一種基於內容的視頻複製檢測方法

2023-07-22 05:56:01 1

專利名稱：：一種基於內容的視頻複製檢測方法
技術領域：
：本發明涉及信息處理領域，特別是涉及多媒體處理系統，更具體而言，涉及判斷視頻數據集中是否包含有某個視頻片段的複製，並在包含有的情況時確定複製片段的位置。
背景技術：
：複製視頻是指對源視頻進行各種處理之後得到的視頻，相關的處理包括視頻格式變換，顏色變換，畫面幾何變換，插入字幕，幀丟失，畫面噪聲等等。將視頻V視為一個幀序列化，1彡i彡N}，視頻複製檢測的形式定義如下給定一個視頻集合階}，和一個查詢視頻Q=他，1彡i彡N}，視頻複製檢測的任務為對於此}中的每個視頻RJ={Ri,\<i<Mj)，找出可能存在的1彡u<v彡N和1彡x<y《MJ，滿足他，11彡i彡v}是的一份複製。視頻複製檢測有兩種途徑，分別是基於關鍵字的視頻複製檢測，以及基於內容的視頻複製檢測。基於關鍵字的視頻複製檢測是指利用視頻的標題、標註等附加的文字信息判斷是否為複製視頻的方法，這種方法具有非常大的局限性，現實意義不大。基於內容的視頻複製檢測(Content-BasedVideoCopyDetection)是指利用視頻本身的信息判斷是否為複製視頻的方法，適應性強，準確度高，為視頻的版權保護、視頻監控、冗餘視頻檢測等提供了有效的技術手段。視頻複製檢測系統需要指定一個視頻數據集，這個數據集由多個視頻組成；系統輸入為一個查詢視頻；系統通過比對查詢視頻的特徵和數據集裡各個視頻的特徵，判斷前者是否包含後者某個片段的複製，如果有則確定複製片段的在查詢視頻和數據集視頻中的位置；系統輸出包括判斷和複製片段位置。基於內容的視頻複製檢測系統分為三步特徵提取、特徵匹配和融合判斷。首先，選取視頻中的一些幀作為關鍵幀，在關鍵幀圖像上提取特徵，以這些特徵作為視頻的描述。在圖像處理中有許多種特徵，它們分為兩大類全局特徵和局部特徵。提取全局特徵時將整個圖像映射為一個向量，其描述能力不強，降低了視頻複製檢測的精確度。提取局部特徵時，檢測圖像中的特徵點，然後將每個特徵點附近的局部圖像映射為一個向量，作為這個點的特徵，所有特徵點的向量組成了這幅圖像的特徵。局部特徵描述能力強，能表達豐富的視頻內容信息，並且經過各種處理後的圖像和原來圖像有相近的局部特徵，使得能準確找到具有複製關係的視頻片段，在視頻複製檢測中有關鍵作用。第二步將查詢視頻和數據集裡視頻的特徵進行匹配。具體來說，在使用局部特徵時，對於查詢視頻的每個特徵向量，在數據集裡視頻的特徵向量中找出與其相似的一個或多個特徵向量，得到特徵點對。視頻資料庫的特徵數量巨大，比如10個小時的視頻數據，如果每秒鐘提取一幅關鍵幀，每幅關鍵幀上有100個特徵點，則總共有3600000個特徵向量。因此需要使用索引結構來進行匹配，常用的包括哈希表(hashtables),kd_樹等。即便使用了索引結構，匹配這一步仍然佔用了整個過程的大部分時間，因此有必要設計新的匹配方法，提高系統的速度，改進檢測效率。4第三步根據匹配結果判斷查詢視頻中是否複製了數據集裡某個視頻的片段。具體來說，需要對第二步的匹配結果進行融合得到查詢視頻和數據集裡視頻的特徵向量集合的相似程度，然後以相似程度為依據進行判斷。常用的融合方法由特徵點對估計出變換處理的參數，將屬於同一個變化處理的所有特徵點對的相似分數(由特徵點對中兩個特徵向量的距離計算)相加，取各個處理中相似分數最高者為最終的相似分數，如果超過閾值則視為含有複製片段。這種融合方法沒有充分考慮視頻特徵向量序列的時間一致性，融合效果不佳，需要設計更有效的方法，改進系統的性能。
發明內容有鑑於此，本發明的主要目的在於提供一種基於內容的視頻複製檢測方法及系統，根據本發明的視頻檢測系統根據用戶輸入的查詢視頻，快速、準確地檢查輸入是否複製了視頻數據集裡某個視頻的片段，並在存在複製片段的情況下輸出其起止位置。本發明針對快速、準確的要求，提出一個既考慮運行速度又考慮檢測性能的系統。本系統提取視頻幀的加速魯棒特徵(SpeededUpRobustFeature，簡稱SURF)，這種特徵已被證實為既具有良好的分辨性又具有良好的魯棒性，而且在提取過程中使用了積分圖的優化方案，提取速度快。不同於傳統的直接對各個特徵點的特徵向量進行匹配的方法，在本系統的特徵匹配步驟，採用了雙層匹配的方法首先對每一關鍵幀中的特徵向量使用bag-of-words方法，得到此關鍵幀的詞頻直方圖，然後對各個關鍵幀的詞頻直方圖進行索引，用於查找相匹配的關鍵幀對；最後對於關鍵幀對中的特徵點進行匹配。在融合判斷步驟，本系統建立了概率圖模型，進行概率化片段估計(ProbabilisticSegmentEstimate簡稱PSE)，利用強有力的推理方法對複製片段的存在和位置進行推導，充分利用了視頻的時間一致性和空間一致性，避免了傳統的融合方法的弊端。該方法的具體步驟如下1.首先提取查詢視頻和數據集裡視頻的SURF特徵；2.利用k-means方法對數據集裡所有視頻的SURF特徵進行聚類，得到V=256個■向fi，ilj^bag—of—words^^去中的i司·(vocabulary)；3.根據bag-of-words方法，將每個關鍵幀的所有特徵向量投射到基向量上，得到基向量上的詞頻直方圖；4.對數據集裡視頻的各個關鍵幀的詞頻直方圖建立近似最近鄰(ApproximateNearestNeighbor,簡稱ANN)索引，在索引中找到查詢視頻中每個關鍵幀詞頻直方圖的相似者；5.對查詢視頻中的每個關鍵幀，將其中的特徵向量和相似關鍵幀中的進行匹配，得到特徵點對；6.對查詢視頻中的每個關鍵幀，根據其特徵點對估計變換處理的參數；7.利用估計到的參數序列，根據概率圖模型，推導複製片段是否存在以及其位置。雖然在下文中將結合一些示例性實施及使用方法來描述本發明，但本領域技術人員應當理解，為並不旨在將本發明限制於這些實施例。反之，旨在覆蓋包含在所附的權利要求書所定義的本發明的精神與範圍內的所有替代品、修正及等效物。本發明的其他優點、目標，和特徵在某種程度上將在隨後的說明書中進行闡述，並且在某種程度上，基於對下文的考察研究對本領域技術人員而言將是顯而易見的，或者可以從本發明的實踐中得到教導。本發明的目標和其他優點可以通過下面的說明書，權利要求書，以及附圖中所特別指出的結構來實現和獲得。為了使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明作進一步的詳細描述，其中圖1示出了根據本發明的概率圖模型；圖2示出了根據本發明的視頻檢測系統的基本流程架構；以及圖3是根據本發明的視頻檢測系統流程架構。具體實施例方式下面結合附圖對本發明的具體實施方式作進一步的詳細描述。需要注意的是，根據本發明的視頻複製檢測系統及方法的實施方式僅僅作為例子，但本發明不限於該具體實施方式。所述方法是在視頻檢測系統中依次按以下步驟實現的步驟(1).提取查詢視頻Q和數據集裡視頻R的SURF特徵。對於查詢視頻，每Pq幀選取一關鍵幀；對於數據集裡視頻，每Pd幀選取一幀為關鍵幀。在關鍵幀上提取SURF點即特徵點處的特徵向量。所謂SURF(SpeededUpRobustFeature，簡稱SURF)，是由HerbertBay在2OO6年提出的一種圖像描述子，可以用於物體識別和三維重建，具有較好的魯棒性和較快的提取速度。步驟(2).利用k-means方法對數據集裡所有視頻的SURF特徵進行聚類，得到V=256個基向量，組成bag-of-words方法中的詞表(vocabulary)。對於查詢視頻或數據集裡視頻的每個關鍵幀，用以下方法求出此關鍵幀的詞頻直方圖初始化詞頻直方圖為V維零向量；對關鍵幀中每個SURF點，求出與其最相似的基向量(使用歐式距離(Euclideandistance)衡量)，在直方圖中與此基向量對應的位置上加1；將直方圖各個位置除以SURF點個數，標準化為頻率直方圖。所謂k-means方法，是一種把η個物體分成k個劃分的聚類方法，並且用每個劃分的中心作為這個劃分的代表，其目標是最小化各個劃分內方差的和。所謂bag-of-words模型，是自然語言處理和信息檢索中的一種常用方法，是指把文檔表示成詞的集合，而忽略詞的關係，比如詞序和語法。這種方法也被擴展到計算機視覺領域，即把圖像作為文檔，把抽取的特徵作為詞。步驟(3).對數據集裡視頻的關鍵幀詞頻直方圖進行索弓丨，使用的索引結構為ANN(ApproximateNearestNeighbor)。此種索引結構使用了kd-tree作為內部數據結構，其時間複雜性按特徵點數的對數增長，索引本身與索引的數據相比佔用空間很少，因此適用於本方法。對於查詢視頻的每個關鍵幀詞頻直方圖，在索引中找到與其最相似的詞頻直方圖，對應的關鍵幀即為其相似關鍵幀。記查詢視頻的關鍵幀集合為{QKFi;NQKF}。對於每個QKFi,按照以下方法得到其特徵點對集合PSi對於QKFi中每個特徵向量^i/,在QKFi的相似關鍵幀中找到與之距離最小的特徵向量(使用歐式距離Euclideandistance衡量)rd/,這兩個特徵點組成一個特徵點對φ/所有的特徵點對組傲PSi=Wpji,]^J^NDPi),其中NDPi是Psi中特徵點對數目。記ps={psi;NQKF}，稱為查詢視頻的特徵點對序列。步驟(4).對查詢視頻的每個PSi,根據其特徵點對估計變換處理的參數。每個特徵點都有其在視頻中的時空位置(x，y，t)。假定特徵點rd經過複製之後得到qd，則這兩個特徵點滿足複製時的變換公式formulaseeoriginaldocumentpage7其中vs=(xs,ys,ts)為伸縮係數，vf=(xf,yf,tf)為偏移係數，兩者合稱為複製時的變換參數。對於查詢視頻特徵點對序列PS中的每個PSi,按以下方法估計變換參數，得到的估計結果記為Obvi。1)如果將PSi為空，則Obvi；否則將vs各個分量離散化，枚舉可能的值；2)對於每個Ns,PSi中每個特徵點對(φ/可以計算得到一個vf=(xf,yf,tf)，同時可以根據gd/和rd/的距離計算得到^/的相似分數φ/.score；3)將所有φ/的Vf以^COre為權重加權平均得到formulaseeoriginaldocumentpage74)將距離PSi.vf較遠的Φ/刪除，重新計算加權平均，如此重複3次，得到此VS下的PSi.Vf，將所有未刪除的特徵點對的相似分數相加得到此VS的可信度PSi.vs.score；5)選取可信度最大的vs，此時的vs和PSi.vf即為最終的obVi，此時的可信度即為Obvi.score。步驟(5).利用估計到的參數序列Iobvi,NQKF}，根據概率圖模型，推導複製片段是否存在以及其位置。假定複製片段為{QKFi;1彡u彡i<ν彡NQKF+1}，簡記為[u，ν)，其中u=ν時表示複製片段不存在。在這一步中，根據概率圖模型計算後驗概率ρ(u，νObvi,1彡i彡NQKF)，選取後驗概率最大的[u，ν)作為最終結果。概率圖模型如圖1所示。其中中間層表示第i個關鍵幀的真實變換參數(當不是複製片段中的幀時，fi=⑴)，作為推理的中間橋梁。此概率圖模型的局部函數定義如下。將變換參數空間離散化為Np個單元，則formulaseeoriginaldocumentpage7如果①，則formulaseeoriginaldocumentpage8其中Pd表示在ANN中搜索時，為複製片段的關鍵幀找到對應相似幀的概率，Pt是返回的相似幀是正確的相似幀的概率；S是(obVi-fi)所在的單元，而formulaseeoriginaldocumentpage8為正態分布。如果formulaseeoriginaldocumentpage8其中Pnd表示在ANN中搜索時為非複製片段中的關鍵幀找到0個對應幀的概率。根據這裡的局部函數的定義，可以利用概率圖模型中的clustertree算法計算ρ(u,VIObvijI彡i彡NQKF)。formulaseeoriginaldocumentpage8則有formulaseeoriginaldocumentpage8依次計算λ(u，ν,f^)(i=NQKF,NQKF-I,…，1)，則最終有[u，ν)formulaseeoriginaldocumentpage8本發明中的雙層匹配方法充分利用了同一關鍵幀中的變換一致性，避免了逐個特徵點進行匹配的高時間空間複雜性，提高了系統的速度，達到實時監控的要求。而基於概率圖模型的概率化片段估計(ProbabilisticSegmentEstimate，簡稱PSE)方法充分利用了視頻複製中時間和空間一致性，直接推導複製片段的開始和結束位置。此概率圖模型表達了時空一致性，描述了複製片段位置和特徵點對序列的關係；通過強有力、高效率的clustertree方法求出最大後驗概率解。整個系統檢測精確度高，算法運行速度快，佔用空間少，在測試數據上取得了很好的結果，表現出比國際上現有算法更好的性能。這說明本發明具有較好的推廣性和適應性，能為視頻監控、版權保護等提供有效的技術手段，具有很好的應用前景。為了進一步驗證本發明的有效性、可靠性和應用性，我們設計和測試了相關的驗證實驗。從數據源上，我們使用了CIVR，07(ConferenceonImageandVideoRetrieval2007)提供的MUSCLE-VCD-2007。這個資料庫包括100小時解析度為252X288的視頻，是專門為評估視頻檢測系統的性能而設計。作為對比，實驗實現了現在常用的投票方法STSR、新提出的基於HiddenMarkov模型方法PFF。在驗證實驗中使用信息檢索中常用的精度(Precision)、召回率(Recall)和兩者的調和平均Fl進行性能的評價。首先，測試在指定的特徵點對序列下系統的性能。為了觀察系統在不同難度下的表現，我們測試了複製片段關鍵幀查找相似幀的召回率為10、20、40、80的情況。表1、2、3列出了對比結果。表格1在不同難度下各種檢tableseeoriginaldocumentpage9表格2在不同難度下各種檢測方法的結果對比(Recall)tableseeoriginaldocumentpage9表格3在不同難度下各種檢測方法的結果對比(Fl)tableseeoriginaldocumentpage9其次，測試了整個系統在實際應用中的性能。表4列出了對比結果。表格4在實際應用中各種檢測方法的結果對比tableseeoriginaldocumentpage9tableseeoriginaldocumentpage10可見投票方法召回率高但精度低，基於HiddenMarkov模型方法精度高但召回率低，而本發明使用的PSE方法具有高精度和高召回率，因此最終的性能衡量指標Fl有8%左右的提高。現在參見圖2，描述了本發明的視頻檢測系統的基本流程架構1.特徵提取。選取視頻中的一些幀作為關鍵幀，在關鍵幀圖像上提取特徵，以這些特徵作為視頻的描述。提取的特徵為全局特徵或局部特徵。2.特徵匹配。將查詢視頻和數據集裡視頻的特徵進行匹配。具體來說，在使用局部特徵時，對於查詢視頻的每個特徵向量，在數據集裡視頻的特徵向量中找出與其相似的一個或多個特徵向量，得到特徵點對。3.融合判斷。根據匹配結果判斷查詢視頻中是否複製了視頻數據集裡某個視頻的片段。具體來說，需要對第二步的匹配結果進行融合得到查詢視頻和數據集裡視頻的特徵向量集合的相似程度，然後以相似程度為依據進行判斷，並確定複製片段的位置。現在參見圖3，描述了本發明的視頻檢測系統的詳細流程。1.提取查詢視頻Q和數據集裡視頻R的SURF特徵。對於查詢視頻Q，每Pq幀選取一關鍵幀；對於視頻R，每Pd幀選取一幀為關鍵幀。在關鍵幀上提取SURF點即特徵點處的特徵向量。2.利用k-means方法對數據集裡所有視頻的SURF特徵進行聚類，得到V=256個基向量，組成bag-of-words方法中的詞表(vocabulary)。對於查詢視頻或數據集裡視頻的每個關鍵幀，用以下方法求出此關鍵幀的詞頻直方圖初始化詞頻直方圖為V維零向量；對關鍵幀中每個SURF點，求出與其最相似的基向量(使用歐式距離Euclideandistance衡量)，在直方圖中與此基向量對應的位置上加1；將直方圖各個位置除以SURF點個數，標準化為頻率直方圖。3.對數據集裡視頻的關鍵幀詞頻直方圖進行索弓丨，使用的索引結構為ANN(ApproximateNearestNeighbor)。此種索引結構使用了kd-tree作為內部數據結構，其時間複雜性按特徵點數的對數增長，索引本身與索引的數據相比佔用空間很少，因此適用於本方法。對於查詢視頻的每個關鍵幀詞頻直方圖，在索引中找到與其最相似的詞頻直方圖，對應的關鍵幀即為其相似關鍵幀。4.記查詢視頻的關鍵幀集合為{QKFi;1彡i彡NQKF}。對於每個QKFi,按照以下方法得到其特徵點對集合PSi對於QKFi中每個特徵向量《//，在QKFi的相似關鍵幀中找到與之距離最小的特徵向量(使用歐式距離Euclideandistance衡量)Ai/,這兩個特徵點組成一個特徵點對φ/所有的特徵點對組成PSi={dpj,\<j<NDPi),其中NDPi是PSi中特徵點對數目。記PS=(PSi,1^i^NQKF}，稱為查詢視頻的特徵點對序列。5.對查詢視頻的每個PSi,根據其特徵點對估計變換處理的參數。對於查詢視頻特徵點對序列PS中的每個PSi,按以下方法估計變換參數，得到的估計結果記為Obvi。如果將PSi*空，則ObVi；否則將VS各個分量離散化，枚舉可能的值；對於每個vs，PSi中每個特徵點對可以計算得到一個vf=(xf,yf，tf)，同時可以根據gd/和Γ//的距離計算得到φ/的相似分數φ/.score；將所有《φ/的Vf以dpi.score為權重加權平均得到formulaseeoriginaldocumentpage11將距離PSi.vf較遠的Φ/刪除，重新計算加權平均，如此重複3次，得到此VS下的PSi.Vf，將所有未刪除的特徵點對的相似分數相加得到此VS的可信度PSi.vs.score；選取可信度最大的vs，此時的vs和PSi.vf即為最終的Obvi,此時的可信度即為Obvi.score。6.利用估計到的參數序列Iobvi,1彡i彡NQKF}，根據概率圖模型，推導複製片段是否存在以及其位置。假定複製片段為{QKFi;1彡u彡i<ν彡NQKF+1}，簡記為[u，v)，其中u=ν時表示複製片段不存在。在這一步中，根據概率圖模型計算後驗概率P(u,νIObVi,NQKF)，選取後驗概率最大的[u，ν)作為最終結果。根據概率圖模型中局部函數的定義，可以利用clustertree算法計算p(u，νIObvi,1彡i彡NQKF)。Epi=P(Alu^fH)P(ObviIfi)ocP(IfiIu^fi-Pobvi)取ν,/ι-ι)=ΣPiΣPM「『ΣPnqkffifi+\fNQKF則有p{u,v\Obvi,1</<NQKF)OCp(uyV,Obvi9I<i<NQKF)formulaseeoriginaldocumentpage11formulaseeoriginaldocumentpage11依次計算λ(U，ν,f^)(i=NQKF,NQKF-I,…，1)，則最終有[u，ν)=argmaxUjvp(u，ν|obVi，1彡i彡NQKF)=argmaxUjVp(u,ν)λ(u,ν,f0)按照以上步驟，就可以構建一個有效的計算機自動執行的視頻複製檢測系統，在系統中充分利用視頻複製的時間和空間一致性，快速、準確地確定複製片段的存在和位置，從而改進視頻檢測系統的檢測結果，提高系統的檢測性能。以上所述僅為本發明的優選實施例而已，並不用於限制本發明，顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和範圍。這樣，倘若本發明的這些修改和變型屬於本發明權利要求及其等同技術的範圍之內，則本發明也意圖包含這些改動和變型在內。權利要求一種基於內容的視頻複製檢測方法，根據用戶輸入的查詢視頻，檢查輸入是否複製了視頻數據集裡某個視頻的片段，並在存在複製片段的情況下輸出其起止位置，其特徵包括特徵提取步驟，選取視頻中的一些幀作為關鍵幀，在關鍵幀圖像上提取特徵，以這些特徵作為視頻的描述；特徵匹配步驟，採用關鍵幀對匹配和特徵點匹配的雙層匹配，將查詢視頻和數據集裡視頻的特徵進行匹配；融合判斷步驟，對上述特徵匹配步驟的匹配結果進行融合，對複製片段的存在和位置進行推導，從而根據匹配結果判斷查詢視頻中是否複製了數據集裡某個視頻的片段。2.根據權利要求1所述的視頻複製檢測方法，其中所述提取的特徵為全局特徵或局部特徵。3.根據權利要求1所述的視頻複製檢測方法，其中所述特徵提取步驟包括提取查詢視頻和數據集裡視頻的加速魯棒特徵(SpeededUpRobustFeature，簡稱SURF)。4.根據權利要求2所述的視頻複製檢測方法，在使用局部特徵時，對於查詢視頻的每個特徵向量，在數據集裡視頻的特徵向量中找出與其相似的一個或多個特徵向量，得到特徵點對。5.根據權利要求1所述的視頻複製檢測方法，其中所述關鍵幀對匹配包括對每一關鍵幀中的特徵向量使用bag-ofiords方法，得到此關鍵幀的詞頻直方圖，然後對各個關鍵幀的詞頻直方圖進行索引，用於查找相匹配的關鍵幀對。6.根據權利要求5所述的視頻複製檢測方法，其中所述特徵點匹配具體包括對於所述相匹配的關鍵幀對中的特徵點進行匹配。7.根據權利要求5所述的視頻複製檢測方法，其中所述關鍵幀對匹配具體包括利用k-means方法對數據集裡所有視頻的SURF特徵進行聚類，得到V=256個基向量，組成bag—of—words方法中的詞表(vocabulary)；根據bag-ofiords方法，將每個關鍵幀的所有特徵向量投射到基向量上，得到基向量上的詞頻直方圖；對數據集裡視頻的各個關鍵幀的詞頻直方圖建立近似最近鄰(ApproximateNearestNeighbor，簡稱ANN)索引，在索引中找到查詢視頻中每個關鍵幀詞頻直方圖的相似者。8.根據權利要求6所述的視頻複製檢測方法，其中所述特徵點匹配具體包括對查詢視頻中的每個關鍵幀，將其中的特徵向量和相似關鍵幀中的進行匹配，得到特徵點對；對查詢視頻中的每個關鍵幀，根據其特徵點對來估計變換處理的參數，以獲得估計到的參數序列。9.根據權利要求1所述的視頻複製檢測方法，其中所述融合判斷步驟進一步包括對上述特徵匹配步驟的匹配結果進行融合，得到查詢視頻和數據集裡視頻的特徵向量集合的相似程度，然後以相似程度為依據進行判斷，並確定複製片段的位置。10.根據權利要求8所述的視頻複製檢測方法，其中所述融合判斷步驟進一步包括建立概率圖模型進行概率化片段估計(ProbabilisticSegmentEstimate，簡稱PSE)；利用估計到的參數序列，根據所建立的概率圖模型，推導複製片段是否存在以及其位置。全文摘要一種視頻檢測系統及方法，根據用戶輸入的查詢視頻，快速、準確地檢查輸入是否複製了視頻數據集裡某個視頻的片段，並在存在複製片段的情況下輸出其起止位置。該方法包括特徵提取、特徵匹配和融合判斷三個步驟。首先提取視頻幀的SURF特徵，該特徵在提取過程中使用積分圖的優化方案，提取速度快。不同於傳統的直接對各個特徵點的特徵向量進行匹配的方法，在特徵匹配步驟採用雙層匹配的方法首先對每一關鍵幀中的特徵向量使用bag-of-words方法，得到此關鍵幀的詞頻直方圖，然後對各個關鍵幀的詞頻直方圖進行索引，用於查找相匹配的關鍵幀對；最後對於關鍵幀對中的特徵點進行匹配。在融合判斷步驟，建立概率圖模型進行PSE，利用強有力的推理方法對複製片段的存在和位置進行推導，充分利用視頻的時間一致性和空間一致性，避免了傳統融合方法的弊端。文檔編號G06K9/00GK101833650SQ200910119540公開日2010年9月15日申請日期2009年3月13日優先權日2009年3月13日發明者孫富春,張鈸,李建民,梁穎宇,賈銀高申請人:清華大學