一種網絡視頻流的無參考圖像質量在線估計方法
【技術領域】
[0001] 本發明屬于視頻質量評估領域，更具體地，設及一種網絡視頻流的無參考圖像質 量在線估計方法。
【背景技術】
[0002] 近年來，網絡視頻在實時視頻監控、高清數字電視和移動視頻等領域得到廣泛應 用，并向更高清晰度、更高分辨率方向迅速發展。由于視頻的原始數據量巨大，網絡視頻一 般都是進行壓縮后再存儲和傳輸。由于視頻壓縮是一種有損壓縮，并且壓縮后的視頻在傳 輸過程中的丟包W及信道噪聲都會降低視頻質量。因此，視頻服務提供商要確保提供給用 戶高質量視頻服務，首先必須對傳送到用戶端的視頻質量進行評估，由評估得到的結果動 態調節編碼參數與信道參數，最終達到既能提供良好的用戶體驗，又能節省網絡帶寬資源 等開銷，降低服務成本的目的。
[0003] 在實際應用中，主觀視頻質量評估方法無法滿足實時的視頻質量評估需求，一般 要使用客觀的質量評估方法。峰值信噪比(PSNR)可W較好地評估視頻編碼過程中由于量化 誤差導致的圖像失真，是目前最有效的視頻圖像客觀質量評估準則之一。目前常用的視頻 客觀質量評估方法包括=類:全參考，半參考和無參考。由于帶寬限制，視頻流在網絡中傳 輸時，應盡量少傳輸甚至不傳輸額外信息，而全參考和半參考方法需要全部或部分原始視 頻信息，因此，本發明提出一種僅根據所接收的視頻壓縮碼流來估計PSNR的無參考視頻質 量評估方法。
[0004] 目前，無參考視頻質量評估方法的研究主要分為兩大類:基于像素的評估方法和 基于碼流的評估方法。基于像素的評估方法需要完全解碼視頻流，具有很高的計算復雜度； 基于碼流的評估方法，只需提取碼流中的離散余弦變換(DCT)系數，帖長等信息來進行視頻 質量評估，因此具有更高的靈活性和更快的計算速度。目前已經有較為準確的利用DCT系數 來對視頻壓縮帖內編碼帖（I帖）的PSNR進行估計的方法。如[Deepak S.Turaga,Yingwei Chen,Jorge Caviedes.No reference PSN民 estimation for compressed pictures. IEEE Image Procesing. 2002, III-61-III-64vol. 3]山提出：在不參考原始視頻數據并且只解碼 I帖的情況下，利用I帖的統計信息來估計PSNR值，最終誤差可控制在1地W內。對于壓縮視 頻流來說，一般進行一個I帖編碼后，后面會連續編碼多個預測編碼帖(P帖），因此P帖一般 占有更大的比例，但目前還未見有較準確，且簡單易用的預測P帖PSNR的方法。
[000引為了解決上述問題，迫切需要一種能夠快速準確預測P帖PSNR的估計方法，同時保 持相對較低的計算復雜度。

【發明內容】

[0006]針對現有技術的W上缺陷或不足，本發明提供了網絡視頻流的無參考圖像質量在 線估計方法，具體從壓縮視頻流率失真性能主要受視頻紋理復雜度和運動量運兩個因素影 響的角度出發，提出一種在線動態預測P帖PSNR的方法，通過執行本發明中的方案，可W不 參考原始視頻就能夠對壓縮視頻流質量進行實時評估，在獲得較準確的預測結果的同時進 一步顯著降低了運行開銷，因而尤其適用于網絡流媒體視頻質量評估的應用場合。
[0007] 為實現上述目的，本發明提出了一種網絡視頻流的無參考圖像質量在線估計方 法，其特征在于，所述方法包括W下步驟：
[0008] (1)對網絡視頻流的各帖圖像進行場景分割，將每一個視頻壓縮帖內編碼帖I帖及 緊隨其后的N個預測編碼帖P帖劃分為一個場景&，j > 1;
[0009] (2)建立同一場景中預測編碼帖P帖峰值信噪比PSNR的線性預測模型：
[0010] Pps打r(A口 = M X 十 T
[0011] 其中，M為預測編碼帖P帖運動系數;T為當前場景視頻壓縮帖內編碼帖I帖的紋理 系數；Ai;為第i個P帖帖材1與當前場景下所有P帖帖長均值Iavg的差值，iC = ^ -《aw，i =1，…，N;其中
其中，N為當前場景中P帖總數。
[0012] (3)利用步驟(2)建立的線性預測模型依次對網絡視頻流所有場景預測編碼帖P帖 的峰值信噪比PSNR值進行估計。
[0013] 作為進一步優選的，所述步驟(3)具體包括：
[0014] (3-1)估計當前場景&，j M中視頻壓縮帖內編碼帖I帖的PSNR，得到當前場景Sj的 視頻壓縮帖內編碼帖I帖的紋理系數T;
[0015] (3-2)通過離線統計分析得到當前場景&的中預測編碼帖P帖運動系數初始值 Minit;
[0016] (3-3)利用步驟(3-1)中得到的當前場景的紋理系數T及運動系數初始值Minit，通 過所述線性預測模型得到當前場景第一個P帖的峰值信噪比PSNR值
[0017] (3-4)針對當前場景中N-I個P帖，保持紋理系數T不變，依次更新運動系數M后，再 通過所述線性預測模型得到當前場景對應P帖的峰值信噪比PSNR值= …， N;
[0018] (3-5)針對網絡視頻流中的后續場景，依次執行步驟(3-1)-(3-4)。
[0019] 作為進一步優選的，所述更新運動系數M具體為：
[0021] 其中A li,i-l = Li-Li-l，i = 2，…，N，為當前P帖與前一個P帖的帖長差； - Za胃為當前P帖與所有P帖帖長均值Iavg的差值;Q為離線統計分析得出的量化系 數;Mi-1上一帖的運動系數。
[0022] 作為進一步優選的，所述當前場景&的帖內編碼帖I帖的紋理系數T具體為：
[002引 T=Ipsnr
[0024]通過I帖的離散余弦變換DCT系數估計I帖的PSNR值Ipsnr:
[0026] 其中，D為均方誤差MSE，
4c是直流DC系數平均量化 誤差，婷是每一個交流AC系數的總體誤差方。
[0027] 總體而言，按照本發明點的W上技術方案與現有技術相比，主要具備W下的技術 優點：
[0028] 1、本發明提出了一種網絡視頻流的無參考圖像質量在線估計方法，通過執行本發 明，進一步降低了系統運行時開銷小，而且在線動態更新運動系數M和紋理系數T可及時反 映視頻流中相鄰P帖間的運動變化和場景紋理復雜度的變化，從而使得估計得到的PSNR較 為準確，提高了系統的自適應性；
[0029] 2、此外，本發明利用離線分析得到P帖PSNR相對于I帖紋理復雜度和P帖運動量的 統計模型，即線性預測模型，并挖掘出模型系數隨著P帖帖長和場景變化而變化的規律。利 用上述線性預測模型對壓縮視頻流的P帖PSNR進行估計；同時結合模型系數隨P帖帖長和場 景的變化而動態變化的規律，利用前面帖的模型系數動態調整后續帖的模型系數，最終得 到能快速準確地估計并適應視頻內容變化的P帖PSNR估計方法；
[0030] 3、按照本發明提出的一種網絡視頻流的無參考圖像質量在線估計方法，對于線性 預測模型中參數的獲取并未存在過多的計算復雜度，顯著降低了系統開銷，因而具有一定 的可實施性及實用推廣價值。
【附圖說明】
[0031] 圖1為本發明網絡視頻流的無參考圖像質量在線估計方法總體流程圖；
[0032] 圖2為本發明網絡視頻流的無參考圖像質量在線估計方法具體流程圖；
[0033] 圖3為基于I帖的視頻場景分割示意圖；
[0034] 圖4為運動系數和紋理系數更新規則示意圖；
[0035] 圖5為視頻場景變化和視頻運動量與線性模型中紋理系數和運動系數的關系示意 圖。
【具體實施方式】
[0036] 為了使本發明的目的、技術方案及優點更加清楚明白，W下結合附圖及實施例，對 本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用W解釋本發明，并不 用于限定本發明。
[0037] 如圖1及圖2所示，本發明方法對網絡視頻流的各帖圖像均按照如下步驟處理：
[0038] (1)對各帖圖像進行場景分割。如圖3所示，即對于"互PP-.PP王PP-.PP互PP.'.P巧…" 帖序列，I帖的出現代表場景切換(Scene cut),所W將每一個I帖及緊隨其后的N個P帖劃分 為一個場景(Scene)。將每一個場景作為獨立的分析對象，執行后續步驟。
[0039] (2)建立同一場景中預測編碼帖P帖峰值信噪比PSNR的線性預測模型：
[0040] Ppsnr(^h) = M X AT, + T
[0041] 其中，M為預測編碼帖P帖運動系數;T為當前場景視頻壓縮帖內編碼帖I帖的紋理 系數；這I；為第i個P帖帖材1與當前場景下所有P帖帖長均值Iavg的差值，始；=心一胃,i =1，…，N;其中：
，其中，N為當前場景中P帖總數。
[0042] 通過離線統計分析得