论文部分内容阅读
随着宽带网络技术的发展，流媒体业务得到了越来越广泛的应用，其中视频传播是流媒体业务中的一种主要传播形式。然而由于视频流业务的高带宽性及网络资源的有限性，需要根据不同的传输质量要求，合理管理和预测网络中的各种视频业务数据流量，其中很重要的环节就是视频业务识别技术。本文提出了一种新的基于离散混合高斯模型-隐马尔科夫模型（Gaussian MixtureModel-Hidden Markov Model，GMM-HMM）的流媒体视频业务识别算法，主要针对目前市场中常见的三种不同空间分辨率下的视频数据流进行分类，包括适用于高清晰度（HighDefinition，HD）电视播放的Full HD视频流——分辨率为1920*1088的高清视频、公共中间格式（Common Intermediate Format，CIF）视频流——分辨率为352*288的普通视频、四分之一通用图像格式（Quarter Common Intermediate Format，QCIF）视频流——适用于移动终端的分辨率为176*144的视频。本文主要工作是提出了一种离散GMM-HMM的识别算法，选取包层次的数据包到达时间间隔统计特征进行识别分类。该算法将视频流的分组数据包序列与隐马尔科夫模型（Hidden Markov Model，HMM）的底层隐状态序列对应起来，根据未知数据流的前几个分组数据包观察值即可判定该未知数据流的归属类别，识别实时性较好。采用离散混合高斯模型（Gaussian Mixture Model，GMM）概率分布构建HMM模型的随机变量，并将连续观察值序列通过区间划分进行离散化，从而降低了识别算法的复杂度。为了保证算法在不同网络环境下的识别准确性，定义了不同HMM识别模型之间的相似性度量，并提出在设定系统误判率的情况下计算HMM识别模型的状态个数的算法。在不同网络环境中通过修改HMM识别模型的状态个数保证模型的识别准确率，且在保证准确率的同时最大限度的减少HMM识别模型的状态个数，从而保证系统的识别实时性。