CN119496888A 一种基于空时特征解析器的盲视频质量评价方法 （四川大学）

一种基于空时特征解析器的盲视频质量评本发明提出了一种基于空时特征解析器的组成部分，对BVQA的性能和速度有着重要的影支持向量回归(SVR)将提取的特征映射到质量分数。STFR只需要在未失真的视频序列中进行训发明所提出的方法不仅比现有的BVQA方法获得2步骤一：一种用于提取视频空时特征的空时特征块，随机抽取10000个视频块，利用零相位分量分析(Zero_phaseComponentAnalysis,768x768；步骤二：将训练得到的空时特征解析器用于快速地提取视频的空时特步骤三：将视频序列作为输入，依次经过步骤一3传输和再现过程中也容易受到各种失真的影响。这些失真都会对视频质量产生不利影响。VQA)、减少参考VQA(Reduced_ReferenceVQA)、无参考VQA(NR_VQA)或盲参考VQA(Blind利于提高性能。在BVQA方法研究的早期，将视频帧视为独立图像，采用盲图像质量评估(BIQA)方法计算单个视频帧的质量分数。最后对所有视频帧进行统计计算，得到最终的中手动提取的时间特征相结合。尽管在各种场景下人工提取空时特征进行了探索和设计，4[0008]针对盲视频质量评价在特征提取方面仍然有一定的提升空间可以进一步提升计[0009]本发明的基本思想是为了从不同场景的视频序列中有效提取空时特征并准确计取特征的盲视频质量评价方法的泛化性和基于深度学习的盲视频质量评价方法的计算速[0015](2)本发明设计的盲视频质量评价方法由预处理，基于STFR的特征提取回归模型5[0022]然后，使用独立分量分析(ICA)算法将数据分离成统计独立的非高斯线性组合。每个视频块拉伸成列向量，当前视频帧的表示为Bi=(b;,b⃞,…,b;),Bi的大小768×N。6相应的MeanOpinionScore(MOS)作为[0052](3)本发明在训练阶段首先用经过训练得到空时特征解析器和回归模型参数。随[0055](2)本发明提出了一种基于STFR的盲视频质量评价方法方法，该方法将STFR作为[0056](3)本发明提出了一种基于STFR的盲视频质量评价方法方法，与现有盲视频质量[0059]图3为视频序列中的F_STFR值曲线。(a)相邻五帧的F_STFR相似曲线。(b)五帧F_7[0061](1)本发明所提方法在四个数据库上进行了验证实验:LIVE_QualcommMobileIn_CaptureVideoQualityDatabase(LIVE_Q),LIVEVideoQualityChallengeDatabase(LIVE_VQC),KonstanzNaturalVideoDatabase(KoNViD_1K),andtheresultingCompressedVideoqualitydatabasewithSemi_AutomaticRatings(CVSAR)；[0062](2)为目标VQA提供定量的绩效评价，采用Spearman秩序相关系数(SRCC)和8[0070]方法1：Mittal等人提出的方法，参考文献“A.Mittal,A.K.Moorthy,andTrans.onImageProcess.,vol.21,no.12,pp.4695–4708,Dec.2012,doi:10.1109/[0071]方法2：Mittal等人提出的方法，参考文献“A.Mittal,R.Soundararajan,and“BlindPredictionofNaturalVideoQuality,”IEEETrans.onImageProcess.,vol.23,no.3,pp.1352–1365,Mar.2014,doi:10.1109/TIP.2014.2299154.”。“ACompletelyBlindVideoIntegrityOracle,”IEEETrans.onImageProcess.,vol.25,no.1,pp.289–300,Jan.2016,doi:10.1109/TIP.2015.2502725.”。forNo_ReferenceConsumerVideoQualityAssessment,”IEEETrans.onImageProcess.,vol.28,no.12,pp.5923–5938,Dec.2019,doi:10.S.S.Channappayya,“No_ReferenceVideoQualityAssessmentUsingNaturalandA.C.Bovik,“UGC_VQA:BenchmarkingBlindVideoQualityAssessmentforUserAssessmentofIn_the_WildVideos,”inProceedingsofthe27thACMInternationalConferenceonMultimedia,NiceFrance:ACM,Oct.2019,pp.2351–“BlindNaturalVideoQualityPredictionviaStatisticalTemporalFeatures9DeepSpatialFeatures,”inProceedingsofthe28thACMInternationalConferenceonMultimedia,SeattleWAUSA:ACM,Oct.2020,pp.3311–3319.doi:10.1145/[0079]方法10：You等人提出的方法，参考文献“J.YouandY.Lin,“EfficientTransformerwithLocallySharedAttentionforVideoQualityAssessment,”in2022IEEEInternationalConferenceonIEEE,Oct.2022,pp.356–360.doi:10.1109/I[0080]方法11：Mitra等人提出的方法，参考文献“S.MitraandR.Soundararajan,“MultiviewContrastiveLearningforCompletelyBlindVideoQualityAssessmentofUserGeneratedContent,”inProceedingsofthe30thACMInternationalConferenceonMultimedia,LisboaPortugal:ACM,Oct.2022,pp.1914–1924.doi:10.1145/3503161.3548064.”。“CompletelyBlindQualityAssessmentofUserGeneratedVideoContent,”IEEETIP.2021.3130541.”。vol.29,pp.2228–2232,2022,doi:10.1[0083]表1SRCC和PLCC结果LIVE_Q,LIVE_VQC,KoNViD_1和CVSAR。前两个结果以粗体突