[发明专利]基于分组度量和图像度量两者测量视频质量的系统和方法

说明书

技术领域

本发明的技术领域涉及视频质量测量(VQM)，具体而言，涉及用于通过组合运用分组度量和图像度量两者来实现无参考在线服务中VQM的系统和方法。

背景技术

由于视频服务(例如视频蜂窝电话、视频会议、基于需求视频、因特网协议电视(IPTV)和远程学习)被广泛应用于分组网络(例如下一代网络(NGN)、三重播放网络和第3代网络)，因此在实时测量通过分组网络传送的服务中视频质量方面存在极大并且迫切的需求。

现有两种VQM方法，即主观方法和客观方法。主观方法基于人类主体在已定义的受控条件下所执行的评估。主观方法成本很高并且耗时。另外，主观方法的过程无法自动化。

客观方法采用给定的算术、物理或心理模型评估视频质量。另外，客观方法的执行可以参考或不参考原始视频图像。因此，客观方法可被划分为三类：全参考(FR)方法、简化参考(RF)方法或无参考(NR)方法。FR方法和RF方法都需要参考关于原始视频(即从发送端实际发送的视频)的信息，因此无法被用于在线服务中VQM。NR方法无需参考原始视频的信息。相反，NR方法只关注解码后的视频(即在接收端接收并解码后的视频)并且仅使用观察到的关于解码后视频的信息来评估视频质量。这使得NR方法适合于真实网络环境中的在线服务中VQM。

NRVQM方法一般被分成两类，即基于图像度量的NRVQM方法和基于分组度量的NRVQM方法。

基于图像度量的NRVQM方法通过分析最终用户接收到的视频图像的图像特征来评估视频质量，所述图像特征例如是急动失真、块失真、模糊失真以及空间信息和时间信息。但是，基于图像度量的NRVQM方法的主要缺点在于它的计算复杂度非常高，从而使它无法适用于实时应用，尤其是无法适用于其计算资源非常受限的移动设备。此外，另一缺点是基于图像度量的NRVQM方法无法应用于网络排查。

基于分组度量的NRVQM方法是通过测量视频流的分组级别特性来评价视频质量的，分组级别特性例如是抖动、延迟和分组丢失。这些基于分组度量的NRVQM方法的主要缺点在于它们无法与人类感觉很好地关联起来。虽然已经提出了某些改进方法来克服上述问题，但是这些方法仍然无法捕获由源引起的视频毁损，而这种情况在用于视频蜂窝电话和视频会议的应用中是非常典型而且常见的。

因此，需要一种在不具有上述缺陷的NRVQM方法和系统来实时测量视频质量。

发明内容

一种用于视频流的视频质量测量(VQM)系统包括神经网络VQM模块，该神经网络VQM模块的体系结构被构建为基于视频流的图像度量和分组度量两者来计算视频质量度量。该VQM系统还包括图像度量测量模块，其接收视频流并计算该视频流的图像度量。该VQM系统还包括分组度量测量模块，其获得关于视频流的分组级别特性的信息，以计算分组度量。计算出的图像度量和分组度量被输入所述神经网络VQM模块，以计算视频质量度量。该VQM系统还包括VQM测试台，用于确定和验证神经网络VQM模块的体系结构。

此外，一种基于图像度量和分组度量两者的视频质量测量(VQM)方法包括确定和验证用于计算视频流的视频质量度量的神经网络VQM模块的体系结构的步骤。该VQM方法还包括计算接收到的视频流的图像度量和分组度量并将该图像度量和分组度量输入上述神经网络VQM模块，以计算视频质量度量。

附图说明

当结合附图阅读以下描述时，可以更全面地理解本发明的前述和其它特征，在附图中：

图1示出根据本发明一个实施例的VQM系统的框图，该VQM系统利用分组度量和图像度量两者来计算视频质量度量；

图2是示出图1所示神经网络VQM模块的体系结构模型的一个示例的结构图；

图3是由图1的VQM系统100执行的基于图像度量和分组度量两者的VQM方法的流程图；

图4示出了如图1所示的用于仿真各种网络状况的VQM测试台的框图；

图5示出如何生成用在图4的VQM测试台中的失真视频质量数据库；

图6示出利用图4所示VQM测试台确定和验证神经网络VQM模块的体系结构模型的过程的一个示例；

图7示出图1所示分组度量测量模块的一个示例的框图；

图8是示出MPEG4图像帧的传输协议栈的图；

图9示出图1所示图像度量测量模块的一个示例的框图；以及

图10是图9所示采样单元的采样过程的一个示例的示意图。

具体实施方式