[发明专利]联合支持向量机和模糊推理的视频质量评估方法和系统

说明书

本发明提供一种联合支持向量机和模糊推理的视频质量评估方法和系统，该方法首先提取了视频质量主要影响因素，利用优化的非线性支持向量机模型，对视频质量进行分类，然后再将分类好的影响因素分成两组，分别按每个分类对应的规则进行模糊推理，然后把推理的结果值再做加权处理，得到最终的客观值。实验结果表明，该方法能够有效地提高视频质量评估的主客观相似度。

技术领域

本发明涉及视频质量评估领域，特别涉及一种联合支持向量机和模糊推理的视频质量评估方法和系统。

背景技术

当前人们随时随地观看网络视频，它是最为繁忙的网络业务。但是视频在传输和编码过程中，会受到多种因素影响。为此，人们设计了各种评估视频质量的方法。视频质量主观、客观评估方法，是两种常用的评估方法。由于主观评估方法需要人为参与，所以许多研究机构重点研究了客观评估方法。

现有基于模糊推理的客观评估方法是把所有的推理规则进行线性化计算，易造成评估方法的复杂度高，且推理过程单一化，同时造成评估方法的准确性低。

发明内容

本发明要解决的技术问题，在于提供一种联合支持向量机和模糊推理的视频质量评估方法和系统，通过对视频影响因素的定性分类，然后再把分类后的影响因素进行分组模糊推理和权值计算，降低计算的复杂度，以及提高评估方法准确性。

第一方面，本发明提供了一种联合支持向量机和模糊推理的视频质量评估方法，包括：支持向量机模型优化过程和视频质量评估过程；

所述支持向量机模型优化过程包括：

获取多个训练视频的主观评估值，根据所述主观评估值将所述训练视频进行分类；分别提取每类训练视频的影响因素，然后将所述影响因素及对应的分类输入支持向量机模型进行训练，得到优化的支持向量机模型；

所述视频质量评估过程包括：

提取待评估视频的影响因素，将所述待评估视频的影响因素输入所述优化的支持向量机模型，得到分类后的影响因素；

将所述分类后的影响因素分为应用指标组和图像指标组，分别对每一组影响因素按每个分类的推理规则进行模糊推理，得到应用指标推理值和图像指标推理值；

对所述应用指标推理值和图像指标推理值进行加权平均计算，得到所述待评估视频对应的客观推理值。

进一步地，根据所述主观评估值将所述训练视频进行分类，具体包括：

当0≤主观评估值1时，将训练视频分类为Poor；

当1≤主观评估值2时，将训练视频分类为Bad；

当2≤主观评估值3时，将训练视频分类为Fair；

当3≤主观评估值4时，将训练视频分类为Good；

当4≤主观评估值≤5时，将训练视频分类为Excellent。

进一步地，所述影响因素包括：平均停顿次数、平均停顿时间、模糊度、块效应以及噪声标准差；所述应用指标组包括平均停顿次数和平均停顿时间；所述图像指标组包括：模糊度、块效应以及噪声标准差。

进一步地，所述支持向量机模型的构建采用如下公式：

其中，x_i代表输入的影响因素，y_i代表输入的主观评估值，ω代表加权因子，φ(x_i)代表映射函数，b代表偏置参数，ξ_i代表误差参数，f(x)代表训练好的分类决策函数，sgn代表符号函数，代表拉格朗日乘子，K(x_i,x_j)代表核函数，b^*代表松弛变量，C代表拉格朗日乘子取值范围的最大值。