運動圖像分析裝置、方法及系統的製作方法

2023-10-09 19:33:44 3

專利名稱：：運動圖像分析裝置、方法及系統的製作方法
技術領域：
：本發明涉及一種數字信息提取及分析技術，特別涉及關於運動圖像的提取和分析裝置、方法及系統。
背景技術：
：隨著網際網路技術、廣播、通信、娛樂、醫療、教育等領域中的數位化技術的急速發展，採用多媒體信息的方式存儲影音資料已經成為最常規的存儲手段之一。隨之而來的，從龐大的多々某體信息中能夠簡單且高速地4義存取必要的信息這樣的需求變得越來越高。其中，特別是從想要有效地管理並處理4渚存在網絡、家庭月艮務器中的大量的影像內容的需求出發，正在積極地開展用於影像內容的含義提取和分析的圖像識別技術的研究開發。具體舉例來i兌，正在研究開發如下^支術，例如，在普及石更盤錄4象裝置、數字家電時，用於實現只觀看想看的內容、一邊錄l象一邊技術"；隨著數位照相機、數字攝像機以及網際網路的普及，用於簡單地編輯各種圖像、運動圖像、製作並保存自己的創作摘要影像的"摘要影像製作技術，，等。另夕卜，為了滿足圖像檢索的需求，由Google等利用關鍵字的圖像檢索技術也正在實際應用。還包括能夠自由自在地閱覽運動圖像內容的Browsing技術、可視通信中的"影像會議記錄"製作技術等。但是，在利用關鍵字的圖像檢索技術中，賦予必要的關4定字需要花費勞力和時間，而且容易發生存在大量相同關鍵字的圖像的情況，因此，實際利用時往往無法得到滿意的衝企索結果。另外，研究了4艮多自動々是耳又影像內的元信息(Metainformation)並才艮據這些元信息找出想要的圖像內容的檢索技術、自動製作"影像會議記錄"的技術、Browsing技術等，但是高精度地提取圖像內的必要特徵量、正確地進行鏡頭剪接檢測和分類、摘要自動製作、精彩場面自動4是耳又並不容易，因此，現有^支術中並沒有確立可實際利用的影傳J險索技術、摘要製作技術、Browsing技術。因此，進一步出現了不是基於上述關鍵字的圖像檢索，而是以人的直觀感覺來處理影l象內容，乂人而更有效率地管理並處理影1象內容的普通的影像分析技術。相關的技術可以參考日本特開2002-344872及曰本特開2006-54622。但是，特別涉及運動影像內的精彩場面提取和摘要製作，在實際應用中，常常會發生如下所述的鏡頭剪接檢測錯誤背景的色彩分布特性由於攝像機的高速運動和/或對象的高速運動而發生變化，有時將原本不是鏡頭轉換的內容檢測為鏡頭剪接；有時難以區分遠景和中景的色彩分布特性和關注區域特徵的變化，無法檢測出原本為鏡頭轉換的內容。
發明內容本發明的目的在於解決現有技術中的上述問題，即，提供一種運動圖像分析裝置和方法，使得即使背景的色彩分布特性由於攝像機的高速運動或對象的高速運動而變化，也能正確地檢測出鏡頭剪接。本發明的另一目的在於提供一種運動圖像分析裝置、方法，^f吏得即使對於遠景、中景之類的變化，也能正確地檢測出鏡頭剪接。此外，本發明的另一目的在於提供能夠利用運動圖像分析裝置自動進行摘要製作的摘要自動製作系統、自動提取精彩場面的精彩場面自動^是取系統。根據本發明第一方面的運動圖像分析裝置，包括運動圖像讀入單元，用於讀入運動圖i象；關注區域^是取單元，用於乂人所述運動圖像的各幀圖像中提取關注區域；對象特徵提取單元，用於在所述關注區域內或與所述關注區域相鄰的區域內提取對象特徵；以及鏡頭剪接檢測單元，用於根據圖像的色彩特徵、關注區域的對象特徵和運動信息在各幀圖像之間的差別來檢測鏡頭剪接。根據本發明第二方面的運動圖像分析方法，包括運動圖像讀入步驟，讀入運動圖像；關注區域提取步驟，從所述運動圖像的各幀圖像中提取關注區域；對象特徵提取步驟，在所述關注區域內或與所述關注區域相鄰的區域內提取對象特徵；以及鏡頭剪接檢測步驟，根據圖像的色彩特徵、關注區域的特徵、以及運動信息在各幀圖像之間的差別來片全測鏡頭剪接。根據本發明第三方面的摘要自動製作系統，包括上述的運動圖像分析裝置；以及摘要自動製作單元，根據所述運動圖像分析裝置的分析結果，自動製作摘要。才艮據本發明第四方面的精彩場面自動提取系統，包括上述的運動圖像分析裝置；以及精彩場面自動提取單元，根據所述運動圖像分析裝置的分析結果，自動提取精彩場面。本發明的技術效果在於通過評價圖像內的運動信息的可靠性，能夠除去根據色彩分布特徵和關注區域的尺寸特徵而誤檢測出的鏡頭剪接，提高鏡頭剪接的檢測精度。而且，根據本發明，還能夠高精度地提取圖像內的特徵量，正確地進行鏡頭分類，自動製作摘要和糹是取4青彩場面。圖1表示本發明的運動圖卩象分析裝置的第一實施例的框圖。圖2表示本發明的運動圖像分析裝置的第二實施例的的框圖。圖3表示本發明的運動影像分析方法的一個實施例的流程圖。圖4(a)是表示足球比賽影像內的賽場的檢測例；圖4(b)是該賽場內部和相鄰區域中的圖像和對象特徵的示例。圖5(a)和圖5(b)表示為了檢測足球等運動影像的賽場而使用的3DHSV直方圖特徵，其中，圖5(a)表示足球比賽中的代表性的圖^象樣本；圖5(b)表示將這些圖l象樣本的3DHVS直方圖投影到各個1D上的圖表。圖6表示根據各種足球比賽影像收集的圖像樣本。圖7(a)表示為了求出此次3DHSV直方圖統計模型而實際使用的訓練用圖像的示例；圖7(b)表示賽場檢測的結果。圖8(a)至8(c)是利用上述HSV直方圖才莫型來表示所關注的賽場檢測結果；其中，圖8(a)表示利用HSV直方圖模型的主要顏色檢測方法，圖8(b)表示圖像採樣，圖8(c)表示主要顏色區域的檢測結果。圖9表示除去噪聲的過濾處理的實-驗結果。圖10示出了在關注賽場內部存在對象(運動員)的情況下的對象特徵。圖11表示關注賽場的邊界和其直線的角度以及交叉位置的檢測方法。圖12表示J求門片全測方法。圖13表示利用球門的語義(semantic)規則4企測出球門區域。圖14(a)和圖14(b)表示通過上述方法檢測出的球門的結果；其中圖14(a)表示圖像採樣，圖14(b)表示球門檢測結果。圖15表示所關注的賽場中的角^M立置的^r測方法及其結果。圖16表示其他的對象特徵的提取示例。圖17表示鏡頭剪接的種類。圖18表示在本發明中為了衝企測鏡頭剪接而利用的特徵量。圖19表示4竟頭剪接才全測算法的流程圖。圖20表示鏡頭剪4妾衝僉測的實施例。圖21(a)表示在攝像機高速移動的情況下，原本應該為相同鏡頭的內容中的背景區域的變化，而作為鏡頭剪接被誤才全測的情況；圖21(b)表示沒有檢測出鏡頭剪接的情況，在鏡頭轉換的場景中，前後幀之間的色彩特性的變化和關注區域(綠色球場)的變化不大的情形。圖22給出了鏡頭剪接檢測示例(統一確認時的示例)的流程圖。圖23表示對於使用運動信息的可靠性評價的鏡頭檢測方法。圖24示出了從前後幀之間的運動信息估計圖像內運動信息的"可靠性評價用參數(x，y)"的流程圖。圖25(a)示出了利用上述運動信息可靠性評價的特徵量；圖25(b)示出了完成的Mmv屏蔽的例子。圖26(a)及圖26(b)示出運動可靠性圖像WMv的估計方法。圖27表示使用色彩特徵和關注區域的特徵無法^r測出的鏡頭才企測失"i吳的改善方法。圖28表示使用通過學習數據得到的運動信息的可靠性辨別器的可靠性評價值。圖29示出了用上述方法檢測實際圖像內有可靠性的動作區域的才僉測結果。圖30示出了正確地檢測出"檢測失誤"的鏡頭剪接。圖31(a)至31(c)表示用上述方法^r測出鏡頭剪接的結果；其中，圖31(a)表示錯誤檢測攝影機快速移動；圖31(b)逐步鏡頭剪接圖像擦除；圖31(c)表示逐步鏡頭剪接鏡頭分解。圖32示出了使用由學習悽史據得到的識別函數和特徵量確認可除去這些i吳一金測。具體實施方式為了有效地管理並方便地處理儲存在網絡上、家庭伺服器等中的龐大的影像內容，其運動圖像內容的分析與含義提取、以及元信息的賦予變得越來越重要。其中，分析體育比賽等的節目、並提取最精彩的場面以及自動地製作摘要的需求很高，但現狀是無法高精度地實現。因此，鑑於上述技術問題，本發明提出了開發作為運動圖像分析的基本技術的鏡頭剪接檢測技術，並將該技術應用於提取體育比賽等節目的精彩場面、自動製作摘要等上。下面將以足球比賽為例進行說明，但需要說明的是，以下的實施例僅作為說明本發明的優選實施例，而非用以限定本發明，本發明可用於對任何運動圖像進行分析。一般來說，視頻內容的不同會導致圖像特徵量的處理方法也有4艮大變化，因此本發明著重於實際中會^皮經常使用的"運動圖像分析"的技術，進行用於實現提取其運動圖像內的精彩場面和製作摘要的基本技術和架構的開發。具體來說，在足球比賽等的影像分析之中，分析各幀圖像內的圖像特徵，使用通過預先學習而得到的關注區域(例如，足球場)的圖像特性(例如，HSV直方圖衝莫型)，判斷在這些圖像內是否存在關注區域，在不存在關注區域的情況下，判斷為外景運動圖像(外景運動圖像)；在存在關注區域的情況下，可靠地檢測該區域。另夕卜，將結合了該關注區域和圖像內的色彩特徵的內容作為特徵量，評價圖像間的特徵量的相似性，在特徵量相差較大的情況下，檢測為鏡頭剪接(shotcut，鏡頭切換點)。另一方面，正如
背景技術：
中所說明的那樣，在實際應用中，常常會發生如下所述的鏡頭剪接檢測錯誤背景的色彩分布特性由於才聶像才幾的高速運動和/或對象的高速運動而發生變化，有時將原本不是鏡頭轉換的內容4企測為鏡頭剪接；有時難以區分遠景和中景的色彩分布特性和關注區域特4正的變化，無法才全測出原本為鏡頭轉換的內容。因此，在本發明中，為了減少上述的鏡頭剪接的檢測錯誤，提高如上所述的鏡頭剪接檢測精度，除了利用上述的色彩分布特徵和關注區域的色彩特徵以外，還利用圖像內的運動信息。具體來說(1)利用前後幀之間的塊匹配，算出誤差評〗介值。(2)利用這些誤差評價值，利用二次曲面才莫型進行擬合(Fitting)處理，估計該二次曲面才莫型的參悽史。(3)將這些參數與事先學習的結果進行比較，僅檢測可靠的運動信息。(4)對於這些可靠的運動信息，通過在某時間軸上進行的統計處理，檢測出可靠性更高的運動信息。(5)利用這些可靠性高的運動信息，能夠正確地;險測出由於色彩分布特性和關注區域特徵造成的誤檢測的內容、或未檢測出的鏡頭剪接。(6)對於攝像機的高速運動、對象物體的運動，該運動區域大多存在於圖像的中心附近的位置，因此通過學習來製作這樣的運動區域，利用該運動區域，能夠進一步改善由高速4聶^4幾運動造成的鏡頭剪接檢測錯誤等。在本發明中，通過利用色彩分布特徵、關注區域的對象特徵和運動信息對鏡頭剪接進行檢測，將相鄰的兩個幀的圖像的色彩分布特徵、關注區域的對象特4正和運動信息進4於對比，如果對比結果為近似，則判斷相鄰的兩個幀的圖^f象屬於同一個4竟頭，也就是i兌，在這兩幀之間沒有鏡頭剪接，如果對比結果相鄰的前後兩幀之間的色彩特徵、關注區域的對象特徵和運動信息存在差別，則判斷上述這兩幀圖像不屬於同一個鏡頭，也就是說在這兩幀之間存在4竟頭剪接，並對通過檢測出的鏡頭剪接所獲得的每個鏡頭利用關注區域內的對象特徵進行分類，鏡頭分為遠景鏡頭(longshot)、中景鏡頭(middleshot)、近景鏡頭(zoom-upshot)和夕卜景鏡頭(outsideshot)鏡頭四種，其中遠景鏡頭、中景鏡頭和近景鏡頭屬於室內景鏡頭，外景鏡頭也可稱為場外鏡頭。進而，通過將上述特徵量和鏡頭剪接檢測結果作為影像內的說明信息進行附加，從而能夠將本發明應用於足球比賽中的精彩場面提取和摘要製作。以下參考附圖，詳細i兌明本發明的實施例。圖1表示本發明的運動圖Y象分析裝置第一實施例的框圖。如圖1所示，運動圖像分析裝置100包括用於讀入運動圖4象的運動圖4象讀入單元no,在足J求比賽中讀入比賽的一見頻序列；關注區i或才是取單元120,用於從讀入的運動圖像的各幀圖像中提取關注區域，例如足球比賽的賽場；對象特徵提取單元130,用於在關注區域內或與關注區域相鄰的區域內提取對象特徵，在足球比賽中，該對象特徵例如是運動員的臉、球門區域、球、角球位置、賽場區域及其輪廓等；鏡頭剪接檢測單元140，用於根據圖像的色彩特徵、關注區域的對象特徵和運動信息在各幀圖像之間的差別來檢測判定鏡頭剪接。其中，關注區域^是耳又單元120利用通過預先學習而得到的關注區域的圖像特徵來判斷在各幀圖像中是否存在關注區域(例如足球比賽中的賽場)。在關注區域提取單元120提取了關注區域後，對象特徵4是耳又單元120自動在關注區域內或與關注區域相鄰的區域內提取對象特徵。關注區域的圖像特徵基於HSV直方圖模型圖2表示本發明的運動圖像分析裝置第二實施例的框圖。如圖2所示，運動圖^f象分4斤裝置200包括運動圖Y象讀入單元210、關注區域^是耳又單元220、對象特徵^是取單元230、4竟頭剪4妾衝僉測單元240、具有可靠性的運動信息提取單元250、鏡頭分類單元260,其中上述的運動圖像讀入單元210、關注區域提取單元220、對象特徵提耳又單元230與第一實施例中的運動圖l象讀入單元110、關注區域提取單元120、對象特徵提取單元130作用相同，這裡省略對其的說明。此外，該鏡頭剪接檢測單元240包括第一鏡頭剪接;險測單元242，用於根據圖像的色彩特徵、關注區域的對象特徵在各幀圖像之間的差別來^r測4竟頭剪糹姿；以及第二4竟頭剪4如險測單元244,用於根據圖像的運動信息在各幀圖像之間的差別來檢測鏡頭剪接。此外，運動圖1象分析裝置還包括該具有可靠性的運動信息4是耳又單元250,鏡頭剪接檢測單元240(第二鏡頭剪接一企測單元244)利用該具有可靠性的運動信息糹是取單元250計算出的具有可靠性的運動信息進行檢測。第一4竟頭剪4妄糹企測單元242和第二4竟頭剪4妄4金測單元244可以依次工作也可以同時工作，當第一鏡頭剪接檢測單元242和第二鏡頭剪才妄4企測單元244同時工作時，該今竟頭剪"t妄才全測單元240同時才艮據圖像的色彩特徵、關注區域的對象特徵和運動信息在各幀圖像之間的差別來檢測鏡頭剪接，將前後幀之間色彩特徵、關注區域的特徵和運動信息相似的幀圖像檢測為一個鏡頭，反之，將前後幀之間色彩特徵、關注區域的特徵和運動信息差別較大的幀圖像^r測為不同的鏡頭。鏡頭分類單元260對利用鏡頭剪接檢測單元240的#企測結果所獲得的鏡頭進行分類，判定該鏡頭中是否存在基於色彩特徵(在足球比賽中是指賽場的綠色)的關注區域，當不存在該關注區域時，將該鏡頭劃分為外景該關注區域存在時，使用該關注區域內的對象特徵將該鏡頭劃分為室內景鏡頭中的遠景鏡頭、中景鏡頭和近景鏡頭sho中的一個。圖2中的各單元既可以作為硬體各自獨立存在，也可以整合成若干個單元，還可以通過基於控制程序的軟體處理來進4亍。圖3表示本發明的運動圖像分析方法的一個實施例的流程圖。如圖3所示，首先，讀入足球比賽等的視頻影像，該運動圖像可以是視頻圖像、新聞圖像或者電影電視圖像等(步驟S301)，從運動圖像的各幀圖像中提取關注區域，例如在足球比賽中，利用通過預先學習而得到的所關注的賽場的圖^象特徵才莫型(HSV直方圖，HSV是指色彩模型，其中，Hue:色度，Saturation:飽和度，Value:亮度))來判斷影像內有無賽場(步驟S302)。在存在賽場的情況下，才是耳又該關注區i或(步-驟S303)，在不存在賽場的情況下，返回步駛《S301。然後，在該賽場的內部或相鄰的區域中，^是取對象特徵(步驟S304)。之後，利用色彩特徵、4是取的關注區域的對象特徵和運動信息在各幀圖像間的不同來檢測鏡頭剪接(S305),利用提取出的各鏡頭內部的圖像特徵，例如足球比賽的時候，判定該鏡頭中是否存在基於綠色的賽場，當該鏡頭中不存在賽場時，將該鏡頭劃分為外景鏡頭，當該鏡頭中存在賽場時，劃分為遠景鏡頭、中景鏡頭和近景鏡頭中的一個(步驟S306)。接著，根據通過鏡頭剪接檢測步驟S305而獲得的檢測結果和通過鏡頭分類步驟S306而獲得的分類結果進行摘要製作或精彩場面提耳又(步驟S307)。圖4(a)表示足球比賽影像內的賽場的才企測例，圖4(b)表示該賽場內部和相鄰區域中的圖像和對象特徵的示例。如圖4(a)所示，圖4(a.l)和圖4(a.3)表示1俞入圖4象，圖4(a.2)和圖4(a.4)表示4全測賽場，圖4(a.3)表示，圖4(a.4)表示，此外，如圖4(b)所示，在圖4(b)中的對象特4i包4舌圖4(b.l)的運動員，尤其運動員的臉部，、圖4(b.2)3求門區域、圖4(b.3)3求及角球位置、圖4(b.4)的賽場區域，當然對象特徵還包括除此之外的其^也的特^正，例如，賽場4侖廓等。圖5(a)和圖5(b)表示為了4全測足3求等運動影<象的賽場而使用的3DHSV直方圖特徵，圖5(a)表示足球比賽中的代表性的圖像樣本，圖5(b)表示將這些圖像樣本的3DHSV直方圖投影到各個1D上的圖表。其中，在圖5(a)中的三幅圖像分別列舉了遠景、中景和近景三種樣本圖像。圖6表示根據各種足球比賽影像收集的圖像樣本(白天、傍晚、夜晚等各種時間的圖像，以及晴、多雲、雨等各種天氣時的圖像)的3DHSV直方圖特徵進行分析，通過統計處理得到的統計H據的結果。例如，所關注的賽場區i或中的HSV的可變範圍分別為H[22，68]、S[32，255]、V[64,175],另夕卜，其區i或幅度最大為H:16、S:128、V:64。也就是i兌，明確了如下情形賽場區i或內的HSV平均值根據比賽的時間段、氣候等而改變，但是其分布值被限制在大致H:16、S:128、V:64之內。利用這樣的HSV特徵，能夠可靠地d企測出賽場。圖7(a)表示為了求出此次3DHSV直方圖統計才莫型而實際寸吏用的主要顏色例如足球場草地的綠色各不相同的訓練用圖像的示例，圖7(b)示出了賽場4企測結果。乂人其結果可知，在HSV衝莫型的學習中使用色彩特徵不同的各種訓練樣本圖像，因此能夠正確衝企測出各種照明條件下的賽場。圖8(a)至8(c)利用上述HSV直方圖模型來表示所關注的賽場檢測結果。圖8(a)表示利用上述HSV直方圖模型的所關注的賽場的糹企測方法，如圖8(a)所示，該4企測方法包4舌以下步驟幀下採樣、搜索壓縮的三維直方圖峰值、搜索一維本地直方圖的塔式、分割主要顏色、進行降低噪聲的濾波處理。為了提高處理速度、除去圖像內的噪聲，降低了輸入圖像的解析度。另外，為了減少照明變化的影響、^是高一企測處理的可靠性，將HSV各成分的解析度從8比特壓縮到2-3比特。之後，檢測出各HSV成分的峰值，將其作為HSV的中心值(平均值)，應用上述的HSV分布值，由此能夠可靠地檢測出所關注的賽場。圖8(b)表示圖像採樣，圖8(c)表示主要顏色區域的檢測結果。在圖8(b)和圖8(c)中示出了利用該方法檢測出的不同照明環境中的賽場的示例。從圖8(b)和圖8(c)示出的結果來看，能夠在各種照明環境中可靠且實時地4全測出所關注的賽場。另外，為了除去賽場內的直線等，也可以進行後處理(用於除去噪聲的過濾處理)。圖9表示其實驗結果。其中，圖9(al)和圖9(bl)表示圖1"象採樣，圖9(a2)和圖9(b2)表示主演顏色區域分段，圖9(a3)和圖9(b3)表示濾波結果，從該結果可得到如下啟示通過一全測關注賽場，糹是取該賽場內部和相鄰區i或中的對象特徵(選手、罰球區、直線、角球位置等)是可能的。以下，說明賽場內部及其相鄰區域中的圖像/對象特徵提取方法。圖10示出了在關注賽場內部存在對象(選手)的情況下的對象特4i。在此，用式(1)表示關注賽場的^f象素M(i，j)。M(Z,力Ze{U,-'-,//}je{l，2,..-,}式(l)分別用式(2)中的Ph(i)、Pv(j)來表示水平、垂直方向的對象特徵。formulaseeoriginaldocumentpage20在此，H和W分別表示圖像的Y和X方向的大小。關於該特4正量，在Pv(j)的變化大、Ph(i)的變化小的情況下，意味著在賽場內部存在大的對象(人物)。另外，在Py(j)的變化小的情況下、或者Ph(i)的變化大的情況下，意p未著在賽場內部存在小的對象(人物)。圖11表示關注賽場的邊界和其直線的角度以及交叉位置的檢測方法。首先，檢測其邊界的位置B(i)。然後，將其寬W像素的邊界在橫方向上分割為30個部分，進行低解析度化，求出該低解析度圖像中的各像素位置上的角度A(i)。其目的在於為了降低接近邊界的人物、圖形等的影響(噪聲)。之後，根據下述式(3)計算左和右的角度A,(n)和Ar(n)(n=l、2........30)的二級(class)角度，並計算各自的分布值D,(n)和Dr(n)。此時，將下述式中最小的N作為左右兩直線的交叉位置。最後，在^f象素位置N中的角度A,(n)和Ar(n)的角度差為IO度以上的情況下，檢測出兩條直線，將其交叉位置檢測為角球位置(參照實驗結果)。formulaseeoriginaldocumentpage20式(2)式(3)圖12表示J求門;險測方法。依次包4舌以下步艱《主要顏色區i或的才企測；J求場邊界的衝企測；垂直方向的白線斥企測；7jc平方向的白線檢測；利用球門的語義規則(竟賽規則中對球門的規定)進行球門檢測。對於如上所述檢測出的關注賽場，檢測與該賽場相接的垂直方向上的白線。因此，在縱方向上檢測出兩條平行直線的情況下，確認在由該平行直線包圍的區域內是否存在水平方向的白線。在縱方向上檢測出兩條平行直線以及在橫方向上檢測出一條白線的情況下，將其作為球門的候選進4亍處理。圖13表示利用球門的語義規則檢測出球門區域，如圖13所示，利用^求門的語義(semantic)失見則(也就是i兌，5求門區域的門柱高度與橫梁長度、以及橫梁長度與賽場寬度之間的比例關係)，能夠正確地鬥企測出J求門區域。圖14(a)和14(b)表示通過上述方法衝企測出的^求門的結果。儘管有複雜的背景，也能夠可靠地檢測出球門區域。圖15表示所關注的賽場中的角3求位置的片企測方法及其結果。角球位置檢測利用了與圖11的邊界檢測相同的方法。圖16(a)至16(f)表示其他的對象特徵的^是耳又示例。如圖16所示，圖16(a)、圖16(b)、圖16(c)示出了所關注的賽場內的選手區域、圖形區域、；求的4僉測示例。另夕卜，圖16(d)、圖16(e)、圖16(f)示出了裁判(顏色)、球員動作、教練(臉)等的檢測示例。圖17表示鏡頭剪接的種類。通常，鏡頭剪接包括硬剪接(hardcut)、淡入/淡出切4灸、圖形〖瓜刷剪4妄(graphicswipercut)這三種。通常硬剪接在一兩幀等數幀之間發生變化，所以很容易檢測出其變化，而淡入/淡出剪接、圖形弧刷剪接在10-30等數十幀之間發生變化，所以難於準確地衝企測出該4竟頭的變化。例如本實施例中的石更剪才妻大體上在1幀之間進行切換，淡入/淡出剪4矣大體上在大於15幀之間進行切換，圖形弧刷剪接大約每30幀左右切換。圖18表示在本發明中為了檢測鏡頭剪接而利用的特徵量。在此，為了正確檢測鏡頭剪接，認為需要(1)保持對攝像機的移動、圖像內的選手的水平運動的可靠性的同時，(2)對圖像內的色彩特徵分布的變化靈敏地進^^僉測。因此，為了實現對(1)的水平方向的圖像特徵變化的可靠性，並且檢測出(2)的圖像內色彩特徵變化，首先如圖18所示，通過將區域分割成若千個，可以更準確有效地檢測出每幀之間的差異。例如，在實施例中以2:5:3的比例進行了分割。然後，對各個區域計算上述的三維HSV分布作為色彩分布特徵量。本實施例中採用了色彩分布特徵，當然也可以採用色彩的RGB特;f正、色彩的絕對值特徵等，另外，為了提高對圖像內的噪聲等的可靠性，設分別以2比特表示HSV的各成分，以6比特的色彩特徵量表示整體的HSV分布特徵。然後，作為表示幀之間的區別的一個特徵，使用了下述式(4)所示的特徵量。i:》力)-U〗/2&(0式(4)在此，Ht(i)是6比特的HSV色彩分布特^正，A是表示是否求出與幾幀前的特^正量之間的區別的常^t。在該式的計算結果比預先設定的閾值T1大的情況下，檢測為不同的鏡頭，從運動影像統計地求得閾值Tl。另夕卜，在足球比賽之類的運動影-像中，通過利用關注區域的特徵，可以更加可靠地檢測鏡頭剪接。在此，設為兼用上述R2區域(即，圖18的畫面中心部分的區i^)內的關注色彩特4i。首先，確認是否存在R2區域內的關注色彩的區域，在該關注色彩區域的比例佔到50%以上時，作為鏡頭剪接;險測的第二特徵量進行利用。此時，通過下述式(5)計算t時刻和(t-A)時刻的R2區i或中的關注色彩區域的區別，在該區別大於預先設定的閾值T2的情況下，檢測為不同的鏡頭。同樣地，從運動比賽影像統計地求得閾值T2。formulaseeoriginaldocumentpage23式(5)圖19表示鏡頭剪接檢測算法的流程圖。如上所述，計算當前時刻的以6比特表示的HSV分布Ht(i)，求出與(t-A)時刻的HSV分布Ht—A(i)之間的區別。在該區別大於閾值T1的情況下，檢測為鏡頭剪接。否則，檢測R2區域內的關注色彩區域(在足球比賽的情況下，是綠色球場)，在該區域的尺寸超過R2區域的50%的情況下，計算當前時刻t與時刻(t-A)的區i或尺寸的區別，在該區別大於閾值T2的情況下，檢測為鏡頭剪接。圖20表示鏡頭剪接檢測的實施例。通過評價各個區域R1、R2、R3的HSV分布的區別、和R2區i或內的關注色彩(鄉錄色區i或)的區別，能夠檢測鏡頭剪接。例如使用上述的DC特徵、RH特徵、MV特徵學習鏡頭剪接用的SVM分類器，通過該^皮學習的SVM分類器檢測鏡頭剪接。如圖21(a)所示，在攝像機高速移動的情況下，原本應該為相同鏡頭的內容由於背景區域的變化，前後幀之間的色彩特性變化較大，常常發生檢測為鏡頭轉換的"誤檢測"的情況。也就是在不需要鏡頭剪接的時候進行了剪接。相反的，在如圖21(b)所示的鏡頭轉換的場景中，前後幀之間的色彩特性的變化、關注區域(綠色球場)的變化並不那麼大，因此常常發生判斷為同一鏡頭的鏡頭轉換的"檢測失誤"的情況。也就是在需要進行鏡頭剪接的時候未進行剪接。因此，為了改善如上所述的"誤檢測"和"檢測失誤"，提出了利用運動信息的鏡頭檢測方法。圖22示出了該方法的詳細的步驟。圖22給出了鏡頭剪接檢測的示例(統一確認時的示例。)首先，通過前述利用色彩特徵和關注區域特徵的方法，進4亍利用色彩特徵和關注區域的特;伍的第一鏡頭剪"t妻一僉測(S2201);然後進4於利用運動信息的第二鏡頭剪接檢測(S2202);再根據第一鏡頭剪接檢測和第二鏡頭剪接檢測的檢測結果判斷鏡頭剪接(S2203)。表1對圖22的步驟S2203中的判斷作出說明。表1tableseeoriginaldocumentpage159在上述利用色彩特徵和關注區域特徵的進行鏡頭剪接檢測時，既可以如圖22所示在鏡頭剪接檢測完成後利用運動信息確認誤檢測，也可以在每次一企測鏡頭時進行確認，還可以在每次;險測鏡頭剪接時進行確認，對每個鏡頭分別進行處理的具體步驟如下步驟Bl:針對鏡頭k利用色彩特徵和關注區域的第一鏡頭剪接檢測；步驟B2:判斷步驟Bl的檢測結果和之前的鏡頭(k-l)是否為統一鏡頭剪接(鏡頭(k-l)和鏡頭k之間有無鏡頭切換)；若上述步驟B2判斷結果為"是"，則進^亍步驟B3-1，即，對於鏡頭k-l和鏡頭k之間是否沒有鏡頭切換，通過利用運動信息的第二鏡頭剪接檢測進行確認；否則，進行步驟B3-2，即，對於鏡頭(k-l)和鏡頭k是否有鏡頭切換，通過利用運動信息的第二鏡頭剪接檢測進行確認。在完成步驟B3-l或B3-2的處理後，進一步判斷是否已針對放入的動畫中的所有的鏡頭完成鏡頭剪接檢測，若判斷結果為"是"，則才喿作完成；否則，k=k+l，並返回步-銀B1。以下給出圖22所示的統一處理的才莫式的兩個具體實施例例1:S2201中利用色彩特徵和關注區域的檢測結果，當僅僅檢測出ShotCut#1(由4竟頭(shot)1，2,…，6構成)為遠景時，通過S2202,利用運動信息確認鏡頭16之間是否真的沒有鏡頭切換(鏡頭剪接)。例2:S2201中利用色彩特4正和關注區》或的片企測結果，當4企測出ShotCut弁l(由鏡頭l,2,3構成)為遠景、ShotCut弁2(由鏡頭4，5,6構成)為中景、以及ShotCut#3(由鏡頭7，8，9構成)為遠景這3種不同的鏡頭剪接時，通過S2202，利用運動信息，確認鏡頭3和鏡頭4之間以及鏡頭6和鏡頭7之間是否含有4竟頭切換(相當於上述步驟B3-2)，如果沒有，則將其看作和之前緊鄰的鏡頭為同一4竟頭剪4妻，並確i人4竟頭13、4竟頭4~6、4竟頭79之間分別是否真的沒有^;頭切:換，(相當於上述步-驟B3-1),如果有，則分割為多個4竟頭剪才妄。25通過S2202的處理，糹丸行確認是否含有4竟頭切4奐的步驟可不分先後順序。如果進行了相當於上述步驟B3-2的確認，對於被分割成多個鏡頭剪接的鏡頭，則不需要進行相當於上述步驟B3-1的確i人；如果進行了相當於上述步驟B3-l的確認，對於作為和之前緊鄰的鏡頭相同的鏡頭剪接被合成的鏡頭，則不需要進行相當於上述步驟B3-2的確認。以下給出對每個鏡頭分別處理的模式的具體實施例例3:步驟Bl中利用色彩特徵和關注區域的檢測結果，當檢測出ShotCut#1(由鏡頭l，2,3構成)為遠景、以及ShotCut#2(由鏡頭4,5，6構成)為中景這2種不同的鏡頭剪接時，在緊接著鏡頭1一全測完4竟頭2的時點(k=2)上，通過步驟B3-1，利用運動特徵確認是否不含鏡頭切換。在緊接著鏡頭24全測完鏡頭3的時點(k=3)上也同樣進行步-驟B3-1的處理。對於鏡頭4因為判斷為是不同的鏡頭剪接，所以在緊接著鏡頭3才全測完4竟頭4的時點(k=4)上，通過步驟B3-2，利用運動特4i確i^竟頭切換的判斷是否正確。在緊接著鏡頭4之後鏡頭5被檢測完的時點(k=5)上，在緊接著鏡頭5之後鏡頭6被檢測完的時點(k=6)上進行步驟B3-l的處理。當步驟B3-1中不含鏡頭切換(和步驟B1的4企測結果相同)時，該鏡頭將之前的狀態和之前緊鄰的被檢測出的鏡頭作為同一鏡頭剪接被保存。當步驟B3-1中含有鏡頭切換(和步驟B1的檢測結果不同)時，檢測該鏡頭中的鏡頭剪接，並分割為多個鏡頭(其結果是由於遠景和中景混在一起引起的誤檢測導致的鏡頭剪接才企測遺漏可得到改善)。當步驟B3-2中含有鏡頭切換(和步驟B1的檢測結果相同)時，該鏡頭將之前的狀態作為和之前緊鄰的被檢測出的鏡頭不同的鏡頭剪接被保存。當步驟B3-1中不含鏡頭切換(和步驟B1的檢測結果不同)時，將該鏡頭和之前緊鄰的被檢測出的鏡頭作為同一鏡頭剪接處理(其結果是由攝像頭的高速運動以及圖像模糊等造成的鏡頭剪接的誤檢測可得到改善)。圖23表示對於由使用上述色彩特徵和關注區域的特徵的鏡頭檢測方法進行的誤檢測，使用運動信息的可靠性評價的鏡頭檢測方法。首先，根據前後幀之間的運動信息估計，估計圖像內運動信息的"可靠性評價用參數(x，y)"(S2301)。然後，使用利用統計數據得到的運動信息可靠性判斷器來進行可靠性運動區域屏蔽製作(MMV)(S2302)。之後，進一步將含有人物的圖像利用為學習數據，使用根據這些學習數據得到的表示圖像內的人物運動的發生頻率的"運動信息的權重(weight)Wmv"、以及上述"有可靠性的動作區域屏蔽Mmv",如下式(6)那樣算出在固定的時間間隔內的運動可靠性評價值FL(S2303)。最後，通過利用統計數據的運動可靠性評價值的學習結果，能夠判斷當前的鏡頭剪接是否為誤檢測(S2304)。formulaseeoriginaldocumentpage28圖24示出了從前後幀之間的運動信息估計圖像內運動信息的"可靠性評價用參數(x，y)"的方法。根據需要(例如，為了計算的高速化)從輸入圖像製作低解析度圖像(S2201)。然後對於圖像內的全部j象素(i,j)，將固定尺寸(例如，16x16)的塊作為才莫板(S2202)，在前一幀圖像內搜索相同區域(例如，搜索區域為32x32)(S2203)。另夕卜，搜索時的4晉誤評^H吏用SAD評^介j直(Dss),Dss的計算方法如下式(7)所示。利用搜索區域內的各像素位置(XMV，YMV)的評價值(Dss),使下述二次曲面才莫型擬合，計算該才莫型的參數(a,b,c)。最後，通過x-(axb)1/2、y=c，將參數(a，b，c)變換為(x,y),將該(x，y)作為運動信息可靠性評價的特徵量(S2204)。formulaseeoriginaldocumentpage28圖25(a)示出了利用上述運動信息可靠性評價的特徵量(x，y),製作可信賴的運動區域的屏蔽MMv的過程。在此，利用特徵量(x，y),在判斷為是可靠的運動信息的情況下，將屏蔽Mmv的植設為1。另外，通過Y吏用統計數據的學習，得到用於進"f亍可靠性判定的判斷器。圖25(b)示出了完成的Mmv屏蔽的例子。圖26(a)及圖26(b)示出運動可靠性圖像Wmv的估計方法，其是用於去除具有人物運動的剪接的誤糹全測。通常，在放大的情況下，對於移動攝像機來追蹤選手的場景，常常會發生鏡頭剪接的誤檢測。對於這個問題，為了進一步降低誤檢測率，利用這些影像場景作為學習數據，能夠根據如上述那樣求得的運動信息的可靠性屏蔽，製作表示圖像內的人物運動特徵的運動可靠度圖像WMV。如圖26(a)所示，首先，生成Mmv屏蔽(O、1的二值圖像)(S2601),計算S[M贈](S2602)。接下來，判斷是否完成了全部學習數據(S2603),如果是，則算出可靠性圖像WMV,k=I;[Mmv]/W(S2604)，反之，貝'J返回步,AS2601。圖26(b)示出WMV的侈'J子。MMV的計算方法是這樣的僅僅收集攝像機面板的含有人物的圖像，用同樣的方法計算運動的可靠度，將具有可靠度的運動領域作為屏蔽。其結果是，由於在畫面的中央附近出現人物的情況比較多(通過統計處理4尋出的)，如圖26(b)所示，在畫面的中央附近，作成有存在具有可靠度的運動領域這樣的屏蔽。最終，利用上述的動作可靠性屏蔽M雨和可靠度圖像WMV,如下式那樣計算可靠性評價值FL(式(8)),能夠將該評價值作為特徵來判斷有無鏡頭剪接的誤檢測。這裡，判斷有無鏡頭剪接的誤才企的閾值ThdOl是通過學習悽t據得到的值。至此，-說明了除去4竟頭誤4僉測的方法。圖27利用上述運動信息，表示使用色彩特徵和關注區域的特徵無法檢測出的鏡頭檢測失誤的改善方法。與圖23相同，首先，估計運動信息可靠性評價參數(x，y)(S2701)，製作運動信息可靠性判斷器的可靠的動作區域屏蔽(MMV)(S2702)。然後，如式(9)那樣，作為特徵量Fp計算屏蔽MMv的可靠的運動信息的比例(0100%)(S2703),進而判斷特徵量是否小於檢測失誤判斷的閾值Thd02(S2704),在該特徵量小於檢測失誤判斷的閾值Thd02的情況下，判斷為鏡頭剪接的檢測失誤，反之，則判斷為無檢測失誤。這裡的用於判斷是否存在檢測失誤的閾值Thd02是通過學習數據得到的值。圖28表示使用通過學習數據得到的運動信息的可靠性辨別器來估計上述運動信息可靠性評價的特徵值(x，y)時的可靠性評1"介值。圖29示出了用上述方法4企測實際圖Y象內有可靠性的動作區域的檢測結果。從該結果可知，能確認可以將人物的運動信息檢測為可靠性高，另外，關於由攝像機的動作造成的背景變化，判斷為動作的可靠性低。在圖30中，對於由基於到此為止的色彩特;f正的鏡頭剪接;險測方法無法檢測出的"檢測失誤"，根據運動信息的可靠性評價，使用以動作可靠性屏蔽MMV的可靠的運動信息的比例為特徵的特徵量Fp,由此也能夠正確地d僉測出"4企測失i吳"的4竟頭剪4妾。圖31(a)至31(c)表示用上述方法檢測出鏡頭剪接的結果。在圖31(a)中，對於利用色彩特徵而誤檢測出的鏡頭剪接，能夠使用本方法的運動信息的可靠性來除去該誤才企測。另外，在圖31(b)、圖31(c)中，即使對利用色彩特徵而檢測出的鏡頭剪接，進行本方法的運動信息的可靠性評價，也判斷為正確的鏡頭剪接。在圖32中，對由攝像機的高速移動造成的誤^r測，使用由學習數據得到的識別函數和本發明提出的特徵量Fp能夠確認可以除去這些"i吳;險測。用上述的方法檢測影像內的各鏡頭剪接，進而識別各鏡頭的類型(通常分為遠景、中景、近景、外景這四種)，根據這些鏡頭之間前後的相關特性、鏡頭內部的各幀圖像之間的特徵的相關性(視野(View)的位置、運動方向)、以及各幀影像內的對象特徵(例如，球門區域、角球、選手等)等，能夠檢測出角球、任意球、射門(goalkick)等精彩場面。本發明的技術效果如下(1)本發明利用顏色分布特徵，可靠地才企測關注的色彩區域，由此檢測足球比賽等的運動影像內的對象及鏡頭剪接，通過將這些結果作為元信息附加，能夠進行影像內容的自動分析。(2)為了提高相對攝像機水平運動、人物水平運動的可靠性，將圖像整體分割為多個區域，並通過使用各區域內的色彩分布特徵以及關注區域的尺寸特徵，能夠進^f於高精度的鏡頭剪^妾衝企測。(3)進而，通過評價圖像內的運動信息的可靠性，能夠更高精度地檢測根據上述(2)的色彩分布特徵以及關注區域的尺寸特徵無法才企測出的4竟頭剪衝妄等。(4)另外，通過評價圖像內的運動信息的可靠性，能夠除去根據上述(2)的色彩分布特徵和關注區域的尺寸特徵而誤檢測出的鏡頭剪接，提高鏡頭剪接的檢測精度。(5)利用圖像內的對象檢測結果和高精度的鏡頭剪接檢測結果，最終能實現影像內的各種精彩場面提取和摘要影像的自動製作。(6)在本發明中，通過同時4吏用色彩分布特4E、關注區域的色彩特徵和運動特徵，能夠檢測出足球比賽等的運動圖像的鏡頭剪接。(7)使用關注區域內的對象特徵能夠進行各個鏡頭剪接的分類。此外，本發明可實施在本技術構思範圍內的各種變形。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，對於本領域的技術人員來說，本發明可以有各種更改和變化。凡在本發明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。權利要求1.一種運動圖像分析裝置，其特徵在於，所述運動圖像分析裝置包括運動圖像讀入單元，用於讀入運動圖像；關注區域提取單元，用於從所述運動圖像的各幀圖像中提取關注區域；對象特徵提取單元，用於在所述關注區域內或與所述關注區域相鄰的區域內提取對象特徵；以及鏡頭剪接檢測單元，用於根據圖像的色彩特徵、所述關注區域的對象特徵和運動信息在所述各幀圖像之間的差別來檢測鏡頭剪接。2.根據權利要求l所述的運動圖像分析裝置，其特徵在於，還包括鏡頭分類單元，用於對根據所述鏡頭剪接檢測單元的檢測結果而獲得的鏡頭進行分類。3.根據權利要求l所述的運動圖像分析裝置，其特徵在於，所迷關注區域提取單元利用通過預先學習而得到的所述關注區域的圖像特徵來判斷在所述各幀圖像中是否存在所述關注區域。4.根據權利要求3所述的運動圖像分析裝置，其特徵在於，所述關注區域的圖像特徵基於HSV直方圖模型。5.根據權利要求l所述的運動圖像分析裝置，其特徵在於，在所述關注區域提取單元提取了所述關注區域後，所述對象特徵提耳又單元自動在所述關注區i或內或與所述關注區i或相鄰的區i或內提取所述對象特徵。6.根據權利要求l所述的運動圖像分析裝置，其特徵在於，還包括具有可靠性的運動信息提取單元，所述鏡頭剪接檢測單元利用該具有可靠性的運動信息提取單元計算出的具有可靠性的運動信息進行一企測。7.根據權利要求6所述的運動圖像分析裝置，其特徵在於，所述鏡頭剪接檢測單元基於檢測運動信息的可靠性的結果，對所述運動信息賦予二值化的可靠性模板。8.根據權利要求7所述的運動圖像分析裝置，其特徵在於，所述鏡頭剪接;險測單元通過計算前後幀之間的運動信息並將所述運動信息向二次曲面模型擬合，來計算檢測運動信息的可靠性的特徵量。9.根據權利要求8所述的運動圖像分析裝置，其特徵在於，所述鏡頭剪接4企測單元通過對搜索區域內的各像素位置和前後幀圖像內搜索相同區域的匹配進行計算來取j尋匹配評價值，將所述取得的匹配評價值向所述二次曲面模型擬合推算二次曲面的參數，計算檢測運動信息的可靠性的特徵量。10.根據權利要求9所述的運動圖像分析裝置，其特徵在於，基於多個運動信息的可靠性模板，所述鏡頭剪接檢測單元計算運動可靠度參數，基於所述可靠性模板和所述運動可靠度參數，所述鏡頭剪接檢測單元計算表示鏡頭剪接的4企測結果是否可靠的可靠性評價值。11.一種運動圖l象分析方法，其特徵在於，所述運動圖^f象分析方法包括運動圖像讀入步驟，讀入運動圖像；關注區域讀取步驟，從所述運動圖像的各幀圖像中提取關、注區i或；對象特徵提取步驟，在所述關注區域內或與所述關注區域相鄰的區i或內才是耳又對象特4正；以及鏡頭剪接檢測步驟，根據圖像的色彩特徵、所述關注區域的對象特徵、以及運動信息在各幀圖像之間的差別來檢測鏡頭剪接。12.根據權利要求ll所述的運動圖像分析方法，其特徵在於，還包括鏡頭分類步驟，對根據檢測出的所述鏡頭剪接而獲得的鏡頭進行分類。13.根據權利要求ll所述的運動圖像分析方法，其特徵在於，在所述關注區域提取步驟中，利用通過預先學習而得到的關注區域的圖像特徵來判斷在所述各幀圖像中是否存在關注區域。14.根據權利要求13所述的運動圖像分析方法，其特徵在於，所述關注區域的圖像特徵基於HSV直方圖模型。15.根據權利要求ll所述的運動圖像分析方法，其特徵在於，在所述關注區域提取步驟中提取了關注區域後，在所述對象特徵提耳又步一腺中自動在所述關注區i或內或與所述關注區i或相鄰的區域內提取所述對象特徵。16.根據權利要求ll所述的運動圖像分析方法，其特徵在於在所述鏡頭剪接檢測步驟中包括具有可靠性的運動信息提取步驟，頁在所述鏡頭剪接檢測步驟中，利用通過所述具有可靠性的運動信息提取步驟計算出的具有可靠性的運動信息進行^r測。17.根據權利要求16所述的運動圖像分析方法，其特徵在於，在所述鏡頭剪接檢測步驟中，基於檢測運動信息的可靠性的結果，對所述運動信息賦予二值化的可靠性^t板。18.4艮據權利要求17所述的運動圖Y象分析方法，其特4i在於，在所述鏡頭剪接檢測步驟中，通過計算前後幀之間的運動信息並將所述運動信息向二次曲面才莫型擬合，來計算4企測運動信息的可靠性的特徵量。19.根據權利要求18所述的運動圖像分析方法，其特徵在於，在所述鏡頭剪接4全測步驟中，通過對4叟索區域內的各^f象素位置和前後巾貞圖像內4叟索相同區域的匹配進行計算來取"彈匹配評1介值，將所述取得的匹配評價值向所述二次曲面模型擬合推算二次曲面的參數，計算檢測運動信息的可靠性的特徵量。20.根據權利要求19所述的運動圖像分析方法，其特徵在於，在所迷鏡頭剪接檢測步驟中，基於多個運動信息的可靠性模板，計算運動可靠度參數，基於所述可靠性模板和所述運動可靠度參數，計算表示所述鏡頭剪接檢測步驟的檢測結果是否可靠的可靠性評價值。21.—種摘要自動製作系統，其特徵在於包括根據權利要求1至10中任一項所述的運動圖像分析裝置；以及摘要自動製作單元，根據所述運動圖像分析裝置的分析結果，自動製作摘要。22.—種精彩場面自動提取系統，其特徵在於包括根據權利要求1至10中任一項所述的運動圖像分析裝置；以及精彩場面自動4是取單元，4艮據所述運動圖4象分析裝置的分析結果，自動提取精彩場面。全文摘要本發明提供一種運動圖像分析裝置、方法及系統，該運動圖像分析裝置包括運動圖像讀入單元，用於讀入運動圖像；關注區域提取單元，用於從所述運動圖像的各幀圖像中提取關注區域；對象特徵提取單元，用於在所述關注區域內或與所述關注區域相鄰的區域內提取對象特徵；以及鏡頭剪接檢測單元，用於根據圖像的色彩特徵、關注區域的所述對象特徵、以及運動信息在各幀圖像之間的差別來檢測鏡頭剪接。本發明通過評價圖像內的運動信息的可靠性，能夠除去根據色彩分布特徵和關注區域的尺寸特徵而誤檢測出的鏡頭剪接，提高鏡頭剪接的檢測精度。文檔編號G06F17/30GK101329766SQ20081000938公開日2008年12月24日申請日期2008年2月28日優先權日2007年6月18日發明者吳偉國,胡一川,隆之蘆原,博韓申請人:索尼(中國)有限公司