SVC-P2P流媒体视频质量自适应技术研究

摘要

随着移动互联网和三网融合的快速发展,P2P流媒体系统将不可避免地面向异构环境提供服务。可伸缩视频编码(Scalable Video Coding,SVC)可从时间、空间、质量三个维度上增强视频质量,将SVC应用于P2P流媒体系统为视频质量自适应提供了新的思路。本课题主要研究采用SVC的P2P流媒体视频质量自适应技术。
　　首先,分析SVC视频数据的特点,介绍传统的P2P流媒体视频质量自适应技术,并明确异构网络环境中采用SVC的视频质量自适应需要解决的关键问题。
　　其次,视频质量自适应技术的最终目的是要使用户获得更好的观看体验,因此在自适应技术中,用户观看体验的评判标准尤其重要。目前研究中多数是通过QoS指标或者终端下载视频层数来衡量视频质量,这些评判标准并不能完全反映视频质量是否满足用户需求。本文从用户角度出发,将QoE作为用户观看体验的评判标准,并通过全面地分析编码参数、网络参数、视频类型、用户终端等对QoE的影响,建立一种基于CART-Adaboost的QoE预测模型。仿真结果显示,与其他预测方法相比,本文的预测模型在预测结果准确性和实时性方面有较好的性能。
　　为了适应实时变化的网络,为用户提供更好的视频观看体验,视频质量自适应算法还需明确以下问题:1)何时对视频质量进行调整;2)如何调整下载的分层数据。针对上述问题,目前较为普遍的做法是根据网络带宽的变化,用户通过增加或减少下载的时间层层数、质量层层数或根据比特率来实现视频质量的实时调整。然而经分析和实验发现,对于不同的视频类型,不同的编码参数设置,不同的分层组合包含的数据量具有不同的变化趋势,并且用户对三个维度引起的视频质量变化的敏感程度也不一样,上述视频质量自适应方法并不能取得好的效果。因此,本文给出一种基于QoE预测的P2P流媒体视频质量自适应算法,该算法根据网络带宽的变化以及QoE模型预测结果,来决定是否需要对视频质量进行调整,并利用QoE模型选出当前状况下最优的分层组合。仿真结果表明,该自适应算法不仅能够适应实时变化的网络,而且还能为异构终端选择当前状况下最优的分层组合,最大化用户质量体验。