基于模糊控制的OTT视频质量评估方法.docxVIP

基于模糊控制的OTT视频质量评估方法刘辉寿国础信息与通信工程学院网络体系构建与融合北京市重点实验室北京邮电大学中国，北京摘要：关键字：引言随着信息时代的不断推进，新的多样性信息服务大量涌现，OTT（Over the top）视频作为新兴的媒体形态在近段时间内迅猛发展，受到人们的广泛关注。据市场研究机构Digital TV Research的报告指出，全球OTT 视频业务将在近几年快速发展，其中中国作为最大的智能终端存量市场，互联网电视用户数发展速度将领先全球，有望在2016年突破一亿，整个OTT视频产业收入也将会从2010年的5000万美元增长到2016年的13.8亿美元。OTT视频也由其开阔的市场和广泛的应用，被视为未来视频的主要发展方向。OTT视频通过因特网传输视频，与传统的IPTV不同，它不需要运营商提供专用网络或基础设施，而是通过普通的因特网数据协议和开放的因特网在非管理型的网络中传输，且用基于TCP的HTTP协议传输数据，便于管理的同时保证视频画面质量，较大程度的提高了用户体验。然而，OTT视频的运营在为人们带来便利的同时，也产生了一些问题。OTT视频通过因特网传输数据，TCP吞吐量由于网络中的各种损伤而受到影响。当TCP吞吐量比OTT视频播放速率小时，视频就会出现不间断的暂停现象，等待新的数据。这使得OTT视频的传输必须依赖于良好的网络性能。好的网络状态为用户带来高质量的视频体验，差的网络状态很大程度上影响用户视觉感受，用户体验质量QOE（Quality of Experience）也因此降低。随着OTT视频用户的不断增长，人们对视频QOE的要求也越来越高。为了满足用户需求，提高用户QOE，对OTT视频的质量进行评估和监测具有重大的意义。目前，网络视频质量的评估主要有两种方法：主观评估和客观评估。主观评估是通过人的视觉系统对视频的质量权衡和评估，这对视频质量的判定是决定性的。客观评估则是忽略人类视觉感知，通过算法和计算得出的智能评价结果，传统的客观评估方法有峰值信噪比（PSNR），结构相似度（SSIM），均方误差（MSE）等。主观评估和客观评估结果即用户QOE，一般是用平均意见MOS值表示，从1到5，“1”代表最差，“5”代表最好。针对网络视频的主观评估方法，主要通过若干组经过训练或未经训练的用户观看特定的视频内容，然后给出视频质量的评价结果。针对客观评估方法，相关学者提出了不同的算法和模型：[1]中提出了一种卷积神经网络客观评估视频的方法，通过训练达到自主评价视频质量的效果。[2]利用多元回归模型客观评估视频QOE，并同时考虑到视频和音频效果。[3]和[4]基于编解码器带来的视频画面扭曲给视频评估模型，而[5]和[6]则基于视频内容进行评估。[7]分析了人视觉接受视频图片的瞬间效果与视频质量感知之间的关系，瞬间效果相关指标由[8]给出建议。[9]探究了数据丢失对MPEG-2视频质量的影响，而MPEG-2和IPTV的感知质量的影响因素在[10]进行了描述。[11]通过实验探究网络QOS如何影响用户视觉感知质量。然而，这些方法或者只适合特定条件下的视频评估，或者只是专注于视频评估指标、用户视觉等某一方面的研究，对于新兴媒体形态OTT视频并不完全适用，所以需要我们寻求一种新的评估方法。在这篇论文中，结合OTT视频的特点，我们给出了一种基于模糊控制的质量评估方法，目的在于将模糊控制的原理用到OTT视频质量评估上，实现更加接近视觉感知的用户QOE。文章分析了网络层QOS、应用层QOS、到用户QOE之间的层次关系，选取每层的最重要的性能指标建立三层QOE模型。以网络层指标作为输入，利用映射层次映射关系，计算出应用层的QOS参数值，然后利用模糊算法，建立模糊控制模型，通过参数模糊化、模糊推理、清晰化等过程，输出最终的视频质量评估MOS值。论文的主要贡献主要分为两个方面：此前的网络视频客观评估研究大多集中在网络层QOS与应用层QOS的映射关系或指标探究方面，而忽略了应用层QOS到用户QOE的复杂关系和计算。本文利用模糊控制原理，在前人研究的基础上，详细的探讨了应用层QOS到用户QOE之间的映射，并计算出最终评估结果MOS值。其次，在模糊控制模型中，我们建立了应用层性能指标到MOS值的映射库，用于模糊控制器中，将计算机过与主观评估值实验数据对比，并利用Spearman 和 Pearson两种方法计算出得到高达“”的平均相似度，得出智能的评估结果。论文的第二部分介绍了模糊控制原理，详细分析了模糊控制器的功能和结构；第三部分简单分析了QOE三层模型的层析关系，然后建立模糊控制模型，计算模型的输入参数值，建立映射库，模糊控制分析、计算，输出最终MOS值，并通过主观评估实验数据进行相似度分析。第四部分得出结论。模糊控制原理模糊控制原理是基