视频质量的处理方法及装置与流程

本发明涉及通信领域，具体而言，涉及一种视频质量的处理方法及装置。

背景技术：

交互网络电视(Internet Protocol Television，简称为IPTV)网络存在丢包，乱序等可能，会影响终端机顶盒用户观看的视频质量。为了提高运行商的运维水平，迅速的定位产生问题的网络节点，降低用户保障率。因此需要实时监控网络视频质量，但视频质量是一个主观值，难以很好的衡量。

针对相关技术中，网络传输的视频质量监控不完善的问题，目前还没有有效解决方案。

技术实现要素：

本发明提供了一种视频质量的处理方法及装置，以至少解决相关技术中网络传输的视频质量监控不完善的问题。

根据本发明的一个方面，提供了一种视频质量的处理方法，包括：

获取网络节点采集的输入数据的损伤参数，所述损伤参数用于指示所述输入数据的损伤程度；

依据预先建立的数学模型确定所述输入数据的第一平均意见值MOS值，其中，将所述损伤参数作为预先建立的数学模型的输入，将所述数学模型的输出作为所述第一平均意见值MOS值，所述预先建立的数学模型为依据所述损伤参数和所述输入数据的MOS值的关联关系通过自学习的方式得到。

进一步地，所述损伤参数至少包括：网络传输的抖动丢包率，以及用于指示所述输入数据的受损程度的参数。

进一步地，依据预先建立的数学模型确定所述输入数据的第一MOS值之后，所述方法还包括：

发送所述第一MOS值到网管服务器，所述第一MOS值用于为所述网管服务器是否发出告警提供依据，其中，在所述第一MOS值小于预设阈值时发出告警。

进一步地，依据预先建立的数学模型确定所述输入数据的第一MOS值之后，所述方法包括：

发送所述第一MOS值到网管服务器；

接收网管服务器的反馈信息，其中，所述反馈信息携带有所述第一MOS值的调整值；

依据第二MOS值和所述损伤参数通过自学习的方式调整所述数学模型，其中，所述第二MOS值为依据所述调整值对所述第一MOS值调整后得到的MOS值。

进一步地，所述损伤参数包括以下之一：

实时传输协议RTP丢包率，抖动参数，节目关联表PAT、节目映射表PMT以及H264帧参数。

进一步地，所述数学模型通过以下方式确定：

将所述损伤参数与所述MOS值配对成数据集；

将所述数据集分为训练数据和校验数据，其中，将所述训练数据通过神经网络的逆传播BP方法训练得到所述数学模型，将所述校验数据反馈到所述神经网络，以调整所述数学模型。

进一步地，获取网络节点采集的输入数据的损伤参数，包括：通过部署在以下网络节点中的探针获取所述损伤参数：

网络上的内容分发网络CDN节点，家庭网管，机顶盒以及网络拓扑关键节点。

根据本发明的另一个方面，提供了一种视频质量的处理装置，包括：

获取模块，用于获取网络节点采集的输入数据的损伤参数，所述损伤参数用于指示所述输入数据的损伤程度；

确定模块，用于依据预先建立的数学模型确定所述输入数据的第一平均意见值MOS值，其中，将所述损伤参数作为预先建立的数学模型的输入，将所述数学模型的输出作为所述第一平均意见值MOS值，所述预先建立的数学模型为依据所述损伤参数和所述输入数据的MOS值的关联关系通过自学习的方式得到。

进一步地，所述损伤参数包括：网络传输的抖动丢包率，以及用于指示所述输入数据的受损程度的参数。

进一步地，所述装置还包括：

第一发送模块，用于发送所述第一MOS值到网管服务器，所述第一MOS值用于为所述网管服务器是否发出告警提供依据，其中，在所述第一MOS值小于预设阈值时发出告警。

进一步地，所述装置包括：

第二发送模块，用于发送所述第一MOS值到网管服务器；

接收模块，用于接收网管服务器的反馈信息，其中，所述反馈信息携带有所述第一MOS值的调整值；

调整模块，用于依据第二MOS值和所述损伤参数通过自学习的方式调整所述数学模型， 其中，所述第二MOS值为依据所述调整值对所述第一MOS值调整后得到的MOS值。

进一步地，所述损伤参数包括以下之一：

实时传输协议RTP丢包率，抖动参数，节目关联表PAT、节目映射表PMT以及H264帧参数。

进一步地，所述数学模型通过以下方式确定：

配对模块，用于将所述损伤参数与所述MOS值配对成数据集；

建立模型模块，用于将所述数据集分为训练数据和校验数据，其中，将所述训练数据通过神经网络的逆传播BP方法训练得到所述数学模型，将所述校验数据反馈到所述神经网络，以调整所述数学模型。

进一步地，获取网络节点采集的输入数据的损伤参数，包括：通过部署在以下网络节点中的探针获取所述损伤参数：

网络上的内容分发网络CDN节点，家庭网管，机顶盒以及网络拓扑关键节点。

通过本发明，获取网络节点采集的输入数据的损伤参数，该损伤参数用于指示该输入数据的损伤程度，依据预先建立的数学模型确定该输入数据的第一平均意见值MOS值，其中，将该损伤参数作为预先建立的数学模型的输入，将该数学模型的输出作为该第一平均意见值MOS值，该预先建立的数学模型为依据该损伤参数和该输入数据的MOS值的关联关系通过自学习的方式得到，解决了网络传输的视频质量监控不完善的问题，实时监控网络视频质量，提高了监控视频质量的准确度。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种视频质量的处理流程图；

图2是根据本发明实施例的一种视频质量的处理装置的结构框图一；

图3是根据本发明实施例的一种视频质量的处理装置的结构框图二；

图4是根据本发明实施例的一种视频质量的处理装置的结构框图三；

图5是根据本发明实施例的一种视频质量的处理装置的结构框图四；

图6是根据本发明优选实施例提供的一种组网示意图；

图7是根据本发明优选实施例提供的模型输入参数训练的流程示意图；

图8是根据本发明优选实施例提供的探针采集网络节点数据计算视频质量的流程示意图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

在本实施例中提供了一种视频质量的处理方法，图1是根据本发明实施例的一种视频质量的处理流程图，如图1所示，该流程包括如下步骤：

步骤S102，获取网络节点采集的输入数据的损伤参数，该损伤参数用于指示该输入数据的损伤程度；

步骤S104，依据预先建立的数学模型确定该输入数据的第一平均意见值MOS值，其中，将该损伤参数作为预先建立的数学模型的输入，将该数学模型的输出作为该第一平均意见值MOS值，该预先建立的数学模型为依据该损伤参数和该输入数据的MOS值的关联关系通过自学习的方式得到。

通过上述步骤，获取网络节点采集的输入数据的损伤参数，该损伤参数用于指示该输入数据的损伤程度，依据预先建立的数学模型确定该输入数据的第一平均意见值MOS值，其中，将该损伤参数作为预先建立的数学模型的输入，将该数学模型的输出作为该第一平均意见值MOS值，该预先建立的数学模型为依据该损伤参数和该输入数据的MOS值的关联关系通过自学习的方式得到，解决了网络传输的视频质量监控不完善的问题，实时监控网络视频质量，提高了监控视频质量的准确度。

在本实施例中，该损伤参数至少包括：网络传输的抖动丢包率，以及用于指示该输入数据的受损程度的参数，实时传输协议(Real-Time Transport protocol，简称为RTP)层组播侦听发现协议(Multicast Listener Discover，简称为MLD)参数，传输流(Transport Stream，简称为TS)的节目关联表(Program Association Table，简称为PAT)和节目映射表(Program Map Table，简称为PMT)错误，传输流TS识别号pid连续计数标志(continuity count，简称为CC)不连续错误,显示时间戳(presentation time stamp，简称为PTS)和解码时间戳(Decode Time Stamp，简称为DTS)等参数。活动图像专家组(Moving Picture Experts Group，简称为MPEG2)的策略影响编码质量(Group of Pictures，简称为GOP)，I帧/P帧/B帧码率，GOP，参考条带slice间的依赖关系，量化参数(Quantization parameter，简称为QP)值大小，参考运动向量的大小等参数。用户数据报协议(User Datagram Protocol，简称为UDP)是通过应用层的协议RTP或者TS流中的序号是否连续来判断丢包率，时间戳来计算抖动(比如MLD等指标)，传输控制协议(Transmission Control Protocol，简称为TCP)会考虑TCP包的乱序和抖动。

在本实施例中，依据预先建立的数学模型确定该输入数据的第一MOS值之后，该方法还包括：发送该第一MOS值到网管服务器，该第一MOS值用于为该网管服务器是否发出告警 提供依据，其中，在该第一MOS值小于预设阈值时发出告警，发出告警提示用户注意观察视屏质量，及时管理网络传输状况。

在本实施例中，依据预先建立的数学模型确定该输入数据的第一MOS值之后，该方法包括：发送该第一MOS值到网管服务器，接收网管服务器的反馈信息，其中，该反馈信息携带有该第一MOS值的调整值，依据第二MOS值和该损伤参数通过自学习的方式调整该数学模型，其中，该第二MOS值为依据该调整值对该第一MOS值调整后得到的MOS值，接收用户对该第一MOS值的调整信息，及时反馈用户主观感受，依据用户设置的调整值对该数学模型进行修改，这是一个循环的过程，一次又一次的完成机器不断自我学习。

在本实施例中，该损伤参数包括以下之一：实时传输协议RTP丢包率，抖动参数，节目关联表PAT、节目映射表PMT以及H264帧参数。

在本实施例中，该数学模型通过以下方式确定：将该损伤参数与该MOS值配对成数据集，将该数据集分为训练数据和校验数据，其中，将该训练数据通过神经网络的逆传播BP方法训练得到该数学模型，将该校验数据反馈到该神经网络，以调整该数学模型。神经网络BP方法是一种按误差逆传播算法训练的多层前馈网络，该数学模型经过上述步骤的机器学习的方法建立后愈发完善，更多的考虑了用户主观感受。

在本实施例中，获取网络节点采集的输入数据的损伤参数，包括：通过部署在以下网络节点中的探针获取该损伤参数：网络上的内容分发网络CDN节点，家庭网管，机顶盒以及网络拓扑关键节点，网络参数是通过预先设置的探针采集的，探针部署在网络中多个地方利于采集更多样的损伤参数。

在本实施例中还提供了一种视频质量的处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图2是根据本发明实施例的一种视频质量的处理装置的结构框图一，如图2所示，该装置包括：

获取模块22，用于获取网络节点采集的输入数据的损伤参数，该损伤参数用于指示该输入数据的损伤程度；

确定模块24，与获取模块22连接，用于依据预先建立的数学模型确定该输入数据的第一平均意见值MOS值，其中，将该损伤参数作为预先建立的数学模型的输入，将该数学模型的输出作为该第一平均意见值MOS值，该预先建立的数学模型为依据该损伤参数和该输入数据的MOS值的关联关系通过自学习的方式得到。

通过上述步骤，获取模块22获取网络节点采集的输入数据的损伤参数，该损伤参数用于指示该输入数据的损伤程度，确定模块24依据预先建立的数学模型确定该输入数据的第一平均意见值MOS值，其中，将该损伤参数作为预先建立的数学模型的输入，将该数学模型的输 出作为该第一平均意见值MOS值，该预先建立的数学模型为依据该损伤参数和该输入数据的MOS值的关联关系通过自学习的方式得到，解决了网络传输的视频质量监控不完善的问题，实时监控网络视频质量，提高了监控视频质量的准确度。

图3是根据本发明实施例的一种视频质量的处理装置的结构框图二，如图3所示，该装置除包括图2所示的所有模块外，该装置还包括：

第一发送模块32，与确定模块24连接，用于发送该第一MOS值到网管服务器，该第一MOS值用于为该网管服务器是否发出告警提供依据，其中，在该第一MOS值小于预设阈值时发出告警。

图4是根据本发明实施例的一种视频质量的处理装置的结构框图三，如图4所示，该装置除包括图2所示的所有模块外，该装置还包括：

第二发送模块42，与确定模块24连接，用于发送该第一MOS值到网管服务器；

接收模块44，与第二发送模块42连接，用于接收网管服务器的反馈信息，其中，该反馈信息携带有该第一MOS值的调整值；

调整模块46，与接收模块44连接，用于依据第二MOS值和该损伤参数通过自学习的方式调整该数学模型，其中，该第二MOS值为依据该调整值对该第一MOS值调整后得到的MOS值。

图5是根据本发明实施例的一种视频质量的处理装置的结构框图四，如图5所示，该装置的数学模型通过以下模块确定：

配对模块52，用于将该损伤参数与该MOS值配对成数据集；

建立模型模块54，与配对模块52连接，用于将该数据集分为训练数据和校验数据，其中，将该训练数据通过神经网络的逆传播BP方法训练得到该数学模型，将该校验数据反馈到该神经网络，以调整该数学模型。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述模块分别位于多个处理器中。

下面结合优选实施例和实施方式对本发明进行详细说明。

本发明的优选实施例包括3部分：探针，机器学习系统(相当于上述实施例的视频质量处理装置)，网管服务器。

首先在网络节点上部署探针，获取通过该网络节点媒体流的RTP/TS/PES/H264层的参数以及分析丢包的影响，收集参数。

其次，用户输入视频MOS值，与探针采集到的参数相关联，采用机器学习的方法建立模型，建立初始模型(相当于上述实施例的数学模型的初始模型)后，后续输入参数，就可以 得到视频质量的MOS值，后续通过用户保障或者人工主观评价等方法继续更新完善模型。

本发明的优选实施例的步骤如下:

1.在网路节点上布置若干探针，可使用硬件探针，或者在现有网路节点上增加探针模块。

2.完成模型输入数据的采集：通过一定时间的数据采集，获取通过该节点媒体每路码流的RTP丢包抖动等MLD参数，TS流的PAT PMT,还有H264帧的参数。以及一些补偿的参数，收集这些参数后，将参数与对应的主观评价视频得分MOS值关联起来。

3.采集到的参数通过机器学习算法得到初始模型。

4.探针采集到的参数输入模型，计算出MOS值(相当于上述实施例的第一MOS值)。作为视频质量标准值。

5.MOS值小于一定数值时候上报服务器网管平台。平台根据各节点上报的MOS数据分析出可能出问题的网路节点，发出告警。

6.服务器网管平台可调整MOS值。然后将上报的参数，上报的MOS值，以及网管平台更新后的MOS值反馈给机器学习训练系统，获取更多的训练数据让系统继续完善模型，模型更新后参数下发给探针用于后续的MOS值评价。

本发明优选实施例的具体实施方式如下：

图6是根据本发明优选实施例提供的一种组网示意图，如图6所示，图中共有3部分，探针，数据采集模块，机器学习模块，探针用于采集网络参数，将网络参数上报到数据采集模块，用于建立机器学习模块。

图7是根据本发明优选实施例提供的模型输入参数训练的流程示意图，如图7所示，步骤如下：

步骤S701，在测试环境下，模拟各种网络损伤，探针采集大量参数。通过探针采集的参数包括但不限于：网络层丢包,抖动:RTP层MLD参数.TS流PAT和PMT错误，TS pid CC不连续错误,PTS和DTS等参数。MPEG2/H26*的GOP，I帧/P帧/B帧码率，GOP，参考slice间的依赖关系，量化参数QP值大小，参考运动向量的大小等参数。

步骤S702，获取用户主观评价视频质量MOS值。对采集得到的损伤和MOS配对成数据集。其中80％用于106的训练模型。20％用于107的校验模型计算误差。

步骤S703，采用训练数据集合，通过神经网络BP方法,训练得到模型。

步骤S704，校验模型数据输入，得到误差，反馈到神经网络中，调整神经网络的参数更新模型.一直反复，直到误差接近局部最小值。

图8是根据本发明优选实施例提供的探针采集网络节点数据计算视频质量的流程示意图，如图8所示，步骤如下：

步骤S801，探针采集网络传输抖动丢包，媒体流数据受损程度等参数。

步骤S802，初始模型训练完成后，探针使用该模型计算MOS值(相当于上述实施例的第一MOS值)。探针部署到网络上的CDN节点/家庭网管/机顶盒以及其他网络拓扑关键节点。

步骤S803，把损伤参数和MOS值，上报网管服务器。

步骤S804，服务器分析网络拓扑上各节点MOS值的分布。检测网络状况，如果发现异常，发出告警。网管服务器可根据实际情况，(如用户保障数)调整MOS值，并作为参数反馈给神经网络系统，以继续完善模型，网管服务器定期的将神经网络系统算出来的模型参数下发给各个探针。各探针后续按照新参数计算MOS值。

采用本发明优选实施例所述的方法，能够自动检测到IPTV网络中视频质量出线的问题，及时做出告警，并且持续的反馈，可以让检测质量不断得到提高。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

本发明的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：

S1，获取网络节点采集的输入数据的损伤参数，所述损伤参数用于指示所述输入数据的损伤程度；

S2，依据预先建立的数学模型确定所述输入数据的第一平均意见值MOS值，其中，将所述损伤参数作为预先建立的数学模型的输入，将所述数学模型的输出作为所述第一平均意见值MOS值，所述预先建立的数学模型为依据所述损伤参数和所述输入数据的MOS值的关联关系通过自学习的方式得到。

可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步 骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。