一種基於支持向量機和遺傳算法的鏡頭邊界檢測方法
2023-04-28 04:56:56
專利名稱：一種基於支持向量機和遺傳算法的鏡頭邊界檢測方法
技術領域：
本發明 涉及一種鏡頭邊界檢測方法，特別地，涉及一種基於支持向量機和遺傳算法的鏡頭邊界檢測方法
背景技術：
在視頻檢索的過程中，鏡頭邊界檢測是整個系統的第一步，鏡頭邊界檢測的準確度和效率的高低，關係到整個視頻檢索系統的成敗，是視頻檢索系統中至關重要的一步。鏡頭邊界檢測的任務就是通過比較視頻序列幀的差異來尋找鏡頭邊界，確定鏡頭變化類型和位置。目前，該領域內解決鏡頭邊界檢測的方法主要是基於閾值和基於機器學習的。基於閾值的方法由於閾值選取的好壞對檢測效果有較大的影響；而且不同的視頻閾值差異很大。這些都限制了閾值方法更進一步提高效果。近年來，基於機器學習的鏡頭邊界檢測方法得到了深入研究。文獻[1] (Y Qi,Hauptmann A T Liu. Supervised classification for video shot segmentation[A]. Proc. IEEEICME 03[C]. Baltimore, MD, USA,2003, vol.2, 689-692。)採用k最近鄰域分類、Naive Bayes可能性分類法和支持向量機將視頻序列幀分成切變幀和非切變幀；對非切變幀，又採用小波光滑去噪的方法來檢測漸變幀，從而完成鏡頭邊界的分害1K 文獻[2] (Li Xiuqiang, Xiao Guoqiang, JiangJianmin, Du Kuiran, Qiu Kaijin. Shot Boundary Detection Based onSVMs via Visual Attention Features 2009 International Forum onlnformation Technology and Applications 2009 IEEE D0I10. 1109/IFITA. 2009. 233)提出了一種符合人類視覺注意的特徵，並用以組成一定維數的特徵向量，採用支持向量機完成突變和漸變的檢測。為了增強對運動和噪音的魯棒性，提取亮度幀差來輔助檢測。文獻[3] (Jian-Rong Cao and An-Ni Cai. Algorithm for shot boundary detectionbased on support vector machine in compressed domain. Tien Tzu HsuehPao/Acta Electronica Sinica，36(l) :203_208，2008.)利用滑動窗口的方法將提取到的壓縮域特徵組成一個多維的特徵向量，對SVM(support vector machine，支持向量機。)進行訓練，使用訓練好的SVM模型對視頻幀進行分類，從而得到鏡頭的邊界。但是支持向量機參數的選取至今仍然沒有一個統一的標準，參數選取大多依靠經驗採取試湊的方法，這樣不僅費時而且很難得到滿意的結果。
發明內容
本發明為了克服上述缺點，使用遺傳算法對支持向量機的參數進行優化，首次使用支持向量機和遺傳算法進行鏡頭邊界檢測，對支持向量機的分類模型進行了優化，降低了參數選擇的盲目性和不準確。本發明的技術方案是使用一種基於支持向量機和遺傳算法的鏡頭邊界檢測算法，原始數據是需要進行鏡頭邊界檢測的視頻數據。首先提取視頻數據的底層特徵，本方法主要提取像素域上的顏色一階矩和顏色二階矩、顏色直方圖、角點、DC係數等特徵，這些特徵是經過反覆實驗和論證，確定用於鏡頭分割效果較好的一些特徵，將他們用於本專利得到的性能指標較好。各種特徵的具體提取如下顏色一階矩顏色一階矩在鏡頭發生切變時會有劇烈變化，對於檢測切變有著較好的效果；另夕卜，還可以和二階矩結合起來檢測是否發生漸變。一階矩的提取如下式所示
權利要求
1.一種基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於包括以下步驟 第一步，提取視頻序列幀的特徵，並組成一定維數的特徵矢量；第二步，使用遺傳算法對支持向量機的RBF核函數參數進行優化； 第三步，利用得到的近似最優參數訓練得到最優分類模型，並以此為基礎對視頻序列幀進行分類，最終完成鏡頭分割。
2.根據權利要求1所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於，所述的第一步包括提取壓縮域上的DC係數，首先將圖像分割成NXN塊，進行DCT變換，DCT係數的第一個值是直流分量，即為DC係數，數量上等於該塊的平均值，直接提取每一個塊的DC分量，以該分量的值代表整個塊，在此基礎上得到相鄰兩幀對應宏塊位置上DC係數之差大於某個閾值的數量，把它作為DC係數這個特徵的幀間差異，對不同類型視頻設定對應的相應的閾值。
3.根據權利要求1所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於，所述的第二步包括步驟A，對待優化的參數懲罰因子c和核函數參數g進行編碼， 分別用14位和17位長度的二進位數字串來表示這兩個參數； 步驟B，初始化種群和適應度值計算，種群規模設定為20，適應度值的計算按照下式進行f(c, y) = accuracy，其中，accuracy是SVM訓練樣本集上的交叉驗證準確率，該準確率和適應度值呈正相關關係；步驟C，基於遺傳算法的SVM核函數參數優化算法，對參數進行迭代尋優。
4.根據權利要求3所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於，所述的步驟C中所述的基於遺傳算法的SVM核函數參數優化算法進一步包括以下步驟c. 1>設定初始代數和進化代數初始代數，gen = 0, gen表示進化代數，maxgen表示最大進化代數，設定優化目標的最優值為bestfitness，用以存放最高的適應度；c. 2>訓練參數的初始編碼設定變量c和g的取值範圍，然後進行編碼，對應31位二進位編碼串；c. 3>種群初始化在各變量取值範圍之內，隨機生成規模為ChroPop的初始種群， 將單個染色體初始為Chromosome，種群規模ChroPop值取20，種群中染色體的長度記為 Chromosome_len ；c. 4>確定適應度函數值以參數c和g為基礎，運用SVM對訓練集進行交叉驗證，從而根據適應度函數計算得到適應度值；c. 5>迭代尋優對種群中各染色體進行解碼，進而計算相應的適應度值，每次迭代都進行適應度值的比較，並將得到的最優的適應度值存儲。 c. 6>進行選擇、交叉、變異的迭代遺傳操作。
5.根據權利要求3所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於，所述的懲罰因子c和徑向基函數g，選取整數c e
, g e
。
6.根據權利要求4所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於所述的C. 6>中，選擇操作使用的是選擇算子，它是基於一個個體相對於整個群體的適度值，根據個體的適應值確定選擇的係數，按比例複製生成新個體加入新種群中。
7.根據權利要求6所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於，所述的選擇操作的實施步驟為①順序累加群體中各個體的適應值fi，得到適應度的累計值
8.根據權利要求4所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於，所述的步驟c. 6>中交叉操作為將群體內的各個個體隨機搭配成對，對每一個個體， 以某個交叉概率交換個體之間的部分染色體，所述的交叉策略是點式交叉Pc，Pc取值0. 4 < Pc < 0. 5，首先隨機地在兩個父體串上選擇一個或多個交叉點，然後交換父體串對應的子串。
9.根據權利要求4所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於，所述的步驟c. 6>中變異操作為在群體中隨機地選擇一個個體，對於選中的個體以變異概率Pm，改變基因串中某一位上的值，得到新的個體。
10.根據權利要求9所述的基於支持向量機和遺傳算法的鏡頭邊界檢測方法，其特徵在於，所述的變異概率值Pm，可以設定Pm取0. 05。
全文摘要
本發明涉及基於支持向量機和遺傳算法的鏡頭邊界檢測算法，包括第一步提取視頻序列幀的特徵，並組成一定維數的特徵矢量；第二步，使用遺傳算法對支持向量機的RBF核函數參數進行優化；第三步，利用得到的近似最優參數訓練得到最優分類模型，並以此為基礎對視頻序列幀進行分類，最終完成鏡頭分割。本發明針對現有鏡頭邊界檢測技術的不足，提出一種基於支持向量機和遺傳算法的鏡頭邊界檢測算法。能夠更加有目的和針對性的選取支持向量機的參數，進而得到近似最優參數，而且使得鏡頭分割的效果也得到一定程度上的提升；同時，使用遺傳算法選擇支持向量機的參數，避免了傳統支持向量機選取參數時的盲目性和低效率。
文檔編號G06N3/12GK102324037SQ201110260238
公開日2012年1月18日 申請日期2011年9月6日 優先權日2011年9月6日
發明者孫學梅, 孫寶山, 張晶, 李媛媛, 趙龍 申請人:天津工業大學