[发明专利]一种基于特征加权的FCM视频关键帧提取方法

说明书

技术领域

本发明属于视频及图像处理技术领域，特别涉及一种基于特征加权的FCM视频关键帧提取方法。

背景技术

视频包含了大量的静态帧图像，同一个镜头的视频图像中有相似与重复的部分，因此有较多冗余信息，关键帧反映了镜头的主要内容，提取最具代表性的帧图像实现视频检索比使用原始视频图像可达到更加高效的效果。

关键帧的提取主要有阈值法、基于镜头边界、运动分析和聚类的方法。阈值法根据帧与帧之间的差异与阈值的比较确定关键帧，当视频中有目标快速运动，就会选择过多的关键帧；边界法依赖于镜头检测的结果，所选关键帧不一定最具代表性；基于运动分析的方法要分析视频中的运动，难度与计算量都较大；聚类方法在模式识别、图像处理领域都得到广泛的应用，现在更多学者将关键帧提取的研究目光聚焦于不同的聚类方法，取得了较好的效果。

模糊C均值是基于目标函数的聚类算法，通过优化目标函数实现对象集的模糊划分。传统的FCM都是假定待聚类样本的各维特征对于每个类别的贡献是相等的，但是对于一段视频来说，会有不同的场景以及不同类型的目标对象，视频帧图像的某维特征对某个类别的贡献可能大于另一个类别的贡献，因此，对样本进行分类的时候，可根据不同样本对不同类别的贡献程度的大小，给图像不同特征赋予不同的权重。利用RelifF算法对图像特征进行权重分配，利用此权值不仅可以分析每维特征对聚类的重要程度，而且重要的是可以改进待聚类图像与聚类中心的度量，以便于更加准确地提取视频关键帧。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于特征加权的FCM视频关键帧提取方法，可对视频原始静态帧图像提取关键帧来表征镜头的主要内容。

为了实现上述目的，本发明采用的技术方案是：

一种基于特征加权的FCM视频关键帧提取方法，首先抽取视频序列，获取视频帧图像，然后提取图像的多维特征，对所述图像进行初始模糊C聚类，将隶属度最大的样本作为聚类中心，由此选择与聚类中心同类以及不同类的近邻样本，通过ReliefF算法计算各维特征的权值，对每维特征进行加权后再进行二次聚类，得到最终的聚类结果，选择距离类心最近的帧即可获得关键帧。

所述获取的视频帧图像共计N幅，待聚类的样本集合记为S＝{X₁,X₂,…,X_N}，提取图像X_j(j＝1,2,…,N)的M维特征(x₁,x₂，…，x_M)；

则对所述图像进行初始模糊C聚类的方法是：

步骤1，根据视频序列的数目，按照20:1的大小初始化类别数K，同时人为设定加权指数m，随机初始化隶属度矩阵，确定第j个图像样本对第i类的隶属度μ_ij，每个样本对所有模式类别的隶属度之和应为1，迭代次数L；

步骤2，计算各类别的聚类中心Z_i(L)，(i＝1,2,…,K)；