一种基于视频帧差异视频卡顿检测方案
source link: https://mp.weixin.qq.com/s?__biz=MzUxMTcwOTM4Mg%3D%3D&%3Bmid=2247488361&%3Bidx=1&%3Bsn=28f2899a78d6b62bc831e50d1811a0e9
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
奇技 · 指南
在视频质量检测中,检测视频是否卡顿也属于视频质量检测的标准之一，在构建视频检测平台中,这一步至关重要。
本文要说明的是把视频转换为帧序列,根据计算帧之间的差值,寻找帧序列中是否有断层,来判断当前视频是否存在卡顿的现象。
结果为一个数据, 0 代表无卡顿现象, 1代表存在卡顿现象
技术与架构
用户上传视频文件后,使用ffmpeg 转换为图片序列,抽取图片信息,计算所有序列帧的图片运动像素,计算所有序列图片的平均运动水平,动态计算动态因子,输出判断结果, 0表示当前不存在卡顿点, 1表示当前存在卡顿点。
整体方案主要分为六个部分
1. 图片处理
2. 图像相邻帧像素计算
3. 计算所有图片运动量,组合为运动集合
4. 消除视频图片场景剪辑比例,计算平均运动量
5. 计算动态因子
6. 返回结果
技术优势
-
不需要准备大量的数据集来训练模型，只针对当前要处理的视频进行计算；
-
不会因为大量的动态场景和静态场景影响卡顿检测的结果；
-
精准高效,计算量相对较低
技术实现
图片处理
这里采用灰度图片来作为视频卡顿检测的输入序列图片数据,重新设置当前图片的大小为 360*640,当前区域为我们后面计算的兴趣区域.设定兴趣区域,可以有效的避免一些像素点计算的噪声影响。
图像相邻帧计算
A.遍历当前图像集,使用t+1(下一时刻帧) 的像素减去t(当前时刻帧)的像素值,计算出两帧之间的差异信息。
B.设定阈值,这里的阈值是一个常量值 = 30,当两帧之间的差异值> 30的时候,就任务图片存在运动像素,否则,没有存在运动,值为 0,此步骤消除了低运动噪声,或感知能力下的运动像素。
计算所有图片的运动量
将步骤2中的值进行平方,将幅度转换为能量,并计算每个视频帧的平均值.该平均值就是当前帧的能量值,所有帧的动量值记为TI2。
消除视频图片场景切换比例,计算平均运动水量
A.在计算平均值之前要消除场景剪辑比例,这里使用的常量值为 0.02,就是说我们有100个帧要消除2个场景的剪辑。
B.对 TI2 从小到大排序,在这个序列中,根据B中的比例值,消除最高和最低的两个噪声值,循环遍历TI2,计算t时刻帧之前所有帧的平均值,并把这个平均值进行累加.当场景切换的时候,TI2 序列的低点和高点均被消除,平均TI2值(TI2_AVG)不会收到影响。
计算动态因子
在近乎静态的场景和动态的场景中,由于像素的变动很小,或者像素变动很大,卡顿的帧/丢失帧会存在少量/大量的运动信息,在确定运动水平的时候需要涉及主观直觉的要素,所以需要利用动态阈值来确定卡顿的视频帧。
在视频中,存在的动态场景较多,该阈值增加,静态场景,阈值减少。
Dfact = a + b * log(TI2_AVG) a ,b, c 都为常量,分别为 2.5, 1.25, 0.1,c为限制Dfact 较小的一个值。
当 Dfact < c = Dfact else 等于 c, Dfact 取值范围是[0, 0.1]之前的一个值。
帧的丢弃和运动量是线性依赖于平均运动能量的对数。
返回结果
循环遍历视频帧,获取每一帧的TI2值,如果当前的TI2值<= Dfact * Mdrop,认为当前的帧是卡顿的,也就是值为1,如果当前的TI2值> Dfact * Mdrop, 任务当前帧不存在卡顿,把视频所有的帧按找时间顺序排序后,就是我们当前视频卡顿检测的列表值。
Dfact 为上述计算的动态因子,Mdrop为固定运动能量阈值来确定帧的卡顿.Mdrop 为常量值 0.015。
效果展示
选择9张连续的视频帧图片
返回检测结果
往期精彩回顾
kubevirt在360的探索之路（k8s接管虚拟化）
360技术公众号
技术干货|一手资讯|精彩活动
扫码关注我们
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK