[发明专利]一种基于稀疏时变图的幻灯片切换检测方法

权利要求书

1.一种基于稀疏时变图的幻灯片切换检测方法，其特征在于，包括以下步骤：

步骤1：视频分段：提取各视频帧的SIFT特征点，将视频帧与当前段首帧的特征点匹配，若相似度高于m，则认为图像匹配，归于同一段；其中，m为判断两视频帧是否相似的阈值；通过特征点匹配将视频分段，视频分段后，用相同长度的稀疏矢量表示图像，矢量非零值位置表示图像属于该段；

步骤2：定义图Gⁱ＝(V,Eⁱ)，i∈{1,…,N-1}，N是帧总数；图G包括顶点集V和边集E，顶点集由步骤1产生的各视频段组成，边集中的非零值表示顶点集中各点相互转换；

步骤3：推断稀疏时变图：建立图模型并利用最大似然估计方法推断稀疏时变图；

步骤4：图全局优化：满足邻接矩阵需要满足最大似然估计，非零值有限，邻近帧时域一致这三个条件；

步骤5：幻灯片切换检测：每帧推断得到邻接矩阵Aⁱ，Aⁱ为第i帧下图Gⁱ的邻接矩阵；若幻灯片发生切换，邻接矩阵的非零值将出现在非对角线的位置，即，若diss≠0，则认为第i帧发生了切换。

2.根据权利要求1所述基于稀疏时变图的幻灯片切换检测方法，其特征在于，所述步骤1中的确定相似度高于m的方法是：

计算全部视频帧特征点匹配相似度，并建立分布直方图；在直方图峰值附近使用MLE方法估计一高斯分布N(μ_r,σ_r)，并定义m＝μ_r+3σ_r，其中，μ_r是高斯分布的均值，σ_r是高斯分布标准差。

3.根据权利要求1所述基于稀疏时变图的幻灯片切换检测方法，其特征在于，所述步骤3中的推断稀疏时变图，利用最大似然估计方法推断稀疏时变图的方法是：

演讲视频I＝{I¹,…,I^N}经过视频分割后表示为I＝{x¹,…,x^N}，基于马尔科夫假设序列的似然度定义为：

其中，f(xⁱ⁺¹|xⁱ)是从帧Iⁱ到帧Iⁱ⁺¹的条件转移似然模型，f(x¹)是第一帧的似然度，xⁱ是分段后的第i帧的矢量表示；若给定xⁱ，假设和条件独立，m,n∈{1,…,D}，每个矢量的维度是D；因此f(xⁱ⁺¹|xⁱ)表示为：

其中，是i+1帧矢量下第d维值；使用一个线性动态模型来简化转移模型：

xⁱ⁺¹＝Aⁱxⁱ+ζ，ζ～N(0，σ_I²)

其中，ζ是零均值，σ_I²为方差的高斯噪声；

总和各公式，转移似然变形为：

其中，表示邻接矩阵Aⁱ的第d行；对数似然估计函数值最终表示为：

4.根据权利要求1所述基于稀疏时变图的幻灯片切换检测方法，其特征在于，所述步骤4中的图全局优化，得到优化图的邻接矩阵的方法为：

期望得到图中的邻接矩阵需要满足以下三个准则：

(1)邻接矩阵要与MLE解近似相同；假定临近的帧有相似的外观，将转移矩阵加到邻近的帧对(x^i+k,x^i-k+1)，k∈N⁺中来获取冗余约束；用公式表示为：

其中，权重因子用来约束邻近帧的邻接矩阵的相似度，σ_t是用来约束矢量对(x^i+k,x^i-k+1)的权重，随着时间的推移，矢量对之间的关系变得越来越弱，σ_f是用来约束(x^i+k-x^i-k+1)和(x^i+k+1-x^i-k)差异的权重，设置较低值来规避噪声，K＝min(min(N-i-1,i-1),2σ_t)是邻近集的大小；

(2)邻接矩阵有较少的非零值；用l₁正则化矩阵控制邻接矩阵的稀疏性，l₁是范数规则下的L1范数；

(3)相邻帧的邻接矩阵要保持时域一致性，最小化控制时域一致；

应用优化准则得到最终邻接矩阵：

其中，λ和α分别是约束邻接矩阵稀疏度和平滑项的权重因子。