视频质量评估模型训练方法、视频质量评价方法和装置与流程

1.本公开涉及视频通信领域，尤其涉及一种视频质量评估模型训练方法、视频质量评价方法和装置。


背景技术：

2.在5g技术发展及商用的背景下，高清视频类业务成为典型的5g应用，包括视频点播、直播、高清视频会议、vr直播及vr、ar游戏等。视频内容本身以及在网络环境下的传输失真都会对视频质量有着显著影响，视频质量的不断完善对于相关业务的发展变得尤为重要。
3.vqa(video quality assessment，视频质量的评价)包括人工评价和客观量化评价两种。人工评价效率低、成本高且随机性强。客观评价包括fr(full reference，全参考)、rr(reduced reference，半参考)以及nr(none reference，无参考)几种方式。全参考和半参考需要有参考标准，因此有条件限制，而无参考则无需标准辅助，在实际应用中，无参考评价方式应用灵活、范围广而受到重视。
4.传统的视频客观评估体系，如itu在2012年发布g.1070视频质量无参考评估模型，主要通过均方误差mse和峰值信噪比psnr等客观参数进行评价，但评价效果不佳。


技术实现要素：

5.本公开要解决的一个技术问题是，提供一种视频质量评估模型训练方法、视频质量评价方法和装置，能够视频质量评估的准确性。
6.根据本公开一方面，提出一种视频质量评估模型训练方法，包括：获取样本视频数据和样本视频数据的质量评分；提取样本视频数据中的与人眼视觉体验相关的视频特征参数；以及将样本视频数据的质量评分作为标注数据，基于视频特征参数训练神经网络模型，得到视频质量评估模型，以便根据视频质量评估模型对待评价视频数据进行质量评估。
7.在一些实施例中，视频特征参数包括：空域特征参数、时域特征参数和传输特征参数中的至少一种。
8.在一些实施例中，空域特征参数包括：图像亮度色度感知参数、图像对比度参数、图像模糊度参数和图像边缘能量参数中的至少一种。
9.在一些实施例中，时域特征参数包括：场景切换感知参数和帧间差参数中的至少一种。
10.在一些实施例中，传输特征参数包括：中断次数参数、乱序率参数、时延参数、丢包率参数和码率参数中的至少一种。
11.在一些实施例中，得到视频质量评估模型包括：将神经网络模型的输出结果与样本视频数据的质量评分进行比较；判断比较结果是否满足损失函数的要求，通过反复迭代，调整神经网络模型的参数；以及将比较结果满足损失函数的要求时的神经网络模型作为视频质量评估模型。
12.在一些实施例中，神经网络为反向传播算法bp神经网络。
13.根据本公开的另一方面，还提出一种视频质量评价方法，包括：获取待评价视频数据；提取待评价视频数据中的与人眼视觉体验相关的视频特征参数；以及将视频特征参数输入至视频质量评估模型，得到待评价视频数据的质量评分，其中，视频质量评估模型，基于样本视频数据中的视频特征参数和样本视频数据的质量评分训练得到。
14.在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
15.根据本公开的另一方面，还提出一种视频质量评估模型训练装置，包括：样本信息获取单元，被配置为获取样本视频数据和样本视频数据的质量评分；特征参数提取单元，被配置为提取样本视频数据中的与人眼视觉体验相关的视频特征参数；以及模型训练单元，被配置为将样本视频数据的质量评分作为标注数据，基于视频特征参数训练神经网络模型，得到视频质量评估模型，以便根据视频质量评估模型对待评价视频数据进行质量评估。
16.在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
17.根据本公开的另一方面，还提出一种视频质量评价装置，包括：实际信息获取单元，被配置为获取待评价视频数据；视频特征提取单元，被配置为提取待评价视频数据中的与人眼视觉体验相关的视频特征参数；以及视频质量评估单元，被配置为将视频特征参数输入至视频质量评估模型，得到待评价视频数据的质量评分，其中，视频质量评估模型，基于样本视频数据中的视频特征参数和样本视频数据的质量评分训练得到。
18.在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
19.根据本公开的另一方面，还提出一种电子设备，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的视频质量评估模型训练方法，或，如上述的视频质量评价方法。
20.根据本公开的另一方面，还提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的视频质量评估模型训练方法，或，如上述的视频质量评价方法。
21.本公开实施例中，通过与人眼视觉体验相关的视频特征参数和样本视频数据的质量评分，对神经网络模型进行训练，得到视频质量评估模型，能够对后续的实际采集到的视频数据进行更加客观、量化、准确且高效快速的质量评估，提高了视频质量评估的准确性。
22.通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
23.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
24.参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
25.图1为本公开的视频质量评估模型训练方法的一些实施例的流程示意图。
26.图2为本公开的视频质量评估模型训练方法的另一些实施例的流程示意图。
27.图3为本公开的视频质量评价方法的一些实施例的流程示意图。
28.图4为本公开的视频质量评估模型训练装置的一些实施例的结构示意图。
29.图5为本公开的视频质量评估模型训练装置的另一些实施例的结构示意图。
30.图6为本公开的视频质量评价装置的一些实施例的结构示意图。
31.图7为本公开的电子设备的一些实施例的结构示意图。
具体实施方式
32.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
33.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
34.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
35.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
36.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
37.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
38.为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
39.图1为本公开的视频质量评估模型训练方法的一些实施例的流程示意图。
40.在步骤110，获取样本视频数据和样本视频数据的质量评分。
41.在一些实施例中，构建训练样本库，采取的训练样本根据业务的需求和特点要尽可能多样化。例如，按照itu-r bt.1210标准选取，同时可以将样本通过编解码器编制成不同质量的视频样本，包括18m、10m、8m、6m、2m等不同压缩码流及以及亮度色度不同质量的衍生样本。
42.在一些实施例中，对样本视频数据在不同的丢包、乱序、时延抖动等网络状况下进行主观mos(mean opinion score，平均意见值)评分，评分的规则可采取双刺激连续质量标度法或其它方式进行。样本视频数据的质量评分作为训练模型的样本标注值。
43.在步骤120，提取样本视频数据中的与人眼视觉体验(hvs，human visual system)相关的视频特征参数。
44.在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
45.业务场景中，视频业务平台通过5g、宽带等网络将视频流传输至终端，终端接收视频流后进行解码并播放，影响视频质量因素既包括视频本身的空域和时域特性，也包括在传输过程中的失真影响。
46.例如，空域特征参数主要是图像层面的质量参数，即视频流为一帧一帧的图像序
列构成，每一帧图像都对观看者产生主观体验。另外，视频在时间轴上是帧流，因此除了图像本身的质量，帧间的变化切换在观看体验上同样重要。再者，视频在网络环境下发生的丢包、时延、中断等传输失真，会显著的恶化视频的观看和使用体验，并且对不同的视频业务如视频点播、直播、视频会议产生的体验也是不同的。例如，视频会议对时延很敏感，因此视频质量评价很有必要重视网络传输中的失真影响。
47.因此，该实施例中，可以提取视频的空域特征参数、时域特征参数和传输特征参数。
48.在步骤130，将样本视频数据的质量评分作为标注数据，基于视频特征参数训练神经网络模型，得到视频质量评估模型，以便根据视频质量评估模型对待评价视频数据进行质量评估。
49.在一些实施例中，神经网络为bp(back propagation，反向传播算法)神经网络。bp神经网络相比于采用运算量大的卷积神经网络，在训练时更加简单高效。
50.在上述实施例中，通过与人眼视觉体验相关的视频特征参数和样本视频数据的质量评分，对神经网络模型进行训练，得到视频质量评估模型，能够对后续的实际采集到的视频数据进行更加客观、量化、准确且高效快速的质量评估。
51.图2为本公开的视频质量评估模型训练方法的另一些实施例的流程示意图。
52.在步骤210，获取样本视频数据以及样本视频数据在不同网络状态下的主观质量评分。
53.在一些实施例中，对样本视频流进行解码。
54.在步骤220，提取样本视频数据的空域特征参数、时域特征参数和传输特征参数。
55.在一些实施例中，图像的特性参数比较多，结合hvs，空域特征参数包括图像亮度色度感知参数、图像对比度参数、图像模糊度参数和图像边缘能量参数中的一种或多种。
56.在一些实施例中，对图像亮度色度感知参数、图像对比度参数、图像模糊度参数和图像边缘能量参数分别选择最大值与平均值，通过取最大值和平均值来反应人眼视觉体验。
57.在一些实施例中，图像亮度色度感知参数主要表现为对图像强度大小的感知，是人眼觉察静止目标的明暗度衡量参数。
58.在一些实施例中，利用公式确定图像亮度色度感知参数v
csf
，其中，m、n为视频帧图像大小，i、j为图像的像素坐标；为像素亮度值；csf为对比敏感度函数；dct为离散余弦变换函数、idct为逆离散余弦变换函数。对所有帧图像求平均及统计单帧最大值，获得亮度色度感知参数v
csf
。
59.在一些实施例中，图像对比度参数为提取图像灰度层级分布值，对比度对视觉效果有比较明显的影响。
60.在一些实施例中，利用公式在一些实施例中，利用公式确定图像对比度参数vc，其中，8表示每一个像素与周边8个像素的对比；l1、l2是某个
像素相邻位置，即前一个与后一个的范围；i(i,j)＝i(i＝l1,j＝l2)表示某像素与相邻像素的亮度差值；素的亮度差值；表示某像素与相邻像素亮度的平均值。通过对所有帧计算平均值和最大值，取得该图像对比度参数vc。
61.在一些实施例中，模糊度参数衡量图像清晰程度，是图像感知的重要参数。
62.在一些实施例，采用点锐度函数确定单帧图像模糊度，其中m、n为图像像素的行和列，dx标识距离增强，df标识灰度变化幅值，a表示的是某像素的相邻像素的距离，在这里指的相邻8像素范围内。通过对所有帧求平均值及统计单帧最大值，作为模糊度eva的质量特征参数。
63.在一些实施例中，图像边缘能量参数作为空域关键的衡量指标，是很重要的图像特征。
64.在一些实施例中，采用公式确定图像边缘能量参数v
edgeen
，其中，e(i,j)＝e1(y(i,j)) e2(y(i,j))，e1和e2为两个3*3的模板，具体取值为：
[0065][0066]vedgeen
为单帧边缘能量值，计算所有帧的平均值与最大值作为该参数的输出。
[0067]
在一些实施例中，时域特征参数包括：场景切换感知参数和帧间差参数中的至少一种。过于快速的场景切换和帧间变化会引起主观体验的不适，因此在视频质量评估时需要参考场景切换感知参数和帧间差参数。
[0068]
在一些实施例中，场景切换感知参数和帧间差参数分别选择最大值与平均值。
[0069]
在一些实施例中，场景切换感知是采用亮度、色度和纹理(期望值)的对比差异来反映场景的切换，将当前帧与之前序列的30帧进行灰度梯度对比计算。
[0070]
在一些实施例中，利用公式确定n≥30，或n＜30，确定场景切换感知参数。其中，n指当前帧之前的帧序列；v
alue,n
＝v
alue,n-5
表示当前第n帧与前l帧的灰度梯度值差值；是两帧的灰度梯度值平均值。即计算视频流的场景切换感知的平均值与最大值作为评价参数值。
[0071]
在一些实施例中，帧间差参数是时间序列上重要的质量特征参数，通过前后两帧图像之间的亮度均方差来衡量时域空间上的变化，最终获取整个视频流的帧间差平均值与最大值。
[0072]
在一些实施例中，利用公以及计算帧间差参数。
[0073]
在一些实施例中，视频在网络环境下发生的丢包、时延、中断等传输失真，会显著
的恶化视频的观看和使用体验，并且对不同的视频业务如视频点播、直播、视频会议产生的体验也是不同的，因此视频质量评价很有必要重视网络传输中的失真影响。传输特征参数包括中断次数参数、乱序率参数、时延参数、丢包率参数和码率参数中的至少一种。
[0074]
在一些实施例中，当数据包的时延超过2秒，一般认为是发生了中断，中断发生，会形成画面卡顿，视觉体验效果很差，中断次数参数为统计中断的次数。
[0075]
在一些实施例中，视频数据包在经过交换设备和网络线路到达终端时，可能会发生乱序的情况，包乱序会对画面呈现产生不利影响，乱序率为乱序包与总体数据包的占比，取百分数值，如n％，乱序率参数为n。
[0076]
在一些实施例中，时延及抖动是传输失真影响较大的因素，特别是对于视频会议业务。该特性参数可以选取平均时延(所有视频数据包的统计平均)以及最大时延，最大时延对观看体验恶化效果明显。
[0077]
在一些实施例中，网络情况恶化的情况下，视频数据包的丢失会造成页面卡顿以及马赛克效应，恶化观看视觉体验，丢包率参数统计丢包率与总体数据包的占比。
[0078]
在一些实施例中，视频流的码率能反应视频的内容的丰度，对视频质量有着直接影响，速率越高，指令越好。
[0079]
在步骤230，构造bp神经网络模型，并进行初始化，设置学利率、期望误差、设置网络损伤。
[0080]
在一些实施例中，bp神经网络：包括输入层、隐含层以及输出层，输入层引入特征参数，经过隐含层处理，从输出层输出视频评价打分结果。
[0081]
在一些实施例中，bp神经网络的输入层为18个神经元，输出层为1个神经元，输出值即为质量评价得分值；隐含层为5层，神经元个数分别为26、19、23、18、12，学习率为0.01，学习率在训练循环中可以调整，连接权值和阈值为随机数，误差目标期望值为0.001。训练中，可在视频传输网络中通过网络损伤仪等设备模拟网络丢包、乱序、时延抖动以及中断等以形成传输失真。
[0082]
在步骤240，将样本视频数据的空域特征参数、时域特征参数和传输特征参数和主观质量评分输入至bp神经网络模型，并对bp神经网络模型进行训练，直到达到误差期望。
[0083]
在一些实施例中，每个样本都具备3类11组共18个参数及主观mos评分。
[0084]
在步骤250，判断神经网络模型的输出结果与样本视频数据的主观质量评分的比较结果是否满足损失函数的要求，若是，则执行步骤260，否则，执行步骤270。
[0085]
在一些实施例中，对神经网络模型进行效果验证，例如，对神经网络模型的输出结果与样本视频数据的主观质量评分进行相关性评估。
[0086]
在一些实施例中，利用srocc算法、krocc算法等对主观评价结果与系统评价结果进行相关性评估，评估的结果越高，则表明评价系统越精准，效果越好；如低于0.8，则需要对bp神经网络进行调整，如调整学习率、期望误差等，重新进行训练。
[0087]
在步骤260，将训练好的神经网络模型作为视频质量评估模型。
[0088]
在步骤270，调整神经网络模型的参数，后续继续执行步骤240。
[0089]
在上述实施例中，通过不同质量、内容以及模拟不同的传输网络状况，对无参考视频质量评价子系统中的bp神经网络进行训练、优化，通过不断迭代，得到视频质量评估模型，利用该视频质量评估模型进行视频业务的质量评价测试或者视频业务的实时监控。该
模型充分考虑影响人眼视觉体验的空域、时域及传输域的典型影响因素，反应了主观视觉体验，提高了视频评估的准确性。
[0090]
图3为本公开的视频质量评价方法的一些实施例的流程示意图。
[0091]
在步骤310，获取待评价视频数据。
[0092]
在一些实施例中，终端接收传送来的视频流并解码。
[0093]
在步骤320，提取待评价视频数据中的与人眼视觉体验相关的视频特征参数。
[0094]
在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
[0095]
在一些实施例中，视频特征参数包括：空域特征参数、时域特征参数和传输特征参数中的至少一种。空域特征参数包括：图像亮度色度感知参数、图像对比度参数、图像模糊度参数和图像边缘能量参数中的至少一种。时域特征参数包括：场景切换感知参数和帧间差参数中的至少一种。传输特征参数包括：中断次数参数、乱序率参数、时延参数、丢包率参数和码率参数中的至少一种。
[0096]
在步骤320，将视频特征参数输入至视频质量评估模型，得到待评价视频数据的质量评分，其中，视频质量评估模型，基于样本视频数据中的视频特征参数和样本视频数据的质量评分训练得到。
[0097]
在上述实施例中，利用视频质量评估模型，通过与人眼视觉体验相关的视频特征参数，得到待评价视频数据的质量评分，使得质量评分更加客观、量化、准确。
[0098]
图4为本公开的视频质量评估模型训练装置的一些实施例的结构示意图。该装置包括样本信息获取单元410、特征参数提取单元420和模型训练单元430。
[0099]
样本信息获取单元410被配置为获取样本视频数据和样本视频数据的质量评分。
[0100]
特征参数提取单元420被配置为提取样本视频数据中的与人眼视觉体验相关的视频特征参数。
[0101]
在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
[0102]
在一些实施例中，视频特征参数包括：空域特征参数、时域特征参数和传输特征参数中的至少一种。空域特征参数包括：图像亮度色度感知参数、图像对比度参数、图像模糊度参数和图像边缘能量参数中的至少一种。时域特征参数包括：场景切换感知参数和帧间差参数中的至少一种。传输特征参数包括：中断次数参数、乱序率参数、时延参数、丢包率参数和码率参数中的至少一种。
[0103]
模型训练单元430被配置为将样本视频数据的质量评分作为标注数据，基于视频特征参数训练神经网络模型，得到视频质量评估模型，以便根据视频质量评估模型对待评价视频数据进行质量评估。
[0104]
模型训练单元430还被配置为将神经网络模型的输出结果与样本视频数据的质量评分进行比较；判断比较结果是否满足损失函数的要求，通过反复迭代，调整神经网络模型的参数；将比较结果满足损失函数的要求时的神经网络模型作为视频质量评估模型。
[0105]
在上述实施例中，通过与人眼视觉体验相关的视频特征参数和样本视频数据的质量评分，对神经网络模型进行训练，得到视频质量评估模型，能够对后续的实际采集到的视频数据进行更加客观、量化、准确且高效快速的质量评估。
[0106]
上述实施例中的样本信息获取单元410、特征参数提取单元420和模型训练单元430可以如图5所示，通过多个系统和系统中的模块实现。
[0107]
图5为本公开的视频质量评估模型训练装置的一些实施例的结构示意图。该装置包括视频特征提取子系统510、无参考视频质量评价子系统520和优化训练子系统530。
[0108]
视频特征提取子系统510中包括视频接收模块511以及空域特征参数子提取模块512、时域特征参数提取子模块513、传输特征参数提取子模块514。视频接收模块511被配置为接收传送来的视频流并解码；时域特征参数提取子模块512、空域特征参数子提取模块513、传输特征参数提取子模块514分别从视频数据包流中提取、统计3类11组共18个特征参数，并传送至bp神经网络子系统的特征参数采集模块。
[0109]
无参考视频质量评价子系统520包括特征参数采集模块521、bp神经网络522和bp神经网络参数控制模块523。
[0110]
特征参数采集模块521从特征提取子系统中收取采集11类共18视频流特征参数，并输入bp神经网络的输入层。bp神经网络522包括输入层、隐含层以及输出层，输入层引入特征参数，经过隐含层处理，从输出层输出视频评价打分结果。bp神经网络参数控制模块523负责对bp神经网络各层各神经元的参数控制，包括神经元连接权值、学习率、阈值等等，控制模块只负责设置神经网络的各项参数，但参数集并不有控制模块产生，而由优化训练子系统的神经网络参数模块输入产生。
[0111]
优化训练子系统530包括视频质量评价得分模块531、视频质量主观mos得分模块532、bp神经网络参数模块533、bp神经网络参数优化训练模块534和训练优化控制模块535。
[0112]
bp神经网络子系统每次训练产生的视频质量评价得分输入到视频质量评价得分模块531存储。视频质量主观mos得分模块532根据训练的样本从样本库中索取该样本对应的主观mos评分。bp神经网络参数模块533负责生成bp神经网络的所有参数，包括初始化参数集以及存储优化训练后参数集，该模块还负责将参数集提供给参数优化训练模块，用于参数的优化；还负责将参数集传输给神经网络子系统的参数控制模块，由控制模块将参数集赋值给bp神经网络。bp神经网络参数优化训练模块534是子系统的核心模块，根据训练的得分与主观mos得分的误差对神经网络的参数进行优化，优化完的参数集传递给神经网络参数模块。训练优化控制模块535是子系统的控制核心，控制各模块的工作运行及协同。
[0113]
在得到训练好的视频质量评估模型后，该视频质量评估模型可部署实施，由于是基于bp神经网络，运算开销不大，可作为探针系统部署在视频终端侧，实时采集终端侧的视频质量，配合视频业务运维系统的故障诊断、智能维护等工作；也可作为测试工具，在视频业务各节点处实时测试；也可对视频内容的做应用前的评估参考。
[0114]
本公开的视频质量评估模型训练装置具有普适性、通用性、跨平台性，可在基于各种平台或终端设备上实现并部署，也可在基于实体设备或者虚拟机上部署运行，具有广泛的应用前景。
[0115]
图6为本公开的视频质量评价装置的一些实施例的结构示意图。该装置包括实际信息获取单元610、视频特征提取单元620和视频质量评估单元630。
[0116]
实际信息获取单元610被配置为获取待评价视频数据。
[0117]
视频特征提取单元620被配置为提取待评价视频数据中的与人眼视觉体验相关的视频特征参数。
[0118]
在一些实施例中，视频特征参数包括空域特征参数、时域特征参数和传输特征参数中的至少一种。
[0119]
在一些实施例中，视频特征参数包括：空域特征参数、时域特征参数和传输特征参数中的至少一种。空域特征参数包括：图像亮度色度感知参数、图像对比度参数、图像模糊度参数和图像边缘能量参数中的至少一种。时域特征参数包括：场景切换感知参数和帧间差参数中的至少一种。传输特征参数包括：中断次数参数、乱序率参数、时延参数、丢包率参数和码率参数中的至少一种。
[0120]
视频质量评估单元630被配置为将视频特征参数输入至视频质量评估模型，得到待评价视频数据的质量评分，其中，视频质量评估模型，基于样本视频数据中的视频特征参数和样本视频数据的质量评分训练得到。
[0121]
在上述实施例中，利用视频质量评估模型，通过与人眼视觉体验相关的视频特征参数，得到待评价视频数据的质量评分，使得质量评分更加客观、量化、准确。
[0122]
图7为本公开的电子设备的一些实施例的结构示意图。该电子设备包括存储器710和处理器720。其中：存储器710可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1-3所对应实施例中的指令。处理器720耦接至存储器710，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器720用于执行存储器中存储的指令。
[0123]
在一些实施例中，处理器720通过bus总线730耦合至存储器710。该电子设备700还可以通过存储接口740连接至外部存储系统750以便调用外部数据，还可以通过网络接口760连接至网络或者另外一台计算机系统(未标出)。此处不再进行详细介绍。
[0124]
在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，在上述实施例中，通过与人眼视觉体验相关的视频特征参数和样本视频数据的质量评分，对神经网络模型进行训练，得到视频质量评估模型，能够对后续的实际采集到的视频数据进行更加客观、量化、准确且高效快速的质量评估。
[0125]
在另一些实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图1-3所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开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，本公开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非瞬时性存储介质(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。
[0126]
本公开是参照根据本公开实施例的方法、设备(系统)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。
[0127]
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。
[0128]
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。
[0129]
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
[0130]
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。