[发明专利]一种基于多任务深度学习的视频传输质量评价方法

说明书

本发明公开了一种基于多任务深度学习的视频传输质量评价方法，该方法包括：构建多任务深度学习网络，用于完成目标识别、图像分类、图像质量评价任务，实现检测视频传输过程中的时延与卡顿等时域指标，检测传输画面失真类型、传输画面质量分数等空域指标；利用目标识别任务识别发送端、接收端视频帧中的频标并校验，根据频标检测出时延与卡顿等指标；利用目标识别任务定位接收端视频帧，并用图像分类任务检测传输画面失真类型，用图像质量评价任务检测传输画面质量分数；完成对网络的训练，得到训练模型，实际部署后可检测视频传输时延与卡顿，并在有延迟情况下检测传输画面失真类型与传输画面质量分数。

技术领域

本发明涉及视频质量评价，尤其涉及一种基于多任务深度学习的视频传输质量评价方法。

背景技术

视频在传输过程中会因网络状况、信道质量、缓存、丢包、视频压缩、传输协议等种种原因产生接收端画面冻结、画面延迟、出现失真等情况，画面冻结会影响用户观看视频的体验，而在特定场景如实时视频通话中，画面延迟也需要尽量避免，而失真会影响用户使用体验和视频内容的可识别性，所以检测与评价视频传输中画面冻结、画面延迟、视频帧失真类型、视频帧质量就显得十分重要。现有的视频传输质量检测很多都只基于对图像质量来评价视频传输质量，而视频传输质量时域检测方面的技术研究多集中在丢包、丢帧与图像失真的联系，以及利用时域图像上下文判断画面冻结。前者无法完全体现视频传输在时域方面的画面冻结与画面延迟性能；而后者难以计算画面冻结时间与画面延迟时间。为此寻找一种能综合、准确、快速地评价视频传输时域质量与空域质量的方法具有重要现实意义。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于多任务深度学习的视频传输质量评价方法。

本发明的目的通过以下的技术方案来实现：

一种基于多任务深度学习的视频传输质量评价方法，包括：

A构建多任务深度学习网络，用于完成目标识别任务、图像分类任务与图像质量评价任务，实现检测视频传输过程中的时延与卡顿时域指标，检测传输画面失真类型、传输画面质量分数空域指标；

B利用目标识别任务识别发送端、接收端视频帧中的频标并校验，根据频标检测出时延与卡顿指标；

C利用目标识别任务定位接收端视频帧，并用图像分类任务检测传输画面失真类型，用图像质量评价任务检测传输画面质量分数；

D完成对网络的训练，得到训练模型，实际部署后检测视频传输时延与卡顿，并在有延迟情况下检测传输画面失真类型与传输画面质量分数。

与现有技术相比，本发明的有益效果是：

本发明提供的方法能综合、准确、快速地评价视频传输时域质量与空域质量。

附图说明

图1是一种基于多任务深度学习的视频传输质量评价方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。

如图1所示，一种基于多任务深度学习的视频传输质量评价方法流程，包括以下步骤：

步骤10构建多任务深度学习网络，用于完成目标识别任务、图像分类任务与图像质量评价任务，实现检测视频传输过程中的时延与卡顿时域指标，检测传输画面失真类型、传输画面质量分数空域指标；

步骤20利用目标识别任务识别发送端、接收端视频帧中的频标并校验，根据频标检测出时延与卡顿指标；

步骤30利用目标识别任务定位接收端视频帧，并用图像分类任务检测传输画面失真类型，用图像质量评价任务检测传输画面质量分数；