[发明专利]基于堆栈式自适应编码器的视频质量评价方法

权利要求书

1.一种基于堆栈式自适应编码器的视频质量评价方法，包括下列步骤：

第一步：给定要评价的视频序列，计算输入视频帧的映射结果：取输入视频的(2K+1)帧，求和结果的计算步骤如下列公式所示：

其中f_i为第i帧，f_j→i为第j帧到第i帧的映射，W为双线性插值函数，为(2K+1)帧视频映射的结果，w_j→i为求和系数，表示第j帧对于第i帧的重要程度；

第二步：计算视频映射的梯度幅值特征，在像素点位置(x，y)的相对梯度方向值分别为F_RD(x,y)和F_RM(x,y)：

其中

公式中Ω代表相对坐标变化量，定义为求取二阶偏导数的局部区域，(p,q)代表该局部区域内部的像素点，P、Q代表该区域的大小，F_v(x，y)，F_h(x,y)分别代表梯度的切向、径向分量，均根据下列公式计算得出：

第三步：从视频映射中提取对比度特征MNC以及几何平均数特征GM，对比度特征MNC被表示为M_I以及几何平均数特征GM被表示为G_I，利用M_I和G_I的统计特性，进行归一化，如下列公式所示：

其中T_i,j是以(i,j)为中心的一个邻域，w(l,k)是权重系数，C为常数；N_I代表对M_I、G_I求几何平均，分别代表归一化后的对比度特征MNC以及几何平均数特征GM；

第四步：通过堆栈式自适应编码器APES获取深层特征，使用深度神经网络来训练APES，在训练阶段，选择适当的learning rate、epoch以及batch size，同时在训练时要根据训练结果调整策略，选择合适的隐藏层单元，通过迭代训练构建APES；利用训练完成的APES模型得到测试集的深层特征，分别记为梯度幅值特征P_f、几何平均数特征P_G、归一化对比度P_M；

第五步：利用SVR分别计算深层特征P_f、P_G、P_M的分数，记为Q_f、Q_G、Q_M，最终的预测分数计算如下列公式所示：

Q⁽ⁱ⁾＝W_fQ_f+W_GQ_G+W_MQ_M

其中W_f、W_G、W_M为权重系数，满足W_f+W_G+W_M＝1，Q⁽ⁱ⁾为最终得到的预测结果。