[发明专利]一种基于支持向量机和粒子群优化算法的镜头边界检测方法

说明书

技术领域

本发明涉及一种镜头边界检测方法，特别地，涉及一种基于支持向量机和粒子群优化算法的镜头边界检测方法。

背景技术

在视频检索的过程中，镜头边界检测是整个系统的第一步，镜头边界检测的准确度和效率的高低，关系到整个视频检索系统的成败，是视频检索系统中至关重要的一步。镜头边界检测的任务就是通过比较视频序列帧的差异来寻找镜头边界，确定镜头变化类型和位置。

目前，该领域内解决镜头边界检测的方法主要是基于阈值和基于机器学习的。基于阈值的方法由于阈值选取的好坏对检测效果有较大的影响；而且不同的视频阈值差异很大。这些都限制了阈值方法更进一步提高效果。近年来，基于机器学习的镜头边界检测方法得到了深入研究。在文献题目：《Supervised classification for video shot segmentation[A]》作者：Y Qi，Hauptmann A T Liu，IEEE ICME03[C]。Baltimore，MD，USA，2003，vol.2，689-692中，采用k最近邻域分类、Naive Bayes可能性分类法和支持向量机将视频序列帧分成切变帧和非切变帧；对非切变帧，又采用小波光滑去噪的方法来检测渐变帧，从而完成镜头边界的分割。文献题目：《Shot Boundary Detection Based on SVMs via Visual Attention Features》作者：Li Xiuqiang，Xiao Guoqiang，Jiang Jianmin，2009 International Forum on Information Technology and Applications中，提出了一种符合人类视觉注意的特征，并用以组成一定维数的特征向量，采用支持向量机完成突变和渐变的检测。为了增强对运动和噪音的鲁棒性，提取亮度帧差来辅助检测。文献题目：《Algorithm for Shot Boundary Detection based on Support Vector Machine in Compressed Domain》作者：Jian-Rong Cao and An-Ni Cai，在Tien Tzu Hsueh Pao/Acta Electronica Sinica，36(1)：203-208，2008中提出，利用滑动窗口的方法将提取到的压缩域特征组成一个多维的特征向量，对SVM进行训练，使用训练好的SVM模型对视频帧进行分类，从而得到镜头的边界。但是支持向量机参数的选取至今仍然没有一个统一的标准，参数选取大多依靠经验采取试凑的方法，这样不仅费时而且很难得到满意的结果。本文使用粒子群优化算法对支持向量机的参数进行优化，首次使用支持向量机和粒子群优化算法进行镜头边界检测，对支持向量机的分类模型进行了优化，降低了参数选择的盲目性和不准确。

发明内容

本发明要解决的技术问题是：

针对现有镜头边界检测技术的不足，提出一种基于支持向量机和粒子群优化算法的镜头边界检测算法。能够更加有目的和针对性的选取支持向量机的参数，进而得到近似最优参数，而且使得镜头分割的效果也在一定程度上提升。

本发明的技术方案是：

使用一种新型的基于支持向量机和粒子群优化算法的镜头边界检测算法，原始数据是待镜头边界检测的视频数据。

首先提取视频数据的底层特征，本方法主要提取像素域上的颜色一阶矩和颜色二阶矩、颜色直方图、角点、DC系数等特征。

各种特征的具体提取如下：

颜色一阶矩

颜色一阶矩在镜头发生切变时会有剧烈变化，对于检测切变有着较好的效果；另外，还可以和二阶矩结合起来检测是否发生渐变。一阶矩的提取如下式所示：其中pi，j是图像帧在(i，j)点的像素亮度值。

颜色二阶矩

颜色二阶矩可以在一阶矩的基础上得到，其对于检测叠化和淡出淡入类型的渐变准确率较高。叠化和淡出淡入发生时，从图像上可以看出过渡帧表现为对比度明显下降。二阶矩的提取如下式所示：

其中pi，j是图像在(i，j)点的像素亮度值，为图像单个通道内所有像素点的平均值。

颜色直方图

颜色直方图描述的是一帧图像中各颜色区间所包含的像素的数量，反映了不同色彩在整幅图像中所占的比例。它的计算复杂度较低，而且对物体运动和摄像机的低速运动有着很好的容忍能力，因此被广泛地应用于边界检测。颜色直方图定义式为：