dPSNR) 对 QoE的影响。

首先，分析样本视频最差的分段对 MOS分的影响，令客观估计值 y=mean(dSPNR)+a X min(dPSNR) , 即将视频中最差分段 PSNR值引入客观评估算法中。其中 a的取值范围为 -0.5〜0.5。图 4为主观 MOS分与 y之间的相关性的第一分析图。

请参照图 4，横坐标为 a，纵坐标为相关系数。当 a=0， y=mean(dPSNR) 时， MOS与 y之间的相关系数为 0.7877，也即 MOS与 mean(dPSNR)之间的相关系数为 0.7877。当 a取不同值时主观 MOS分与 y之间的相关性波动较大，当 a取合适值时可以使得 MOS与 y之间的相关性大于 MOS与 mean之间的相关性。由图中可以看出当 a大约为 -0.05，即 min dPSNR)前系数为 -0.05时， MOS与 y之间的相关性能达到最大，且明显的高于 MOS分与 mean之间的相关性。故在改进的客观评估算法中将 min(dPSNRM乍为一个输入，可以提高预测算法的准确性。

其次，分析样本视频最好的分段对主观 MOS分的影响，令客观估计值为 y=mean(dPSNR)+a X max(dPSNR)，同上 a 的取值范围为 -0.5〜0.5，即 max(dPSNR)前系数的变化范围也为 -0.5〜0.5。图 5为主观 MOS分与 y之间的相关性的第二分析图。

请参照图 5，横坐标为 a，纵坐标为相关系数。主观 MOS分与 y之间的相关性随着 max dPSNR)前系数 a的变化波动很小。这说明 max dPSNR)对主观 MOS分基本没有影响。 MOS与 y之间的相关性大致等于 MOS分与 mean 之间的相关性。故在改进的客观评估算法中没有必要将其作为一个输入。

最后，分析样本视频各分段 dPSNR的方差对主观 MOS分的影响。令客观估计值 y=mean(dPSNR)+aX std(dPSNR)，其中 a的取值范围为 -0.5〜0.5，即 std(dPSNR)前系数的变化范围为 -0.5〜0.5。图 6为主观 MOS分与 y之间的相关性的第三分析图。

请参照图 6，横坐标为 a，纵坐标为相关系数，主观 MOS分与 y之间的相关性随着 std(dPSNR)系数变化呈现较大波动。这说明 std(dPSNR)对主观 MOS分有一定的影响。当 a取一个合适的值，即令 std(dPSNR)前取一个合适的系数时 MOS与 y之间的相关性大于 MOS分与 mean(dPSNR)之间的相关性。所以在改进型客观评估算法中加入 std(dPSNR)可以提高其预测主观 MOS分的性能。因此，在改进的客观评估算法中可以将其作为一个输入。

结合上述分析可知， MOS的取值主要取决于 dPSNR的均值，其中 dPSNR 的最小值对 MOS影响比较明显， dPSNR方差对 MOS取值有影响， dPSNR 的最大值对 MOS基本无影响。因此，可以令改进型客观评估方法的公式为： ePSNR=a X mean ( dPSNR) +b X max ( dPSNR) +c X min ( dPSNR) +d X std (dPSNR) (2)

确定出 ePSNR的预测模型后，用 ePSNR取值和现有的主观 MOS分拟合得到 MOS预测模型：

eMOS=e X ePSNR+f (3 ) 。

上述公式（2)中，由于 dPSNR的最大值对 MOS基本无影响，因此， b=0。继续采用一系列的值进行迭代， MOS分与 ePSNR之间相关性最大的系数即为最后确定的系数。最后得出的结果是 a=1.3， b=-0.2， c=-0.6 o 将该些系数带入公式（2) 可得：

ePSNR= 1.3 X mean ( dPSNR ) -0.2 X min ( dPSNR )-0.6 X std ( dPSNR ) (4) 进一步的，根据公式（4) ，用 ePSNR取值和现有的主观 MOS分拟合，得出 e=0.34， f=4.1，将该些系数带入公式（3 ) 可得：

eMOS=0.34 X eSSIM+4.1 (5 )

图 7A为 MOS与 mean (dPSNR)的散点图，图 7B为 MOS与 ePSNR的散点图。

请参照图 7A，横坐标为 mean (dPSNR)的取值，纵坐标为主观 MOS分，经计算得出主观 MOS分与 mean (dPSNR) 的相关系数为 0.7713。

请参照图 7B，横坐标为 ePSNR的取值，总坐标为主观 MOS分，经计算得出主观 MOS分与 ePSNR的相关系数为 0.8716。

因此，结合图 7A和图 7B可知，用 dPSNR均值，最小值以及方差共同对 MOS值预测的性能高于单用 dPSNR均值对 MOS值做预测时的性能。

图 8是实际 MOS分与拟合曲线示意图，可以看到实际的 MOS打分紧紧围绕在预测曲线的周围。综合上述，本发明实施例提供的移动视频业务的体验质量测量方法，尽可能的将影响视频的 PSNR的因素都考虑进去，如 dPSNR均值，最小值以及方差等，由此得出的 MOS值预测的性能高于单用 dPSNR均值对 MOS值做预测时的性能。因此，在确定出预测模型，即上述公式（4) 与公式（5 ) 后，对于任一需要评估的 HAS 视频，确定出该需要评估的视频的各分段的 dPSNR, 进而确定出 mean (dPSNR) 、 min (dPSNR) 、 std (dPSNR) ，即可根据公式（4) 与公式（5 ) 准确的评估出 QoE。

图 9为本发明移动视频业务的体验质量测量方法实施例二的流程图。相较于上述通过对各分段的 PSNR进行处理从而确定预测模型，本实施例中，通过对各分段的 SSIM进行处理从而确定出预测模型。具体的，本实施例包括如下步骤：

201、对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值。

本步骤中，体验质量（Quality of Experience, QoE)测量装置对样本视频各个分段的 SSIM进行预处理，即对于每一个码率每一个分段，求该码率该分段的 SSIMR与同一个样本视频中最大码率对应的该分段的 SSIM的差值。具体的处理方法，请见上述图 1步骤 101，此处不再赘述。

202、对于同一样本接收视频，根据各码率各分段的 dSSIM, 确定根据样本视频得到的接收视频的预输入参数，预输入参数包括：平均差值结构相似性测量指数 mean (dSSIM) 、最大差值结构相似性测量指数 max (dSSIM) 、最小差值结构相似性测量指数 min (dSSIM)、方差差值结构相似性测量指数 std (dSSIM) 。

本步骤中， QoE测量装置尽可能的将影响接收视频的 SSIM的因素确定出来作为预输入参数。例如，确定所有分段的 mean (dSSIM)、 max (dSSIM)、 min (dSSIM) 以及 std (dSSIM) 等，将确定出的各个数据作为预输入参数。其中， mean(SSIM)是影响视频质量的最关键因素， min(SSIM)反映了样本视频中质量最差的分段， max(SSIM)反映了视频中的最好分段，标准差的值 std(SSIM)反应了视频质量的波动情况，标准差越大视频质量的波动就越大，标准差越小视频质量的波动就越小。

203、根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS，确定增强结构相似性测量指数 eSSIM预测模型。

QoE测量装置将 mean (dSSIM) 作为影响 QoE的最关键的因素，在该 mean (dSSIM) 的基础上，依次确定其他预输入参数，即 max (dSSIM) 、 min (dSSIM) 以及 std (dSSIM) 对 QoE的影响。以下将根据预输入参数确定出的 SSIM称之为增强峰值噪声比 eSSIM。 QoE测量装置根据预设的算法，对各预输入参数与与对应的主观测试分数 MOS进行拟合，从而确定出 eSSIM 预测模型。

204、根据 eSSIM预测模型，确定增强主观测试分数 MOS预测模型。在确定出 eSSIM预测模型后， QoE测量装置进一步的对 eSSIM预测模型与对应的主观测试分数 MOS进行拟合，确定出增强 MOS预测模型。

本发明实施例提供的移动视频业务的体验质量测量方法，在对各个样本视频各段的 SSIM进行处理后，根据处理后得到的预输入参数和各个样本视频的主观测试分数，确定出 eSSIM预测模型，进而根据该预测模型，确定出增强主观测试分数 MOS预测模型。然后，对于任何需要评估的视频，仅仅根据 eSSIM预测模型确定出 SSIM, 然后根据增强型 MOS预测模型，即可确定出需要评估的视频的 QoE。相较于现有技术中仅仅考虑了各帧 SSIM平均值的 QoE确定方法，该移动视频业务的体验质量测量过程中，尽可能的将影响接收视频的 SSIM的因素都考虑进去，因此，能够实现对 HAS视频业务体验质量的精确测量。

进一步的，上述实施例二中， QoE测量装置对各样本接收视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 eSSIM;

eSSIM=aX mean (dSSIM) +b X max (dSSIM) +c X min (dSSIM) +dX std (dSSIM) ( 1 )

确定出 eSSIM的预测模型后，用 eSSIM取值和现有的主观 MOS分拟合得到 MOS预测模型：

eMOS=e X eSSIM+f (2)

上述公式（1 ) 中， a、 b、 c、 d为使得 eSSIM与 MOS相关性最大的一组参数，采用一系列的值进行迭代后，确定出 a=1.4， b=-0.3， c=-0.9，将该些系数带入公式（1 ) 可得： eSSIM=1.4 X mean (dSSIM) -0.3 Xmin (dSSIM) -0.9 X std (dSSIM) (3 ) 进一步的，根据公式（3 ) ，用 eSSIM取值和现有的主观 M0S分拟合，得出 e=22， f=3.7，将该些系数带入公式（2) 可得：：

eMOS=22 X eSSIM+3.7 (4) 。

在确定出预测模型，即上述公式（3 ) 与公式（4) 可对任一需要评估的

HAS 视频，确定出该需要评估视频的各分段的 dSSIM, 进而确定出 mean (dSSIM) 、 min (dSSIM) 、 std (dSSIM) ，即可根据公式（3 ) 与公式（4) 准确的评估出 QoE。

需要说明的是，上述实施例一是对各分段的 PSNR进行处理确定出预测模型，上述实施例二是对各分段的 SSIM进行处理确定出预测模块。由于 PSNR 与 SSIM是两个不同的参数，因此，虽然通过该两种参数确定预测模型的过程一致，对于同一需要评估的 HAS视频，该两种方式各自确定出的 QoE具有相似性，但存在一定的偏差。

图 10 为本发明移动视频业务的体验质量测量装置实施例一的结构示意图。本实施例提供的移动视频业务的体验质量测量装置，是与本发明图 1 实施例对应的装置实施例，具体实现过程在此不再赘述。具体的，本实施例提供的移动视频业务的体验质量测量装置 100具体包括：

预处理模块 11，用于对样本视频的每一个码率每一分段的峰值噪声比 PSNR进行预处理，得到差值峰值噪声比 dPSNR, 其中，每一码率每一分段的 dPSNR为该码率该分段的 PSNR与同一个样本视频中最大码率对应的该分段的 PSNR的差值；

预输入参数确定模块 12，用于根据预处理模块 11 处理得到的各码率各分段的 dPSNR, 确定根据样本视频得到的接收视频的预输入参数，预输入参数包括：平均差值峰值噪声比 mean (dPSNR) 、最大差值峰值噪声比 max (dPSNR) 、最小差值峰值噪声比 min (dPSNR) 、方差差值峰值噪声比 std (dPSNR) ；

ePSNR预测模型确定模块 13，用于根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS，确定增强峰值噪声比 ePSNR预测模型；

MOS预测模型确定模块 14，用于根据 ePSNR预测模型确定模块 13确定出的 ePSNR预测模型，确定增强主观测试分数 MOS预测模型。进一步的， ePSNR预测模型确定模块 13，具体用于对各样本视频的预输入参数与对应的主观测试分数 MOS 进行一次线性拟合，确定出 ePSNR, ePSNR=a X mean (dPSNR) +b X max (dPSNR) +c X min (dPSNR) +dX std (dPSNR) ，其中， a、 b、 c、 d为使得 ePSNR与 MOS相关性最大的一组参数；

MOS 预测模型确定模块 14，具体用于对根据 ePSNR预测模型确定的 ePSNR 与对应的主观测试分数 MOS 进行一次线性拟合，确定出 eMOS， eM0S=e X ePSNR+f_o

进一步的， a=1.3、 b=0、 c=-0.2、 d=-0.6、 e=0.34、 f=4.1。

图 11 为本发明移动视频业务的体验质量测量装置实施例二的结构示意图。本实施例提供的移动视频业务的体验质量测量装置，是与本发明图 9 实施例对应的装置实施例，具体实现过程在此不再赘述。具体的，本实施例提供的移动视频业务的体验质量测量装置 200具体包括：

预处理模块 21，用于对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值；

预输入参数确定模块 22，用于对于同一样本视频，根据各码率各分段的 dSSIM, 确定根据样本视频得到的接收视频的预输入参数，预输入参数包括：平均差值结构相似性测量昔数 mean (dSSIM) 、最大差值结构相似性测量 ¾匕数 max (dSSIM) 、最小差值结构相似性测量指数 min (dSSIM) 、方差差值结构相似性测量指数 std (dSSIM) ；

eSSIM预测模型确定模块 23，用于根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS，确定增强结构相似性测量指数 eSSIM预测模型；

MOS预测模型 24，用于根据 eSSIM预测模型确定模块 23确定的 eSSIM 预测模型，确定增强主观测试分数 MOS预测模型。

进一步的， eSSIM预测模型确定模块 23，具体用于对各样本视频的预输入参数与对应的主观测试分数 MOS 进行一次线性拟合，确定出 eSSIM, eSSIM=a X mean ( dSSIM ) +b X max ( dSSIM ) +c X min ( dSSIM ) +d X std (dSSIM) ，其中， a、 b、 c、 d为使得 eSSIM与 MOS相关性最大的一组参数；

MOS预测模型确定模块 24，具体用于对 eSSIM预测模型确定的 eSSIM 与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS， eMOS=eX eSSIM+fo

进一步的， a=1.4、 b=0、 c=-0.3、 d=-0.9、 e=22、 f=3.7。

图 12 为本发明移动视频业务的体验质量测量装置实施例三的结构示意图。本实施例提供的移动视频业务的体验质量测量装置，是与本发明图 1 实施例对应的装置实施例，具体实现过程在此不再赘述。具体的，本实施例提供的移动视频业务的体验质量测量装置 300具体包括：

处理器 31和存储器 32，存储器 32存储执行指令，当移动视频业务的体验质量测量装置 300运行时，处理器 31与存储器 32之间通信，处理器 31执行执行指令，对样本视频的每一个码率每一分段的峰值噪声比 PSNR进行预处理，得到差值峰值噪声比 dPSNR, 其中，每一码率每一分段的 dPSNR为该码率该分段的 PSNR与同一个样本视频中最大码率对应的该分段的 PSNR 的差值；

对于同一样本视频，根据各码率各分段的 dPSNR, 确定根据样本视频得到的接收视频的预输入参数，预输入参数包括：平均差值峰值噪声比 mean (dPSNR) 、最大差值峰值噪声比 max (dPSNR) 、最小差值峰值噪声比 min (dPSNR) 、方差差值峰值噪声比 std (dPSNR) ；

根据 ePSNR预测模型，确定增强主观测试分数 MOS预测模型。

进一步的，处理器 31，还用于执行执行指令，对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 ePSNR, ePSNR=a X mean (dPSNR) +b Xmax (dPSNR) +c Xmin (dPSNR) +dX std (dPSNR) ，其中， a、b、c、d为使得 ePSNR与 MOS相关性最大的一组参数，对根据 ePSNR 预测模型确定的 ePSNR与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS； eMOS=e X ePSNR+f。

进一步的， a=1.3、 b=0、 c=-0.2、 d=-0.6、 e=0.34、 f=4.1。图 13 为本发明移动视频业务的体验质量测量装置实施例四的结构示意图。本实施例提供的移动视频业务的体验质量测量装置，是与本发明图 9 实施例对应的装置实施例，具体实现过程在此不再赘述。具体的，本实施例提供的移动视频业务的体验质量测量装置 400包括：

处理器 41和存储器 42，存储器 42存储执行指令，当移动视频业务的体验质量测量装置运行时，处理器 41与存储器 42之间通信，处理器 41执行执行指令，对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值；

对于同一样本视频，根据各码率各分段的 dSSIM, 确定根据样本视频得到的接收视频的预输入参数，预输入参数包括：平均差值结构相似性测量指数 mean (dSSIM) 、最大差值结构相似性测量指数 max (dSSIM) 、最小差值结构相似性测量指数 min (dSSIM) 、方差差值结构相似性测量指数 std (dSSIM) ；

根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS, 确定增强结构相似性测量指数 eSSIM预测模型；

根据 eSSIM预测模型，确定增强主观测试分数 MOS预测模型。

进一步的，处理器 41，还用于执行执行指令，对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 eSSIM, eSSIM=a X mean (dSSIM) +b Xmax (dSSIM) +c Xmin (dSSIM) +dX std (dSSIM) ，其中， a、 b、 c、 d为使得 eSSIM与 MOS相关性最大的一组参数，对 eSSIM 预测模型确定的 eSSIM与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS， eM0S=e X eSSIM+f_o

进一步的， a=1.4、 b=0、 c=-0.3、 d=-0.9、 e=22、 f=3.7。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括： ROM、 RAM,磁碟或者光盘等各种可以存储程序代码的介质。最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims

权利要求书

1、一种移动视频业务的体验质量测量方法，其特征在于，包括：对样本视频的每一个码率每一分段的峰值噪声比 PSNR进行预处理，得到差值峰值噪声比 dPSNR, 其中，每一码率每一分段的 dPSNR为该码率该分段的 PSNR与同一个样本视频中最大码率对应的该分段的 PSNR的差值；对于同一样本视频，根据各码率各分段的 dPSNR, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值峰值噪声比 mean (dPSNR) 、最大差值峰值噪声比 max (dPSNR) 、最小差值峰值噪声比 min (dPSNR) 、方差差值峰值噪声比 std (dPSNR) ；

MOS, 确定增强峰值噪声比 ePSNR预测模型；

根据所述 ePSNR预测模型，确定增强主观测试分数 MOS预测模型。

2、根据权利要求 1所述的方法，其特征在于，所述根据各个样本视频的预输入参数与对应的主观测试分数 MOS，确定增强峰值噪声比 ePSNR预测模型，包括：

所述 eMOS=e X所述 ePSNR+f。

3、根据权利要求 2所述的方法，其特征在于，所述 a=1.3、 b=0、 c=-0.2、 d=-0.6、 e=0.34、 f=4.1。

4、一种移动视频业务的体验质量测量方法，其特征在于，包括：对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值；

根据所述 eSSIM预测模型，确定增强主观测试分数 MOS预测模型。

5、根据权利要求 4所述的方法，其特征在于，所述根据各个样本视频的预输入参数与对应的主观测试分数 MOS，确定增强结构相似性测量指数 eSSIM预测模型，包括：

所述 eMOS=eX所述 eSSIM+f。

6、根据权利要求 5所述的方法，其特征在于，所述 a=1.4、 b=0、 c=-0.3、 d=-0.9、 e=22、 f=3.7。

7、一种移动视频业务的体验质量测量装置，其特征在于，包括：预处理模块，用于对样本视频的每一个码率每一分段的峰值噪声比 PSNR 进行预处理，得到差值峰值噪声比 dPSNR,其中，每一码率每一分段的 dPSNR 为该码率该分段的 PSNR 与同一个样本视频中最大码率对应的该分段的 PSNR的差值；预输入参数确定模块，用于根据所述预处理模块处理得到的各码率各分段的 dPSNR, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值峰值噪声比 mean (dPSNR) 、最大差值峰值噪声比 max (dPSNR) 、最小差值峰值噪声比 min (dPSNR) 、方差差值峰值噪声比 std (dPSNR) ；

8、根据权利要求 7所述的装置，其特征在于，

所述 ePSNR预测模型确定模块，具体用于对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 ePSNR,所述 ePSNR=a X mean (dPSNR) +b Xmax (dPSNR) +c Xmin (dPSNR) +dX std (dPSNR) ，其中， a、 b、 c、 d为使得所述 ePSNR与所述 MOS相关性最大的一组参数；所述 MOS预测模型确定模块，具体用于对根据所述 ePSNR预测模型确定的 ePSNR与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS，所述 eMOS=e X所述 ePSNR+f。

9、根据权利要求 8所述的装置，其特征在于，所述 a=1.3、 b=0、 c=-0.2、 d=-0.6、 e=0.34、 f=4.1。

10、一种移动视频业务的体验质量测量装置，其特征在于，包括：预处理模块，用于对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值；

预输入参数确定模块，用于对于同一样本视频，根据各码率各分段的 dSSIM, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值结构相似性测量指数 mean (dSSIM) 、最大差值结构相似性测量指数 max (dSSIM)、最小差值结构相似性测量指数 min (dSSIM) 、方差差值结构相似性测量指数 std (dSSIM) ； eSSIM预测模型确定模块，用于根据各个样本视频得到的接收视频的预输入参数与对应的主观测试分数 MOS，确定增强结构相似性测量指数 eSSIM 预测模型；

11、根据权利要求 10所述的装置，其特征在于，

所述 eSSIM预测模型确定模块，具体用于对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 eSSIM,所述 eSSIM=a X mean (dSSIM) +b Xmax (dSSIM) +c Xmin (dSSIM) +dX std (dSSIM) ，其中， a、 b、 c、 d为使得所述 eSSIM与所述 MOS相关性最大的一组参数；所述 MOS预测模型确定模块，具体用于对所述 eSSIM预测模型确定的 eSSIM与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS，所述 eMOS=e X所述 eSSIM+f。

12、根据权利要求 11所述的装置，其特征在于，所述 a=1.4、 b=0、 c=-0.3、 d=-0.9、 e=22、 f=3.7。

13、一种移动视频业务的体验质量测量装置，其特征在于，包括：处理器和存储器，所述存储器存储执行指令，当所述移动视频业务的体验质量测量装置运行时，所述处理器与所述存储器之间通信，所述处理器执行所述执行指令，对样本视频的每一个码率每一分段的峰值噪声比 PSNR进行预处理，得到差值峰值噪声比 dPSNR, 其中，每一码率每一分段的 dPSNR为该码率该分段的 PSNR与同一个样本视频中最大码率对应的该分段的 PSNR的差值；对于同一样本视频，根据各码率各分段的 dPSNR, 确定根据所述样本视频得到的接收视频的预输入参数，所述预输入参数包括：平均差值峰值噪声比 mean (dPSNR) 、最大差值峰值噪声比 max (dPSNR) 、最小差值峰值噪声比 min (dPSNR) 、方差差值峰值噪声比 std (dPSNR) ；

14、根据权利要求 13所述的装置，其特征在于，

所述处理器，还用于执行所述执行指令，对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 ePSNR,所述 ePSNR=a X mean (dPSNR) +b Xmax (dPSNR) +c Xmin (dPSNR) +dX std (dPSNR) ，其中， a、 b、 c、 d为使得所述 ePSNR与所述 MOS相关性最大的一组参数，对根据所述 ePSNR预测模型确定的 ePSNR与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS; 所述 eMOS=e X所述 ePSNR+f。

15、根据权利要求 14所述的装置，其特征在于，所述 _a=1.3、 b=0、 c=-0.2、 d=-0.6、 e=0.34、 f=4.1。

16、一种移动视频业务的体验质量测量装置，其特征在于，包括：处理器和存储器，所述存储器存储执行指令，当所述移动视频业务的体验质量测量装置运行时，所述处理器与所述存储器之间通信，所述处理器执行所述执行指令，对样本视频的每一个码率每一分段的结构相似性测量指数 SSIM进行预处理，得到差值结构相似性测量指数 dSSIM, 其中，每一码率每一分段的 dSSIM为该码率该分段的 SSIM与同一个样本视频中最大码率对应的该分段的 SSIM的差值；

MOS, 确定增强结构相似性测量指数 eSSIM预测模型；

17、根据权利要求 16所述的装置，其特征在于，

所述处理器，还用于执行所述执行指令，还用于对各样本视频的预输入参数与对应的主观测试分数 MOS进行一次线性拟合，确定出 eSSIM, 所述 eSSIM=a X mean ( dSSIM ) +b X max ( dSSIM ) +c X min ( dSSIM ) +d X std (dSSIM) ，其中， a、 b、 c、 d为使得所述 eSSIM与所述 MOS相关性最大的一组参数，对所述 eSSIM预测模型确定的 eSSIM与对应的主观测试分数 MOS进行一次线性拟合，确定出 eMOS, 所述 eMOS=e X所述 eSSIM+f。

18、根据权利要求 17所述的装置，其特征在于，所述 a=1.4、 b=0、 c=-0.3、 d=-0.9、 e=22、 f=3.7。