[发明专利]无参考的视频质量确定方法、装置、设备和存储介质

说明书

本发明实施例公开了一种无参考的视频质量确定方法、装置、设备和存储介质，该方法包括：获取待评估的视频图像帧，通过深度特征提取网络对所述视频图像帧进行信息压缩得到压缩图像；对所述压缩图像进行时空归一化处理得到归一化图像；通过联合损失模块对所述归一化图像进行分析输出视频质量分值，所述联合损失模块包括至少两个特征分析模块。本方案能够得到更加合理的视频质量评估结果，为后续运营商的内容分发提供良好的指导意义。

技术领域

本申请实施例涉及视频处理技术领域，尤其涉及一种无参考的视频质量确定方法、装置、设备和存储介质。

背景技术

近些年来随着基础网络技术的演进，移动端设备硬件性能的提升，以及人们对生活品质的追求和向往，在智能终端观看短视频、直播视频以及长视频内容的行为已广泛存在。作为信息的载体，视频媒介相比单一的文字和音频能够传达更丰富的信息。然而，从视频的产生到最终用户的观看涉及光学信号到数字信号的转换，视频画幅的缩放处理，视频编码压缩上传等环节。这其中光信号带来的热噪声，缩放带来的模糊感，编码产生的画面块效应都会影响用户的最终视觉体验。此外，不同于传统传媒由专业人员拍摄的视频，大量由普通用户生产的视频包含过曝、过暗、抖动或动态模糊等瑕疵，这些问题也同样影响用户的视觉体验。因此，判断视频质量的好坏程度对以用户为中心的视频内容提供商或相关媒体有重要意义。尽管可以通过人工审核的方式决定每一个视频画面质量，但显然该种方式效率低下，不同评审人员主观视觉存在差异性，以及细微变化的视频画面质量无法区分等问题。所以，大量研究者和相关从业人员都在寻求高效、准确的自动化视频质量评估方法。

其中，视频质量评估方法可以划分为全参考、半参考和无参考的度量方法。其中，全参考和半参考需要部分未失真的原始图像信息，目前主流方法的预测结果和人的主观视觉感受具备高度的相关性。但是，该系列方法要求用户上传未经压缩的原始图像信息，这极大的限制了该方法在大规模场景下的应用。相反，无参考视频质量评估仅采用现有的视频输入提供对该视频的主观视频质量分数预测。

现有技术中，无参考的视频质量评估方法主要划分为基于自然场景统计和基于深度特征的两种方式。前者通过广义偏斜高斯分布来近似自然场景下的各类图像特质，通常利用陷阻滤波器提取亮度分量特征、色度分量特征以及相关的组合特征和方向性特征。然而，智能终端的视频传媒往往包含多种失真叠加以及不规范的拍摄方式，基于自然场景统计的方法对该类问题的处理能力有限。基于深度特征的方法采用先进的神经网络模型在大规模数据集上提取具备判别力的特征，该特征包含了图像的语义信息以及图像的本征特征，但是对包含大量不规范拍摄方式引起的画面失真，以及为节约网络带宽而对视频进行压缩引入块效应等编码噪声的视频质量确定缺乏高效、合理的判定机制。

发明内容

本发明实施例提供了一种无参考的视频质量确定方法、装置、设备和存储介质，解决了现有技术中进行视频质量确定时，无法准确的进行评估的问题，能够得到更加合理的视频质量评估结果，为后续运营商的内容分发提供良好的指导意义。

第一方面，本发明实施例提供了一种无参考的视频质量确定方法，该方法包括：

获取待评估的视频图像帧，通过深度特征提取网络对所述视频图像帧进行信息压缩得到压缩图像；

对所述压缩图像进行时空归一化处理得到归一化图像；

通过联合损失模块对所述归一化图像进行分析输出视频质量分值，所述联合损失模块包括至少两个特征分析模块。

第二方面，本发明实施例还提供了一种无参考的视频质量确定装置，包括：

深度特征提取模块，用于获取待评估的视频图像帧，对所述视频图像帧进行信息压缩得到压缩图像；

时空特征归一化模块，用于对所述压缩图像进行时空归一化处理得到归一化图像；

联合损失模块，用于对所述归一化图像进行分析输出视频质量分值，所述联合损失模块包括至少两个特征分析模块。