一种基于制造技术

本发明专利技术公开一种基于

【技术实现步骤摘要】
一种基于QoE驱动的视频流编码参数自适应调节方法


[0001]本专利技术公开一种基于
QoE
驱动的视频流编码参数自适应调节方法，涉及通信技术应用领域
。

技术介绍

[0002]随着视频通信技术的高速发展，视频会议
、
视频监控及移动端短视频等应用正在进一步深入人们的生活，互联网业务的视频导向趋势愈加明显，因此，有效提升用户对视频业务的满意程度至关重要
。
基于服务质量
(Quality ofService,QoS)
的用户满意度评估方式，仅利用网络客观性能指标，已经无法满足用户满意度合理评估的要求
。
基于体验质量
(Quality ofExperience,QoE)
的方式，是站在用户的角度，能更加合理的对满意度作出评估
。
[0003]由于视频流业务传输机制复杂，如何在保障用户
QoE
的前提下，提升视频传输网络链路资源及用户终端设备资源利用率，同样也是视频编码与传输
的重要研究方向
。

技术实现思路

[0004]本专利技术针对现有技术的问题，提供一种基于
QoE
驱动的视频流编码参数自适应调节方法，所采用的技术方案为：
[0005]第一方面，一种基于
QoE
驱动的视频流编码参数自适应调节方法，所述方法包括：
[0006]根据视频流业务，对用户
QoE
的影响因素进行解析；
[0007]根据所述影响因素，构造深度学习样本集，并基于注意力机制建立
LSTM
‑
QoE
预测模型；
[0008]根据数据包接收率建立当前网络链路质量评估单元，通过所述网络链路质量评估单元和所述
LSTM
‑
QoE
预测模型进行视频流编码参数的自适应调节
。
[0009]在一些实现方式中，所述根据视频流业务，对用户
QoE
的影响因素进行解析；其中，所述影响因素包括用户基本属性因素
、
视频播放环境因素
、
视频传输网络链路因素
、
终端设备参数
、
视频流编码参数
。
[0010]在一些实现方式中，所述根据视频流业务，对用户
QoE
的影响因素进行解析，包括：
[0011]根据所述用户基本属性因素，对用户的活跃度进行划分；
[0012]根据所述视频播放环境因素，获取视频播放环境的安静程度及用户移动状态；
[0013]根据所述视频传输网络链路因素，获取当前视频传输网络链路的可用带宽及加权时延；
[0014]根据所述终端设备参数，获取终端设备的屏幕质量等级和功放质量等级
。
[0015]在一些实现方式中，根据所述影响因素，通过结合用户体验质量的
MOS
值构造
LSTM
样本集，并基于注意力机制建立
LSTM
‑
QoE
预测模型
。
[0016]在一些实现方式中，所述基于注意力机制建立
LSTM
‑
QoE
预测模型，包括：
[0017]对所述
LSTM
‑
QoE
预测模型的
LSTM
细胞单元引入注意力机制；
[0018]所述注意力机制通过前一时间步的隐藏状态与记忆力单元，获取当前输入序列的权重；
[0019]所述
LSTM
‑
QoE
预测模型通过前向传播计算输出预测值，通过所述预测值结合链式求导法，得到模型的权重梯度，根据所述权重梯度，通过反向传播对
LSTM
‑
QoE
预测模型的参数进行更新；
[0020]通过测试集对所述
LSTM
‑
QoE
预测模型进行效果评估
。
[0021]在一些实现方式中，所述根据数据包接收率建立当前网络链路质量评估单元，通过所述网络链路质量评估单元和所述
LSTM
‑
QoE
预测模型进行视频流编码参数的自适应调节，包括：
[0022]所述网络链路质量评估单元依据加权数据包接收率，将网络链路质量进行等级划分；
[0023]根据所述用户体验质量的
MOS
值设置所述数据包接收率的阈值，根据当前网络链路质量设置编码比特率的调节方式；
[0024]设置所述视频流编码参数的取值范围，视频分辨率及视频帧率取常见值，编码比特率取值等间距离散化；
[0025]将所述编码比特率
、
视频分辨率和视频帧率作为视频流编码参数组合，根据所述视频流编码参数组合构造调节代价树；
[0026]根据所述调节代价树，对所述视频流编码参数设置周期性自适应调节
。
[0027]在一些实现方式中，根据所述调节代价树，对所述视频流编码参数设置周期性自适应调节，包括：
[0028]在视频播放的任一周期内启动
LSTM
‑
QoE
预测单元，预测下一个周期中用户体验质量的
MOS
值，将用户体验良好时对应的
MOS
值作为标记值；
[0029]当所述
MOS
值小于所述标记值时，启动所述当前网络链路质量评估单元，根据当前所述调节方式对所述调节代价树的总个数进行计算；
[0030]遍历所述调节代价树的路径，确定所述视频流编码参数组合作为所述
LSTM
‑
QoE
预测单元的输入特征量，预测下一个视频播放周期中，该视频流编码参数对应用户体验质量的
MOS
值；
[0031]当所述
MOS
值大于所述标记值时，对调节代价总和进行计算；遍历所述调节代价树的路径，将满足条件的所述视频流编码参数组合和对应的调节代价总和加入待定堆栈；
[0032]遍历所述待定堆栈，选取最小的所述调节代价总和对应的所述视频流编码参数组合，返回片源发送端，作为下一个周期中的视频流编码参数
。
[0033]第二方面，本专利技术实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如上述第一方面所述的方法
。
[0034]第三方面，本专利技术实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时，实现如上述第一方面所述的方法
。
[0035]第四方面，本专利技术实施例提供一种计算机存储介质，所述计算机可读取存储介质
中存储有计算机程序，所述计算机程序被本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
QoE
驱动的视频流编码参数自适应调节方法，其特征在于，所述方法包括：根据视频流业务，对用户
QoE
的影响因素进行解析；根据所述影响因素，构造深度学习样本集，并基于注意力机制建立
LSTM
‑
QoE
预测模型；根据数据包接收率建立当前网络链路质量评估单元，通过所述网络链路质量评估单元和所述
LSTM
‑
QoE
预测模型进行视频流编码参数的自适应调节
。2.
根据权利要求1所述的方法，其特征在于，所述根据视频流业务，对用户
QoE
的影响因素进行解析；其中，所述影响因素包括用户基本属性因素
、
视频播放环境因素
、
视频传输网络链路因素
、
终端设备参数
、
视频流编码参数
。3.
根据权利要求2所述的方法，其特征在于，所述根据视频流业务，对用户
QoE
的影响因素进行解析，包括：根据所述用户基本属性因素，对用户的活跃度进行划分；根据所述视频播放环境因素，获取视频播放环境的安静程度及用户移动状态；根据所述视频传输网络链路因素，获取当前视频传输网络链路的可用带宽及加权时延；根据所述终端设备参数，获取终端设备的屏幕质量等级和功放质量等级
。4.
根据权利要求3所述的方法，其特征在于，根据所述影响因素，通过结合用户体验质量的
MOS
值构造
LSTM
样本集，并基于注意力机制建立
LSTM
‑
QoE
预测模型
。5.
根据权利要求4所述的方法，其特征在于，所述基于注意力机制建立
LSTM
‑
QoE
预测模型，包括：对所述
LSTM
‑
QoE
预测模型的
LSTM
细胞单元引入注意力机制；所述注意力机制通过前一时间步的隐藏状态与记忆力单元，获取当前输入序列的权重；所述
LSTM
‑
QoE
预测模型通过前向传播计算输出预测值，通过所述预测值结合链式求导法，得到模型的权重梯度，根据所述权重梯度，通过反向传播对
LSTM
‑
QoE
预测模型的参数进行更新；通过测试集对所述
LSTM
‑
QoE
预测模型进行效果评估
。6.
...

【专利技术属性】
技术研发人员：孙洪亮，李军魁，李丹，
申请(专利权)人：吉林化工学院，
类型：发明
国别省市：