几篇关于H264视频质量评价的文章

基于运动特征的视频质量评价方法(基于H.264)

Michal Ries等人在论文《Motion Based Reference-Free Quality Estimation for H.264/AVC Video Streaming》中提出了一种基于运动特征的视频质量评价方法。不同于大部分基于QP的视频质量评价方法以及基于内容的视频质量评价方法,该方法很有 新意,在此记录一下。

 

以下是其选择的5种序列,分辨率为SIF(320x240),采用H.264编码方式。这5个序列分别代表了不同的视频应用场合。

news:

soccer:

cartoon:

panorama:

clip:

其编码参数如图所示。每一行代表了一种帧率,从5-15fps。每一列代表了一种比特率,从24-105kbps。

下图所示为测试使用的设备,是一个PDA。

计算过程略去不说,最后选择了如下几个参数用于计算视频质量。

Zero MV ratio within one shot (Z),零运动矢量的比例

Mean MV size within one shot (N),平均非零运动矢量长度

Ratio of MV deviation within one shot (S),运动矢量标准差比例

Uniformity of movement within one shot (U),指向主要运动方向的运动矢量的比例

Average BR,平均比特率

 

最后得到的计算视频质量的公式:

文章还给出了公式参数a,b,c,d,e,f,g,h的取值,如下表所示。

给出了皮尔逊相关系数(同时给出了基于内容的的视频质量评价算法,ANSI视频质量评价方法)。可见ANSI表现相对较差,前两种算法差距并不大。

下图显示了使用本文提出的模型预测的MOS与实际的MOS之间的对应关系。一共有三种:基于运动特征的,基于内容的,以及ANSI。

 

论文地址:http://ieeexplore.ieee.org/xpl/articleDetails.jsp?tp=&arnumber=4147088&queryText%3DMotion+Based+Reference-Free+Quality+Estimation+for+H.264%2FAVC+Video+Streaming

 

H.264 视频质量评价方法 (基于视频内容)

Michal Ries等人在论文《Content Based Video Quality Estimation for H.264/AVC Video Streaming》中,描述了一种基于视频内容的视频质量评价方法。有一定的参考价值,在此记录一下。

该质量评价方法的特别之处在于,根据视频内容的复杂程度将视频分成了几类,每种类别分别使用不同的模型系数。而一般的视频质量评价方法通常只有一个模型以及一套固定的系数。

该论文将视频序列分为5类,以下是其中几类的截图(少了一类)

五类包括:

news(新闻):仅有一小块感兴趣区域在运动(比如人脸,一般占视频画面的15%),背景是静止的。

soccer(足球):包含大面积统一方向的运动。镜头通常会在一个统一颜色的背景下(绿色)跟踪一个快速运动的物体(足球)。

cartoon(卡通):主题在运动,背景是绝对静止的(没有自然特性)。

panorama(全景画):包含大面积统一方向的运动,运动方向是一致的。

rest(其他):除以上几种之外的视频都属于这一类。通常包含大量杂乱的运动,或者有很多镜头切换。

 

对视频内容进行分类的Content classifier(内容分类器)设计如下图所示:

下图统计了五种类别的视频中,统一运动所占的百分比以及零运动矢量百分比的经验累积分布函数。

注:ECDF全称empirical cumulative distribution functions,经验累积分布函数。

对Content classifier(内容分类器)进行测试的结果如下表所示。False detection反映的是对视频进行了错误的分类的百分率。就是视频本身属于其他类,却分到了这一类。Good match反映的是对视频进行了正确的分类的百分率。

由表可见,内容分类器基本上是比较准确的。

测试序列的设置如下表所示。测试序列时长为10秒,分辨率为SIF,编码为H.264 baseline profile 1b。下表所示一共有36种组合。

 

测试使用的设备如下图所示,是一个PDA。

下图是视频质量评价系统的设计。

实验结果数据分析方面,用到了principal component analysisPCA,主成分分析)

注:主成分分析作用是:将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。

PCA分析结果如下图所示。

注:BR代表码率。FR代表帧率。

 

最终给出的视频客观质量评价模型的形式如下:

最终给出的视频客观质量评价模型如下式所示:

注:BR代表码率。FR代表帧率。

并且给出了五种不同的内容相应的系数:

下表所示是对该模型性能的验证。

r代表的是皮尔逊相关系数(Pearson correlation coefficient

r'代表的是Spearman相关系数(Spearmank correlation factor

该模型预测的视频质量和实际主观视频质量之间的关系如下图所示:

 

论文地址:http://ieeexplore.ieee.org/xpl/articleDetails.jsp?reload=true&arnumber=4224741&contentType=Conference+Publications

H.264视频质量评价算法(基于偏最小二乘法回归)

Zhiyuan Shi等人(这是中国人写的,但是我没看见中文论文,厦门大学的)在论文《Research on Quality Assessment Metric Based on H.264/AVC Bitstream》中,提出了一种使用偏最小二乘法回归(PLSR)计算得出的视频质量评价模型。模型还是挺有参考价值的,在此记录一下。

该论文提出的模型完全依赖于从码流中提取出来的参数,是一个无参考视频质量评价算法。H.264码流结构如下图所示:

该算法选择了以下数值作为视频质量评价参数:

(1)QP。包括:平均值-- QPavg, 中值--QPme,标准差-- QPsd, 最小值-- QPmin,最大值-- QPmax, 10%位-- QP10% , 90%-- QP90%。

(2)帧内预测宏块(Intra predicted block)。包括:I4×4所占百分比, I16×16所占百分比。

(3)跳过宏块(Skipped macroblocks)。跳过(Skipped)宏块所占百分比。

(4)I-slice所占百分比。

模型建立过程还没有研究透,先不记录,直接给出结果公式:

一共有11个参数,每个参数的系数如下表所示:

验证一下该模型的准确性,使用了crownrun,parkjoy,intotree,oldtown四个序列作为测试序列,得到的预测值和主观值之间的关系如下图所示。

经计算,新提出的模型的皮尔逊相关系数为0.95,高于C. Keimel等人提出的模型(在这里先不细说该模型了)

论文地址:http://ieeexplore.ieee.org/xpl/articleDetails.jsp?tp=&arnumber=6325335&queryText%3DResearch+on+Quality+Assessment+Metric+Based+on+H.264%2FAVC+Bitstream

 

一种H.264高清视频的无参考视频质量评价算法(基于QP和跳过宏块数)

本文记录一种无参考视频质量评价算法。这是我们自己实验室前两年一个师姐做的,算法还是比较准确的,在此记录一下。

注意本算法前提是高清视频。而且是H.264编码方式。

该方法主要使用两个码流里面的参数进行质量评价:量化因子(QP)和跳过宏块数(skip_num)。

使用了四个序列作为测试序列:spray,running,dunk,flower。

下图显示了QP和MOS(主观评价平均意见分)之间的关系。可见因为内容不同,不同序列同等QP下的MOS值不尽相同。但是趋势是差不多的:随着QP的升高,MOS降低。

下图显示了skip_num和MOS(主观评价平均意见分)之间的关系。可见因为内容不同,不同序列同等skip_num下的MOS值不尽相同。但是趋势是差不多的:随着skip_num的升高,MOS降低。

最后给出的算法公式如下所示:

算法预测结果和主观质量之间的关系,可见准确性还是不错的:

 

posted @ 2015-05-17 15:51  Mr.Rico  阅读(...)  评论(...编辑  收藏