文摘

拳击视频的质量受许多因素的影响。例如,它需要压缩和编码传输之前。在传输的过程中,会遇到网络丢包、抖动等条件,这将影响视频质量。结合提出的9个特征参数影响视频质量,本文提出了一种视频质量评价系统的体系结构。针对压缩损伤和传输损伤的休闲体育视频,视频质量评估算法,提出了基于BP神经网络(摘要)。一个特定的武术视频质量评估算法系统实现。系统需要的结果特性工程9拳击视频特征参数作为输入和视频的主观质量评分培训输出。摘要利用算法建立映射关系,客观评价质量的拳击视频终于获得。结果表明,用神经网络分析模型,使用压缩损伤和传输损伤的特征参数在本文中可以得到更好的评价结果。的准确性与对比算法相比,本文提出的视频质量评价方法都得到很大的提高。 The subjective characteristics of users are evaluated quantitatively and added to the objective video quality evaluation model in this paper, so as to make the video evaluation more accurate and closer to users.

1。介绍

与通信技术的蓬勃发展在信息时代,网络已经成为社会必不可少的一部分。拳击运动信息可以传播在网络上以各种形式如声音、图像和视频。在当今时代,随着越来越多的信息和更好的网络服务,这是自然的休闲体育视频信息和视频服务中扮演更重要的角色已经成为一个重要的商业网络服务提供商,因为休闲体育视频携带更多的信息和表示形式,人们更愿意接受1- - - - - -4]。

休闲体育是在实时的视频通过网络传输流媒体形式。由于视频是在流形式,用户不需要等到整个视频下载和下载时可以玩它。如今,视频服务是一个非常重要的过程的一部分接收信息拳击运动对拳击运动员和球迷和已经成为不可或缺的生活的一部分的争吵体育迷们(5,6]。例如,拳击运动的视频服务包括拳击电影点播和直播的拳击比赛。过去,传统的视频拳击运动是直接没有网络传输,和一些信息被丢失和扭曲的视频时压缩。与视频传播没有网络相比,质量的休闲体育视频的网络传输将收到损害不仅在压缩还在传输过程中。视频中,传输网络的丢包,延迟,抖动,和其他问题将影响视频的质量,造成模糊图像和停滞不前的休闲体育视频的回放,让用户观看体验退化。,为了提高休闲体育视频的质量,首先需要有效地评估和量化休闲体育视频的质量,所以休闲体育视频的质量评价变得越来越重要(7]。

随着人们对体育的兴趣,特别是拳击,增加,拳击视频质量已经成为用户的一个关键问题,包括以下两点:首先,拳击视频图像的质量要求;SD质量的视频可以不再满足用户的需求;高清、超高清的,甚至是蓝光质量拳击视频也越来越多地出现在今天的视频服务;第二,平滑的争吵视频回放,回放任何实时在线视频服务和频繁的和长滞后严重影响用户的体验。所以,确保视频清晰而使顺利回放休闲体育视频为用户也是一个关键问题。因此,如何有效地评价休闲体育视频的质量提供依据提高休闲体育视频服务质量和用户体验具有重要的现实意义8]。

针对休闲体育视频的压缩损伤和传输损伤,本文创造性地提出了一种基于BP神经网络的视频质量评估算法(摘要)。一个特定的武术视频质量评估算法系统实现。系统需要的工程特性结果9拳击视频特征参数作为输入和视频的主观质量评分培训输出。通过摘要算法建立映射关系,最后获得拳击视频质量的客观评价。用户的主观特征,定量评估并添加到客观视频质量评价模型进行评价更准确和更接近用户的视频。

本文的结构主要是安排如下:第1章介绍了研究背景、意义和本文的结构对视频质量评价的拳击运动。第2章介绍了近年来相关的视频质量评价的研究,本文的主要研究内容。第三章分析所遭受的损害拳击运动视频压缩和传输过程中,提取特征参数对拳击运动视频的质量损失分析的基础上,并分析了这些特征参数之间的相关性和质量分数。第四章提出了一种BPNN-based拳击运动视频质量评价算法模型,讨论了模型的具体实现方法,并部署在实践中实现。第5章介绍了质量评价算法的评估标准和使用实验仿真验证了该算法的优越性。第六章总结了全文,总结了本文的结果,同时提出本文的不足和未来的研究方向。

2。相关的工作

过去几年以来,研究质量评价休闲体育视频通过互联网传播已经收到越来越多的关注,许多机构和实验室参与了相关研究(9,10]。在大学,有许多实验室研究视频质量,比如住在德克萨斯大学的实验室,它提供了许多视频质量相关数据集。视频质量评估方法通常可以分为两大类:主观质量评价方法和客观质量评价方法(11- - - - - -13]。主观质量评价方法,有必要首先找到一组测试满足要求的用户,然后让这些用户看相同的多个视频序列和量化主观质量评价结果的基础上,从这些用户反馈。这种类型的方法需要用户的数量不应太小,还需要一个非常严格的测试环境;否则,评价结果将高度队伍和挥发性14]。相比之下,客观质量评价算法更为可行,因为他们使用电脑自动评估视频质量不需要测试用户。客观质量评价算法的目标是计算视频质量分数相匹配的主观评价结果,这通常被认为是越接近客观质量评价结果的主观质量评价结果,更准确的客观质量评价算法(15- - - - - -19]。

视频质量评价休闲体育已经受到人们的关注,近年来一直在快速发展20.,21]。当前的视频质量评价方法的研究集中在以下两个方面。(1)实时目标未引用视频质量评价研究:对许多在线视频应用程序、实时质量评价的实用价值。与此同时,对于网络的应用程序,这肯定是不现实的获取原始视频源之前压缩传输或评估视频质量的用户组,所以客观reference-free质量评价算法无疑是焦点的时刻22- - - - - -24]。(2)视频影响因素研究:有很多因素影响视频质量,和参考因素来评估视频质量的观点是不现实的实现难度和时间复杂度(25]。所以,通常视频质量的主要影响因素是提取和视频质量评估。然后,提取哪些因素,如何提取和计算每个因素,以及如何获得最终的视频质量分数从每个影响因素的主要研究点是每个视频质量评估方法(26]。

尽管有许多视频质量评价方法,并没有统一标准。所以,视频质量评价仍然是一个重要的问题。此外,当前的研究取得了一些成果,可以满足需求在日常生活中休闲体育视频的质量。然而,由于有更多的退化因素导致视频质量和视频需要考虑特征在时域的信息,它是更加困难比图像质量评价。因此,当前算法的性能不是特别好,和研究人员在这方面还有很长的路要走。本文研究的视频质量评估的拳击运动,考虑到今天的趋势。本文提出了以下结果拳击运动的视频质量评估:拳击运动研究的视频质量障碍,和压缩损伤和传播障碍进行了分析。三个特征参数,即量化参数,模糊程度,和跳宏模块的数量,提出了压缩损伤,和六个特征参数,即应变程度、块效应程度,聚合块效应程度、初始缓冲延迟,平均持续时间的干扰,干扰频率,提出了传播障碍,每个提议的特性参数之间的相关性和分散体育视频分析的质量。一个模型来评估建立散射体育视频的质量。拳击运动的特征参数提取的视频摘要网络模型是用来评估视频质量。 Meanwhile, the concrete implementation of this scattering sports video quality evaluation model is given from a practical point of view, and each specific process of the system implementation is given, and finally the superiority of the model is demonstrated by comparing the algorithm with other scattering sports video quality evaluation methods.

3所示。零星的视频质量特征提取

3.1。压缩损伤特征参数的选择

在视频质量评估、压缩损伤是一个必须考虑的因素,以及压缩损伤的程度可以极大地影响视频源质量。在本节中,两个编码参数,量化参数和跳宏模块的数量,作为特征提取,以及模糊失真得到模糊的评价作为特征参数,同时评估视频压缩质量的障碍。

3.1.1。量化参数(QP)

失真的视频压缩过程中主要在于量化步骤,和量化参数是一个重要的参数来确定量化的程度。较小的量化参数,量化步骤(QStep)越小,压缩视频的数据量越大,但同时解码后失真度越小,而如果量化参数较大,将会有更大的量化步骤。YUV的框架,有三个组件,分别量化不同的量化参数和值范围。对于亮度分量的编码,有52个量化步骤,所以从0到51量化参数;彩色编码的组件,有40个量化步骤,量化参数从0到39。

3.1.2。模糊强度

视频的模糊强度通常是影响视频质量的一个重要因素,这可能是由于各种各样的原因,比如intraframe预测和运动补偿帧间预测。因此,本文提取模糊强度作为另一个特性来评估视频质量。在本文中,我们使用的方法测量模糊的损失程度的视频视频细节过滤后的视频。首先,本文使用高斯滤波器过滤视频。高斯滤波过程如下。 在哪里 是过滤的图像点信息,是吗 高斯滤波器矩阵:

最终,一个框架的模糊强度定义如下,位置和是一个框架的宽度和高度分别:

3.1.3。跳宏模块数量

当编码h时,帧间预测和intraframe预测执行。内聚积科技nonkey平坦地区的框架,他们通常定义为宏模块。为了提高编码效率,跳宏模块没有任何元素信息编码和解码是完全由前我宏模块和运动向量预测。然而,有时我宏模块和运动向量不能完全恢复之前跳宏模块编码,这将导致视频的压缩失真。在此基础上,本文提出了跳宏模块的数量概念的另一个特征参数对压缩损伤进行评估。跳宏模块数量越大,压缩率越高,但更严重的失真,而小跳宏模块的数量,视频编码的像素信息越多,和解码视频质量越好。

3.2。传输损伤特征提取

因为它是很难获得每个节点的网络信息在传输过程中终端的实际应用,本文提出了两个空中资源损伤特征参数:应变损伤和块效应损伤和三个时域损伤特征参数:初始缓冲时间,运动跳变频率,和运动跳平均持续时间;因此,可以评估视频质量。

3.2.1之上。拉伸度

伸展运动是指相邻的边界所产生的变形带解码之后。这个参数的最小物体的脱衣舞视频帧图像,而不是宏模块。分段是一个概念在视频编码和解码。一帧图像通常有多个条和许多宏模块,设置条的目的是防止过度在解码和预测误差传播。因此,带之间的应变通常是反映在水平方向的边缘,因为带通常是横向并排排列。

假设条 , ,和彼此相邻, 代表的像素的亮度值位于 。然后,应变表示为的程度

在计算一个框架的整体应变效应,它是足以个人带的平均应变的程度;也就是说,

3.2.2。块效应的损害

菌株的程度,同时为宏模块块效应损伤。传统的块效应计算方法往往数块效应程度的所有宏模块,然后平均到一帧。然而,这种方法通常只适用于一个单一的形象,和视频,有多个帧每秒,所以计算将消耗大量的时间。因此,本文检测可能受损宏模块,最后计算的块效应程度的框架可能受损宏模块区域。

3.2.3。块效果设置

两帧相同的水平平均块效应,如果受损宏模块更集中在一个框架,这个框架的质量较差。因此,更大的质量造成的损害多个相邻的宏模块块效应叫做“块效应”设置。在这篇文章中,我们确定整个帧的质量根据最严重的块效应地区框架和集群效应聚积科技评估合并后的块效应程度的每个集群。

3.2.4。时域损伤

当用户观看视频,他们常常喜欢观看视频清晰度较差,确保视频播放的连续性。因此,视频是尤其重要的,因为运动跳跃障碍的评估。运动损伤,是否重复帧或冻结帧初始缓冲,用户感觉视频滞后。因此,为了评估从像素域时域损伤,本文提出一种算法来检测视频堵塞。首先,计算两个相邻帧之间像素亮度差来表示图像序列的运动。 在哪里表示第一的亮度信号框架和和表示图像的宽度和高度,分别。计算结果反映了图像序列的运动,和一个更大的值表示一个更强烈的运动;一个更小的值表示帧之间的显著差异。值小于一个阈值 ,它可以假设一个运动跳可能发生在这里。然而,重复的观点可能不被人类的眼睛。因此,该算法要求的价值必须小于阈值为连续帧时获得最好的结果值是0.3,这是采取如下。是视频帧序列和的总数视频序列的长度:

根据上面的公式,可以确定视频回放堵塞的发生。考虑到人眼的主观知觉特性,时域损伤分为三个特征参数的时域损伤,这是最初的播放延迟,动作跳变频率,平均运动持续时间。这三个参数可以通过实时更新统计每次看见网络延迟。

4所示。BPNN-Based视频质量评估

4.1。视频质量评价模型方案拳击运动

结合特征参数在第三章提出,拳击运动的BPNN-based视频质量评价体系模型,提出了系统的结构框图如图1。

首先,用户收到的视频实时读取,然后由h .解码器解码。选择这里,JM解码器,这是官方源代码的h和具有良好的支持功能。量化参数,跳宏模块的数量,和帧序列译码器可以直接获得。

从帧序列,应变参数,块效应参数,和聚合块效应程度可以提取的公式在第3章。同时,根据运动检测算法在第三章提出,每一个运动的发生跳能被探测到的帧序列,每个事件的持续时间和在视频中的位置发生可以清点,这三个参数的初始缓冲延迟,干扰频率,干扰可以计算出的平均时间。

之后的所有输入参数摘要通过数据处理,得到的视频质量分数对训练集训练获得神经网络中的每个神经元的权重。通过这种方式,预测得到的视频质量分数可以从视频中提取上述九个特征参数,处理他们,输入到训练摘要在测试和应用程序。

4.2。摘要算法

摘要是梯度下降法的基本思想,采用梯度搜索技术来最小化均方误差之间的实际输出值与期望输出值的网络。一个典型的三层摘要如图2,拓扑结构由一个输入层、隐藏层和输出层。对于每一个神经元,乙状结肠函数和梯度下降法通常用于预测系数。

基本的摘要算法包括两个过程:向前传播的信号和误差的反向传播。即计算错误输出的方向从输入到输出,而权重和阈值的调整从输出到输入执行。在向前传播,输入信号作用于通过隐含层输出节点,以及非线性变换后,生成输出信号,如果实际产出不匹配所需的输出,这是转移到误差的反向传播过程。反向传播是通过输出错误输入层到隐层,分配错误所有单位的每一层,并使用误差信号从每一层为基础调整每个单元的重量。通过调整输入节点的连接强度的隐层节点和连接强度隐层节点到输出节点和阈值,误差在梯度方向上下降,而且,经过反复学习和培训,网络参数(权重和阈值)对应于最小误差决定,停止训练。在这一点上,经过训练的神经网络能够处理类似样品的输入信息和输出非线性变换后与最小的错误的信息本身。

学习过程的重要参数和描述介绍如下,基于三层摘要框图如图2:(1)让输入参数 表示训练集样本的输入特性。(2)让输出参数 表示预测结果在训练集样本的特征值是通过摘要。(3)让标准输出 表示标准训练集样本的结果。(4)让权重矩阵表示系数矩阵输入输出层和隐层之间的输入和权重矩阵之间的系数矩阵表示隐藏层和输出层的输入输出。作为模型的输出获得每个训练集样本与标准输出学习相比,这两个矩阵修正的梯度下降的方法。每个样本的矩阵修正一次直到下一个样本的输入,最后网络模型的学习过程符合要求。(5) 是输入和输出之间的传递函数的隐藏层,然后呢是输入和输出之间的传递函数的输出层。输入特性以来处理特性相关的工程方法在输入层,输入的输入层通常等于输入的输出层。摘要利用,和可以使用相同的乙状结肠函数,见 (6)集 隐层的阈值,用于隐藏层的正确输入;集 作为输出层阈值,用于正确的输入输出层。(7)让 的输入和隐藏层 输出层的输入。输入层节点的数目等于输入的数量特征,设置为(本文模型中,需要的数量特征的视频7),在隐藏层节点的数目设置为 ,和在输出层节点的数目设置为(在这个模型中,只有视频质量分数预测,被认为是1)。输入样本训练集的总数吗 ; 是输入组件的样本。首先表示转移重量与第一个输入层节点隐层节点。首先表示转移重量与第一个隐层的节点输出层的节点。

让示例输入如下:

然后,隐藏层的输入

写成矩阵形式

隐层的输出

输出层的输入是

输出层的输出

对所有样品,有一个全球均方误差函数,代表了测量之间的偏差的样本作为一个整体样例输出和标准输出为每个样本。用均方误差函数 : 在哪里表示第一样本误差和是预期的输出样本。

根据梯度下降法的推导过程,输出层的重量调整公式 在哪里代表了学习效率,通常需要[0,1]之间的一个值。如果该值的较大,收敛速度增加,但它可能导致振荡甚至发散;如果该值的小,培训可以稳定收敛,但学习速度慢吗 。

基于梯度下降法的推导过程,隐含层重量调整公式

其中,

总之,视频质量评估使用摘要分为两个主要部分。第一部分输入视频的相关特征参数得到一组输出(评估视频质量分数),然后比较这组输出与期望输出(主观质量分数)推导出错误。第二部分使用梯度下降方法纠正两个权重矩阵和 。两个矩阵修正后,迭代结束。这一步是紧随其后的是下一个示例输入,和权重矩阵的调整仍在继续。继续在这个秩序,输出的客观质量分数逐渐接近主观质量评分,最后达到预期的误差精度,代表结束的摘要学习过程。摘要训练模型,视频的质量分数可获得特征参数的视频,这是一个客观的评估视频质量。

5。实验结果和分析

5.1。视频训练数据集和主观评价

当人们犯主观评价,他们可以给好或坏的视频图像质量没有原来的视频作为参考,即使大多数的视频图像从未见过的,根据自己的先验知识。这主要是因为人见过各种品质的视频。神经网络的监督学习的先决条件是需要先验知识的视频质量,即。,需要主观视频质量评估价值。在这篇文章中,有24个原始参考视频高清实验数据库,从各种体育主题在YouTube上,包括体育采访,拳击广告,和体育新闻。每个原始视频数据库中对应于180扭曲的视频序列,由终端在不同网络条件下记录,包含真正的网络传输障碍,主要是不同程度的领空障碍和时域“滞后。“此外,失真视频还包含每个压缩压缩变形参数。视频设置了3280质量分数由54评价者,和320年的视频序列的视频质量是通过结合这些质量分数,获得最终的质量分数从1到100显示最糟糕的最好的,与一个小数精度最低。使用web页面的视频观看的评价者,得分后立即查看。

5.2。实验结果和分析

最终训练神经网络的参数如下:隐层节点的数量是47岁的动量项是0.95,和学习速率的初始值是0.001,但它可以动态调整在培训过程中,乙状结肠函数的斜率因子−4.5,和最后的最小误差为0.0006。测试样本和训练集是1到4。的拟合图主观评价结果与客观评价结果的训练样本和测试样本。如数据所示3和4,合适的分数达到98.47%和92.04%,分别。根据测试材料的测试结果之间的相关性主观评价结果与客观评价结果为92.04%,取得了理想的效果。

其中,迭代停止在训练集训练配合达到98.47%,这表明所选特征参数之间有很强的相关性和主观质量分数,也避免了过度拟合训练。合适的测试集是92.04%,这表明该模型的质量评价结果更接近主观质量分数。

此外,标准误差(RE)、皮尔森相关系数(PCC),和偏差率(DR)之间的客观和主观评价结果该方法计算并与脉冲耦合神经网络(相),nonsubsampled剪切波变换(NSSWT)和正交匹配追踪(OMP)方法,证明本文的方法具有更好的性能的准确性和稳定性,结果在图所示5- - - - - -7。

在本文中,我们分析比较缺失的特性参数变化和比较添加特性参数的变化,如图8和9。在图8丢失的任何特性参数,最后预测适合不同程度降低,从而证明九个特征参数是必要的。与此同时,它可以从图形分析,量化参数,得出模糊强度,堵塞的平均持续时间和频率的堵塞对视频质量的影响更大,这也加剧了日常视频质量的担忧。,如图9添加后,质量预测结果很坏块平坦、比特率等参数,并预测结果有些增强添加堵塞发生的位置之后,但这一特性参数的提取将大大增加算法的时间复杂度,增强,结果不明显,所以这个特性参数也被丢弃。此外,本文还试图增加算法的实时性能,提取感兴趣的区域(ROI),最后发现,实时性能没有明显增强,而质量评估的准确性有明显下降。

也在本文中,我们尝试其他回归算法,如线性回归(LR),梯度增强回归(GBR)和支持向量机(SVM)回归模型。比较每个回归算法的拟合结果如图10。

可以看出,这四种回归算法,BP神经网络的准确性是最好的。支持向量机和神经网络的效果很接近,经过多次的调试目标函数的参数和核函数,有轻微区别最佳案例和神经网络的结果,因此本文最后使用BP神经网络算法,以适应特性,推导出视频质量分数。

6。总结与展望

在这篇文章中,我们讨论的背景和意义视频质量评价的发展现状,介绍了视频质量评价方法的发展现状和趋势。详细分析了压缩损伤和传输视频和遭受的损失提出了九个参数:量化参数,模糊度,跳宏模块,紧张程度,块效应,聚合块效应程度,初始缓冲时间,平均播放暂停时间,播放暂停的频率。结合提出的9个特征参数影响视频,提出了一种视频质量评价体系架构。此体系结构使用BP神经网络算法以适应特性参数,从而最终输出预测视频质量分数。最后,提出了视频质量评价方法是实验模拟本文实现的系统,和本文的准确性比较算法相比提高了14.28%。

本文对视频质量评价的研究工作是在这个领域只有一小部分。同时,本文对视频质量评估的研究可能会有很多地方需要改进和可以作为未来研究的方向。本文提出的视频质量评价方法是基于压缩损伤和传播障碍。然而,在实际的网络服务系统,视频质量可能受到很多主观因素的影响,如用户终端,用户查看环境和用户的主观期待视频。因此,未来的研究方向,本文基于压缩损伤评估视频质量和传输损伤。因此,未来的研究方向之一,本文定量评估用户的主观特征,并将它们添加到客观视频质量评价模型,以便评估的视频可以更准确和更贴近用户。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由2019年辽宁社会科学规划基金项目:辽宁体育特色城镇的可持续发展机制研究在新的发展观(批准号L19BTY001)。