基于H.264的无参考视频质量评估方法的研究

来源 :南京邮电大学 | 被引量 : 0次 | 上传用户:zhangyi202
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
近年来,视频分享网站、IPTV数字电视、手机电视、视频监控等视频类服务大量涌现,H.264作为目前最先进的视频压缩技术,其出色的网络亲和性使得H.264在上述领域得到广泛应用。而由于视频数据在采集、压缩、传输、恢复过程中会引入各种失真,视频服务提供商迫切需要一种能实时评估视频质量的方法,在视频质量变差时及时采取措施保障其服务质量(QOS,Quality of Service)。无参考视频质量评估方法目前还没有较好的评估模型,现有的评估模型往往存在假定条件多、应用场景受限、同主观评估不相符等问题。本文针对H.264码流的无参考质量评估方法展开研究。首先从网络的不稳定传输和视频压缩这两个角度分析了视频质量损伤的原因。然后在分析已有质量评估模型的基础上,提出了一种网络状况自适应的H.264视频质量评估模型。该模型首先对H.264视频码流的网络状况进行检测,监测已知的几个影响视频质量网络状况指标,判断当前的网络质量。当网络质量很好时,认为视频的质量损伤主要原因是由于视频压缩造成的,当网络质量变差时认为视频的质量损伤主要原因是网络传输造成的。接着对两种网络质量的视频,根据两种损伤视频的特点,分别运用不同的分析方法进行质量评估。测试结果表明,该模型在满足视频质量评估实时性的同时,对视频质量的评估结果与主观评价有较好的一致性。
其他文献
支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习方法,具有全局最优、结构简单、推广能力强等优点,因此得到了广泛的研究和应用。但是SVM方法最初
随着移动计算、无线通信技术及GPS等技术的迅速发展,基于位置服务越来越受到重视,因此移动对象位置查询变得可行和必需。在交通网络中,移动对象将更新的位置信息提交给移动对
随着异构多核处理器的快速发展,异构多核系统中的任务调度成为研究热点。目前,适用于普通任务集调度的算法在调度细粒度任务集时,存在处理器负载失衡,处理器空闲时间多,并行性差和
随着移动机器人应用范围的扩大,其工作环境也日益复杂,往往是非结构化的、部分或全部未知的。局部路径规划侧重于使用传感器实时感知环境信息,使其能适应复杂的工作环境,及时有效
近年来,深度学习在计算机视觉,机器翻译,语音识别等领域取得了极大的成功,在多个应用领域上取得了当前的最好成绩。但是这些模型所取得的高精确度主要来源于在训练以及检测时
随着近几年来人工智能的飞速发展,我们越来越想检验一下机器能达到一个什么样的智能水平。为此,国家在2015年启动了“高考答题机器人”的相关项目研究,而自动解答高考作文题
在半导体业界,集成电路SoC (System on Chip,片上系统)成为目前主导的设计技术。SoC通常将微处理器、模拟IP核、数字IP核和存储器(或片外存储控制接口)集成在单一芯片上,通过
随着Internet的迅速发展,用于网络互联的主干链路上的核心路由器的接口速率达到100Gbit/s。这就要求骨干路由器每秒可以转发千万以上的分组,然而分组转发的关键是查找路由表,
随着存储硬件成本的不断降低,大数据生态系统的复杂变化,计算框架与存储系统的多样性和异构性发展,基于内存的分布式文件系统,数据库等一系列产品孕育而生,用来整合整个大数
企业应用得益于那些具有丰富语义的企业知识,本体能为知识管理系统中各种符号提供共享的概念模型且在其中的应用越来越广泛。随着本体规模的增大,本体构建工具对于本体开发过