[发明专利]一种融合双深度学习网络的无参考视频质量评价方法

说明书

本发明公开了一种融合双深度学习网络的无参考视频质量评价方法，将视频内每一帧的视频图像输入至无参考视频质量评价网络，首先通过双深度学习网络提取获得视频图像的深度特征，经过ANN网络进行特征降维处理后输入双向门控循环网络，通过双向门控循环网络构建视频帧特征之间的联系获取视频帧质量分数，然后视频帧质量分数经过改进的时间记忆模型获得视频质量分数预测分量，同时视频帧质量分数经过高斯分布回归预测模型获得视频质量分数预测分量，再经过调节因子进行优化调节获得最终的视频质量分数。使用本发明可以方便地对视频图像质量给出快速的预测评价分数。

技术领域

本发明涉及计算机图像识别领域，具体是一种融合双深度学习网络的无参考视频质量评价方法。

背景技术

受到传输条件的限制，获取的视频通常需要压缩处理，有损压缩会导致视频信息丢失，造成模糊或者块状等失真现象。传输过程中可能会引起丢包现象，随机噪声的影响也不容忽视，拍摄者的技巧是否专业也影响着拍摄视频的质量。失真的视频会带给用户不好的观看体验，所以开发探索一种可靠的视频质量评价方法是非常需要的。

主观视频质量评价方法是对收集的主观评判分数进行统计学分析，而得出评价模型的方法，具有较高的可靠性，但在收集每个人的评分时会消耗大量的时间和精力，显然在主观视频质量评价并不适合这个快节奏的发展时代。客观视频质量评价根据是否需要源视频的参与可分为全参考视频质量评价(FR-VQA)，半参考视频质量评价(RR-VQA)和无参考视频质量评价(NR-VQA)。与全参考视频质量评价和半参考视频质量评价方法相比，无参考视频质量评价不受源视频的限制，即整个评价过程中无参考视频质量评价模型不需要访问视频“完美版本”，但在模型最终的评价指标上面无参考视频质量评价会略逊一些。虽然如今视频质量评价已经取得了较多成果，但在科技进步和大数据时代的推动下，网络上的视频包含的内容越来越多，各种失真情况相互交融增加了视频的复杂程度，显然视频质量评价也面临着种种困难考验。

在已经提出的视频质量评价方法中有些是从影响用户体验质量因素的角度出发对视频进行评价；有些方法则是对包含多种合成失真情况的视频进行系统建模评价；但有些方案直接处理未经过加工的自然野生视频来构建视频质量评价模型。现有的视频质量评价方法来说各有特色，但对于未经处理的由用户直接生成的内容复杂多变，且受多种失真影响的真实视频，现存的质量评价方法并不能做到有效预测。

发明内容

本发明要解决的技术问题是提供一种融合双深度学习网络的无参考视频质量评价方法，用以方便地对视频图像质量给出快速的预测评价分数。

为了解决上述技术问题，本发明提供一种融合双深度学习网络的无参考视频质量评价方法，过程包括：将视频内每一帧的视频图像I_t输入至无参考视频质量评价网络，无参考视频质量评价网络首先通过双深度学习网络提取获得视频图像I_t的深度特征F_t，深度特征F_t经过ANN网络进行特征降维处理后输入双向门控循环网络，通过双向门控循环网络构建视频帧特征之间的联系获取视频帧质量分数q_t，然后视频帧质量分数q_t经过改进的时间记忆模型获得视频质量分数预测分量Q₁，同时视频帧质量分数q_t经过高斯分布回归预测模型获得视频质量分数预测分量Q₂，视频质量分数预测分量Q₁和视频质量分数预测分量再经过调节因子ρ进行优化调节获得最终的视频质量分数Q。

作为本发明的一种融合双深度学习网络的无参考视频质量评价方法的改进：

所述双深度学习网络包括并联的InceptionV3网络和ResNet50网络，所述深度特征F_t为：