[发明专利]一种基于深度学习的超高清视频清晰度测试方法及系统

权利要求书

1.一种基于深度学习的超高清视频清晰度测试系统，其特征在于，包括：多个用户端和清晰度测试中心；

其中，用户端：用于发送测试请求，并接收测试结果；发送优化请求，并接收超高清视频；

清晰度测试中心：用于执行如下步骤：

接收测试请求，对测试请求中的原始视频进行分类，获得待测试视频，其中，待测试视频包括：原始视频和视频类别，视频类别为通信视频或拍摄视频；

通过清晰度测试模型对待测试视频中的原始视频进行清晰度测试，获得测试结果，并发送，其中，测试结果为清晰或不清晰；

接收优化请求，根据待测试视频中的视频类别对待测试视频中的原始视频进行优化处理，获得超高清视频，并发送。

2.根据权利要求1所述的基于深度学习的超高清视频清晰度测试系统，其特征在于，清晰度测试中心至少包括：通信单元、分类单元、测试单元、优化单元和存储单元；

其中，通信单元：用于接收测试请求，并将测试请求发送至分类单元，接收并发送测试结果；接收优化请求，并将优化请求发送至优化单元，接收并发送超高清视频；

分类单元：用于执行测试请求，对测试请求中的原始视频进行分类，获得待测试视频，并将待测试视频发送至测试单元；

测试单元：用于通过清晰度测试模型对待测试视频中的原始视频进行清晰度测试，获得测试结果，并将测试结果发送至通信单元；

优化单元：用于执行优化请求，根据待测试视频中的视频类别对待测试视频中的原始视频进行优化处理，获得超高清视频，并将超高清视频发送至通信单元；

存储单元至少包括：测试数据库和测试模型库；测试数据库用于存储历史测试数据，其中，历史测试数据至少包括：原始视频和测试结果；测试模型库用于存储所有版本的清晰度测试模型。

3.根据权利要求2所述的基于深度学习的超高清视频清晰度测试系统，其特征在于，清晰度测试中心还包括：更新单元，用于在满足预设条件时，对测试单元的清晰度测试模型进行优化，获得优化后的清晰度测试模型，并将新版的清晰度测试模型发送至存储单元的测试模型库中存储。

4.一种基于深度学习的超高清视频清晰度测试方法，其特征在于，包括如下步骤：

接收测试请求，对测试请求中的原始视频进行分类，获得待测试视频，其中，待测试视频包括：原始视频和视频类别，视频类别为通信视频或拍摄视频；

通过清晰度测试模型对待测试视频中的原始视频进行清晰度测试，获得测试结果，并发送，其中，测试结果为清晰或不清晰；

接收优化请求，根据待测试视频中的视频类别对待测试视频中的原始视频进行优化处理，获得超高清视频，并发送。

5.根据权利要求4所述的基于深度学习的超高清视频清晰度测试方法，其特征在于，通过清晰度测试模型对待测试视频中的原始视频进行清晰度测试，获得测试结果的子步骤如下：

通过清晰度测试模型中的段测试模型对待测试视频中的原始视频进行清晰度测试，获得段清晰值；

通过清晰度测试模型中的帧测试模型对待测试视频中的原始视频进行清晰度测试，获得帧清晰值；

对段清晰值和帧清晰值进行计算，获得综合清晰值；

通过预设的超高清阈值对综合清晰值进行分析，并生成测试结果；若综合清晰值大于或等于超高清阈值，则生成的测试结果为清晰，若综合清晰值小于超高清阈值，则生成的测试结果为不清晰。

6.根据权利要求5所述的基于深度学习的超高清视频清晰度测试方法，其特征在于，通过清晰度测试模型中的帧测试模型对待测试视频中的原始视频进行清晰度测试，获得帧清晰值的子步骤如下：

由帧测试模型中的图像帧提取模型按照视频播放顺序对原始视频进行图像帧提取，获得多个子图像，每个子图像均具有一个图像序列，且图像序列的值按照视频播放顺序依次递增；

由帧测试模型中的图像清晰度识别模型对每一个子图像进行清晰度识别，获得子图像清晰值，并对所有的子图像清晰值进行分析，获得图像清晰值；

对每一个子图像进行预处理，获得预处理图像，并对预处理图像进行质量检测，获得图像质量值；

根据图像清晰值和图像质量值生成帧清晰值。