基于深度学习的无参考立体视频质量评价方法的研究与实现

发布时间：2023-03-03 18:31

　　随着立体技术的不断发展,立体视频相关应用和服务系统开始走近人们的生活,扮演着越来越重要的角色,在这些立体视频系统中,控制好视频内容的感知质量是保证用户体验的关键。然而,在立体视频系统的各处理阶段,由于带宽、设备和技术的限制,立体视频可能遭受不同程度的损坏,从而使得立体视频系统的性能受到极大影响。而无参考立体视频质量评价(Stereoscopic video quality assessment,SVQA)算法可以实现对立体视频视觉感知质量的量化,可帮助系统对立体视频质量进行监测、控制和改善,成为立体视频处理领域重要的研究课题。传统的无参考立体视频质量评价方法大多数具有相似的框架,其一般采用分治法对该问题进行简化,包括手工特征提取和分类器设计。但是在现实场景中,我们在评价视频质量时必须要考虑视频内容信息、深度感知信息和时域信息等复杂视觉因素的非直观交互作用,因此我们很难设计出一组特征适用于各种失真类型和失真程度。为解决传统方法的弊端,我们将卷积神经网络引入到立体视频质量评价领域,建立了一个基于3D卷积神经网络的无参考立体视频质量评价框架。首先,我们依据人类立体视觉特性和质量评价相关特性完...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 立体视频质量评价研究现状
        1.2.2 基于深度学习的图像/视频质量评价研究现状
    1.3 本文创新点
    1.4 本文结构安排
第2章 算法理论背景
    2.1 立体视觉
        2.1.1 双目视差
        2.1.2 双目融合
        2.1.3 双目竞争
    2.2 人工神经网络
        2.2.1 网络结构
        2.2.2 误差反向传播算法
    2.3 卷积神经网络
        2.3.1 网络基本部件
        2.3.2 网络基本思想
    2.4 本章小结
第3章 基于3D卷积神经网络的立体视频质量评价
    3.1 数据预处理
        3.1.1 立体信息获取
        3.1.2 数据集增强
    3.2 基于2D卷积神经网络的方法初步探究
    3.3 3D卷积神经网络
        3.3.1 3D卷积
        3.3.2 3D池化
        3.3.3 3D CNN网络结构设计
        3.3.4 3D卷积神经网络与支持向量回归的结合
    3.4 质量分数融合策略
    3.5 本章小结
第4章 实验与分析
    4.1 立体视频数据库
        4.1.1 NAMA3DS1-COSPAD1 立体视频质量数据库
        4.1.2 QI-SVQA数据库
    4.2 性能评价指标
    4.3 算法性能对比与分析
    4.4 算法各部件贡献分析
    4.5 数据增强所依赖的假设证明
    4.6 跨库交叉验证
    4.7 算法效率分析
    4.8 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
发表论文和参与科研情况说明
致谢



本文编号：3752890