一种视频播放方法、视频播放器及计算机存储介质技术

本发明专利技术公开了一种视频播放方法、视频播放器及计算机存储介质，该方法应用于移动终端，该方法包括：播放由多个连续的视频块组成的预定视频；针对预定视频中的每个视频块，计算该视频块的第一播放状态，并采用ABR算法并根据第一播放状态计算与第一播放状态对应的该视频块的下一个视频块的比特率决策；将预定视频中所有视频块的第一播放状态及其对应的动作作为训练数据集；采用CART算法基于训练数据集生成决策树；将决策树部署到移动终端的视频播放器中并使视频播放器根据由决策树得到的比特率播放视频。本发明专利技术能够将复杂的ABR算法转化为算法简单的决策树，移动终端的视频播放器根据由上述决策树得到的比特率播放视频时，能够极大地提高用户体验。

A video playing method, video player and computer storage medium

【技术实现步骤摘要】
一种视频播放方法、视频播放器及计算机存储介质
本专利技术涉及互联网信息
，尤其涉及一种视频播放方法、视频播放器及计算机存储介质。
技术介绍
在现有的网络系统中，视频流量占网络总流量的很大一部分。同时，在线视频传输的需求近年来迅猛增长。为了优化用户在线观看视频的视频质量，自适应比特率(AdaptiveBit-rate，ABR)技术应运而生。ABR技术最早于2011年由学术界首先提出，旨在优化用户的体验质量(QualityofExperience，QoE)。简单来说，ABR算法通过在客户端基于当前网络情况的估计来选择最适合该用户的比特率进行视频传输。利用ABR技术，用户在线观看视频时，可以充分利用当前可用的网络带宽，同时尽量避免卡顿等情况的出现，从而提升用户的体验质量。在实际部署中，ABR算法需要在QoE需求的差异(有的用户希望视频清晰度尽可能高而不在乎卡顿，有的用户则相反)、网络吞吐量的波动(未来网络吞吐难以准确预测)以及决策与决策之间的关联效应(序贯决策过程中决策是前后依赖的)的共同作用下进行复杂的优化。现有技术中已经有各种不同的ABR算法的优化方案，例如，混合整数规划(MixedIntegerLinearProgramming，MILP)、李雅普诺夫优化和通过深度神经网络优化等，以使在线视频播放达到最优的性能。然而，上述各种优化方案使得ABR算法在实际部署中存在很多问题。目前大部分视频都是在移动终端上播放的，由于上述ABR优化算法较复杂，而播放视频的移动终端的计算资源通常十分有限，难以支持复杂优化问题的求解，因此，视频内容提供商很难像传统方法那样将ABR算法直接集成到HTML页面中，在客户端播放器内进行部署，这一问题会随着未来ABR优化方法的进一步复杂化而变得更加严峻。
技术实现思路
本专利技术要解决的技术问题是：现有技术中的ABR优化算法较复杂，导致无法直接在客户端播放器内进行部署，从而使视频播放时用户的观看体验较差。为解决上述技术问题，本专利技术提供了一种视频播放方法，应用于移动终端，其包括：播放预定视频，所述预定视频由多个连续的视频块组成；针对所述预定视频中的每个视频块，执行以下步骤：计算该视频块的第一播放状态；采用ABR算法根据所述第一播放状态计算与所述第一播放状态对应的动作，其中，与所述第一播放状态对应的动作为该视频块的下一个视频块的比特率决策；将所述预定视频中所有视频块的第一播放状态及其对应的动作作为第一训练数据集；采用CART算法基于所述第一训练数据集生成用于确定播放视频用的比特率的决策树；将所述决策树部署到移动终端的视频播放器中；在所述视频播放器向预设的视频服务器发送请求，并接收到视频服务器反馈的请求通过的消息后根据由决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频。进一步的，所述方法还包括：对所述决策树进行优化；将所述决策树部署到移动终端的视频播放器中，包括：将优化后的决策树部署到移动终端的视频播放器中，根据由决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频，包括：根据由优化的决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频。进一步的，所述采用CART算法基于所述第一训练数据集生成决策树包括：在CART算法中采用贪婪算法选择所述第一训练数据集中的播放状态作为数据特征构建叶节点，直到叶节点数达到第一预设阈值或者所述第一训练数据集的Gini系数小于第二预设阈值。优选的，在生成决策树的过程中采用的损失函数为l(r；r0)：其中，r＝π(s)，r0＝π*(s)，π为当前生成的决策树，π*为ABR算法，s为视频块的播放状态；Rmax为预设的最大比特率，Rmin为预设的最小比特率。进一步的，对所述决策树进行优化包括：S1：播放所述预定视频；针对所述预定视频中的每个视频块，执行步骤S2和S3：S2：基于所述决策树计算该视频块的第二播放状态；S3：采用ABR算法根据所述第二播放状态计算与所述第二播放状态对应的动作，其中，与所述第二播放状态对应的动作为该视频块的下一个视频块的比特率决策；S4：汇总所述预定视频中的所有视频块的第一播放状态和第二播放状态，获得优化方法的播放状态；S5：汇总所述预定视频中的所有视频块的第一播放状态对应的动作和所有视频块的第二播放状态对应的动作，获得优化方法的决策动作；S6：将所述优化方法的播放状态和所述优化方法的决策动作作为第二训练数据集；S7：将采用CART算法基于所述第二训练数据集生成的决策树作为优化后的决策树；重复所述S1至S7，直到达到预设的最大迭代次数。本专利技术还提供了一种视频播放器，应用于移动终端，其包括：视频播放模块，用于播放预定视频，所述预定视频由多个连续的视频块组成；计算模块，用于针对所述预定视频中的每个视频块，执行以下步骤：计算该视频块的第一播放状态；采用ABR算法根据所述第一播放状态计算与所述第一播放状态对应的动作，其中，与所述第一播放状态对应的动作为该视频块的下一个视频块的比特率决策；第一训练数据集获取模块，用于将所述预定视频中所有视频块的第一播放状态及其对应的动作作为第一训练数据集；决策树生成模块，用于采用CART算法基于所述第一训练数据集生成用于确定播放视频用的比特率的决策树；部署模块，用于将所述决策树部署到所述视频播放器中；收发模块，用于在向预设的视频服务器发送请求，并接收到视频服务器反馈的请求通过的消息后通知所述视频播放模块根据由决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频。进一步的，所述视频播放器还包括：优化模块，用于对所述决策树进行优化，所述部署模块还用于将优化后的决策树部署到视频播放器中，所述视频播放模块还用于根据由优化的决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频。进一步的，所述决策树生成模块用于在CART算法中采用贪婪算法选择所述第一训练数据集中的播放状态作为数据特征构建叶节点，直到叶节点数达到第一预设阈值或者所述第一训练数据集的Gini系数小于第二预设阈值。优选的，所述决策树构建模块采用的损失函数为l(r；r0)：其中，r＝π(s)，r0＝π*(s)，π为当前生成的决策树，π*为ABR算法，s为视频当前的播放状态；Rmax为预设的最大比特率，Rmin为预设的最小比特率。本专利技术还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的视频播放方法。与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：应用本专利技术的视频播放方法，由于将计算极其复杂的原始ABR算法转化为算法简单、轻量级的决策树，极大地降低了对计算资源的消耗，并缩短了决策延迟，因此，可直接将其部署到本文档来自技高网...

【技术保护点】
1.一种视频播放方法，应用于移动终端，其特征在于，包括：/n播放预定视频，所述预定视频由多个连续的视频块组成；/n针对所述预定视频中的每个视频块，执行以下步骤：/n计算该视频块的第一播放状态；/n采用ABR算法根据所述第一播放状态计算与所述第一播放状态对应的动作，其中，与所述第一播放状态对应的动作为该视频块的下一个视频块的比特率决策；/n将所述预定视频中所有视频块的第一播放状态及其对应的动作作为第一训练数据集；/n采用CART算法基于所述第一训练数据集生成用于确定播放视频用的比特率的决策树；/n将所述决策树部署到移动终端的视频播放器中；/n在所述视频播放器向预设的视频服务器发送请求，并在接收到视频服务器反馈的请求通过的消息后根据由决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频。/n

【技术特征摘要】
1.一种视频播放方法，应用于移动终端，其特征在于，包括：
播放预定视频，所述预定视频由多个连续的视频块组成；
针对所述预定视频中的每个视频块，执行以下步骤：
计算该视频块的第一播放状态；
采用ABR算法根据所述第一播放状态计算与所述第一播放状态对应的动作，其中，与所述第一播放状态对应的动作为该视频块的下一个视频块的比特率决策；
将所述预定视频中所有视频块的第一播放状态及其对应的动作作为第一训练数据集；
采用CART算法基于所述第一训练数据集生成用于确定播放视频用的比特率的决策树；
将所述决策树部署到移动终端的视频播放器中；
在所述视频播放器向预设的视频服务器发送请求，并在接收到视频服务器反馈的请求通过的消息后根据由决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频。


2.根据权利要求1所述的视频播放方法，其特征在于，还包括：
对所述决策树进行优化；
将所述决策树部署到移动终端的视频播放器中，包括：将优化后的决策树部署到移动终端的视频播放器中，
根据由决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频，包括：根据由优化的决策树基于当前网络状态得到的比特率播放视频服务器反馈的视频。


3.根据权利要求2所述的视频播放方法，其特征在于，所述采用CART算法基于所述第一训练数据集生成决策树包括：
在CART算法中采用贪婪算法选择所述第一训练数据集中的播放状态作为数据特征构建叶节点，直到叶节点数达到第一预设阈值或者所述第一训练数据集的Gini系数小于第二预设阈值。


4.根据权利要求3所述的视频播放方法，其特征在于，在生成决策树的过程中采用的损失函数为l(r；r0)：



其中，r＝π(s)，r0＝π*(s)，π为当前生成的决策树，π*为ABR算法，s为视频块的播放状态；Rmax为预设的最大比特率，Rmin为预设的最小比特率。


5.根据权利要求4所述的视频播放方法，其特征在于，对所述决策树进行优化包括：
S1：播放所述预定视频；
针对所述预定视频中的每个视频块，执行步骤S2和S3：
S2：基于所述决策树计算该视频块的第二播放状态；
S3：采用所述ABR算法根据所述第二播放状态计算与所述第二播放状态对应的动作，其中，与所述第二播放状态对应的动作为该视频块的下一个视频块的比特率决策；
S4：汇总所述预定视频中的所有视频块的第一播放状态和第二播放状态，获得优化方法的播放状态；
...

【专利技术属性】
技术研发人员：徐明伟，孟子立，陈婧，郭雅宁，孙晨，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11