1.一种视频质量评估模型的测试方法，其特征在于，包括：

根据获取的待测试的视频质量评估模型的模型参数，确定对所述视频质量评估模型进行对抗性攻击的攻击场景；

若所述攻击场景为白盒攻击，则通过预设的初始扰动对获取的原始视频进行扰动，获得所述原始视频对应的初始对抗视频；

若所述攻击场景为黑盒攻击，则对获取的原始视频中的每一个视频帧分别进行视频分块，获得所述原始视频中每一个视频帧对应的若干个第一视频块，并对所述若干个第一视频块进行查询扰动，生成所述原始视频中每一个视频帧对应的若干个第二视频块，以使根据所述若干个第二视频块生成所述原始视频对应的初始对抗视频；

通过预设的对抗攻击模型对所述初始对抗视频进行不断优化，生成所述原始视频对应的对抗视频；

将所述对抗视频及所述原始视频分别输入到所述视频质量评估模型，获得所述对抗视频对应的第一评估分数及所述原始视频对应的第二评估分数，并根据所述第一评估分数及所述第二评估分数获得所述视频质量评估模型的鲁棒性测试结果。

2.如权利要求1所述的一种视频质量评估模型的测试方法，其特征在于，所述确定对所述视频质量评估模型进行对抗性攻击的攻击场景之前，包括：根据预设的基于分数反转的边界损失函数及扰动失真函数对所述视频质量评估模型的对抗性攻击进行数学建模，获得所述视频质量评估模型对应的对抗性攻击模型；

其中，所述对抗性攻击模型的数学建模公式为：

其中， 和 分别代表对抗视频和原始视频；fe(·)表示视频质量评估模型输出的估计质量分数；fd(·)表示扰动质量分数； 是损失函数，衡量了估计质量分数和扰动质量分数之间的距离； 为原始视频和对抗视频之间的失真度；所述JND为设置的像素级范数；

其中，所述基于分数反转的边界损失函数为：

其中

3.如权利要求1所述的一种视频质量评估模型的测试方法，其特征在于，所述通过预设的初始扰动对获取的原始视频进行扰动，获得所述原始视频对应的初始对抗视频，包括：根据所述原始视频的视频帧数及预设的每一轮中优化的视频帧数，确定通过若干轮优化过程生成所述对抗视频，及每一轮优化过程中优化的所述原始视频中包含的若干个视频帧；

在所述若干轮优化过程中的每一轮优化过程中，通过预设的初始扰动干扰每一轮优化过程中优化的所述原始视频中包含的若干个视频帧，获得所述若干个视频帧对应的第一初始对抗视频；

结合每一轮优化过程中获得的第一初始对抗视频，获得所述原始视频对应的初始对抗视频。

4.如权利要求1所述的一种视频质量评估模型的测试方法，其特征在于，所述对获取的原始视频中的每一个视频帧分别进行视频分块，获得所述原始视频中每一个视频帧对应的若干个第一视频块，包括：对获取的原始视频中的每一个视频帧进行图像通道的划分，确定所述每一个视频帧包括的若干个图像通道；

获取所述若干个图像通道中每一个图形通道对应的视频帧的第一面积，并根据预设的第一视频块的第二面积对所述第一面积进行划分，获得所述每一个视频帧对应的若干个第一视频块。

5.如权利要求1所述的一种视频质量评估模型的测试方法，其特征在于，所述对所述若干个第一视频块进行查询扰动，生成所述原始视频中每一个视频帧对应的若干个第二视频块，包括：根据所述原始视频的视频帧数及预设的每一轮中优化的视频帧数，确定通过若干轮优化过程生成所述初始对抗视频，及每一轮优化过程中优化的所述原始视频中包含的若干个视频帧；

在每一轮优化过程中，对所述优化过程中的若干个视频帧对应的若干个第一视频块进行若干次查询，并在每次查询过程中随机选取位于所述若干个视频帧中相同位置的第一视频块进行扰动，生成所述若干个视频帧对应的若干个第二视频块；

根据所述若干个第二视频块生成对应的扰动图，并将所述扰动图与所述若干个第二视频块聚合，生成每一轮优化过程中所述若干个视频帧对应的第一初始对抗视频；

结合每一轮优化过程中获得的第一初始对抗视频，获得所述原始视频对应的初始对抗视频。

6.如权利要求1所述的一种视频质量评估模型的测试方法，其特征在于，所述通过预设的对抗攻击模型对所述初始对抗视频进行不断优化，生成所述原始视频对应的对抗视频，包括：当所述攻击场景为白盒攻击时，通过预设在所述对抗攻击模型中的边界损失函数对所述初始对抗视频中的初始扰动进行迭代优化，并利用预设在所述对抗攻击模型中的扰动失真函数限制生成的对抗视频的像素级范数，获得所述初始对抗视频对应的对抗视频；

当所述攻击场景为黑盒攻击时，通过预设在所述对抗攻击模型中的边界损失函数对所述初始对抗视频中的若干个第二视频块进行筛选，同时根据所述对抗攻击模型中的扰动失真函数限制生成的对抗视频的像素级范数，获得所述初始对抗视频对应的对抗视频。

7.一种视频质量评估模型的测试系统，其特征在于，包括场景分析模块、白盒攻击模块、黑盒攻击模块、视频优化模块及模型测试模块；

所述场景分析模块用于根据获取的待测试的视频质量评估模型的模型参数，确定对所述视频质量评估模型进行对抗性攻击的攻击场景；

所述白盒攻击模块用于若所述攻击场景为白盒攻击，则通过预设的初始扰动对获取的原始视频进行扰动，获得所述原始视频对应的初始对抗视频；

所述黑盒攻击模块用于若所述攻击场景为黑盒攻击，则对获取的原始视频中的每一个视频帧分别进行视频分块，获得所述原始视频中每一个视频帧对应的若干个第一视频块，并对所述若干个第一视频块进行查询扰动，生成所述原始视频中每一个视频帧对应的若干个第二视频块，以使根据所述若干个第二视频块生成所述原始视频对应的初始对抗视频；

所述视频优化模块用于通过预设的对抗攻击模型对所述初始对抗视频进行不断优化，生成所述原始视频对应的对抗视频；

所述模型测试模块用于将所述对抗视频及所述原始视频分别输入到所述视频质量评估模型，获得所述对抗视频对应的第一评估分数及所述原始视频对应的第二评估分数，并根据所述第一评估分数及所述第二评估分数获得所述视频质量评估模型的鲁棒性测试结果。

8.如权利要求7所述的一种视频质量评估模型的测试系统，其特征在于，还包括：

根据预设的基于分数反转的边界损失函数及扰动失真函数对所述视频质量评估模型的对抗性攻击进行数学建模，获得所述视频质量评估模型对应的对抗性攻击模型；

其中，所述对抗性攻击模型的数学建模公式为：

其中， 和 分别代表对抗视频和原始视频；fe(·)表示视频质量评估模型输出的估计质量分数；fd(·)表示扰动质量分数； 是损失函数，衡量了估计质量分数和扰动质量分数之间的距离； 为原始视频和对抗视频之间的失真度；所述JND为设置的像素级范数；

其中，所述基于分数反转的边界损失函数为：

其中

9.如权利要求7所述的一种视频质量评估模型的测试系统，其特征在于，所述白盒攻击模块包括视频划分单元及干扰单元；

所述视频划分单元用于根据所述原始视频的视频帧数及预设的每一轮中优化的视频帧数，确定通过若干轮优化过程生成所述对抗视频，及每一轮优化过程中优化的所述原始视频中包含的若干个视频帧；

所述干扰单元用于在所述若干轮优化过程中的每一轮优化过程中，通过预设的初始扰动干扰每一轮优化过程中优化的所述原始视频中包含的若干个视频帧，获得所述若干个视频帧对应的第一初始对抗视频；结合每一轮优化过程中获得的第一初始对抗视频，获得所述原始视频对应的初始对抗视频。

10.如权利要求7所述的一种视频质量评估模型的测试系统，其特征在于，所述黑盒攻击模块包括视频分块单元及视频块干扰单元；

所述视频分块单元用于对获取的原始视频中的每一个视频帧进行图像通道的划分，确定所述每一个视频帧包括的若干个图像通道；获取所述若干个图像通道中每一个图形通道对应的视频帧的第一面积，并根据预设的第一视频块的第二面积对所述第一面积进行划分，获得所述每一个视频帧对应的若干个第一视频块；

所述视频块干扰单元用于根据所述原始视频的视频帧数及预设的每一轮中优化的视频帧数，确定通过若干轮优化过程生成所述初始对抗视频，及每一轮优化过程中优化的所述原始视频中包含的若干个视频帧；在每一轮优化过程中，对所述优化过程中的若干个视频帧对应的若干个第一视频块进行若干次查询，并在每次查询过程中随机选取位于所述若干个视频帧中相同位置的第一视频块进行扰动，生成所述若干个视频帧对应的若干个第二视频块；根据所述若干个第二视频块生成对应的扰动图，并将所述扰动图与所述若干个第二视频块聚合，生成每一轮优化过程中所述若干个视频帧对应的第一初始对抗视频；结合每一轮优化过程中获得的第一初始对抗视频，获得所述原始视频对应的初始对抗视频。