视频业务建模方法研究.docVIP

视频业务建模方法研究 摘要： 本文首先介绍了视频压缩数据的特点，然后分析总结了视频源建模拟合特性的种类，在此基础上，归纳并阐述了视频业务源建模类型及其特点。 关键词： 视频业务建模 　　一、引言 　　从只提供单一话音和低速电路交换数据业务的2G网络到能提供分组交换数据业务的2.5G网络，移动通信正在向采用分组交换、承载不同QoS要求业务的3G网络演进。第三代移动通信网络可以提供速率达2Mbit/s甚至更高的带宽，支持高质量话音业务及各类高速数据业务，3G所提供的缤纷数据业务特别是多媒体业务势必将成为吸引用户的一大亮点。 　　对于运营商或厂商，在3G网络即将部署之际，为了能更好地提供具有不同QoS要求的多媒体业务，迫切需要深入理解业务的特性及其对网络性能的要求和影响，而这离不开对业务基本特性的建模，因为精确的业务模型是进一步研究和确定无线资源管理策略和算法的重要基础。同时，符合业务特性的分析建模也能为网络规划设计提供客观、可靠的定量依据，从而有效指导网络建设。 　　本文根据视频数据压缩编码后的特性，分析总结了视频源拟合特性的种类，并在此基础上对视频业务源建模方法进行了归纳总结，概括了不同方法的优缺点，以指导不同实际场景下视频模型的选取。 　　二、视频业务建模 视频压缩编码的目的是要去除图像在时间和空间上的冗余，以减少所需的传输带宽。通过压缩编码所生成的可变比特速率（VBR）图像数据具有以下特性[1]： ● 由图像本身的复杂度和被摄物体或摄像机的移动导致的比特率的显著变化，它可以通过分析固定时长内(如每帧)比特数的概率分布函数（PDF）观察到。 ● 由同一组场景内各帧内容的相似性引起的短期相关（SRD），它反映在间隔时间较小时，图像时间序列的自相关系数取值较大。 ● 对属于不同场景但具有相似运动级别和图像复杂度的帧，具有长期相关性（LRD），它反映在自相关函数的慢(双曲)衰减上。 为了体现这些特性，对图像业务源的建模工作，可以从以下某一方面或几方面进行拟合： ● 匹配PDF法：即产生一个与被模仿的图像样本具有相同直方图的随机过程。 ● 匹配SRD法：这种模型具有指数(快)衰减自相关函数，但它仅与实际序列时间间隔较小时的自相关函数相符。 ● 匹配LRD法：即对自相关函数在时间间隔较大时甚至趋于无穷时的特性加以拟合建模。 　　三、视频业务建模类型 　　我们根据对图像特性拟合角度的不同，将各种图像业务源模型分为以下四大类[1-3]： 　　1．只近似PDF的模型类 　　这是一种较简单的建模方法，只对数据源的一阶统计特性进行匹配。这种模型首先对实际数据源所含的帧进行分类，对每种类型的帧先产生一个与之同均值、同方差的高斯噪声。由于实际图像信号的PDF一般偏左(低值部分)，在此基础上再用gamma，Weibull，lognormal和Pareto等分布函数精确匹配PDF的形状[4-5]。 　　 　　2．同时匹配SRD和PDF的模型类： 　　这类模型又可分为以下两类： 　　（1）马尔可夫/线性回归类： 　　这两种过程都能反映SRD特性。马尔可夫过程稳态时能产生不同的PDF分布。而自回归过程AR经常基于高斯随机变量产生高斯分布的序列，要想得到不同于高斯分布的PDF分布，还需进一步进行PDF直方图的转化匹配。 　　马尔可夫过程的当前状态只依赖于它的前若干状态，而与别的状态无关。如果它的状态空间是无限可数或有限，就叫马氏链。因此在帧一级层次上，可以用马氏链的状态表示比特率（图象序列比特率的大致范围）进行建模[6]。 　　马氏链还常用于调制其它过程，如贝努力、泊松或AR。对不同过程，马尔可夫链的状态代表不同的参数集。而在某状态时，模型将根据特定过程（贝努力等）以特定参数集产生样本。此状态保持一定时间后再切换到另一不同的状态，用不同的参数集产生样本。这种类型的模型叫做Markov-modulated或 Markov-modified模型，它们在场景一级层次上的模型具有一定的LRD特性。如Markov-modulated Bernoulli process (MMBP)和Markov-modulated Poisson process(MMPP)，Markov renewal process(MRP)[7]。 　　AR(1)可看作是连续状态、时间离散的马尔可夫过程，基于它的模型有[8]。而AR过程是 ARMA（加一个移动平均过程）的特例。ARMA（p,q）中p是AR的阶数，q是MA的阶数。ARMA过程是具有零均值，方差为1的有色高斯过程，即自相关函数不是从纯高斯过程而来。基于它的模型有[9]。 　　还有一些基于马氏链和自回归的复合类模型，如DAR模型[10]，GBAR模型[11]，MC/AR模型[12]等。其中[12]模拟了部分场景的变化，具有一定程度的