一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸變鏡頭的方法
2023-08-12 23:33:56
一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸變鏡頭的方法
【專利摘要】本發明涉及一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸變鏡頭的方法，與現有技術相比解決了無法有效完成切變與漸變鏡頭檢測的缺陷。本發明包括以下步驟：提取基於視覺中心的快速魯棒特徵，輸入視頻序列，定位視覺中心區域，提取SURF特徵；檢測切變鏡頭，進行變長切變檢測，得到所有的切變鏡頭；檢測漸變鏡頭，基於SVM學習和SURF特徵的漸變鏡頭檢測。本發明能夠有效地判斷出切變鏡頭和漸變鏡頭，提高了整個視頻鏡頭分割的準確率和召回率，在光照劇烈變化和攝像機高速運動的情況下仍然能夠保持準確地對視頻鏡頭進行分割。
【專利說明】一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸 變鏡頭的方法
【技術領域】
[0001] 本發明涉及鏡頭檢測【技術領域】，具體來說是一種利用快速魯棒特徵和支持向量機 來判斷切變鏡頭和漸變鏡頭的方法。
【背景技術】
[0002] 近年來結構化視頻數據分析技術大量運用到數字視頻分析與處理中，在結構化視 頻數據分析中視頻被劃分為關鍵幀、鏡頭、場景、故事單元。在整個結構化視頻分析中鏡頭 是整個分析的基礎，因此鏡頭邊界檢測是整個視頻分析的第一步。
[0003] "鏡頭"是指攝像機連續拍攝得到的一組幀序列，在一個鏡頭內連續的兩幀間具有 很大的相似性。目前視頻邊界檢測的研究方法基本可以分為如下幾類：基於像素差值的方 法、基於統計量的方法、基於灰度或直方圖的方法、基於聚類的方法、基於特徵的方法以及 在壓縮域對視頻鏡頭檢測的方法等等，其中直方圖方法是採用的較多的一種方法。除此之 外基於機器學習的一些方法也大量運用到鏡頭檢測當中，AlanF.Smeaton和PaulOver對 近年來的鏡頭邊界檢測方法進行了總結和比較，最終得出結論："儘管在鏡頭邊界檢測方面 已經提出了各種各樣的方法，並都取得了不錯的效果，但由於視頻內容的多元性和不確定 性，因此視頻邊界檢測依然是一個比較大的難題，有待於繼續進行研究"。
[0004] 鏡頭檢測方法的好壞一般取決於以下幾個因素：1、特徵提取，視頻中有大量特徵， 如何選取關鍵特徵來表示鏡頭是整個方法成敗的關鍵。特徵的提取不僅僅要考慮是否能夠 描述鏡頭，還要考慮特徵的魯棒性。例如光照的突然變化、攝像機的大範圍運動等。2、切變 與漸變：切變指的是鏡頭的突然變化，常常在兩幀間完成。漸變的特點是一個鏡頭緩慢變 化到另一鏡頭，往往在幾十幀中完成，常見的漸變有溶解、擦除、淡入淡出等。相較於切變而 言，漸變的檢測更加困難，目前大部分的研究主要集中在漸變檢測方面。
[0005] 如何開發出一種有效地切變鏡頭、漸變鏡頭的檢測方法已經成為急需解決的技術 問題。
【發明內容】
[0006] 本發明的目的是為了解決現有技術中無法有效完成切變與漸變鏡頭檢測的缺陷， 提供一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸變鏡頭的方法來解決上述 問題。
[0007] 為了實現上述目的，本發明的技術方案如下：
[0008] -種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸變鏡頭的方法，包括以 下步驟：
[0009] 提取基於視覺中心的快速魯棒特徵，輸入視頻序列，定位視覺中心區域，提取SURF 特徵；
[0010] 檢測切變鏡頭，進行變長切變檢測，得到所有的切變鏡頭；
[0011] 檢測漸變鏡頭，基於SVM學習和SURF特徵的漸變鏡頭檢測。
[0012] 所述的提取基於視覺中心的快速魯棒特徵包括以下步驟：
[0013] 輸入視頻序列，以一定的步長抽取兩幀，定位每幀的視覺中心區域；
[0014] 在每一幀的視覺中心區域提取SURF特徵。
[0015] 所述的檢測切變鏡頭包括以下步驟：
[0016] 比較提取的兩幀的SURF特徵相似度，其計算公式如下：
【權利要求】
1. 一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸變鏡頭的方法，其特徵在 於，包括以下步驟： 11)提取基於視覺中心的快速魯棒特徵，輸入視頻序列，定位視覺中心區域，提取SURF 特徵； 12) 檢測切變鏡頭，進行變長切變檢測，得到所有的切變鏡頭； 13)檢測漸變鏡頭，基於SVM學習和SURF特徵的漸變鏡頭檢測。
2. 根據權利要求1所述的一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸 變鏡頭的方法，其特徵在於，所述的提取基於視覺中心的快速魯棒特徵包括以下步驟： 21) 輸入視頻序列，以一定的步長抽取兩幀，定位每幀的視覺中心區域； 22)在每一幀的視覺中心區域提取SURF特徵。
3. 根據權利要求1所述的一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸 變鏡頭的方法，其特徵在於，所述的檢測切變鏡頭包括以下步驟： 31)比較提取的兩幀的SURF特徵相似度，其計算公式如下：
其中，M為兩幀圖像匹配的SURF特徵數，Nl為前一幀圖像提取出的SURF特徵數，N2為 另一幀圖像提取出的SURF特徵數，α和β為常數，代表兩幀圖像的特徵匹配率和特徵點 數變化對整個相似度比較的貢獻大小； 32)利用SinKfi,fi+1)判斷是否存在一個切變邊界，其公式如下：
其中，fi為第i幀，Teut為切變的閾值，Sim(fi，fi+Ι)為兩幀的SURF特徵相似度，Cut(fi，fi+1)為切變邊界， 當Cut(fi，fi+l)為1時表示相鄰兩幀為一個切變過渡，存在一個切變邊界。
4. 根據權利要求1所述的一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸 變鏡頭的方法，其特徵在於，所述的檢測漸變鏡頭包括以下步驟： 41)利用SVM對漸變方式和攝像機運動方式的SURF特徵進行提取，進行訓練，得到訓練 模型； 42)構造二級分類器，其中第一級分類器用於區分攝像機運動和漸變過渡，第二級分類 器用於排除攝像機高速不規則運動造成的誤檢； 43)確定漸變邊界，針對切變檢測輸出的每段視頻的集合F，通過漸變檢測方法得到漸 變邊界。
5. 根據權利要求3所述的一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸 變鏡頭的方法，其特徵在於，所述的利用SinKfi,fi+1)判斷是否存在一個切變邊界包括以下 步驟： 51)輸入第i巾貞、步長s和最後一巾貞的巾貞號end; 52) 判斷幀序列是否處理完，若i>end，則當前幀序列處理完畢，否則繼續下一步處理； 53) 若s= 1且Cut(4fi+s) =i，則將檢測到的相鄰兩幀&和fi+1放入切變過渡集合 C中，令i=i+s,s=s+2,繼續判斷巾貞序列是否處理完； 若s不等於1或Cut(4fi+s)不等於1，則進行下一步處理； 54) 若Cut況，fi+s) = 0,則令i=i+s,s=s+2,繼續判斷巾貞序列是否處理完； 若CuUfi,fi+s)不等於0,則令s=s/2,繼續判斷幀序列是否處理完。
6. 根據權利要求4所述的一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸 變鏡頭的方法，其特徵在於，所述的第一級分類器提取特徵向量的公式如下： vI = {(vi, j) I vi,j = mrati〇(fi，fj)，其中 i= 3*k,j= 3*k+3 ·N,k= 0,1,2, 3,4,n= 1··· 5-k} 其中V1代表15維特徵向量，Vi,」表示i、j兩幀的SURF特徵匹配率； 針對特徵向量進行規範化處理，特徵分量的值分為〇至4共5類， Vi,j=k，如果mratic^fpfj)e(k*d，k·(!+(!]，k= 0，...4d= [Max(Vijj)-Min(Vijj)IZS0
7. 根據權利要求4所述的一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸 變鏡頭的方法，其特徵在於，所述的第二級分類器提取特徵向量的公式如下： V9 = {(v,·. ,·) ]V1-. ,· =vratio(f,·,f,·)},
其中M為i、j兩幀匹配點數，X、Y表示匹配點的坐標； 對得到的所有ClisUfi,fp進行排序，取排序後較小的那一半的匹配距離。
8. 根據權利要求4所述的一種利用快速魯棒特徵和支持向量機來判斷切變鏡頭和漸 變鏡頭的方法，其特徵在於，所述的漸變檢測方法包括以下步驟： 81) 設F為切變檢測輸出的每段視頻的集合、i= 0、ffiret，fmd分別為F中的第一幀和 最後一中貞； 82) 若Sim(ffiret，fend)〈0. 65,則進行下一步處理； 若Simaftst,fmd)大於或等於0. 65,表示F中不存在漸變過渡； 83) 判斷F中幀檢測是否結束， 若i大於或等於end，表示F中幀檢測結束； 若i〈end，則進行下一步處理； 84) 將用於抽取滑動窗口的幀&到幀fi+15的特徵向量賦給第一級分類器向量V1和第 一級分類器向量V2，對V1和V2利用二級分類器進行分類； 85) 若分類結果為在F中存在漸變過渡且不是誤檢測，則將檢測結果幀&到幀fi+15保 存到集合C中，令i=i+3,判斷F中幀檢測是否結束； 若分類結果為在F中不存在漸變過渡，令i=i+3,判斷F中幀檢測是否結束。
【文檔編號】G06K9/00GK104318207SQ201410525162
【公開日】2015年1月28日 申請日期:2014年10月8日 優先權日:2014年10月8日
【發明者】檀結慶, 白天 申請人:合肥工業大學