CN112911281A - 一种视频质量评价方法及装置 - Google Patents
一种视频质量评价方法及装置 Download PDFInfo
- Publication number
- CN112911281A CN112911281A CN202110179148.6A CN202110179148A CN112911281A CN 112911281 A CN112911281 A CN 112911281A CN 202110179148 A CN202110179148 A CN 202110179148A CN 112911281 A CN112911281 A CN 112911281A
- Authority
- CN
- China
- Prior art keywords
- video
- frame
- image
- determining
- video segment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 49
- 230000033001 locomotion Effects 0.000 claims abstract description 74
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 230000007704 transition Effects 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种视频质量评价方法及装置,可先基于预设的采样间隔,将待评价的视频数据划分为若干视频段,并确定各视频段中各帧图像的特征点。之后,针对每个视频段中的每帧图像,根据该帧图像与相邻帧图像中的特征点,进行特征点匹配,并根据相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度,从而根据各帧图像的运动强度确定关键帧。最后,根据各关键帧的质量评分,确定该视频数据的质量评分,以根据该质量评分进行视频展示。通过各相邻两帧图像中相匹配的特征点的位置信息,确定各帧图像的运动强度,并基于各帧图像的运动强度,筛选关键帧的方式,提高了关键帧的选取质量,使得视频质量评价更准确。
Description
技术领域
本申请涉及视频技术领域,尤其涉及一种视频质量评价方法及装置。
背景技术
随着短视频的发展,越来越多的业务平台上线短视频业务,用户可将拍摄的短视频上传平台发布,以展示日常娱乐、商品信息等内容。
为了向平台用户展示高质量的短视频,业务平台还需对用户上传的短视频进行质量审核,以根据审核结果,向平台用户推送高质量的短视频,提升平台用户体验。
目前,在对视频进行质量评价时,通常等间隔采集该视频中的若干关键帧,并根据采集到的各关键帧,通过图像质量评价模型,确定各关键帧的质量评分,最后,根据各关键帧的质量评分的平均值,确定该视频的质量评分。
但是,在拍摄短视频时,往往出现用户运镜的移动以及视频场景中物体的运动,使得等间隔采样可能采集到处于运动过程中模糊的关键帧,导致视频质量评价的准确率较低。
发明内容
本说明书实施例提供一种视频质量评价方法及装置,用于部分解决现有技术中的问题。
本说明书实施例采用下述技术方案:
本说明书提供的一种视频质量评价方法,包括:
获取待评价的视频数据,并根据预设的采样间隔,将所述视频数据划分为若干视频段;
针对每个视频段,确定该视频段中各帧图像的特征点;
针对该视频段中的每帧图像,根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,确定相匹配的各特征点,并根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度;
根据该视频段中各帧图像的运动强度,从该视频段包含的各帧图像中,确定该视频段的关键帧;
根据所述视频数据中各视频段的关键帧以及与图像质量评价模型,确定各关键帧的质量评分,并根据各关键帧的质量评分,确定所述视频数据的质量评分,以根据所述质量评分进行视频展示。
可选地,确定该视频段中各帧图像的特征点之前,所述方法还包括:
通过镜头边缘检测算法,确定该视频段中的转场帧,所述转场帧表示处于视频场景转变过程中的各帧图像;
从该视频段中删除所述转场帧,以对该视频段进行更新。
可选地,根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度,具体包括:
根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定对应于所述两帧图像的仿射变换矩阵,所述仿射变换矩阵表征所述两帧图像之间的位置变化;
根据所述仿射变化矩阵中的位置变化参数,确定该帧图像的运动强度。
可选地,根据该视频段中各帧图像的运动强度,从该视频段包含的各帧图像中,确定该视频段的关键帧,具体包括:
以该帧图像为中心,确定预设窗口范围内包含的各帧图像的运动强度;
根据确定出的预设窗口范围内的各帧图像的运动强度的平均值,确定该帧图像的运动强度;
根据该视频段中各帧图像的运动强度,从中确定运动强度最小的一帧图像,作为该视频段的关键帧。
可选地,根据各关键帧的质量评分,确定所述视频数据的质量评分,具体包括:
通过镜头边缘检测算法,确定所述视频数据中包含的若干视频场景;
针对每个视频场景,确定该视频场景中包含的各视频段,并根据确定出的各视频段的关键帧的质量评分,确定该视频场景的质量评分;
根据各视频场景的质量评分,确定所述视频数据的质量评分。
可选地,确定对应于所述两帧图像的仿射变换矩阵之前,所述方法还包括:
根据相匹配的各特征点分别在两帧图像中的位置信息,通过随机抽样一致算法,删除匹配出错的各特征点。
可选地,根据各关键帧的质量评分,确定所述视频数据的质量评分,具体包括:
根据该视频场景中各视频段的关键帧的质量评分,确定该视频场景中各关键帧的评分标准差;
根据各视频场景的质量评分以及评分标准差,确定所述视频数据的视频特征;
将所述视频特征输入视频质量评价模型,确定所述视频数据的质量评分。
本说明书提供一种视频质量评价装置,包括:
获取模块,获取待评价的视频数据,并根据预设的采样间隔,将所述视频数据划分为若干视频段;
第一确定模块,针对每个视频段,针对每个视频段,确定该视频段中各帧图像的特征点;
匹配模块,针对该视频段中的每帧图像,根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,确定相匹配的各特征点,并根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度;
第二确定模块,根据该视频段中各帧图像的运动强度,从该视频段包含的各帧图像中,确定该视频段的关键帧;
评分模块,根据所述视频数据中各视频段的关键帧以及与图像质量评价模型,确定各关键帧的质量评分,并根据各关键帧的质量评分,确定所述视频数据的质量评分,以根据所述质量评分进行视频展示。
本说明书提供的一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述视频质量评价方法。
本说明书提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述视频质量评价方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书中,可先获取待评价的视频数据,并根据预设的采样间隔,将该视频数据划分为若干视频段。之后,针对每个视频段,确定该视频段中各帧图像的特征点。然后,针对该视频段中的每帧图像,根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,并根据相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度,以根据该视频段中各帧图像的运动强度,确定该视频段的关键帧。最后,根据该视频数据中各视频段的关键帧以及与图像质量评价模型,确定各关键帧的质量评分,并根据各关键帧的质量评分,确定该视频数据的质量评分,以根据该质量评分进行视频展示。通过各相邻两帧图像中相匹配的特征点的位置信息,确定各帧图像的运动强度,并基于各帧图像的运动强度,筛选关键帧的方式,提高了关键帧的选取质量,使得视频质量评价更准确。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种视频质量评价方法的流程示意图;
图2为本说明书实施例提供的一种视频数据划分视频场景的示意图;
图3为本说明书实施例提供的一种视频质量评分的流程示意图;
图4为本说明书实施例提供的一种视频质量评分的流程示意图;
图5为本说明书实施例提供的一种视频质量评价装置的结构示意图;
图6为本说明书实施例提供的实现视频质量评价方法的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前通过等间隔采样的方法采集视频中的关键帧,无法避免采集到处于运动过程中的模糊的关键帧,则基于该模糊的关键帧无法反映该视频的真实质量,使得视频质量评价结果不够准确。
基于上述存在的问题,本说明书提供一种视频质量评价方法,通过该视频中相邻两帧图像中的特征点,进行特征点匹配,并根据相匹配的特征点的位置信息,确定各帧图像的运动强度。之后,从中选取运动强度较弱、稳定性较强的图像作为关键帧,以进行视频质量评价。
以下结合附图,详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种视频质量评价方法的流程示意图,具体可包括以下步骤:
S100:获取待评价的视频数据,并根据预设的采样间隔,将所述视频数据划分为若干视频段。
在本说明书中进行视频质量评价时,可先获取待评价的视频数据,并对该视频数据进行分段,后续分别从各分段中确定关键帧,以进行视频质量评价。其中,本说明书提供的视频质量评价方法可由服务器执行,该服务器可以是单个服务器,也可以是多个服务器组成的***,如,分布式服务器等,本说明书对此不做限制,可根据需要设置。
具体的,该服务器可先获取待评价的视频数据。之后,根据预设的采样间隔,将该视频数据划分为若干视频段。其中,预设的采样间隔可按照帧数设置,通常以帧率为采样间隔,如,假设帧率为24帧/秒,则将该视频数据中的每24帧图像,划分为一个视频段。
S102:针对每个视频段,确定该视频段中各帧图像的特征点。
S104:针对该视频段中的每帧图像,根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,确定相匹配的各特征点,并根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度。
S106:根据该视频段中各帧图像的运动强度,从该视频段包含的各帧图像中,确定该视频段的关键帧。
在本说明书一种或多种实施例中,当通过步骤S100划分出若干视频段后,便可从各视频段包含的各帧图像中,筛选出运动强度较弱的关键帧,以进行视频质量评价。
具体的,针对划分出的每个视频段,该服务器可通过特征点检测算法,提取该视频段中包含的各帧图像的特征点。
其中,该特征点检测算法可以采用尺度不变特征变换(Scale-Invariant FeatureTransform,SIFT)算法、加速稳健特征(Speeded Up Robust Feature,SURF)算法以及加速分段特征(Features From Accelerated Segment Test,FAST)算法等。
并且,由于在本说明书实施例中,提取特征点的目的是通过特征点匹配,确定同一特征点在两帧图像之间的位置变化,因此特征点应具有不变性、鲁棒性以及可区分性,例如:图像中的角点等,本说明书对特征点的选取不做限定,可根据需要设置。
之后,针对该视频段中的每帧图像,该服务器可根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,确定两帧图像之间相匹配的各特征点。
需要说明的是,在进行特征点匹配时,也可将该帧图像中的特征点与该视频段中该帧图像的下一帧图像中的特征点进行匹配,也就是说,将该帧图像中的特征点与任一相邻帧图像中的特征点进行匹配即可,本说明书对此不做限制,具体可根据需要设置。
然后,根据相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度。
其中,在确定该帧图像的运动强度时,针对相匹配的每个特征点,可确定该特征点分别在两帧图像中的位置信息,分别以(x1,y1)、(x2,y2)表示,之后,根据该特征点在两帧图像中的位置信息,确定该特征点的位置分别在水平方向的偏移量Δx,以及在竖直方向上的偏移量Δy。其中,水平方向的偏移量Δx=x1-x2,竖直方向上的偏移量Δy=y1-y2。然后,根据各相匹配的特征点在水平方向的偏移量Δx的平均值,确定从上一帧图像变化到该帧图像的水平偏移量并根据各相匹配的特征点在竖直方向的偏移量Δy的平均值,确定从上一帧图像变化到该帧图像的竖直偏移量最后,根据两帧图像之间的水平偏移量以及竖直偏移量确定从上一帧图像变化到该帧图像的运动强度
或者,在本说明书另一种实施例中确定该帧图像的运动强度时,可根据相匹配的各特征点分别在两帧图像中的位置信息,确定对应于该两帧图像的仿射变换矩阵,再根据该仿射变化矩阵中的位置变化参数,确定该帧图像的运动强度。其中,该仿射变换矩阵表征两帧图像之间的位置变化。
以下述矩阵为例进行说明:
进一步的,在基于相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度之前,为了提升特征点匹配的准确率,减少匹配出错的特征点带来的误差,该服务器还可通过随机抽样一致算法(RANdom SAmple Consensus,RANSAC)从相匹配的各特征点中筛选出匹配出错的特征点并进行剔除,以根据匹配正确的特征点的位置信息,确定该帧图像的运动强度。
最后,当确定出该视频段中各帧图像的运动强度后,便可根据各帧图像的运动强度的排序,从该视频段包含的各帧图像中确定该视频段的关键帧。如,将运动强度最弱的一帧图像,作为该视频段的关键帧。其中,图像的运动强度越弱,表征该图像的稳定性越强。且该视频段的关键帧的数量可根据需要设置。
S108:根据所述视频数据中各视频段的关键帧以及与图像质量评价模型,确定各关键帧的质量评分,并根据各关键帧的质量评分,确定所述视频数据的质量评分,以根据所述质量评分进行视频展示。
在本说明书一种或多种实施例中,当确定出该视频数据中各视频段的关键帧后,可通过对各关键帧进行质量评价,从而确定该视频数据的质量评价。
具体的,针对该视频数据中每个视频段的关键帧,该服务器可将该关键帧作为输入,输入图像质量评价模型(Image Quality Assessment,IQA)中,确定该模型输出对该关键帧的质量评分。之后,根据该视频数据中各关键帧的质量评分,确定该视频数据的质量评分。例如,将各关键帧的质量评分的平均值,或者将各关键帧的质量评分中的最大值,作为该视频数据的质量评分。
最后,根据该视频数据的质量评分,进行视频展示。例如,当该视频数据的质量评分较高时,向更多用户展示该视频数据,提高该视频数据的曝光量。或者,根据各个视频数据的质量评分的排序,对各视频数据的展示顺序进行排序。
其中,该IQA模型可以采用卷积神经网络模型(Convolutional Neural Networks,CNN),经过机器学习得到。具体可采用如下方式进行模型训练:
首先,获取若干张图像作为训练样本,并对各训练样本标注其质量评分。之后,针对每个训练样本,将该训练样本输入待训练的CNN模型中,确定该模型输出的预测得分,最后,以最小化该预测得分与该训练样本标注的质量评分之间的差异为目标,调整该待训练的CNN模型中的模型参数。
或者,该IQA模型也可基于图像的亮度、模糊度以及图像噪声等图像质量的评价指标,确定图像在各质量维度上的评价。具体采用哪种IQA模型用于图像质量评价可根据需要设置,本说明书对此不做限制。
基于图1所示的视频质量评价方法,可先获取待评价的视频数据,并根据预设的采样间隔,将该视频数据划分为若干视频段。之后,针对每个视频段,确定该视频段中各帧图像的特征点。然后,针对该视频段中的每帧图像,根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,并根据相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度,以根据该视频段中各帧图像的运动强度,确定该视频段的关键帧。最后,根据该视频数据中各视频段的关键帧以及与图像质量评价模型,确定各关键帧的质量评分,并根据各关键帧的质量评分,确定该视频数据的质量评分,以根据该质量评分进行视频展示。通过各相邻两帧图像中相匹配的特征点的位置信息,确定各帧图像的运动强度,并基于各帧图像的运动强度,筛选关键帧的方式,提高了关键帧的选取质量,使得视频质量评价更准确。
另外,由于用户上传的视频中还可能进行过后期编辑处理,如,将多个视频场景剪辑拼接到一起,出现视频场景的突变。或者,通过转场特效等高斯模糊的处理方法,经过缓慢渐变实现视频场景变化的过渡。
当该视频段中出现视频场景的突变转场时,则在上述步骤S104中,对于突变转场位置的两帧图像无法匹配到特征点,因此还需根据该视频段中各视频场景的突变,进一步进行分割。
具体的,可通过镜头边缘检测算法,确定该视频段中的转场帧,该转场帧表示处于视频场景转变过程中的各帧图像。当该转场帧仅包含一帧图像时,表明该视频转场为突变转场,可根据该转场帧所包含的图像在视频段中的位置,对该视频段进行分割。
当该视频段中出现视频场景的渐变转场时,若确定出的关键帧为渐变转场过程中的一帧图像,则该关键帧中包含两个视频场景融合的画面内容,无法真实反映该视频段的质量,因此还需在该视频段中删除渐变转场帧,以避免渐变转场帧对视频质量评价的影响。
具体的,可通过镜头边缘检测算法,确定该视频段中的转场帧,该转场帧表示处于视频场景转变过程中的各帧图像。当该转场帧包含多张图像时,表明该视频转场为渐变转场,可从该视频段中删除该渐变转场帧,以更新该视频段。并且为了避免在步骤S104出现场景变化两侧的图像无法匹配特征点的情况,还需根据该渐变转场帧图像在视频段中的位置,对该视频段进行分割。其中,该镜头边缘检测算法可采用绝对帧间差法、颜色直方图法、感知哈希法等算法,通过比较该视频中各帧图像之间的相似度,确定在该视频中出现场景变化的位置。
进一步的,由于通常相邻帧图像之间的运动强度变化较小,因此在本说明书步骤S106中,为了更准确的确定各帧图像的运动强度,减少误差,可根据各帧图像的相邻帧图像的运动强度的平均值,确定各帧图像的运动强度。
具体的,当确定出该视频段中各帧图像的运动强度后,针对该视频段中的每帧图像,以该帧图像为中心,确定预设窗口范围内包含的各帧图像的运动强度,并将该预设窗口范围内的各帧图像的运动强度的平均值,作为该帧图像的运动强度。最后,可从该视频段包含的各帧图像中,确定运动强度最小的一帧图像,作为该视频段的关键帧。其中,该预设窗口范围可根据需要设置,例如,该窗口范围包含5帧图像。
更进一步的,由于一段视频数据中可能包含多个视频场景,而不同视频场景的时长以及各视频场景下采集的图像也存在差异,因此在本说明书步骤S108中确定视频数据的质量评分时,可先基于各视频场景下的关键帧的质量评分,确定各视频场景的质量评分,以根据各视频场景的质量评分,确定该视频数据的质量评分。
具体的,该服务器可通过镜头边缘检测算法,确定该视频数据中包含的若干视频场景。之后,针对每个视频场景,确定该视频场景中包含的各视频段,并根据确定出的各视频段的关键帧的质量评分,确定该视频场景的质量评分。最后,根据各视频场景的质量评分,确定该视频数据的质量评分。
以图2为例进行说明,在图2中,以单向箭头的线段表示一段视频数据,箭头方向表示视频的播放顺序。根据预设的采样间隔,可将该视频数据划分为T1~T6共6个视频段,并且,该视频数据中包含A、B、C共3个视频场景,其中,A场景中包含有视频段T1以及T2中的部分视频,B场景中包含有视频段T3以及T2和T4中的部分视频,C场景中包含有视频段T5、T6以及T4中的部分视频。
则针对每个视频段,可通过上述步骤S102~步骤S106确定出该视频段的关键帧,分别以a、b、c、d、e、f表示视频段T1~T6中的关键帧。假设A场景中包含有关键帧a,B场景中包含有关键帧b、c、d,C场景中包含有关键帧e、f,各关键帧对应的质量评分分别为F(a)、F(b)、F(c)、F(d)、F(e)、F(f)。则可根据各场景包含的各关键帧的质量评分,确定各场景的质量评分。
其中,
A场景的质量评分:F(A)=F(a)
B场景的质量评分:F(B)=1/3[F(b)+F(c)+F(d)]
C场景的质量评分:F(C)=1/2[F(e)+F(f)]
之后,根据各场景的质量评分,确定该视频数据的质量评分。其中,
该视频数据的质量评分:F(x)=1/3[F(A)+F(B)+F(C)]
需要说明的是,在本说明书一种实施例中,当通过镜头边缘检测算法确定出该视频数据中的转场帧后,也可直接根据转场帧的位置,进行视频场景的划分。
图3为上述评分过程的流程图,可将各视频段的关键帧输入图像质量评价模型中,确定各关键帧的质量评分。之后,通过平均池化,确定各视频场景的质量评分,最后,再次经过平均池化,确定该视频数据的质量评分。
在本说明书其它实施例中,如图4所示,在将各视频段的关键帧输入图像质量评价模型,得到各关键帧的质量评分后,可分别经过平均池化(average pooling),确定出各视频场景的质量评分,经过标准差池化(standard deviation pooling),确定各视频场景中各关键帧的评分标准差。之后,根据各视频场景的质量评分以及评分标准差,进行特征拼接,确定各视频场景的场景特征,再根据各视频场景的场景特征,通过平均池化确定该视频数据的视频特征。其中,该视频特征中包含该视频数据的质量评分以及该视频数据中各视频场景的评分之间的偏差情况。最后,将该视频数据的视频特征输入视频质量评价模型(Video Quality Assessment,VQA)中,确定该视频数据的质量评分。
基于图1所示的视频质量评价方法,本说明书实施例还对应提供一种视频质量评价装置的结构示意图,如图5所示。
图5为本说明书实施例提供的一种视频质量评价装置的结构示意图,包括:
获取模块200,获取待评价的视频数据,并根据预设的采样间隔,将所述视频数据划分为若干视频段;
第一确定模块202,针对每个视频段,针对每个视频段,确定该视频段中各帧图像的特征点;
匹配模块204,针对该视频段中的每帧图像,根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,确定相匹配的各特征点,并根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度;
第二确定模块206,根据该视频段中各帧图像的运动强度,从该视频段包含的各帧图像中,确定该视频段的关键帧;
评分模块208,根据所述视频数据中各视频段的关键帧以及与图像质量评价模型,确定各关键帧的质量评分,并根据各关键帧的质量评分,确定所述视频数据的质量评分,以根据所述质量评分进行视频展示。
可选地,所述第一确定模块202还用于,通过镜头边缘检测算法,确定该视频段中的转场帧,所述转场帧表示处于视频场景转变过程中的各帧图像,从该视频段中删除所述转场帧,以对该视频段进行更新。
可选地,所述匹配模块204具体用于,根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定对应于所述两帧图像的仿射变换矩阵,所述仿射变换矩阵表征所述两帧图像之间的位置变化,根据所述仿射变化矩阵中的位置变化参数,确定该帧图像的运动强度。
可选地,所述第二确定模块206具体用于,以该帧图像为中心,确定预设窗口范围内包含的各帧图像的运动强度,根据确定出的预设窗口范围内的各帧图像的运动强度的平均值,确定该帧图像的运动强度,根据该视频段中各帧图像的运动强度,从中确定运动强度最小的一帧图像,作为该视频段的关键帧。
可选地,所述评分模块208具体用于,通过镜头边缘检测算法,确定所述视频数据中包含的若干视频场景,针对每个视频场景,确定该视频场景中包含的各视频段,并根据确定出的各视频段的关键帧的质量评分,确定该视频场景的质量评分,根据各视频场景的质量评分,确定所述视频数据的质量评分。
可选地,所述匹配模块204还用于,根据相匹配的各特征点分别在两帧图像中的位置信息,通过随机抽样一致算法,删除匹配出错的各特征点。
可选地,所述评分模块208具体用于,根据该视频场景中各视频段的关键帧的质量评分,确定该视频场景中各关键帧的评分标准差,根据各视频场景的质量评分以及评分标准差,确定所述视频数据的视频特征,将所述视频特征输入视频质量评价模型,确定所述视频数据的质量评分。
本说明书实施例还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的视频质量评价方法。
基于图1所示的视频质量评价方法,本说明书实施例还提出了图6所示的电子设备的示意结构图。如图6,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所示的视频质量评价方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种视频质量评价方法,其特征在于,包括:
获取待评价的视频数据,并根据预设的采样间隔,将所述视频数据划分为若干视频段;
针对每个视频段,确定该视频段中各帧图像的特征点;
针对该视频段中的每帧图像,根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,确定相匹配的各特征点,并根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度;
根据该视频段中各帧图像的运动强度,从该视频段包含的各帧图像中,确定该视频段的关键帧;
根据所述视频数据中各视频段的关键帧以及与图像质量评价模型,确定各关键帧的质量评分,并根据各关键帧的质量评分,确定所述视频数据的质量评分,以根据所述质量评分进行视频展示。
2.如权利要求1所述的方法,其特征在于,确定该视频段中各帧图像的特征点之前,所述方法还包括:
通过镜头边缘检测算法,确定该视频段中的转场帧,所述转场帧表示处于视频场景转变过程中的各帧图像;
从该视频段中删除所述转场帧,以对该视频段进行更新。
3.如权利要求1所述的方法,其特征在于,根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度,具体包括:
根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定对应于所述两帧图像的仿射变换矩阵,所述仿射变换矩阵表征所述两帧图像之间的位置变化;
根据所述仿射变化矩阵中的位置变化参数,确定该帧图像的运动强度。
4.如权利要求1所述的方法,其特征在于,根据该视频段中各帧图像的运动强度,从该视频段包含的各帧图像中,确定该视频段的关键帧,具体包括:
以该帧图像为中心,确定预设窗口范围内包含的各帧图像的运动强度;
根据确定出的预设窗口范围内的各帧图像的运动强度的平均值,确定该帧图像的运动强度;
根据该视频段中各帧图像的运动强度,从中确定运动强度最小的一帧图像,作为该视频段的关键帧。
5.如权利要求1所述的方法,其特征在于,根据各关键帧的质量评分,确定所述视频数据的质量评分,具体包括:
通过镜头边缘检测算法,确定所述视频数据中包含的若干视频场景;
针对每个视频场景,确定该视频场景中包含的各视频段,并根据确定出的各视频段的关键帧的质量评分,确定该视频场景的质量评分;
根据各视频场景的质量评分,确定所述视频数据的质量评分。
6.如权利要求3所述的方法,其特征在于,确定对应于所述两帧图像的仿射变换矩阵之前,所述方法还包括:
根据相匹配的各特征点分别在两帧图像中的位置信息,通过随机抽样一致算法,删除匹配出错的各特征点。
7.如权利要求5所述的方法,其特征在于,根据各关键帧的质量评分,确定所述视频数据的质量评分,具体包括:
根据该视频场景中各视频段的关键帧的质量评分,确定该视频场景中各关键帧的评分标准差;
根据各视频场景的质量评分以及评分标准差,确定所述视频数据的视频特征;
将所述视频特征输入视频质量评价模型,确定所述视频数据的质量评分。
8.一种视频质量评价装置,其特征在于,包括:
获取模块,获取待评价的视频数据,并根据预设的采样间隔,将所述视频数据划分为若干视频段;
第一确定模块,针对每个视频段,针对每个视频段,确定该视频段中各帧图像的特征点;
匹配模块,针对该视频段中的每帧图像,根据该帧图像中的特征点以及该视频段中该帧图像的上一帧图像中的特征点,进行特征点匹配,确定相匹配的各特征点,并根据所述相匹配的各特征点分别在两帧图像中的位置信息,确定该帧图像的运动强度;
第二确定模块,根据该视频段中各帧图像的运动强度,从该视频段包含的各帧图像中,确定该视频段的关键帧;
评分模块,根据所述视频数据中各视频段的关键帧以及与图像质量评价模型,确定各关键帧的质量评分,并根据各关键帧的质量评分,确定所述视频数据的质量评分,以根据所述质量评分进行视频展示。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-7任一所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179148.6A CN112911281B (zh) | 2021-02-09 | 2021-02-09 | 一种视频质量评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110179148.6A CN112911281B (zh) | 2021-02-09 | 2021-02-09 | 一种视频质量评价方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112911281A true CN112911281A (zh) | 2021-06-04 |
CN112911281B CN112911281B (zh) | 2022-07-15 |
Family
ID=76123152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110179148.6A Active CN112911281B (zh) | 2021-02-09 | 2021-02-09 | 一种视频质量评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112911281B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113891069A (zh) * | 2021-10-21 | 2022-01-04 | 咪咕文化科技有限公司 | 一种视频质量的评估方法、装置及设备 |
CN113923444A (zh) * | 2021-10-08 | 2022-01-11 | 广州辰达精密光电科技有限公司 | 一种变焦镜头质量评价方法及装置 |
CN114528923A (zh) * | 2022-01-25 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 基于时域上下文的视频目标检测方法、装置、设备及介质 |
WO2022263922A1 (en) * | 2021-06-17 | 2022-12-22 | L&T Technology Services Limited | Method and system for assessing audio and video quality of a multimedia content |
CN116188460A (zh) * | 2023-04-24 | 2023-05-30 | 青岛美迪康数字工程有限公司 | 基于运动矢量的图像识别方法、装置和计算机设备 |
CN117119231A (zh) * | 2023-10-13 | 2023-11-24 | 深圳市知酷信息技术有限公司 | 一种基于区块链的视频计费调控*** |
CN117354524A (zh) * | 2023-12-04 | 2024-01-05 | 腾讯科技(深圳)有限公司 | 编码器编码性能测试方法、装置、设备及计算机介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572502A (zh) * | 2010-12-17 | 2012-07-11 | 北京东方文骏软件科技有限责任公司 | 一种用于视频质量评价的关键帧的选取方法 |
CN102611910A (zh) * | 2011-01-19 | 2012-07-25 | 北京东方文骏软件科技有限责任公司 | 基于关键帧图像质量加权的无参考视频质量客观评价方法 |
CN103413322A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 序列视频关键帧提取方法 |
CN106875389A (zh) * | 2017-02-23 | 2017-06-20 | 天津大学 | 基于运动显著性的立体视频质量评价方法 |
CN110738657A (zh) * | 2019-10-28 | 2020-01-31 | 北京字节跳动网络技术有限公司 | 视频质量评估方法、装置、电子设备及存储介质 |
CN110992392A (zh) * | 2019-11-20 | 2020-04-10 | 北京影谱科技股份有限公司 | 一种基于运动状态的关键帧选取方法及装置 |
CN111464833A (zh) * | 2020-03-23 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 目标图像生成方法、目标图像生成装置、介质及电子设备 |
WO2020169121A2 (zh) * | 2019-02-22 | 2020-08-27 | 影石创新科技股份有限公司 | 一种视频自动剪辑方法及便携式终端 |
-
2021
- 2021-02-09 CN CN202110179148.6A patent/CN112911281B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102572502A (zh) * | 2010-12-17 | 2012-07-11 | 北京东方文骏软件科技有限责任公司 | 一种用于视频质量评价的关键帧的选取方法 |
CN102611910A (zh) * | 2011-01-19 | 2012-07-25 | 北京东方文骏软件科技有限责任公司 | 基于关键帧图像质量加权的无参考视频质量客观评价方法 |
CN103413322A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 序列视频关键帧提取方法 |
CN106875389A (zh) * | 2017-02-23 | 2017-06-20 | 天津大学 | 基于运动显著性的立体视频质量评价方法 |
WO2020169121A2 (zh) * | 2019-02-22 | 2020-08-27 | 影石创新科技股份有限公司 | 一种视频自动剪辑方法及便携式终端 |
CN110738657A (zh) * | 2019-10-28 | 2020-01-31 | 北京字节跳动网络技术有限公司 | 视频质量评估方法、装置、电子设备及存储介质 |
CN110992392A (zh) * | 2019-11-20 | 2020-04-10 | 北京影谱科技股份有限公司 | 一种基于运动状态的关键帧选取方法及装置 |
CN111464833A (zh) * | 2020-03-23 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 目标图像生成方法、目标图像生成装置、介质及电子设备 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022263922A1 (en) * | 2021-06-17 | 2022-12-22 | L&T Technology Services Limited | Method and system for assessing audio and video quality of a multimedia content |
CN113923444A (zh) * | 2021-10-08 | 2022-01-11 | 广州辰达精密光电科技有限公司 | 一种变焦镜头质量评价方法及装置 |
CN113923444B (zh) * | 2021-10-08 | 2024-04-30 | 广州辰达精密光电科技有限公司 | 一种变焦镜头质量评价方法及装置 |
CN113891069A (zh) * | 2021-10-21 | 2022-01-04 | 咪咕文化科技有限公司 | 一种视频质量的评估方法、装置及设备 |
CN114528923A (zh) * | 2022-01-25 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 基于时域上下文的视频目标检测方法、装置、设备及介质 |
CN114528923B (zh) * | 2022-01-25 | 2023-09-26 | 山东浪潮科学研究院有限公司 | 基于时域上下文的视频目标检测方法、装置、设备及介质 |
CN116188460A (zh) * | 2023-04-24 | 2023-05-30 | 青岛美迪康数字工程有限公司 | 基于运动矢量的图像识别方法、装置和计算机设备 |
CN116188460B (zh) * | 2023-04-24 | 2023-08-25 | 青岛美迪康数字工程有限公司 | 基于运动矢量的图像识别方法、装置和计算机设备 |
CN117119231A (zh) * | 2023-10-13 | 2023-11-24 | 深圳市知酷信息技术有限公司 | 一种基于区块链的视频计费调控*** |
CN117354524A (zh) * | 2023-12-04 | 2024-01-05 | 腾讯科技(深圳)有限公司 | 编码器编码性能测试方法、装置、设备及计算机介质 |
CN117354524B (zh) * | 2023-12-04 | 2024-04-09 | 腾讯科技(深圳)有限公司 | 编码器编码性能测试方法、装置、设备及计算机介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112911281B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112911281B (zh) | 一种视频质量评价方法及装置 | |
CN109740670B (zh) | 视频分类的方法及装置 | |
CN107273895B (zh) | 用于头戴式智能设备的视频流实时文本识别及翻译的方法 | |
CN111238450B (zh) | 视觉定位方法及装置 | |
CN110139169B (zh) | 视频流的质量评估方法及其装置、视频拍摄*** | |
CN110210480B (zh) | 文字识别方法、装置、电子设备和计算机可读存储介质 | |
CN112365513A (zh) | 一种模型训练的方法及装置 | |
CN112749696B (zh) | 一种文本检测方法及装置 | |
CN112465029A (zh) | 一种实例追踪的方法及装置 | |
CN114332873A (zh) | 一种识别模型的训练方法及装置 | |
CN114390201A (zh) | 对焦方法及其装置 | |
CN112784750A (zh) | 基于像素和区域特征匹配的快速视频物体分割方法和装置 | |
CN112101344A (zh) | 一种视频文本跟踪方法及装置 | |
CN114037740B (zh) | 图像数据流的处理方法、装置及电子设备 | |
KR101833943B1 (ko) | 동영상의 주요 장면을 추출 및 탐색하는 방법 및 시스템 | |
CN111368902A (zh) | 一种数据标注的方法及装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN112950564B (zh) | 一种图像检测方法、装置、存储介质及电子设备 | |
CN113312949B (zh) | 视频数据处理方法、视频数据处理装置和电子设备 | |
CN112990099A (zh) | 一种车道线检测的方法以及装置 | |
CN117078970A (zh) | 一种图片识别方法、装置、电子设备及存储介质 | |
CN112614111A (zh) | 一种基于强化学习的视频篡改操作检测方法及装置 | |
US20220385810A1 (en) | Panoramic Video Data Process | |
CN114926437A (zh) | 一种图像质量评价方法及装置 | |
CN114997277A (zh) | 一种模型训练的方法、任务执行的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |