直播视频调参、优化方法及装置、设备、介质与流程

1.本技术涉及网络直播技术领域，尤其涉及一种直播视频优化方法、直播视频调参方法及其相应的装置、电子设备以及计算机可读存储介质。


背景技术：

2.网络直播场景中，主播用户向直播间推送视频流，实现才艺展示、信息分享、知识教育等应用目的，使主播用户通过这些活动参与社会劳动获取收益，促进整体社会效益。
3.网络直播所使用的直播程序中通常包含有图像优化功能模块，例如视频采集模块、图像编码模块、美颜处理模块、图像增强模块等，可以通过设置这些图像优化功能模块中的一个或多个图像优化参数达到适应拍摄环境提供优质视频图像的效果。
4.用户在直播程序设置图像优化参数时，需要观察调整图像优化参数前后的效果以便获得比较结果，理想的情况下是单独考察一个图像优化参数的调整对视频所起的作用，也就是能够考察单一变量对视频图像效果的影响。
5.然而，网络直播的特点是其视频流具有即时性，受这种即时性的制约，摄像头采集的一帧图像经过一系列处理，最后编码封装后就推送到远程服务器，面向的是动态的不可逆的摄像头采集输入。因此，在对比过程中，总是存在一些干扰因素，比如，即使相同机型、相同背景、同一时间拍摄视频，也无法排除设备差异的影响。或者，同一设备，相同背景，不同时间拍摄视频，也无法排查拍摄时空差异影响的干扰因素。以上缺陷，会导致难以实现单一变量考察，导致画质评测存在困难，影响图像优化参数的有效性。


技术实现要素：

6.本技术的首要目的在于解决上述问题至少之一而提供一种直播视频调参优化方法、直播视频调参方法及其相应的装置、电子设备以及计算机可读存储介质。
7.为满足本技术的各个目的，本技术采用如下技术方案：
8.适应本技术的目的之一而提出的一种直播视频调参方法，包括如下步骤：
9.为终端设备中的直播程序的单个图像优化参数配置第一数值，利用所述第一数值驱动所述直播程序对所述图像源进行优化并生成第一视频流；
10.为所述终端设备中的直播程序的所述图像优化参数配置第二数值，利用所述第二数值驱动所述直播程序对所述第一视频流进行优化并生成第二视频流；
11.将第一视频流和第二视频流构造为对比组推送给多个用户，获得所述多个用户对第一视频流和所述第二视频流投票生成的反馈数据，所述反馈数据中包含第一视频流和第二视频流的得票率；
12.根据所述反馈数据中第一视频流和第二视频流的得票率确定出所述得票率中的最佳数值，以所述最佳数值配置所述直播程序中的所述图像优化参数。
13.可选的实施例中，本技术的直播视频调参方法还包括：
14.根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优
化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型。
15.可选的实施例中，根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型，包括：
16.将同一图像优化参数相对应的多个所述的对比组的反馈数据中的各个视频流的得票率归一化至特定数值区间，所述特定数值区间包括多个所述的分段区间，每个分段区间均设置有其相应的所述等级标签；
17.将所述反馈数据中每个视频流的图像优化参数的具体数值作为训练样本，将该视频流的归一化后的得票率相对应的等级标签作为所述训练样本的监督标签，将训练样本与其监督标签相映射构造为训练数据集；
18.调用所述训练数据集中的所述训练样本及其所述监督标签迭代训练预设的得票率预测模型至收敛状态，使所述得票率预测模型适于根据给定的图像优化参数的取值预测出相对应的推理得票率。
19.可选的实施例中，根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型，包括：
20.将多个图像优化参数相对应的多个所述的对比组的反馈数据中的各个视频流的得票率归一化至特定数值区间，所述特定数值区间包括多个所述的分段区间，每个分段区间均设置有其相应的所述等级标签；
21.按照得票率属于相同分段区间归集不同图像优化参数，分段区间将属于同一视频流且得票率属于同一分段区间的不同图像优化参数的具体数值构造成参数向量；
22.将所述参数向量作为训练样本，将所述参数向量相对应的等级标签作为所述训练样本的监督标签，将训练样本与其监督标签相映射构造为训练数据集；
23.调用所述训练数据集中的所述训练样本及其所述监督标签迭代训练预设的得票率预测模型至收敛状态，使所述得票率预测模型适于根据给定的图像优化参数的取值预测出相对应的推理得票率。
24.可选的实施例中，获得根据图像优化参数的取值生成得票率的得票率预测模型之后，包括：
25.获取用户在其终端设备的所述直播程序中调整图像优化参数所产生的目标数值，将所述目标数值输入所述得票率预测模型，预测出所述目标数值相对应的推理得票率；
26.将所述推理得票率所属的分段区间相对应的等级标签显示至所述用户的终端设备的图形用户界面。
27.可选的实施例中，获得根据图像优化参数的取值生成得票率的得票率预测模型之后，包括：
28.将用户运行的所述直播程序中的所述图像优化参数的取值范围内的全部可选值输入至所述得票率预测模型，获得每个可选值相对应的推理得票率；
29.筛选出所述推理得票率最高相对应的若干个可选值显示至用户的图形用户界面；
30.获取所述用户选取确定的所述可选值，将用户确定的可选值配置为所述直播程序
中所述图像优化参数的具体数值。
31.适应本技术的目的之一而提供的一种直播视频优化方法，包括：
32.由直播程序驱动摄像单元采集直播视频流；
33.应用本技术所述的直播视频调参方法配置所述直播程序的图像优化参数，所述图像优化参数用于对所述直播视频流中的人脸图像进行美颜处理；
34.将经过美颜处理的直播视频流推送至网络直播间显示。
35.适应本技术的目的之一而提供的一种直播视频调参装置，包括：
36.第一优化模块，设置为为终端设备中的直播程序的单个图像优化参数配置第一数值，利用所述第一数值驱动所述直播程序对所述图像源进行优化并生成第一视频流；
37.第二优化模块，设置为为所述终端设备中的直播程序的所述图像优化参数配置第二数值，利用所述第二数值驱动所述直播程序对所述第一视频流进行优化并生成第二视频流；
38.对比评价模块，设置为将第一视频流和第二视频流构造为对比组推送给多个用户，获得所述多个用户对第一视频流和所述第二视频流投票生成的反馈数据，所述反馈数据中包含第一视频流和第二视频流的得票率；
39.参数应用模块，设置为根据所述反馈数据中第一视频流和第二视频流的得票率确定出所述得票率中的最佳数值，以所述最佳数值配置所述直播程序中的所述图像优化参数。
40.适应本技术的目的之一而提供的一种直播视频优化装置，包括：
41.开播启动模块，设置为由直播程序驱动摄像单元采集直播视频流；
42.图像优化模块，设置为应用本技术所述的直播视频调参装置配置所述直播程序的图像优化参数，所述图像优化参数用于对所述直播视频流中的人脸图像进行美颜处理；
43.视频推送模块，设置为将经过美颜处理的直播视频流推送至网络直播间显示。
44.适应本技术的目的之一而提供的一种电子设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述的直播视频调参方法的步骤。
45.适应本技术的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述的直播视频调参方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
46.适应本技术的另一目的而提供的一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本技术任意一种实施例中所述方法的步骤。
47.相对于现有技术，本技术利用同一终端设备同一直播程序，基于同一图像源应用第一数值的图像优化参数生成第一视频流，再在第一视频流的基础上应用第二数值的图像优化参数生成第二视频流，确保两个视频流都是基于同一软硬件环境生成，例如经过同一直播程序的采集算法、编码算法、美颜算法、增强算法等环节进行图像优化处理，将两个视频流构造成对比组获得用户投票生成的反馈数据中的得票率，在得票率的基础上择优选出最佳的图像优化参数，用来设置为直播程序的默认图像优化参数，完成了直播程序的图像优化相关的参数配置，由于对比组中的两个视频流是基于同一软硬件环境，基于相同算法生成的，两者具有高度可比性，所获得的反馈数据更能反映图像优化参数的优劣，从而能够
确定出最佳的图像优化参数。根据这种方式配置直播程序后，可确保直播程序在网络直播过程中能够输出优质的直播视频流。
附图说明
48.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
49.图1为本技术网络直播场景中网络直播服务所采用的示例性的网络架构；
50.图2为本技术的直播视频调参方法的一种实施例的流程示意图；
51.图3为本技术示例性的直播程序的直播视频生产线的流程示意图；
52.图4为本技术的实施例中训练适于服务单个图像优化参数的得票率预测模型的流程示意图；
53.图5为本技术的实施例中训练适于服务多个图像优化参数的得票率预测模型的流程示意图；
54.图6为本技术的实施例中利用得票率预测模型为用户提供所设置的图像优化参数的等级标签的流程示意图；
55.图7为本技术的实施例中利用得票率预测模型为用户推荐图像优化参数的可选值的流程示意图；
56.图8为本技术的直播视频优化方法的一种实施例的流程示意图；
57.图9为本技术的直播视频调参装置的原理框图；
58.图10为本技术的直播视频优化装置的原理框图；
59.图11为本技术所采用的一种电子设备的结构示意图。
具体实施方式
60.请参阅图1，本技术一种示例性的应用场景所采用的网络架构，包括终端设备80、媒体服务器81和应用服务器82。所述终端设备80可以用于运行直播程序，以供主播用户或观众用户使用直播间功能，例如由所述主播用户通过其终端设备80向所述媒体服务器81上传直播视频流，或通过媒体服务器81将目标主播用户的直播视频流推送至观众用户的终端设备80中播放等。所述媒体服务器81主要负责将各个主播用户上传的直播视频流推送至各个主播用户的直播间中。所述应用服务器82可用于部署网络直播服务，以维持主播用户与观众用户之间基于直播间进行交互。
61.根据本技术的直播视频调参方法编程实现的计算机程序产品可以运行于所述媒体服务器81、所述应用服务器82、所述终端设备80或其他任意设备中，通过该计算机程序产品的运行，执行所述方法的各个步骤，实现相关技术方案，从而，根据给定的确定出直播程序所需的图像优化参数，以便在所述直播程序在网络直播时，在其生成直播视频流的过程中，对所述直播视频流中的视频图像进行优化。
62.根据本技术的直播视频优化方法编程实现的计算机程序产品可以运行于所述终端设备中，例如嵌入所述直播程序中，通过该计算机程序产品的运行，执行所述方法的各个步骤，实现相关技术方案，从而，根据图像优化参数来配置直播程序，确保所述直播程序可以在网络直播时，在其生成直播视频流的过程中，对所述直播视频流中的视频图像进行优
化。
63.在参考以上示例性场景及相关原理性描述的基础上，请参阅图2，本技术的直播视频调参方法在其一种实施例中，包括如下步骤：
64.步骤s1100、为终端设备中的直播程序的单个图像优化参数配置第一数值，利用所述第一数值驱动所述直播程序对所述图像源进行优化并生成第一视频流；
65.在终端设备中安装有直播程序，所述直播程序被终端设备的中央处理器调用运行时，构造出多个图像优化功能模块，包括但不限于如图3所示的直播视频流生产线中的视频采集模块、美颜处理模块、图像增强模块、图像编码模块等。当然，视具体功能需求的需要，所述美颜处理模块、图像增强模块可以择一使用或不用亦可。所述视频采集模块主要用于对图像源采集生成直播视频流所需的视频图像，所述美颜处理模块主要用于对经人脸检测模块从视频图像中检测获得的人脸图像进行优化，所述图像增强模块主要用于实现对所采集的视频图像进行图像增强处理，所述编码模块主要用于适应网络条件对所述视频图像进行编码以生成直播视频流，以便将直播视频流推送到媒体服务器，经媒体服务器推送到在所述终端设备登录的主播用户的直播间，使直播间内的观众用户可以接收到所述直播视频流并播放显示。
66.以上的各个图像优化功能模块中的任意一个，均可以通过一个或多个图像优化参数来调节其输出的视频图像的效果，因而，可以通过控制任意一个图像优化功能模块中的任意一个图像优化参数，来实现对最终所生成的直播视频流的效果控制。而所述视频采集模块所采集的图像源，既可以是图片文件或视频文件，所述视频文件可以是所述终端设备的摄像单元所采集的视频文件。一种实施例中，所述摄像头采集生成的视频图像可以是统一为特定的视频图像格式，例如yuv格式，这样，考虑到图片文件、视频文件等通常是rgba四通道格式，rgba格式转换为yuv格式通常较为高效容易，因此，将图片文件、视频文件等从rgba转换为yuv，可以获得更为高效的直播视频流生成效率。
67.为了考察单一变量对直播视频流所生成的影响，首先确定一个图像源，然后由直播程序启动其直播视频流生产线，由生产线中的视频采集模块对该图像源进行采集，以便生成相应的视频图像输出，所述视频图像再经过所述美颜处理模块、图像增强模块的处理后，在所述视频编码模块中编码生成直播视频流，此处将其定义为第一视频流。第一视频流的生成过程中，所述直播程序可以按照其各个图像优化功能模块的各个图像优化参数预先配置的默认值工作，针对需要考察的单一变量，也即单个特定的图像优化参数，以其默认值作为其第一数值，从而可以确定第一视频流是以所述第一数值设置所述图像优化参数而获得的。当然，所述第一数值也可以是另外设定的非默认值。
68.至此不难理解，将单一变量的图像优化参数以第一数值设置，可以驱动所述直播程序基于所述图像源生成第一视频流。
69.步骤s1200、为所述终端设备中的直播程序的所述图像优化参数配置第二数值，利用所述第二数值驱动所述直播程序对所述第一视频流进行优化并生成第二视频流；
70.进一步，针对被考察的图像优化参数，可以调整其在所述直播程序中的数值，例如将其设置为第二数值，并且，以前一步骤生成的所述第一视频流为图像源，再由直播程序的直播视频流生产线对所述第一视频流进行图像优化处理，经过图像采集、图像美颜、图像增强以及图像编码后，生成第二视频流。可以看出，第二视频流是以第一视频流为图像源，对
被考察的图像优化参数设置第二数值之后对应生成的直播视频流，但第一视频流和第二视频流均是相同图像内容的视频流，而且两者所经处理的直播视频流生产线，除了被考察的图像优化参数的具体数值不一致之外，其余环境因素是完全一致的，这就确保了第一视频流与第二视频流在效果上的差异完全取决于所述被考察的图像优化参数的变动，使第一视频流与第二视频流之间具有高度可比性。
71.直播程序生成直播视频流的过程，实际上也是直播程序的开播流程，从这个角度来看，第一视频流与第二视频流的生成，不仅屏蔽了采集设备例如终端设备中的摄像单元的差异，也统一了开播流程，防止开播流程的差异引入变量，影响可比性。为了在直播程序按照其开播流程生成直播视频流的过程中获取所述第一视频流和第二视频流，可以在直播程序中实现一个视频录制模块，通过该视频录制模块录制直播视频流生产线，也即开播流程中产生的所述第一视频流和第二视频流。
72.根据以上过程可以理解，实际上可以通过所述直播程序的两次开播来获得所述第一视频流和第二视频流，其中第一次开播时主要用于生成作为样本对象的第一视频流，在编码后复制一份流，以h.264编码协议为例，流的起始需要从包含sps/pps及idr帧开始，通过使用视频录制模块对码流封装生成图像采集模块所需的视频文件。第二次开播时，使用第一次开播的录制合成好的视频文件，解码后替代摄像头采集帧，并送向开播的后续流程，此时可以调整被考察的图像优化参数的具体数值，从而生成所述第二视频流。
73.步骤s1300、将第一视频流和第二视频流构造为对比组推送给多个用户，获得所述多个用户对第一视频流和所述第二视频流投票生成的反馈数据，所述反馈数据中包含第一视频流和第二视频流的得票率；
74.第一视频流和第二视频流是关联于同一单一变量的图像优化参数生成的，因而可以构成对比组，在实践中，可以按照以上过程生成多个这样的对比组，并且，不同对比组之间，可以是基于不同图像源生成的，也可以是基于不同图像优化参数生成的，总之，可以视实际需要变换图像源和图像优化参数，来生成海量的对比组，当然，同一对比组中的两个视频流，均是基于同一图像优化参数的不同数值，将同一图像源经过两次开播处理生成的。
75.对于任意一个对比组来说，均可以通过用户的反馈来获取用户的主观评价信息，因而，可以将这些对比组推送给多个用户进行择优，通过用户择优结果，来确定同一对比组中的不同视频流的得票率。
76.具体来说，以单个对比组为例，将其中的第一视频流和第二视频流布置于同一显示页面，将所述显示页面推送给所述多个用户，每个用户将选择其中之一，从而可以获得第一视频流和第二视频流的得票数，根据得票数与参与投票的用户数的比值，便可获得第一视频流和第二视频流的得票率，将这两个得票率封装为该对比组相对应的反馈数据，便可通过所述反馈数据中的各个视频流的得票率来识别各个视频流的用户观感的优劣。
77.步骤s1400、根据所述反馈数据中第一视频流和第二视频流的得票率确定出所述得票率中的最佳数值，以所述最佳数值配置所述直播程序中的所述图像优化参数。
78.对于单个对比组来说，由于其对应的反馈数据中已经给出了第一视频流和第二视频流的得票率，且第一视频流和第二视频流分别对应被考察的单个图像优化参数的两个不同的数值，即第一数值和第二数值，因而，通过比较得票率，其中获得最高得票率的视频流，便是用户评分较佳的视频流，这个视频流相对应的图像优化参数所使用的具体数值，便是
可以用来配置直播程序以获得优质的直播视频流的最佳数值。以所述最佳数值配置所述直播程序之后，当所述直播程序运行并开播之后时，便可以为主播用户获得较为优质的直播视频流。视被考察的图像优化参数的不同，所述直播视频流被提供的效果也不同，例如，当被考察的图像优化参数是美颜处理模块的一个参数时，被优化的便是直播视频流中的人脸图像，主要表现为人脸图像得到良好的美颜处理效果。又如，当被考察的图像优化参数是视频编码模块的一个参数时，例如分辨率、码率、帧率等任意一个参数，则可以表现为直播视频流的图像质量的改变。诸如此类，均可确保直播程序的一个或多个图像优化参数得到良好的配置。
79.当针对同一图像源和同一图像优化参数，应用不同的数值构成的多个对比组所获得的反馈数据进行择优时，也可按照单个对比同理，通过各个视频流的得票率比较确定出该图像优化参数的最佳数值。
80.当需要针对多个图像优化参数进行参数调整时，当然可以按照以上过程通过多个对比组的反馈数据来择优实现，恕不赘述。
81.根据以上实施例可以看出，本技术利用同一终端设备同一直播程序，基于同一图像源应用第一数值的图像优化参数生成第一视频流，再在第一视频流的基础上应用第二数值的图像优化参数生成第二视频流，确保两个视频流都是基于同一软硬件环境生成，例如经过同一直播程序的采集算法、编码算法、美颜算法、增强算法等环节进行图像优化处理，将两个视频流构造成对比组获得用户投票生成的反馈数据中的得票率，在得票率的基础上择优选出最佳的图像优化参数，用来设置为直播程序的默认图像优化参数，完成了直播程序的图像优化相关的参数配置，由于对比组中的两个视频流是基于同一软硬件环境，基于相同算法生成的，两者具有高度可比性，所获得的反馈数据更能反映图像优化参数的优劣，从而能够确定出最佳的图像优化参数。根据这种方式配置直播程序后，可确保直播程序在网络直播过程中能够输出优质的直播视频流。
82.在本技术任意一个实施例的基础上，本技术的直播视频调参方法还包括：
83.步骤s1500、根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型。
84.本技术针对不同图像优化参数通过改变图像源来获得的多个对比组，经过用户投票之后获得反馈数据，从而可以获得每个对比组所使用的图像优化参数、该图像优化参数的具体数值、根据该图像优化参数的具体数值所获得的视频流的得票率之间，构成映射关系数据，主要体现为该图像优化参数在设置不同具体数值下所获得的得票率，即具体数值与得票率之间的映射关系数据。这些映射关系数据可以用来实现数学建模，通过数学建模获得一个或多个得票率预测模型，使得这些得票率预测模型，可以根据图像优化参数的取值而预测出其相对应的得票率。
85.一个实施例中，可以在海量的所述对比组获得映射关系数据的基础上，针对特定的图像优化参数，进行单参数的得票率预测模型的数学建模，从而使所获得的得票率预测模型可以为特定的图像优化参数的取值预测出得票率。按照实际需要，针对每个图像优化参数可以相应生成一个得票率预测模型。
86.另一实施例中，也可以在海量的所述对比组获得映射关系数据的基础上，通过归
集属于同一分段区间的得票率，找出属于同一得票率分段区间的多个目标图像优化参数的具体数值，将这些具体数值作为输入，对应的得票率分段区间作为输出，利用这种输入与输出的关系进行数学建模，获得一个得票率预测模型，使该得票率预测模型能够根据一组目标图像优化参数预测出相应的得票率。
87.所述得票率预测模型，既可以是机器学习模型，也可以是深度学习模型。
88.根据以上实施例不难看出，由于各个图像优化参数的具体数值及其得票率之间的映射关系数据，均是基于同一直播视频流生产线也即同一开播流程生成的，因而，海量的映射关系数据集中反映了在相同的视频流软硬件生产环境下，单一变量所引起的视频图像主观评价信息的变动，因而，当利用这些映射关系数据进行数学模型时，得票率预测模型可以精准地习得图像优化参数的取值变动与得票率高低之间的映射关系，从而可以获得更为精准地预测能力，可以服务于直播程序的图像优化参数的配置，为配置过程提供推荐和评价信息等。
89.在本技术任意一个实施例的基础上，请参阅图4，根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型，包括：
90.步骤s1511、将同一图像优化参数相对应的多个所述的对比组的反馈数据中的各个视频流的得票率归一化至特定数值区间，所述特定数值区间包括多个所述的分段区间，每个分段区间均设置有其相应的所述等级标签；
91.基于同一图像优化参数，使用其不同取值相对应的对比组的反馈数据中的得票率及所述取值相对应的具体数值之间的映射关系数据，可以用来构建服务于所述图像优化参数的得票率预测模型。出于这个目标，可以先从所述对比组相对应所述映射关系数据中，筛选出属于目标图像优化参数的映射关系数据。
92.由于所述得票率是同一对比组中各个视频流的得票数与参与投票的用户总数之比，因而，该得票率实际上便是一个归一化的数值，例如属于[0,1]的特定数值区间。为了方便评定等级，可以将所述特定数值区间划分为多个分段区间，例如按照20％一个等级将所述特定数值区间划分为5个分段区间亦可。然后，给予每个分段区间一个对应的等级标签，可以用于标示不同的得票率所对应的等级。
[0093]
步骤s1512、将所述反馈数据中每个视频流的图像优化参数的具体数值作为训练样本，将该视频流的归一化后的得票率相对应的等级标签作为所述训练样本的监督标签，将训练样本与其监督标签相映射构造为训练数据集；
[0094]
为了构造数学建模所需的训练数据集，需要先构造出训练样本与监督标签对，因此可以将所述同一图像优化参数筛选出的映射关系数据中的每个具体数值作为训练样本，而将该具体数值相对应的等级标签作为监督标签，存储于所述训练数据集中以用于数学建模过程中对得票率预测模型实施训练。
[0095]
步骤s1513、调用所述训练数据集中的所述训练样本及其所述监督标签迭代训练预设的得票率预测模型至收敛状态，使所述得票率预测模型适于根据给定的图像优化参数的取值预测出相对应的推理得票率。
[0096]
在对所述得票率预测模型进行训练时，每次调用一个所述的训练样本作为得票率预测模型的输入，由其中推理部件进行推理获得特征信息后，由其末端的多分类器将所述
特征信息映射到预设的分类空间，在分类空间中获得各个等级标签相对应的分类概率，然后利用所述训练样本相对应的监督标签计算所获得的等级标签的分类损失值，根据分类损失值对得票率预测模型进行梯度更新，如此迭代进行，直至得票率预测模型被训练至收敛状态为止即可。
[0097]
当得票率预测模型被训练至收敛后，将其投入推理阶段使用，当向其输入所述图像优化参数的一个具体数值后，便可以由其输出各个等级标签的分类概率，其中，分类概率最大的等级标签，便是该具体数值相对应的等级标签，而该等级标签相对应的分类概率，便可起到表示所述具体数值相对应的推理得票率的作用。
[0098]
根据以上实施例不难理解，基于同一图像优化参数进行数学建模以获得得票率预测模型时，得票率预测模型的选型更为简单，可以采用传统的机器学习模型来实现，实现高效，且结果精准，方便实现。
[0099]
在本技术任意一个实施例的基础上，请参阅图5，根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型，包括：
[0100]
步骤s1521、将多个图像优化参数相对应的多个所述的对比组的反馈数据中的各个视频流的得票率归一化至特定数值区间，所述特定数值区间包括多个所述的分段区间，每个分段区间均设置有其相应的所述等级标签；
[0101]
基于多个图像优化参数也可以实现对得票率预测模型的数学建模。与基于单个图像优化参数进行数学建模的实施例相同，每个图像优化参数，使用其不同取值相对应的对比组的反馈数据中的得票率及所述取值相对应的具体数值之间的映射关系数据，可以用来构建服务于所述图像优化参数的得票率预测模型。
[0102]
同理，由于所述得票率是同一对比组中各个视频流的得票数与参与投票的用户总数之比，因而，该得票率实际上便是一个归一化的数值，例如属于[0,1]的特定数值区间。为了方便评定等级，可以将所述特定数值区间划分为多个分段区间，例如按照20％一个等级将所述特定数值区间划分为5个分段区间亦可。然后，给予每个分段区间一个对应的等级标签，可以用于标示不同的得票率所对应的等级。
[0103]
步骤s1522、按照得票率属于相同分段区间归集不同图像优化参数，分段区间将属于同一视频流且得票率属于同一分段区间的不同图像优化参数的具体数值构造成参数向量；
[0104]
不同于单图像优化参数建模的实施例，不同图像优化参数之间的得票率原本并不具有可比性，但是，当为得票率设置分段区间之后，虽然是不同图像优化参数获得的映射关系数据，只要它们的得票率是属于同一分段区间，分段区间便能起到对不同图像优化参数起到弹性容差作用。也就是说，即使是不同的两个图像优化参数的具体数值，只要它们的映射关系数据中的得票率都属于同一分段区间，那么便可以视它们为具有同一等级的调节效果。根据这个原则，可以对这些不同图像优化参数进行归集，将根据其得票率确定其所属的分段区间相同的映射关系数据合并为一个映射关系数据子集，然后，针对每个映射关系数据子集构造映射到其所属分段区间的等级标签的参数向量。
[0105]
构造所述参数向量的方式，可以是在同一映射关系数据子集中，按照所需的全部图像优化参数，随机地选取其中每个图像优化参数的一个具体数值，从而获得全部图像优
化参数的各一个具体数值，将这些具体数值按照一定的排序，构造成所述的参数向量即可。
[0106]
步骤s1523、将所述参数向量作为训练样本，将所述参数向量相对应的等级标签作为所述训练样本的监督标签，将训练样本与其监督标签相映射构造为训练数据集；
[0107]
同理，为了构造数学建模所需的训练数据集，需要先构造出训练样本与监督标签对，因此可以将所述每个参数向量作为训练样本，而将该参数向量所属的分段区间相对应的等级标签作为监督标签，存储于所述训练数据集中以用于数学建模过程中对得票率预测模型实施训练。
[0108]
步骤s1524、调用所述训练数据集中的所述训练样本及其所述监督标签迭代训练预设的得票率预测模型至收敛状态，使所述得票率预测模型适于根据给定的图像优化参数的取值预测出相对应的推理得票率。
[0109]
同理，在对所述得票率预测模型进行训练时，每次调用一个所述的训练样本作为得票率预测模型的输入，由其中推理部件进行推理获得特征信息后，由其末端的多分类器将所述特征信息映射到预设的分类空间，在分类空间中获得各个等级标签相对应的分类概率，然后利用所述训练样本相对应的监督标签计算所获得的等级标签的分类损失值，根据分类损失值对得票率预测模型进行梯度更新，如此迭代进行，直至得票率预测模型被训练至收敛状态为止即可。
[0110]
当得票率预测模型被训练至收敛后，将其投入推理阶段使用，当向其输入所述全部图像优化参数相对应的一组具体数值后，便可以由其输出各个等级标签的分类概率，其中，分类概率最大的等级标签，便是该组具体数值相对应的等级标签，而该等级标签相对应的分类概率，便可起到表示该组具体数值相对应的推理得票率的作用。
[0111]
根据以上实施例不难理解，基于多个图像优化参数进行数学建模以获得得票率预测模型时，得票率预测模型的可以采用基于神经网络的深度学习模型来实现，利用深度学习模型的推理能力，获得对多组图像优化参数取值所对应的推理得票率，从而获得多个图像优化参数取值的评测结果。
[0112]
在本技术任意一个实施例的基础上，请参阅图6，获得根据图像优化参数的取值生成得票率的得票率预测模型之后，包括：
[0113]
步骤s2100、获取用户在其终端设备的所述直播程序中调整图像优化参数所产生的目标数值，将所述目标数值输入所述得票率预测模型，预测出所述目标数值相对应的推理得票率；
[0114]
在建模获得所述的得票率预测模型之后，无论是服务于单个图像优化参数的得票率预测模型，还是服务于多个图像优化参数的得票率预测模型，均可用来服务于主播用户在直播程序中调节相应的图像优化参数的过程。
[0115]
具体来说，当用户在其终端设备的所述直播程序中输入调整某个图像优化功能模型的一个或多个图像优化参数确定相应的目标数值时，可以将所产生的一个或多个图像优化参数的目标数值输入相应的得票率预测模型，在所述得票率预测模型训练时所取得的推理能力的帮助下，便可输出对应于所述目标数值的推理得票率，这个推理得票率便起到衡量用户所设置的目标数值相对应的直播视频流的优劣的作用。
[0116]
步骤s2200、将所述推理得票率所属的分段区间相对应的等级标签显示至所述用户的终端设备的图形用户界面。
[0117]
如前所述，得票率与分段区间具有对应关系，而且每个分段区间也具有相应的等级标签，因此，可以获取所述推理得票率所属的分段区间相对应的等级标签，作为对用户设定相应的目标数值的提示信息，将所述等级标签显示到所述用户的终端设备的图形用户界面中，用户根据这些提示信息中的等级标签，便可以对其自身所设置的目标数值做出取舍，最终决定是否使用相应的目标数值。
[0118]
当所述得票率预测模型是服务于单个特定图像优化参数的模型时，用户针对该特定图像优化参数进行单个取值时，可以快速获得相应的等级标签。当所述得票率预测模型是服务于多个特定图像优化参数的模型时，直播程序可以在用户每设定完其中的一个图像优化参数时，便将全部特定图像优化参数所对应的目标数值按序构造为参数向量提交以获得相应的等级标签。
[0119]
可以看出，将本技术的得票率预测模型服务于直播程序工作过程中的用户调参，在用户针对一个或多个图像优化参数取值确定相应的目标数值时，即时生成用户的一个或多个目标数值相对应的等级标签作为提示信息，起到及时的信息交互作用，能够改变用户的使用体验，确保用户在开播过程中维持良好的直播视频流的质量。
[0120]
在本技术任意一个实施例的基础上，请参阅图7，获得根据图像优化参数的取值生成得票率的得票率预测模型之后，包括：
[0121]
步骤s3100、将用户运行的所述直播程序中的所述图像优化参数的取值范围内的全部可选值输入至所述得票率预测模型，获得每个可选值相对应的推理得票率；
[0122]
当主播用户在其终端设备中运行所述直播程序，进入网络直播间，启动开播流程时，可以利用所述得票率预测模型来为开播流程提供一个或多个图像优化参数的具体数值，以辅助完成所述直播程序的自动配置。
[0123]
具体而言，直播程序中的每个图像优化功能模块均可能包含一个或多个可配置的图像优化参数，每个图像优化参数均有一个取值范围，每个取值范围通常包含多个自然值，例如，对于设置美白效果相对应的图像优化参数来说，其取值范围可以是[0，100]之间的任意自然数。为了评估这些将图像优化参数的可选值相对应的直播视频流的显示效率，可以由直播程序的进程在后台将所述图像优化参数的每个可选值均输入所述得票率预测模型以预测出其相对应的推理得票率。
[0124]
在一个实施例中，对于所述得票率预测模型适于服务单个图像优化参数设置的情况，可以逐个针对需要配置的图像优化参数，按照以上方式，逐个具体数值地输入所述得票率预测模型，为每个具体数值预测出其相对应的推理得票率。
[0125]
在另一实施例中，对于所述得票率预测模型适于服务多个图像优化参数设置的情况，可以将所述多个图像优化参数中的每一个均随机取具体数值构成同一组参数向量，以多个参数向量分别输入所述得票率预测模型以获得相应的多个推理得票率。
[0126]
步骤s3200、筛选出所述推理得票率最高相对应的若干个可选值显示至用户的图形用户界面；
[0127]
所述得票率预测模型针对一个或一组具体数值预测出的推理得票率，可以起到衡量据此配置相应的图像优化参数后生成的直播视频流的质量的作用，但是，由于推理得票率与分段区间的等级标签具有对应关系，因而，一种实施例中，通常可以只筛选出推理得票率属于表征最高等级相对应的等级标签的分段区间内的一个或一组具体数值，用来作为相
应的图像优化参数的可选值。落入同一分段区间内的推理得票率可能有多个，对此，可以将多个推理得票率相对应的一个或一组具体数值构造成参数列表，显示到所述用户的图形用户界面，供用户选择使用。
[0128]
另一实施例中，也可以不必考虑等级标签所起的作用，而是直接在得票预测模型获得的多个推理得票率之间倒排序并筛选其中的前若干个推理得票率，将这些筛选出的推理得票率相对应的一个或一组具体数值作为可选值显示到所述用户的图形用户界面供选择。
[0129]
步骤s3300、获取所述用户选取确定的所述可选值，将用户确定的可选值配置为所述直播程序中所述图像优化参数的具体数值。
[0130]
当所述用户从图形用户界面中，为其需要设置的图像优化参数选择了相应的可选值之后，但可将所述可选值中的一个或一组具体数值配置相应的图像优化参数的具体数值。应用了所述具体数值的图像优化功能模块，将按照所述具体数值对开播流程中的直播视频流进行图像优化处理，从而提升直播视频流的直播品质。
[0131]
根据以上实施例可以看出，利用所述得票率预测模型可以用于完成直播程序的图像优化参数的推荐配置，大大提升用户在开播过程中调节图像优化参数的效率，明显提升用户体验。
[0132]
请参阅图8，适应本技术的目的之一而提供的一种直播视频优化方法，包括：
[0133]
步骤s4100、由直播程序驱动摄像单元采集直播视频流；
[0134]
当主播用户在其终端设备启动直播程序，进入其直播间并开启直播后，直播程序的进程驱动终端设备的摄像单元开始采集视频图像，以便采集本地环境相对应的直播视频流。所述摄像单元通常是与所述终端设备相连接的摄像头，例如当所述终端设备为智能手机时，可以是智能手机内置的摄像头。
[0135]
步骤s4200、应用本技术所述的直播视频调参方法配置所述直播程序的图像优化参数，所述图像优化参数用于对所述直播视频流中的人脸图像进行美颜处理；
[0136]
为了方便用户提升其人脸图像的美颜处理效率，可以将根据本技术所述直播视频调参方法所实现的功能模块预置于所述直播程序内，从而随所述直播程序启动，由此，该功能模块可以按照前文所述的过程，为主播用户完成其直播程序中的美颜处理模块中的一个或多个图像优化参数的具体数值的配置，主播用户可以免去自行设置相关图像优化参数的麻烦。
[0137]
步骤s4300、将经过美颜处理的直播视频流推送至网络直播间显示。
[0138]
当按照上述图像优化参数的具体数值完成配置后，美颜处理模块便可根据所述具体数值，对经开播流程中采集的视频图像中的人脸图像进行美颜处理，使视频图像中的人脸图像的美术效果得到提升，最后在编码时获得相应的直播视频流，推送到所述主播用户的网络直播间显示。
[0139]
根据以上实施例可知，本技术的直播视频优化方法能够根据所述直播视频调参方法进行图像优化参数的配置，可明显提升视频品质、开播效率和用户体验。
[0140]
请参阅图9，适应本技术的目的之一而提供的一种直播视频调参装置，包括第一优化模块1100、第二优化模块1200、对比评价模块1300，以及参数应用模块1400，其中，所述第一优化模块1100，设置为为终端设备中的直播程序的单个图像优化参数配置第一数值，利
用所述第一数值驱动所述直播程序对所述图像源进行优化并生成第一视频流；所述第二优化模块1200，设置为为所述终端设备中的直播程序的所述图像优化参数配置第二数值，利用所述第二数值驱动所述直播程序对所述第一视频流进行优化并生成第二视频流；所述对比评价模块1300，设置为将第一视频流和第二视频流构造为对比组推送给多个用户，获得所述多个用户对第一视频流和所述第二视频流投票生成的反馈数据，所述反馈数据中包含第一视频流和第二视频流的得票率；所述参数应用模块1400，设置为根据所述反馈数据中第一视频流和第二视频流的得票率确定出所述得票率中的最佳数值，以所述最佳数值配置所述直播程序中的所述图像优化参数。
[0141]
在本技术任意实施例的基础上，本技术的直播视频调参装置还包括：建模实施模块，设置为根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型。
[0142]
在本技术任意实施例的基础上，所述建模实施模块，包括：标签整理单元，设置为将同一图像优化参数相对应的多个所述的对比组的反馈数据中的各个视频流的得票率归一化至特定数值区间，所述特定数值区间包括多个所述的分段区间，每个分段区间均设置有其相应的所述等级标签；样本构造单元，设置为将所述反馈数据中每个视频流的图像优化参数的具体数值作为训练样本，将该视频流的归一化后的得票率相对应的等级标签作为所述训练样本的监督标签，将训练样本与其监督标签相映射构造为训练数据集；训练实施单元，设置为调用所述训练数据集中的所述训练样本及其所述监督标签迭代训练预设的得票率预测模型至收敛状态，使所述得票率预测模型适于根据给定的图像优化参数的取值预测出相对应的推理得票率。
[0143]
在本技术任意实施例的基础上，根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型，包括：标签整理单元，设置为将多个图像优化参数相对应的多个所述的对比组的反馈数据中的各个视频流的得票率归一化至特定数值区间，所述特定数值区间包括多个所述的分段区间，每个分段区间均设置有其相应的所述等级标签；数据归集单元，设置为按照得票率属于相同分段区间归集不同图像优化参数，分段区间将属于同一视频流且得票率属于同一分段区间的不同图像优化参数的具体数值构造成参数向量；样本构造单元，设置为将所述参数向量作为训练样本，将所述参数向量相对应的等级标签作为所述训练样本的监督标签，将训练样本与其监督标签相映射构造为训练数据集；训练实施单元，设置为调用所述训练数据集中的所述训练样本及其所述监督标签迭代训练预设的得票率预测模型至收敛状态，使所述得票率预测模型适于根据给定的图像优化参数的取值预测出相对应的推理得票率。
[0144]
在本技术任意实施例的基础上，本技术的直播视频调参装置还包括：模型推理模块，设置为获取用户在其终端设备的所述直播程序中调整图像优化参数所产生的目标数值，将所述目标数值输入所述得票率预测模型，预测出所述目标数值相对应的推理得票率；结果显示模块，设置为将所述推理得票率所属的分段区间相对应的等级标签显示至所述用户的终端设备的图形用户界面。
[0145]
在本技术任意实施例的基础上，本技术的直播视频调参装置还包括：自动预测模
块，设置为将用户运行的所述直播程序中的所述图像优化参数的取值范围内的全部可选值输入至所述得票率预测模型，获得每个可选值相对应的推理得票率；推荐显示模块，设置为筛选出所述推理得票率最高相对应的若干个可选值显示至用户的图形用户界面；自动配置模块，设置为获取所述用户选取确定的所述可选值，将用户确定的可选值配置为所述直播程序中所述图像优化参数的具体数值。
[0146]
请参阅图10，适应本技术的目的之一而提供的一种直播视频优化装置，包括开播启动模块4100、图像优化模块4200，以及视频推送模块4300，其中，所述开播启动模块4100，设置为由直播程序驱动摄像单元采集直播视频流；所述图像优化模块4200，设置为应用本技术所述的直播视频调参装置配置所述直播程序的图像优化参数，所述图像优化参数用于对所述直播视频流中的人脸图像进行美颜处理；所述视频推送模块4300，设置为将经过美颜处理的直播视频流推送至网络直播间显示。
[0147]
为解决上述技术问题，本技术实施例还提供电子设备。如图11所示，电子设备的内部结构示意图。该电子设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中，该电子设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种直播视频调参方法或一种直播视频优化方法。该电子设备的处理器用于提供计算和控制能力，支撑整个电子设备的运行。该电子设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行本技术的直播视频调参方法。该电子设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0148]
本实施方式中处理器用于执行图9和/或图10中的各个模块及其单元的具体功能，存储器存储有执行上述模块或单元所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本技术的直播视频调参装置和/或直播视频优化装置中执行所有模块/单元所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有单元的功能。
[0149]
本技术还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本技术任一实施例的直播视频调参方法和/或直播视频优化方法的步骤。
[0150]
本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被一个或多个处理器执行时实现本技术任一实施例所述方法的步骤。
[0151]
本领域普通技术人员可以理解实现本技术上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等计算机可读存储介质，或随机存储记忆体(random access memory，ram)等。
[0152]
综上所述，本技术基于同一软硬件环境生成单一变量的图像优化参数在不同数值下的视频流作为对比组，基于对比组获得不同数值相对应的得票率，使得票率可以有效衡
量不同数值的优劣，不受其他变量影响，从而可以全面提升图像优化参数的配置成效。

技术特征：
1.一种直播视频调参方法，其特征在于，包括如下步骤：为终端设备中的直播程序的单个图像优化参数配置第一数值，利用所述第一数值驱动所述直播程序对所述图像源进行优化并生成第一视频流；为所述终端设备中的直播程序的所述图像优化参数配置第二数值，利用所述第二数值驱动所述直播程序对所述第一视频流进行优化并生成第二视频流；将第一视频流和第二视频流构造为对比组推送给多个用户，获得所述多个用户对第一视频流和所述第二视频流投票生成的反馈数据，所述反馈数据中包含第一视频流和第二视频流的得票率；根据所述反馈数据中第一视频流和第二视频流的得票率确定出所述得票率中的最佳数值，以所述最佳数值配置所述直播程序中的所述图像优化参数。2.根据权利要求1所述的直播视频调参方法，其特征在于，本方法还包括：根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型。3.根据权利要求2所述的直播视频调参方法，其特征在于，根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型，包括：将同一图像优化参数相对应的多个所述的对比组的反馈数据中的各个视频流的得票率归一化至特定数值区间，所述特定数值区间包括多个所述的分段区间，每个分段区间均设置有其相应的所述等级标签；将所述反馈数据中每个视频流的图像优化参数的具体数值作为训练样本，将该视频流的归一化后的得票率相对应的等级标签作为所述训练样本的监督标签，将训练样本与其监督标签相映射构造为训练数据集；调用所述训练数据集中的所述训练样本及其所述监督标签迭代训练预设的得票率预测模型至收敛状态，使所述得票率预测模型适于根据给定的图像优化参数的取值预测出相对应的推理得票率。4.根据权利要求2所述的直播视频调参方法，其特征在于，根据多个所述的对比组的反馈数据中的得票率，以及所述得票率相对应的图像优化参数的具体数值进行数学建模，获得根据图像优化参数的取值生成得票率的得票率预测模型，包括：将多个图像优化参数相对应的多个所述的对比组的反馈数据中的各个视频流的得票率归一化至特定数值区间，所述特定数值区间包括多个所述的分段区间，每个分段区间均设置有其相应的所述等级标签；按照得票率属于相同分段区间归集不同图像优化参数，分段区间将属于同一视频流且得票率属于同一分段区间的不同图像优化参数的具体数值构造成参数向量；将所述参数向量作为训练样本，将所述参数向量相对应的等级标签作为所述训练样本的监督标签，将训练样本与其监督标签相映射构造为训练数据集；调用所述训练数据集中的所述训练样本及其所述监督标签迭代训练预设的得票率预测模型至收敛状态，使所述得票率预测模型适于根据给定的图像优化参数的取值预测出相对应的推理得票率。
5.根据权利要求2至4中任意一项所述的直播视频调参方法，其特征在于，获得根据图像优化参数的取值生成得票率的得票率预测模型之后，包括：获取用户在其终端设备的所述直播程序中调整图像优化参数所产生的目标数值，将所述目标数值输入所述得票率预测模型，预测出所述目标数值相对应的推理得票率；将所述推理得票率所属的分段区间相对应的等级标签显示至所述用户的终端设备的图形用户界面。6.根据权利要求2至4中任意一项所述的直播视频调参方法，其特征在于，获得根据图像优化参数的取值生成得票率的得票率预测模型之后，包括：将用户运行的所述直播程序中的所述图像优化参数的取值范围内的全部可选值输入至所述得票率预测模型，获得每个可选值相对应的推理得票率；筛选出所述推理得票率最高相对应的若干个可选值显示至用户的图形用户界面；获取所述用户选取确定的所述可选值，将用户确定的可选值配置为所述直播程序中所述图像优化参数的具体数值。7.一种直播视频优化方法，其特征在于，包括：由直播程序驱动摄像单元采集直播视频流；应用如权利要求1至6中任意一项所述的直播视频调参方法配置所述直播程序的图像优化参数，所述图像优化参数用于对所述直播视频流中的人脸图像进行美颜处理；将经过美颜处理的直播视频流推送至网络直播间显示。8.一种直播视频调参装置，其特征在于，包括：第一优化模块，设置为为终端设备中的直播程序的单个图像优化参数配置第一数值，利用所述第一数值驱动所述直播程序对所述图像源进行优化并生成第一视频流；第二优化模块，设置为为所述终端设备中的直播程序的所述图像优化参数配置第二数值，利用所述第二数值驱动所述直播程序对所述第一视频流进行优化并生成第二视频流；对比评价模块，设置为将第一视频流和第二视频流构造为对比组推送给多个用户，获得所述多个用户对第一视频流和所述第二视频流投票生成的反馈数据，所述反馈数据中包含第一视频流和第二视频流的得票率；参数应用模块，设置为根据所述反馈数据中第一视频流和第二视频流的得票率确定出所述得票率中的最佳数值，以所述最佳数值配置所述直播程序中的所述图像优化参数。9.一种电子设备，包括中央处理器和存储器，其特征在于，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至7中任意一项所述的方法的步骤。10.一种计算机可读存储介质，其特征在于，其以计算机可读指令的形式存储有依据权利要求1至7中任意一项所述的方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行相应的方法所包括的步骤。

技术总结
本申请公开一种直播视频调参、优化方法及装置、设备、介质，所述方法包括：为终端设备中的直播程序的单个图像优化参数配置第一数值对图像源生成第一视频流；为所述终端设备中的直播程序的所述图像优化参数配置第二数值对所述第一视频流生成第二视频流；将第一视频流和第二视频流构造为对比组推送给多个用户确定出第一视频流和第二视频流的得票率；根据得票率确定出最佳数值配置所述直播程序中的所述图像优化参数。本申请基于同一软硬件环境生成单一变量的图像优化参数在不同数值下的视频流作为对比组，基于对比组获得不同数值相对应的得票率，使得票率可以有效衡量不同数值的优劣，不受其他变量影响，从而可以全面提升图像优化参数的配置成效。像优化参数的配置成效。像优化参数的配置成效。


技术研发人员：鲍琦
受保护的技术使用者：广州方硅信息技术有限公司
技术研发日：2023.03.30
技术公布日：2023/8/14