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技术

技术编号:8834562 阅读:230 留言:0更新日期:2013-06-22 20:42
本发明专利技术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算法,原始数据是待镜头边界检测的视频数据,包括以下步骤:(1),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;还有压缩域上的DC系数特征;(2),使用粒子群算法对支持向量机的核函数参数和惩罚因子进行优化;(3),利用得到的近似最优参数训练得到最优分类模型,并以此为基础对视频序列帧进行分类,最终完成镜头分割。

【技术实现步骤摘要】

本专利技术涉及一种镜头边界检测方法,特别地,涉及。
技术介绍
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 shotsegmentation 》作者:Y Qi, Hauptmann A T Liu, IEEE ICME03。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中贞,从而完成镜头边界的分割。文献题目:((Shot Boundary Detection Based on SVMsvia 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 inCompressed Domain》作者:Jian-Rong Cao and An-Ni Cai,在 Tien Tzu Hsueh Pao/ActaElectronica Sinica,36(l) =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。
技术实现思路
本专利技术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。本专利技术的技术方案是: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:权利要求1.一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,原始数据是待镜头边界检测的视频数据,其特征在于,包括以下步骤: (1),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系数特征; (2),使用粒子群算法对选取支持向量机的惩罚因子和核函数参数进行优化; (3),利用得到的近似最优参数训练得到最优分类模型,并以此为基础对视频序列帧进行分类,最终完成镜头分割。2.根据权利要求1所述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,其特征在于,所述的步骤(2)包括以下步骤: (2.A),种群初始化和参数初始设置,种群规模设定为由20个粒子组成,这些粒子的位置和速度是随机生成的,惩罚因子c和核函数参数Y的变化范围分别是和,加速常数Cl和c2分别取1.4和1.8 ; (2.B),适应度值计算,种群规模设定为20,适应度值的计算按照下式进行:f(c, Y ) = accuracy,我们选用支持向量机中的交叉验证策略来计算训练集的适应度值,综合考虑到验证效率和准确率,我们将训练集划分为三个部分来进行交叉验证; (2.C),更新粒子的位置和速度,进行循环迭代:本代种群的全局最优解和局部最优解得到以后,需要进行粒子信息的更新。位置和速度的更新根据下面两式进行:Vi+1 = WXVi+C1XrandX (Pbest-Xi)+C2 X randX (gbest-Xj), Xi+1== Xi+Vi+1 ; (2.D),比较更新全局最优解和局部最优解,如果当前的适应度值优于局部的最好适应度值,将当前值作为最好的适应度值,同时更新局部最优的粒子信息;如果当前的适应度值优于全局的最好适应度值,替换全局最优为当前的适应度值,并更新全局最优粒子信息。`3.根据权利要求1所述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,其特征在于,所述的步骤(I)中所述的颜色一阶矩的提取如下式所示:4.根据权利要求1所述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,其特征在于,所述的步骤(I)中所述的颜色二阶矩提取如下:二阶矩的提取如下式所示:5.根据权利要求1所述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,其特征在于,所述的步骤(I)中所述的颜色直方图提取如下: 颜色直方图定义式为:6.根据权利要求1所述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,其特征在于,所述的步骤(I)中所述的角点提取如下:我们定义X为图像帧角点的特征度量:7.根据权利要求1所述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,其特征在于,所述的步骤(I)中所述的DC系数的提取如下:根据MPEG编码原理,对图像进行DCT变换,再经量化得到DC系数;首先将图像分割成η X η的块,对于DCT变换,DCT系数的第一个值是直流分量,即为DC系数,数量上等于该块的平均值;于是就可以直接提取每一个块的DC分量,以该分量的值代表整个块;在此基础上得到相邻两帧对应宏块位置上的ηΧη块的DC系数之差大于某个阈值的数量,我们把它作为DC系数这个特征的帧间差异;若当前帧和前一帧的差异较大,则很可能发生了镜头变化。8.根据权利要求7所述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,其特征在于,所述的η可以取8。全文摘要本专利技术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算法,原始数据是待镜头边界检测的视频数据,包括以下步骤(1),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;还有压缩域上的DC本文档来自技高网
...

【技术保护点】
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,原始数据是待镜头边界检测的视频数据,其特征在于,包括以下步骤:(1),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系数特征;(2),使用粒子群算法对选取支持向量机的惩罚因子和核函数参数进行优化;(3),利用得到的近似最优参数训练得到最优分类模型,并以此为基础对视频序列帧进行分类,最终完成镜头分割。

【技术特征摘要】

【专利技术属性】
技术研发人员:孙学梅赵龙孙宝山
申请(专利权)人:天津工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1