Estimação cega da qualidade de vídeo utilizando informações de fluxo óptico

Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018.A quantidade de vídeos digitais presente na vida das pessoas é crescente devido ao surgimento e barateamento de novas tecnologias que permitem e facilitam a disseminação dos vídeos. A partir disso, a quantidade de dados produzidos por esta massiva disseminação é tão grande que os métodos tradicionais de avaliação de qualidade de vídeo podem não ser mais eficientes, quando se tratam de aplicações em tempo real. Dessa forma, a utilização de Inteligência Artificial, mais especificamente Aprendizado de Máquina, pode ser uma estratégia a ser utilizada. É nesse contexto que surge a abordagem proposta neste trabalho: a implementação de um método de avaliação de qualidade de vídeo objetiva, utilizando uma Rede Neural Convolucional, cujas entradas são pilhas de fluxo ópticos, que visa predizer notas de vídeo. Os resultados obtidos neste trabalho mostraram que o modelo proposto tem potencial para realizar o objetivo mencionado, porém é necessário realizar ajustes e adicionar complementos, a ser realizados em trabalhos futuros, para ser comparado ao estado da arte.The amount of digital videos present in people’s lives is growing due to the emerging and cheapening of new technologies that allow and make it easier to disseminate. Thereby, the amount of data produced by this massive dissemination it’s so big that the traditional Video Quality Assessment methods may not be so efficient for real time purposes. So, Artificial Intelligence applications, specifically Machine Learning, could be a new strategy to solve this problem. In this context arrises the approach that will be used in this work: the implementation of a objective Video Quality Assessment method based on a Convolutional Neural Network, whose inputs are optical flow stacks, aiming to predict video scores. The results obtained in this work shows that the proposed model has potential to perform the suggested task, but it is necessary to make some adjusts and complements, to be accomplished in future works, to be compared to the state of art