CN102497556B - 一种基于时间变化度的场景切换检测方法、装置、设备 - Google Patents
一种基于时间变化度的场景切换检测方法、装置、设备 Download PDFInfo
- Publication number
- CN102497556B CN102497556B CN201110441142.8A CN201110441142A CN102497556B CN 102497556 B CN102497556 B CN 102497556B CN 201110441142 A CN201110441142 A CN 201110441142A CN 102497556 B CN102497556 B CN 102497556B
- Authority
- CN
- China
- Prior art keywords
- frame
- thres
- mrow
- information
- colourity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Television Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开一种基于时间变化度的场景切换检测方法、装置、设备。属于视频编解码领域，所述方法通过获取待检测帧图像的y，u，v信息的时间变化度统计特性，根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值，根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，进行判定有无场景切换。利用本发明方法可使得编码器能动态调整编码策略，从而优化编码性能。
Description
技术领域
本发明涉及视频编解码领域，尤其涉及一种基于时间变化度的场景切换检测方法、装置、设备。
背景技术
编码信息源采用的是亮度与色度分量分离的yuv格式，同时由于实际编码片源的多样性，使得单独依靠亮度或者色度信息的检测方法无法获取好的效果。而利用编码信息的场景切换判定方法，在转码或者解码时可以有较好的效果，但在对原始采集片源进行编码的编码端，由于缺乏先验的编码信息，使得利用编码信息的场景切换判定方法不适用于编码端。同时，考虑到实际片源的复杂性，即存在色度信息较为充分的片源也存在色度信息缺乏的片源(如：电影片源中的黑白场景、性能较差的摄像头采集的片源)，对应的数值分布区间也完全不同，不加区分的统一判断模式，将致使判定的准确性急剧下降。
发明内容
本发明实施例的目的在于提出一种基于时间变化度的场景切换检测方法，旨在解决现有技术中单独依靠亮度或者色度信息的检测方法无法获取好的编码效果以及利用编码信息的场景切换判定方法不适用于编码端问题，以及不独立设置色度信息较为充分的片源与色度信息缺乏的片源场景切换判定模型，错判率较高的问题。
本发明实施例是这样实现的，一种基于时间变化度的场景切换检测方法，其特征在于，所述方法包括：
步骤A，分别获取待检测帧(第t帧)图像的y，u，v信息的时间变化度统计特性；
步骤B，根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值；
步骤C，根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，进行判定有无场景切换。
所述步骤A具体包括：
步骤a，确定待检测帧(第t帧)图像关键区域Regicnt；
步骤b，判断待检测帧中的当前块是否属于待检测帧(第t帧)图像关键区域，是则进入步骤c，否则进入当前块下一块blockt,n+1，重新返回步骤b进行判断；
步骤c，计算当前块blockt,n的y、u、v信息时间变化度的第一统计特性向量、第二统计特性向量；
步骤d，判断第当前帧图像关键区域内是否所有的块都已经求取统计特性向量，是则进入步骤e，否则进入当前块下一个块blockt,n+1，重新进入步骤b；
步骤e，计算待检测帧图像的y、u、v信息时间变化度的第一统计特性、第二统计特性；
其中：t表示待检测帧在视频序列中的帧序号，第t帧为待检测帧，
Regiont表示第t帧图像关键区域，
blockt,n表示第t帧图像的第n块，第n块为待检测块，也即当前块，
blockt,n+1表示第t帧图像的第n+1块。
y表示图像的亮度分量，u、v分别表示图像的色度分量。
所述步骤c具体为：
c1：获取blockt,n的f信息时间变化度的3个集合bf,t-2,n、bf,t-1,n、bf,t,n；
f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量，集合bf,t-2,n、bf,t-1,n、bf,t,n的计算公式如(1)所示：
公式(1)中的m分别等于t-2、t-1、t，即可分别获取bf,t-2,n、bf,t-1,n、bf,t,n，
blockm,n表示第m帧图像第n块，
blockm+1,n表示第m+1帧图像第n块，
fm(i,j)表示第m帧图像第i行第j列f信息的数值，
fm+1,n(i,j)表示第m+1帧图像第i行第j列f信息的数值，
fm(i,j)∈blockm,n表示位于blockm,n块内的第m帧图像第i行第j列f信息的数值，
fm+1(i,j)∈blockm+1,n表示位于blockm+1,n块内的第m+1帧图像第i行第j列f信息的数值，
表示满足fm+1(i,j)∈blockm+1,n并且fm(i,j)∈blockm,n的所有
fm+1(i,j)-fm(i,j)的集合，
fm+1(i,j)-fm(i,j)为对应f信息的数值的减法运算，
c2：求取blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第一统计特性，分别记为Std(bf,t-2,n)、Std(bf,t-1,n)、Std(bf,t,n)，Std表示求均方差；
c3：求取blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第二统计特性，分别记为mean(bf,t-2,n)、mean(bf,t-1,n)、mean(bf,t,n)，mean表示求均值；
c4：构建blockt,n的f信息时间变化度第一统计特性向量Ts_bf,t,n和第二统计特性向量Tm_bf,t,n，其构建方法如下：
Ts_bf,t,n＝(Std(bf,t-2,n),Std(bf,t-1,n),Std(bf,t,n))(2)
Tm_bf,t,n＝(mean(bf,t-2,n),mean(bf,t-1,n),mean(bf,t,n))(3)
所述步骤e具体为：
对第t帧图像关键区内所有块的Ts_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第一统计特性Ts_frame f,t，对第t帧图像关键区内所有块的Tm_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第二统计特性Tm_frame f,t，
Ts_frame f,t＝mean(Ts_bf,t,n)(4)
Tm_frame f,t＝mean(Tm_bf,t,n)(5)。
本发明实施例的另一目的在于提出一种基于时间变化度的场景切换检测装置，所述装置包括：帧图像y u v信息的时间变化度统计特性获取模块41，细致判定阈值获取模块42、场景切换判定模块43，
帧图像y u v信息的时间变化度统计特性获取模块41，用于分别获取待检测帧(第t帧)图像的f信息的时间变化度统计特性，f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量；
细致判定阈值获取模块42，用于根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值；
场景切换判定模块43，用于根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，判定有无场景切换。
本发明实施例的另一目的在于提出一种所述基于时间变化度的场景切换检测装置的设备。
本发明的有益效果
本发明实施例通过获取待检测帧图像的y，u，v信息的时间变化度统计特性，根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值，根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，进行判定有无场景切换。利用本发明实施例方法可使得编码器能动态调整编码策略，从而优化编码性能。
附图说明
图1是本发明实施例的一种基于时间变化度的场景切换检测方法流程图；
图2是图1中步骤S11的详细方法流程图；
图3是图2中步骤S113详细方法流程图；
图4是本发明实施例的一种基于时间变化度的场景切换检测装置结构图；
图5是图4装置中的帧模块41的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明，为了便于说明，仅示出了与本发明实施例相关的部分。应当理解，此处所描写的具体实施例，仅仅用于解释本发明，并不用以限制本发明。
本发明实施例通过获取待检测帧图像的y，u，v信息的时间变化度统计特性，根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值，根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，进行判定有无场景切换。利用本发明实施例方法可使得编码器能动态调整编码策略，从而优化编码性能。
图1是本发明实施例的一种基于时间变化度的场景切换检测方法流程图，所述方法包括以下步骤：
S11：分别获取待检测帧(第t帧)图像的y，u，v信息的时间变化度统计特性；
图2是本发明实施例的获取待检测帧图像的y，u，v信息的时间变化度统计特性方法流程图；
所述“分别获取待检测帧(第t帧)图像的y，u，v信息的时间变化度统计特性”具体包括以下步骤：
S111：确定待检测帧(第t帧)图像关键区域，记为Regiont；
t表示待检测帧在视频序列中的帧序号，在本发明实施例中，设第t帧为待检测帧；Regiont表示第t帧图像关键区域；
可以将整个第t帧图像作为第t帧图像的关键区域Regiont；
也可以取第t帧图像的中心区域作为第t帧图像关键区域：如去掉第t帧图像最上端的height/kh个宏块行、最下端的height/kh个宏块行、再去掉第t帧图像最左侧的width/kw个宏块列、最右侧width/kw个宏块行后，剩余的图像作为Regiont。
其中height、width分别为图像像素的行数、列数，kh、kw分别为行方向与列方向比例系数，可选16、8等整数；一般较小比例系数的块适合纹理信息较弱的片源；
在保证一定检测精度下，可通过减少判定区域来确定图像的关键区域，从而减少计算量，具体的可以通过实验来统计获取较优的结果，所述检测精度根据实际需要设定。
进一步，也可以通过对原始图像进行下采样来减少计算量，此时，步骤S11之前还包括步骤：对待处理原始图像进行下采样；
对原始图像进行下采样的方法包括本发明领域常用的下采样方法，为本技术领域的公知常识，在此未作说明。
S112：判断待检测帧中的当前块blockt,n是否属于待检测帧(第t帧)图像关键区域，即blockt,n∈Regiont，是则进入步骤S113，否则进入当前块下一块blockt,n+1，重新返回步骤S112进行判断；
t表示待检测帧在视频序列中的帧序号，在本发明实施例中，设第t
帧为待检测帧，也即当前帧；
blockt,n表示第t帧图像的第n块，在本发明实施例中，设第n块为待检测块，也即当前块；
blockt,n+1表示第t帧图像的第n+1块；
其中块的大小可以根据需要调整，常用的如16x16、8x8、32x32等等；
S113，计算当前块blockt,n的y、u、v信息时间变化度的第一统计特性向量、第二统计特性向量。
设f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量，则“计算当前块blockt,n的y，u，v信息的时间变化度统计特性”也即“计算当前块blockt,n的f信息的时间变化度统计特性”。
所述“计算当前块blockt,n的f信息的时间变化度统计特性”包括以下步骤:图3是图2中步骤S113详细方法流程图；
S1131：获取blockt,n的f信息时间变化度的3个集合bf,t-2,n、bf,t-1,n、bf,t,n；
集合的计算公式如(1)所示：即令公式(1)中的m分别等于t-2、t-1、t，即可分别获取bf,t-2,n、bf,t-1,n、bf,t,n。
blockm,n表示第m帧图像第n块；本发明实施例中块的大小可选常用的宏块大小16x16,或者较大的块如32x32，或者较小的块如8x8；一般较大的块适合分辨率大的编码片源、纹理信息较弱的片源；一般较小的块适合分辨率小的编码片源；
blockm+1,n表示第m+1帧图像第n块；
fm(i,j)表示第m帧图像第i行第j列f信息的数值；
fm+1,n(i,j)表示第m+1帧图像第i行第j列f信息的数值；
fm(i,j)∈blockm,n表示位于blockm,n块内的第m帧图像第i行第j列f信息的数值；
fm+1(i,j)∈blockm+1,n表示位于blockm+1,n块内的第m+1帧图像第i行第j列
f信息的数值；
表示满足fm+1(i,j)∈blockm+1,n并且fm(i,j)∈blockm,n的所有
fm+1(i,j)-fm(i,j)的集合；
fm+1(i,j)-fm(i,j)为对应f信息的数值的减法运算；
S1132：求取blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第一统计特性，分别记为Std(bf,t-2,n)、Std(bf,t-1,n)、Std(bf,t,n)；Std表示求均方差；
S1133：求取blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第二统计特性，分别记为mean(bf,t-2,n)、mean(bf,t-1,n)、mean(bf,t,n)；mean表示求均值；
S1134：构建blockt,n的f信息时间变化度第一统计特性向量和第二统计特性向量，分别记为Ts_bf,t,n，Tm_bf,t,n，其构建方法如下：
Ts_bf,t,n＝(Std(bf,t-2,n),Std(bf,t-1,n),Std(bf,t,n))(2)
Tm_bf,t,n＝(mean(bf,t-2,n),mean(bf,t-1,n),mean(bf,t,n))(3)
本发明实施例中，所有向量的分量位置都不固定，可以任意变换，为了简化表示，本发明实施例中所有向量的表达式都只列出一种分量的排列形式；
本发明实施例中，所有对向量进行的运算均是向量运算，即对向量每一分量分别进行运算，运算结果仍为向量；
本发明实施例中，为了简化表达，可利用向量的分量在向量中的序号表示向量的每一个分量，
如Ts_bf,t,n的各分量可表示为：
Ts_b f,t,n(1)＝Std(bf,t-2,n)；Ts_b f,t,n(2)＝Std(bf,t-1,n)；Ts_b f,t,n(3)＝Std(bf,t,n)；
如Tm_bf,t,n的各分量可表示为：
Tm_b f,t,n(1)＝mean(bf,t-2,n)；Tm_b f,t,n(2)＝mean(bf,t-1,n)；Tm_b f,t,n(3)＝mean(bf,t,n)。
S114：判断第t帧图像关键区域内是否所有的块都已经求取统计特性向量，是则进入步骤S105，否则进入当前块下一个块blockt,n+1，重新进入步骤S112；
S115，计算待检测帧图像的y、u、v信息时间变化度的第一统计特性、第二统计特性。
具体为：对第t帧图像关键区内所有块的Ts_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第一统计特性Ts_frame f,t；对第t帧图像关键区内所有块的Tm_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第二统计特性Tm_frame f,t；
Ts_frame f,t＝mean(Ts_bf,t,n)(4)
Tm_frame f,t＝mean(Tm_bf,t,n)(5)
利用(2)、(3)可将(4)、(5)上式进一步具体表示为
进一步地，为了简化表达，可利用向量的分量在向量中的序号表示向量的每一个分量，如
Ts_framef,t的各分量可表示为：
Tm_framef,t的各分量可表示为：
令(6)中f分别等于y、u、v，求取Ts_framey,t，Ts_frameu,t，Ts_framev,t，
令(7)中f分别等于y、u、v，求取Tm_framey,t，Tm_frameu,t，Tm_framev,t；
Ts_framey,t称为第t帧图像亮度信息时间变化度的第一统计特性；
Ts_frameu,t，Ts_framev,t称为第t帧图像色度信息时间变化度的第一统计特性；
Tm_framey,t称为第t帧图像亮度信息时间变化度的第二统计特性；
Tm_frameu,t，Tm_framev,t称为第t帧图像色度信息时间变化度的第二统计特性；
进一步地，为了简化表达，可利用向量的分量在向量中的序号表示向量的每一个分量。
令(8)中f分别等于y、u、v；即可获取Ts_framey,t、Ts_frameu,t、Ts_framev,t各分量的表示法；
令(9)中f分别等于y、u、v，即可获取Tm_framey,t、Tm_frameu,t、Tm_framev,t各分量的表示法；
Ts_framey,t的各分量可表示为：
Ts_frame y,t(1)＝mean(Std(by,t-2,n))；
Ts_frame y,t(2)＝mean(Std(by,t-1,n))；
Ts_frame y,t(3)＝mean(Std(by,t,n))；
Ts_frameu,t的各分量可表示为：
Ts_frame u,t(1)＝mean(Std(bu,t-2,n))；
Ts_frame u,t(2)＝mean(Std(bu,t-1,n))；
Ts_frame u,t(3)＝mean(Std(bu,t,n))；
Ts_framev,t的各分量可表示为：
Ts_frame v,t(1)＝mean(Std(bv,t-2,n))；
Ts_frame v,t(2)＝mean(Std(bv,t-1,n))；
Ts_frame v,t(3)＝mean(Std(bv,t,n))；
Tm_framey,t的各分量可表示为：
Tm_frame y,t(1)＝mean(mean(by,t-2,n))；
Tm_frame y,t(2)＝mean(mean(by,t-1,n))；
Tm_frame y,t(3)＝mean(mean(by,t,n))；
Tm_frameu,t的各分量可表示为：
Tm_frame u,t(1)＝mean(mean(bu,t-2,n))；
Tm_frame u,t(2)＝mean(mean(bu,t-1,n))；
Tm_frame u,t(3)＝mean(mean(bu,t,n))；
Tm_framev,t的各分量可表示为：
Tm_frame v,t(1)＝mean(mean(bv,t-2,n))；
Tm_frame v,t(2)＝mean(mean(bv,t-1,n))；
Tm_frame v,t(3)＝mean(mean(bv,t,n))；
本领域的技术人员可以理解，利用以上各公式计算待检测帧图像的y、u、v信息时间变化度第一统计特性和第二统计特性的计算方法只是本发明实施例优选的一种计算方法，其它等同的常用计算方法均在本发明的保护范围内。
S12：根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值；
如果
((Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)>Thres_u1||
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)>Thres_u1)
或者
((Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)>Thres_v1||
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)>Thres_v1)
则：(色度信息变化剧烈的情况)
令亮度细致判定阈值Thres_y1和Thres_y2分别为亮度第一类判定阈值Thres_y_1和Thres_y_2；令色度细致判定阈值Thres_uv1和Thres_uv2分别为色度第一类细致判定阈值Thres_uv_1和Thres_uv_2；即
Thres_y1＝Thres_y_1,Thres_y2＝Thres_y_2
Thres_uv1＝Thres_uv_1,Thres_uv2＝Thres_uv_2
然后，进入步骤S13的细致判定阶段
其中，Thres_y_1为亮度第一类判定阈值的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的非色度信息缺乏图像
(Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)、
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)
数值分布，确定最大概率对应的数值作为相应亮度第一类判定阈值相对阈值；
Thres_y_2为亮度第一类判定阈值绝对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的非色度信息缺乏图像Ts_framey,t(2)-Ts_framey,t(1)、
Ts_framey,t(2)-Ts_framey,t(3)
数值分布，确定最大概率对应的数值作为相应亮度第一类判定阈值绝对阈值；
Thres_uv_1为色度第一类判定阈值差阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的非色度信息缺乏图像fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为色度第一类判定阈值差阈值；
Thres_uv_2为色度第一类判定阈值和阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的非色度信息缺乏图像Tm_frameu,t(2)+Tm_framev,t(2)
数值分布，确定最大概率对应的数值作为色度第一类判定阈值和阈值；
Thres_u1为色度信息变化剧烈场景时对应色度u的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换的片源)的非色度信息缺乏图像
(Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化剧烈场景时对应色度u的相对阈值。
Thres_v1为色度信息变化剧烈场景时对应色度v的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换的片源)的非色度信息缺乏图像
(Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化剧烈场景时对应色度v的相对阈值。非色度信息缺乏图像是指图像中至少存在一个像素点的色度能量大于判定阈值Thresup的图像
即
其中为一个像素点的色度能量，u(i,j)、v(i,j)，分别为位于图像第i行j列色度分量u，v的数值，，Thresup为非色度信息缺乏图像的判定阈值，Thresup>30；
否则如果
((Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)>Thres_u2||
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)>Thres_u2))
并且
((Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)>Thres_v2||
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)>Thres_v2)
则：(色度信息变化小场景的情况)
令亮度细致判定阈值Thres_y1和Thres_y2分别为亮度第二类判定阈值Thres_y_3和Thres_y_4，令色度细致判定阈值Thres_uv1和Thres_uv2分别为色度第二类细致判定阈值Thres_uv_3和Thres_uv_4；即
Thres_y1＝Thres_y_3,Thres_y2＝Thres_y_4
Thres_uv1＝Thres_uv_3,Thres_uv2＝Thres_uv_4
然后，进入步骤S13的细致判定阶段
其中，Thres_y_3为亮度第二类判定阈值相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的色度信息缺乏图像
(Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)、
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)
数值分布，确定最大概率对应的数值作为相应亮度第二类判定阈值相对阈值；
Thres_y_4为亮度第二类判定阈值绝对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的色度信息缺乏图像Ts_framey,t(2)-Ts_framey,t(1)、
Ts_framey,t(2)-Ts_framey,t(3)
数值分布，确定最大概率对应的数值作为相应亮度第二类判定阈值绝对阈值；
Thres_uv_3为色度第二类判定阈值差阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的色度信息缺乏图像fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为色度第二类判定阈值差阈值；
Thres_uv_4为色度第二类判定阈值和阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的色度信息缺乏图像Tm_frameu,t(2)+Tm_framev,t(2)
数值分布，确定最大概率对应的数值作为色度第二类判定阈值和阈值；
Thres_u2为色度信息变化小场景时对应色度u的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换的片源)的色度信息缺乏图像
(Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化小场景时对应色度u的相对阈值。
Thres_v2为色度信息变化小场景时对应色度v的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换的片源)的色度信息缺乏图像
(Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化小场景对应色度v的相对阈值。色度信息缺乏图像是指图像所有像素点色度能量均小于判定阈值Thresdown的图像
即
其中为一个像素点的色度能量，u(i,j)、v(i,j)，分别为位于图像第i行j列色度分量u，v的数值,Thresdown为色度信息缺乏图像的判定阈值，Thresdown<15,
所述亮度第一类判定阈值的相对阈值Thres_y_1、亮度第一类判定阈值绝对阈值Thres_y_2、色度第一类判定阈值差阈值Thres_uv_1、色度第一类判定阈值和阈值Thres_uv_2、色度信息变化剧烈场景时对应色度u的相对阈值Thres_u1、色度信息变化剧烈场景时对应色度v的相对阈值Thres_v1、亮度第二类判定阈值相对阈值Thres_y_3、亮度第二类判定阈值绝对阈值Thres_y_4、色度第二类判定阈值差阈值Thres_uv_3、色度第二类判定阈值和阈值Thres_uv_4、色度信息变化小场景时对应色度u的相对阈值Thres_u2、色度信息变化小场景时对应色度v的相对阈值Thres_v2中，各阈值获取方法所采用的数值分布最大值概率法还可以替换成均值法，即用作为阈值，其中表示对k求和，k表示统计变量的具体数值，p(k)表示数值k出现的概率。
否则：
确定第t帧非场景切换帧，令t＝t+1，重新进入S111进入下一帧的判定。
S13：根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，进行判定有无场景切换。
如果
((Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)>Thres_y1||
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)>Thres_y1)
并且
((Ts_framey,t(2)-Ts_framey,t(1))>Thres_y2||
并且
(fabs(Tm_frameu,t(2)-Tm_framev,t(2))>Thres_uv1||
fabs(Tm_frameu,t(2)+Tm_framev,t(2))>Thres_uv2)
并且
(fabs(Tm_frameu,t(2)-Tm_framev,t(2))+△>fabs(Tm_frameu,t(1)-Tm_framev,t(1))
&&
fabs(Tm_frameu,t(2)-Tm_framev,t(2))+△>fabs(Tm_frameu,t(3)-Tm_framev,t(3)))
则：确定第t帧图像Ft为新场景的起始帧。
其中，△是漂移值常量，增强算法的适应性，即增强简单的二值化判断在统计阈值不佳的时候引起算法性能下降的问题。△同样可以通过统计实验获取，即通过统计大量(至少25个场景切换的片源)图像的
fabs(Tm_frameu,t(1)-Tm_framev,t(1))-fabs(Tm_frameu,t(2)-Tm_framev,t(2))
fabs(Tm_frameu,t(3)-Tm_framev,t(3))-fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为漂移值常量△。求取漂移值常量△所采用的数值分布最大值概率法还可以替换成均值法，即用作为阈值，其中表示对k求和，k表示统计变量的具体数值，p(k)表示数值k出现的概率。其它常用的统计法均适用。
“||”、“&&”、“fabs”：分别为C语言中“或”、“与”，“取绝对值运算”。
本发明实施例通过获取待检测帧图像的y，u，v信息的时间变化度统计特性，根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值，根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，进行判定有无场景切换。利用本发明实施例方法可使得编码器能动态调整编码策略，从而优化编码性能。
图4是本发明实施例的一种基于时间变化度的场景切换检测装置结构图；所述装置包括：帧图像y u v信息的时间变化度统计特性获取模块41，细致判定阈值获取模块42、场景切换判定模块43；
帧图像y u v信息的时间变化度统计特性获取模块41，用于分别获取待检测帧(第t帧)图像的f信息的时间变化度统计特性，f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量；
细致判定阈值获取模块42，用于根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值；
场景切换判定模块43，用于根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，判定有无场景切换。
进一步地，所述帧图像y u v信息的时间变化度统计特性获取模块41还包括：帧图像关键区域获取模块411、第一判断模块412、块统计特性向量计算模块413、第二判断模块414、帧图像y，u，v信息的时间变化度统计特性计算模块415；
图5是图4装置中的模块41的结构图。
帧图像关键区域获取模块411，用于确定待检测帧(第t帧)的图像关键区域；
第一判断模块412，用于判断待检测帧中的当前块是否属于待检测帧(第t帧)图像关键区域，是则进入模块413，否则进入当前块下一块，返回模块412进行判断；t表示待检测帧在视频序列中的帧序号，设第t帧为待检测帧；
块统计特性向量计算模块413，用于计算当前块blockt,n的y、u、v信息时间变化度的第一统计特性向量、第二统计特性向量；
第二判断模块414，用于判断第t帧图像关键区域内是否所有的块都已经求取统计特性向量，是则进入模块415，否则进入当前块下一块，返回模块412；
帧图像y，u，v信息的时间变化度统计特性计算模块415，用于根据所述块统计特性向量，计算待检测帧图像的y、u、v信息时间变化度的第一统计特性、第二统计特性；
进一步地，所述模块413还包括：块的f信息时间变化度集合确定模块4131、块的f信息时间变化度集合的第一统计特性获取模块4132、块的f信息时间变化度集合的第二统计特性获取模块4133、块的f信息时间变化度第一和第二统计特性向量构建模块4134。
块的f信息时间变化度集合确定模块4131，用于获取待检测帧中的待检测块的f信息时间变化度的3个集合,其中f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量；
集合的计算公式如(1)所示：即令公式(1)中的m分别等于t-2、t-1、t，即可分别获取bf,t-2,n、bf,t-1,n、bf,t,n，bf,t-2,n、bf,t-1,n、bf,t,n分别为待检测块blockt,n的f信息时间变化度的3个集合
blockm,n表示第m帧图像第n块；本发明实施例中块的大小可选常用的宏块大小16x16,或者较大的块如32x32，或者较小的块如8x8；一般较大的块适合分辨率大的编码片源、纹理信息较弱的片源；一般较小的块适合分辨率小的编码片源；
blockm+1,n表示第m+1帧图像第n块；
fm(i,j)表示第m帧图像第i行第j列f信息的数值；
fm+1,n(i,j)表示第m+1帧图像第i行第j列f信息的数值；
fm(i,j)∈blockm,n表示位于blockm,n块内的第m帧图像第i行第j列f信息的数值；
fm+1(i,j)∈blockm+1,n表示位于blockm+1,n块内的第m+1帧图像第i行第j列
f信息的数值；
表示满足fm+1(i,j)∈blockm+1,n并且fm(i,j)∈blockm,n的所有
fm+1(i,j)-fm(i,j)的集合；
fm+1(i,j)-fm(i,j)为对应f信息的数值的减法运算；
块的f信息时间变化度集合的第一统计特性获取模块4132，用于求取待检测帧中的待检测块的f信息时间变化度3个集合的第一统计特性；
具体为：求取待检测块blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第一统计特性，分别记为Std(bf,t-2,n)、Std(bf,t-1,n)、Std(bf,t,n)；Std表示求均方差；
块的f信息时间变化度集合的第二统计特性获取模块4133，用于求取待检测帧中的待检测块的f信息时间变化度3个集合的第二统计特性；
具体为：求取待检测块blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第二统计特性，分别记为mean(bf,t-2,n)、mean(bf,t-1,n)、mean(bf,t,n)；mean表示求均值；
块的f信息时间变化度第一和第二统计特性向量构建模块4134，用于构建待检测帧中的待检测块的f信息时间变化度第一统计特性向量和第二统计特性向量；
具体为：构建blockt,n的f信息时间变化度第一统计特性向量和第二统计特性向量，分别记为Ts_bf,t,n，Tm_bf,t,n，其构建方法如下：
Ts_bf,t,n＝(Std(bf,t-2,n),Std(bf,t-1,n),Std(bf,t,n))(2)
Tm_bf,t,n＝(mean(bf,t-2,n),mean(bf,t-1,n),mean(bf,t,n))(3)
本发明实施例中，所有向量的分量位置都不固定，可以任意变换，为了简化表示，本发明实施例中所有向量的表达式都只列出一种分量的排列形式；
本发明实施例中，所有对向量进行的运算均是向量运算，即对向量每一分量分别进行运算，运算结果仍为向量；
本发明实施例中，为了简化表达，可利用向量的分量在向量中的序号表示向量的每一个分量，
如Ts_bf,t,n的各分量可表示为：
Ts_bf,t,n(1)＝Std(bf,t-2,n)；Ts_bf,t,n(2)＝Std(bf,t-1,n)；Ts_bf,t,n(3)＝Std(bf,t,n)；
如Tm_bf,t,n的各分量可表示为：
Tm_bf,t,n(1)＝mean(bf,t-2,n)；Tm_bf,t,n(2)＝mean(bf,t-1,n)；Tm_bf,t,n(3)＝mean(bf,t,n)。
进一步地，模块415中，所述“计算待检测帧图像的y、u、v信息时间变化度的第一统计特性、第二统计特性”具体为：
对第t帧图像关键区内所有块的f信息时间变化度第一统计特性向量Ts_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第一统计特性Ts_frame f,t；对第t帧图像关键区内所有块的f信息时间变化度第二统计特性向量Tm_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第二统计特性Tm_frame f,t；
Ts_frame f,t＝mean(Ts_bf,t,n)(4)
Tm_frame f,t＝mean(Tm_bf,t,n)(5)
利用(2)、(3)可将(4)、(5)上式进一步具体表示为
为了简化表达，可利用向量的分量在向量中的序号表示向量的每一个分量，如
Ts_framef,t的各分量可表示为：
Tm_framef,t的各分量可表示为：
令(6)中f分别等于y、u、v，求取Ts_framey,t，Ts_frameu,t，Ts_framev,t，
令(7)中f分别等于y、u、v，求取Tm_framey,t，Tm_frameu,t，Tm_framev,t；
Ts_framey,t称为第t帧图像亮度信息时间变化度的第一统计特性；
Ts_frameu,t，Ts_framev,t称为第t帧图像色度信息时间变化度的第一统计特性；
Tm_framey,t称为第t帧图像亮度信息时间变化度的第二统计特性；
Tm_frameu,t，Tm_framev,t称为第t帧图像色度信息时间变化度的第二统计特性；
为了简化表达，可利用向量的分量在向量中的序号表示向量的每一个分量。
令(8)中f分别等于y、u、v；即可获取Ts_framey,t、Ts_frame u,t、Ts_framev,t各分量的表示法；
令(9)中f分别等于y、u、v，即可获取Tm_framey,t、Tm_frameu,t、Tm_framev,t各分量的表示法；
Ts_framey,t的各分量可表示为：
Ts_frame y,t(1)＝mean(Std(by,t-2,n))；
Ts_frame y,t(2)＝mean(Std(by,t-1,n))；
Ts_frame y,t(3)＝mean(Std(by,t,n))；
Ts_frameu,t的各分量可表示为：
Ts_frame u,t(1)＝mean(Std(bu,t-2,n))；
Ts_frame u,t(2)＝mean(Std(bu,t-1,n))；
Ts_frame u,t(3)＝mean(Std(bu,t,n))；
Ts_framev,t的各分量可表示为：
Ts_frame v,t(1)＝mean(Std(bv,t-2,n))；
Ts_frame v,t(2)＝mean(Std(bv,t-1,n))；
Ts_frame v,t(3)＝mean(Std(bv,t,n))；
Tm_framey,t的各分量可表示为：
Tm_frame y,t(1)＝mean(mean(by,t-2,n))；
Tm_frame y,t(2)＝mean(mean(by,t-1,n))；
Tm_frame y,t(3)＝mean(mean(by,t,n))；
Tm_frameu,t的各分量可表示为：
Tm_frame u,t(1)＝mean(mean(bu,t-2,n))；
Tm_frame u,t(2)＝mean(mean(bu,t-1,n))；
Tm_frame u,t(3)＝mean(mean(bu,t,n))；
Tm_framev,t的各分量可表示为：
Tm_frame v,t(1)＝mean(mean(bv,t-2,n))；
Tm_frame v,t(2)＝mean(mean(bv,t-1,n))；
Tm_frame v,t(3)＝mean(mean(bv,t,n))；
进一步地，模块42中“用于根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值”具体为：
判断，如果
((Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)>Thres_u1||
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)>Thres_u1)
或者
((Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)>Thres_v1||
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)>Thres_v1)
则：
令亮度细致判定阈值Thres_y1和Thres_y2分别为亮度第一类判定阈值Thres_y_1和Thres_y_22；令色度细致判定阈值Thres_uv1和Thres_uv2分别为色度第一类细致判定阈值Thres_uv_1和Thres_uv_2；即
Thres_y1＝Thres_y_1,Thres_y2＝Thres_y_2
Thres_uv1＝Thres_uv_1,Thres_uv2＝Thres_uv_2
进入模块43，
其中，Thres_y_1为亮度第一类判定阈值的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的非色度信息缺乏图像
(Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)、
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)
数值分布，确定最大概率对应的数值作为相应亮度第一类判定阈值相对阈值；
Thres_y_2为亮度第一类判定阈值绝对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的非色度信息缺乏图像Ts_framey,t(2)-Ts_framey,t(1)、
Ts_framey,t(2)-Ts_framey,t(3)
数值分布，确定最大概率对应的数值作为相应亮度第一类判定阈值绝对阈值；
Thres_uv_1为色度第一类判定阈值差阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的非色度信息缺乏图像fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为色度第一类判定阈值差阈值；
Thres_uv_2为色度第一类判定阈值和阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的非色度信息缺乏图像Tm_frameu,t(2)+Tm_framev,t(2)
数值分布，确定最大概率对应的数值作为色度第一类判定阈值和阈值；
Thres_u1为色度信息变化剧烈场景时对应色度u的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换的片源)的非色度信息缺乏图像
(Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化剧烈场景时对应色度u的相对阈值。
Thres_v1为色度信息变化剧烈场景时对应色度v的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换的片源)的非色度信息缺乏图像
(Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化剧烈场景时对应色度v的相对阈值。非色度信息缺乏图像是指图像中至少存在一个像素点的色度能量大于判定阈值Thresup的图像
即
其中为一个像素点的色度能量，u(i,j)、v(i,j)，分别为位于图像第i行j列色度分量u，v的数值，，Thresup为非色度信息缺乏图像的判定阈值，Thresup>30；
否则如果
((Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)>Thres_u2||
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)>Thres_u2))
并且
((Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)>Thres_v2||
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)>Thres_v2)
则：(色度信息变化小场景的情况)
令亮度细致判定阈值Thres_y1和Thres_y2分别为亮度第二类判定阈值Thres_y_3和Thres_y_4；令色度细致判定阈值Thres_uv1和Thres_uv2分别为色度第二类细致判定阈值Thres_uv_3和Thres_uv_4；即
Thres_y1＝Thres_y_3,Thres_y2＝Thres_y_4
Thres_uv1＝Thres_uv_3,Thres_uv2＝Thres_uv_4
进入模块43，
其中，Thres_y_3为亮度第二类判定阈值相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的色度信息缺乏图像
(Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)、
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)
数值分布，确定最大概率对应的数值作为相应亮度第二类判定阈值相对阈值；
Thres_y_4为亮度第二类判定阈值绝对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的色度信息缺乏图像Ts_framey,t(2)-Ts_framey,t(1)、
Ts_framey,t(2)-Ts_framey,t(3)
数值分布，确定最大概率对应的数值作为相应亮度第二类判定阈值绝对阈值；
Thres_uv_3为色度第二类判定阈值差阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的色度信息缺乏图像fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为色度第二类判定阈值差阈值；
Thres_uv_4为色度第二类判定阈值和阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换片源)的色度信息缺乏图像Tm_frameu,t(2)+Tm_framev,t(2)
数值分布，确定最大概率对应的数值作为色度第二类判定阈值和阈值；
Thres_u2为色度信息变化小场景时对应色度u的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换的片源)的色度信息缺乏图像
(Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化小场景时对应色度u的相对阈值。
Thres_v2为色度信息变化小场景时对应色度v的相对阈值，可以通过统计实验获取，即可以通过统计大量(至少25个场景切换的片源)的色度信息缺乏图像
(Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化小场景时
对应色度v的相对阈值。色度信息缺乏图像是指图像所有像素点色度能量均小于判定阈值Thresdown的图像
即
其中为一个像素点的色度能量，u(i,j)、v(i,j)，分别为位于图像第i行j列色度分量u，v的数值,Thresdown为色度信息缺乏图像的判定阈值，Thresdown<15,
所述亮度第一类判定阈值的相对阈值Thres_y_1、亮度第一类判定阈值绝对阈值Thres_y_2、色度第一类判定阈值差阈值Thres_uv_1、色度第一类判定阈值和阈值Thres_uv_2、色度信息变化剧烈场景时对应色度u的相对阈值Thres_u1、色度信息变化剧烈场景时对应色度v的相对阈值Thres_v1、亮度第二类判定阈值相对阈值Thres_y_3、亮度第二类判定阈值绝对阈值Thres_y_4、色度第二类判定阈值差阈值Thres_uv_3、色度第二类判定阈值和阈值Thres_uv_4、色度信息变化小场景时对应色度u的相对阈值Thres_u2、色度信息变化小场景时对应色度v的相对阈值Thres_v2中，各阈值获取方法所采用的数值分布最大值概率法还可以替换成均值法，即用作为阈值，其中表示对k求和，k表示统计变量的具体数值，p(k)表示数值k出现的概率。
否则：
确定第t帧非场景切换帧，令t＝t+1，重新进入模块41进行下一帧的判定。
进一步地，模块43中“用于根据亮度和/或色度的统计信息变化，判定有无场景切换”具体为：
判断，如果
((Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)>Thres_y1||
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)>Thres_y1)
并且
((Ts_framey,t(2)-Ts_framey,t(1))>Thres_y2||
并且
(fabs(Tm_frameu,t(2)-Tm_framev,t(2))>Thres_uv1||
fabs(Tm_frameu,t(2)+Tm_framev,t(2))>Thres_uv2)
并且
(fabs(Tm_frameu,t(2)-Tm_framev,t(2))+△>fabs(Tm_frameu,t(1)-Tm_framev,t(1))
&&
fabs(Tm_frameu,t(2)-Tm_framev,t(2))+△>fabs(Tm_frameu,t(3)-Tm_framev,t(3)))则：确定第t帧图像Ft为新场景的起始帧。
其中，△是漂移值常量，可以通过统计实验获取，即通过统计大量(至少25个场景切换的片源)图像的
fabs(Tm_frameu,t(1)-Tm_framev,t(1))-fabs(Tm_frameu,t(2)-Tm_framev,t(2))
fabs(Tm_frameu,t(3)-Tm_framev,t(3))-fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为漂移值常量△。求取漂移值常量△所采用的数值分布最大值概率法还可以替换成均值法，即用作为阈值，其中表示对k求和，k表示统计变量的具体数值，p(k)表示数值k出现的概率。其它常用的统计法均适用。
漂移值常量△可增强算法的适应性，即增强简单的二值化判断在统计阈值不佳的时候引起算法性能下降的问题。
“||”、“&&”、“fabs”：分别为C语言中“或”、“与”，“取绝对值运算”。
本发明实施例通过获取待检测帧图像的y，u，v信息的时间变化度统计特性，根据亮度和/或色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值，根据亮度和/或色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，进行判定有无场景切换。利用本发明实施例方法可使得编码器能动态调整编码策略，从而优化编码性能。
本领域的普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序指令相关硬件来完成的，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质可以为ROM、RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种基于时间变化度的场景切换检测方法，其特征在于，所述方法包括：
步骤A，分别获取待检测帧图像的y，u，v信息的时间变化度统计特性；
步骤B，根据亮度和色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值；
步骤C，根据亮度和色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，进行判定有无场景切换；
所述步骤A具体包括：
步骤a，确定待检测帧图像关键区域Regiont；
步骤b，判断待检测帧中的当前块是否属于待检测帧图像关键区域，是则进入步骤c，否则进入当前块下一块blockt,n+1，重新返回步骤b进行判断；
步骤c，计算当前块blockt,n的y、u、v信息时间变化度的第一统计特性向量、第二统计特性向量；
步骤d，判断当前帧图像关键区域内是否所有的块都已经求取统计特性向量，是则进入步骤e，否则进入当前块下一个块blockt,n+1，重新进入步骤b；
步骤e，计算待检测帧图像的y、u、v信息时间变化度的第一统计特性、第二统计特性；
其中：t表示待检测帧在视频序列中的帧序号，第t帧为待检测帧，Regiont表示第t帧图像关键区域，blockt,n表示第t帧图像的第n块，第n块为待检测块，也即当前块，blockt,n+1表示第t帧图像的第n+1块，y表示图像的亮度分量，u、v分别表示图像的色度分量；
所述步骤B具体为：
如果
((Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)>Thres_u1||
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)>Thres_u1)
或者
((Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)>Thres_v1||
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)>Thres_v1)
则：
令亮度细致判定阈值Thres_y1和Thres_y2分别为亮度第一类判定阈值Thres_y_1和Thres_y_2；令色度细致判定阈值Thres_uv1和Thres_uv2分别为色度第一类细致判定阈值Thres_uv_1和Thres_uv_2；即
Thres_y1＝Thres_y_1,Thres_y2＝Thres_y_2
Thres_uv1＝Thres_uv_1,Thres_uv2＝Thres_uv_2
然后，进入步骤C
其中，Thres_y_1为亮度第一类判定阈值的相对阈值，通过统计至少25个场景切换片源的非色度信息缺乏图像
(Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)、
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)
数值分布，确定最大概率对应的数值作为相应亮度第一类判定阈值相对阈值；
Thres_y_2为亮度第一类判定阈值绝对阈值，通过统计至少25个场景切换片源的非色度信息缺乏图像Ts_framey,t(2)-Ts_framey,t(1)、Ts_framey,t(2)-Ts_framey,t(3)
数值分布，确定最大概率对应的数值作为相应亮度第一类判定阈值绝对阈值；
Thres_uv_1为色度第一类判定阈值差阈值，通过统计至少25个场景切换片源的非色度信息缺乏图像fabs(Tm_frameu,t(2)-Tm_framev,t(2))数值分布，确定最大概率对应的数值作为色度第一类判定阈值差阈值；
Thres_uv_2为色度第一类判定阈值和阈值，通过统计至少25个场景切换片源的非色度信息缺乏图像Tm_frameu,t(2)+Tm_framev,t(2)
数值分布，确定最大概率对应的数值作为色度第一类判定阈值和阈值；
Thres_u1为色度信息变化剧烈场景时对应色度u的相对阈值，通过统计至少25个场景切换的片源的非色度信息缺乏图像
(Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化剧烈场景时对应色度u的相对阈值,
Thres_v1为色度信息变化剧烈场景时对应色度v的相对阈值，通过统计至少25个场景切换的片源的非色度信息缺乏图像
(Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化剧烈场景时对应色度v的相对阈值，
非色度信息缺乏图像是指图像中至少存在一个像素点的色度能量大于判定阈值Thresup的图像
即
其中为一个像素点的色度能量，u(i,j)、v(i,j)，分别为位于图像第i行j列色度分量u，v的数值，Thresup为非色度信息缺乏图像的判定阈值，Thresup>30；
否则如果
((Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)>Thres_u2||
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)>Thres_u2))
并且
((Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)>Thres_v2||
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)>Thres_v2)
则：
令亮度细致判定阈值Thres_y1和Thres_y2分别为亮度第二类判定阈值Thres_y_3和Thres_y_4，令色度细致判定阈值Thres_uv1和Thres_uv2分别为色度第二类细致判定阈值Thres_uv_3和Thres_uv_4；即
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>y</mi>
<mn>1</mn>
<mo>=</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>y</mi>
<mo>_</mo>
<mn>3</mn>
<mo>,</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>y</mi>
<mn>2</mn>
<mo>=</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>y</mi>
<mo>_</mo>
<mn>4</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>u</mi>
<mi>v</mi>
<mn>1</mn>
<mo>=</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>u</mi>
<mi>v</mi>
<mo>_</mo>
<mn>3</mn>
<mo>,</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>u</mi>
<mi>v</mi>
<mn>2</mn>
<mo>=</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>u</mi>
<mi>v</mi>
<mo>_</mo>
<mn>4</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
进入步骤C，
其中，Thres_y_3为亮度第二类判定阈值相对阈值，通过统计至少25个场景切换片源的色度信息缺乏图像
(Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)、
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)
数值分布，确定最大概率对应的数值作为相应亮度第二类判定阈值相对阈值；
Thres_y_4为亮度第二类判定阈值绝对阈值，通过统计至少25个场景切换片源的色度信息缺乏图像Ts_framey,t(2)-Ts_framey,t(1)、Ts_framey,t(2)-Ts_framey,t(3)
数值分布，确定最大概率对应的数值作为相应亮度第二类判定阈值绝对阈值；
Thres_uv_3为色度第二类判定阈值差阈值，通过统计至少25个场景切换片源的色度信息缺乏图像fabs(Tm_frameu,t(2)-Tm_framev,t(2))数值分布，确定最大概率对应的数值作为色度第二类判定阈值差阈值；
Thres_uv_4为色度第二类判定阈值和阈值，通过统计至少25个场景切换片源的色度信息缺乏图像Tm_frameu,t(2)+Tm_framev,t(2)数值分布，确定最大概率对应的数值作为色度第二类判定阈值和阈值；
Thres_u2为色度信息变化小场景时对应色度u的相对阈值，通过统计至少25个场景切换的片源的色度信息缺乏图像
(Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化小场景时对应色度u的相对阈值,
Thres_v2为色度信息变化小场景时对应色度v的相对阈值，通过统计至少25个场景切换的片源的色度信息缺乏图像
(Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化小场景时
对应色度v的相对阈值,
色度信息缺乏图像是指图像所有像素点色
度能量均小于判定阈值Thresdown的图像
即
其中为一个像素点的色度能量，u(i,j)、v(i,j)，分别为位于图像第i行j列色度分量u，v的数值,Thresdown为色度信息缺乏图像的判定阈值，Thresdown<15,
否则：
确定第t帧非场景切换帧，令t＝t+1，重新进入所述步骤A进入下一帧的判定；
Ts_framey,t称为第t帧图像亮度信息时间变化度的第一统计特性，
Ts_frameu,t，Ts_framev,t称为第t帧图像色度信息时间变化度的第一统计特性，
Tm_framey,t称为第t帧图像亮度信息时间变化度的第二统计特性，
Tm_frameu,t，Tm_framev,t称为第t帧图像色度信息时间变化度的第二统计特性；
Ts_framey,t(1)、Ts_framey,t(2)、Ts_framey,t(3)分别为Ts_framey,t各分量的表示法；
Ts_frameu,t(1)、Ts_frameu,t(2)Ts_frameu,t(3)分别为Ts_frameu,t各分量的表示法；
Ts_framev,t(1)、Ts_framev,t(2)、Ts_framev,t(3)分别为Ts_framev,t各分量的表示法；
Tm_framey,t(1)、Tm_framey,t(2)、Tm_framey,t(3)分别为Tm_framey,t各分量的表示法；
Tm_frameu,t(1)、Tm_frameu,t(2)、Tm_frameu,t(3)分别为Tm_frameu,t各分量的表示法；
Tm_framev,t(1)、Tm_framev,t(2)、Tm_framev,t(3)分别为Tm_framev,t各分量的表示法；
所述步骤C具体为：
如果
((Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)>Thres_y1||
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)>Thres_y1)
并且
((Ts_framey,t(2)-Ts_framey,t(1))>Thres_y2||
(Ts_framey,t(2)-Ts_framey,t(3))>Thres_y2)
并且
(fabs(Tm_frameu,t(2)-Tm_framev,t(2))>Thres_uv1||
fabs(Tm_frameu,t(2)+Tm_framev,t(2))>Thres_uv2)
并且
(fabs(Tm_frameu,t(2)-Tm_framev,t(2))+△>fabs(Tm_frameu,t(1)-Tm_framev,t(1))
&&
fabs(Tm_frameu,t(2)-Tm_framev,t(2))+△>fabs(Tm_frameu,t(3)-Tm_framev,t(3)))
则：确定第t帧图像为新场景的起始帧，
其中，△是漂移值常量，“||”、“&&”、“fabs”分别为C语言中“或”、“与”，“取绝对值运算”,△通过统计至少25个场景切换的片源图像的
fabs(Tm_frameu,t(1)-Tm_framev,t(1))-fabs(Tm_frameu,t(2)-Tm_framev,t(2))和
fabs(Tm_frameu,t(3)-Tm_framev,t(3))-fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为漂移值常量△；
其中，所述步骤c具体为：
c1：获取blockt,n的f信息时间变化度的3个集合bf,t-2,n、bf,t-1,n、bf,t,n；
f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量，集合bf,t-2,n、bf,t-1,n、bf,t,n的计算公式如(1)所示：
<mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<munder>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>block</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>&cap;</mo>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>block</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</munder>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(1)中的m分别等于t-2、t-1、t，即可分别获取bf,t-2,n、bf,t-1,n、bf,t,n，blockm,n表示第m帧图像第n块，
blockm+1,n表示第m+1帧图像第n块，
fm(i,j)表示第m帧图像第i行第j列f信息的数值，
fm+1,n(i,j)表示第m+1帧图像第i行第j列f信息的数值，
fm(i,j)∈blockm,n表示位于blockm,n块内的第m帧图像第i行第j列f信息的数值，
fm+1(i,j)∈blockm+1,n表示位于blockm+1,n块内的第m+1帧图像第i行第j列f信息的数值，
表示满足fm+1(i,j)∈blockm+1,n并且fm(i,j)∈blockm,n的所有fm+1(i,j)-fm(i,j)的集合，
fm+1(i,j)-fm(i,j)为对应f信息的数值的减法运算，
c2：求取blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第一统计特性，分别记为Std(bf,t-2,n)、Std(bf,t-1,n)、Std(bf,t,n)，Std表示求均方差；
c3：求取blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第二统计特性，分别记为mean(bf,t-2,n)、mean(bf,t-1,n)、mean(bf,t,n)，mean表示求均值；
c4：构建blockt,n的f信息时间变化度第一统计特性向量Ts_bf,t,n和第二统计特性向量Tm_bf,t,n，其构建方法如下：
Ts_bf,t,n＝(Std(bf,t-2,n),Std(bf,t-1,n),Std(bf,t,n)) (2)
Tm_bf,t,n＝(mean(bf,t-2,n),mean(bf,t-1,n),mean(bf,t,n)) (3)；
其中，所述步骤e具体为：
对第t帧图像关键区内所有块的Ts_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第一统计特性Ts_framef,t，对第t帧图像关键区内所有块的Tm_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第二统计特性Tm_framef,t，
Ts_framef,t＝mean(Ts_bf,t,n) (4)
Tm_framef,t＝mean(Tm_bf,t,n) (5)。
2.如权利要求1所述的基于时间变化度的场景切换检测方法，其特征在于，所述步骤A之前还包括步骤：
对待处理原始图像进行下采样。
3.如权利要求1所述的基于时间变化度的场景切换检测方法，其特征在于，所述步骤a具体为：
将整个第t帧图像作为第t帧图像的关键区域Regiont，或
取第t帧图像的中心区域作为第t帧图像关键区域，或
在保证一定检测精度下，通过减少判定区域来确定图像的关键区域。
4.如权利要求3所述的基于时间变化度的场景切换检测方法，其特征在于，所述“取第t帧图像的中心区域作为第t帧图像关键区域”具体为：
去掉第t帧图像最上端的height/kh个宏块行、最下端的height/kh个宏块行、再去掉第t帧图像最左侧的width/kw个宏块列、最右侧width/kw个宏块行后，剩余的图像作为Regiont，
其中height、width分别为图像像素的行数、列数，kh、kw分别为行方向与列方向比例系数，所述比例系数为整数。
5.如权利要求1所述的基于时间变化度的场景切换检测方法，其特征在于，
利用公式(2)、(3)，公式(4)、(5)，第t帧图像的f信息时间变化度的第二统计特性Ts_framef,t和第二统计特性Tm_framef,t进一步具体表示为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>s</mi>
<mo>_</mo>
<msub>
<mi>frame</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>2</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>2</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mo>(</mo>
<mrow>
<mi>S</mi>
<mi>t</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
Tm_framef,t＝mean((mean(bf,t-2,n),mean(bf,t-1,n),mean(bf,t,n)))
＝(mean(mean(bf,t-2,n)),mean(mean(bf,t-1,n)),mean(mean(bf,t,n))) (7)。
6.如权利要求5所述的基于时间变化度的场景切换检测方法，其特征在于，
利用向量的分量在向量中的序号表示向量的每一个分量，
Ts_bf,t,n的各分量表示为：
Ts_bf,t,n(1)＝Std(bf,t-2,n)，Ts_bf,t,n(2)＝Std(bf,t-1,n)，Ts_bf,t,n(3)＝Std(bf,t,n)，
Tm_bf,t,n的各分量表示为：
Tm_bf,t,n(1)＝mean(bf,t-2,n)，Tm_bf,t,n(2)＝mean(bf,t-1,n)，Tm_bf,t,n(3)＝mean(bf,t,n)；
Ts_framef,t的各分量表示为：
Ts_framef,t(1)＝mean(Std(bf,t-2,n))，
Ts_framef,t(2)＝mean(Std(bf,t-1,n))，
Ts_framef,t(3)＝mean(Std(bf,t,n))， (8)
Tm_framef,t的各分量可表示为：
Tm_framef,t(1)＝mean(mean(bf,t-2,n))，
Tm_framef,t(2)＝mean(mean(bf,t-1,n))，
Tm_framef,t(3)＝mean(mean(bf,t,n))， (9)
令(6)中f分别等于y、u、v，求取Ts_framey,t，Ts_frameu,t，Ts_framev,t，
令(7)中f分别等于y、u、v，求取Tm_framey,t，Tm_frameu,t，Tm_framev,t；
Ts_framey,t称为第t帧图像亮度信息时间变化度的第一统计特性，
Ts_frameu,t，Ts_framev,t称为第t帧图像色度信息时间变化度的第一统计特性，
Tm_framey,t称为第t帧图像亮度信息时间变化度的第二统计特性，
Tm_frameu,t，Tm_framev,t称为第t帧图像色度信息时间变化度的第二统计特性。
7.如权利要求6所述的基于时间变化度的场景切换检测方法，其特征在于，利用向量的分量在向量中的序号表示向量的每一个分量,
令(8)中f分别等于y、u、v，获取Ts_framey,t、Ts_frameu,t、Ts_framev,t各分量的表示法；
令(9)中f分别等于y、u、v，获取Tm_framey,t、Tm_frameu,t、Tm_framev,t各分量的表示法；
Ts_framey,t的各分量可表示为：
Ts_framey,t(1)＝mean(Std(by,t-2,n))；
Ts_framey,t(2)＝mean(Std(by,t-1,n))；
Ts_framey,t(3)＝mean(Std(by,t,n))；
Ts_frameu,t的各分量可表示为：
Ts_frameu,t(1)＝mean(Std(bu,t-2,n))；
Ts_frameu,t(2)＝mean(Std(bu,t-1,n))；
Ts_frameu,t(3)＝mean(Std(bu,t,n))；
Ts_framev,t的各分量可表示为：
Ts_framev,t(1)＝mean(Std(bv,t-2,n))；
Ts_framev,t(2)＝mean(Std(bv,t-1,n))；
Ts_framev,t(3)＝mean(Std(bv,t,n))；
Tm_framey,t的各分量可表示为：
Tm_framey,t(1)＝mean(mean(by,t-2,n))；
Tm_framey,t(2)＝mean(mean(by,t-1,n))；
Tm_framey,t(3)＝mean(mean(by,t,n))；
Tm_frameu,t的各分量可表示为：
Tm_frameu,t(1)＝mean(mean(bu,t-2,n))；
Tm_frameu,t(2)＝mean(mean(bu,t-1,n))；
Tm_frameu,t(3)＝mean(mean(bu,t,n))；
Tm_framev,t的各分量可表示为：
Tm_framev,t(1)＝mean(mean(bv,t-2,n))；
Tm_framev,t(2)＝mean(mean(bv,t-1,n))；
Tm_framev,t(3)＝mean(mean(bv,t,n))。
8.如权利要求1所述的基于时间变化度的场景切换检测方法，其特征在于，所述亮度第一类判定阈值的相对阈值Thres_y_1、亮度第一类判定阈值绝对阈值Thres_y_2、色度第一类判定阈值差阈值Thres_uv_1、色度第一类判定阈值和阈值Thres_uv_2、色度信息变化剧烈场景时对应色度u的相对阈值Thres_u1、色度信息变化剧烈场景时对应色度v的相对阈值Thres_v1、亮度第二类判定阈值相对阈值Thres_y_3、亮度第二类判定阈值绝对阈值Thres_y_4、色度第二类判定阈值差阈值Thres_uv_3、色度第二类判定阈值和阈值Thres_uv_4、色度信息变化小场景时对应色度u的相对阈值Thres_u2、色度信息变化小场景时对应色度v的相对阈值Thres_v2中，各阈值获取方法所采用的数值分布最大值概率法还可以替换成均值法，即用作为阈值，其中表示对k求和，k表示统计变量的具体数值，p(k)表示数值k出现的概率。
9.如权利要求1所述的基于时间变化度的场景切换检测方法，其特征在于，求取漂移值常量△所采用的数值分布最大值概率法还可以替换成均值法，即用作为阈值，其中表示对k求和，k表示统计变量的具体数值，p(k)表示数值k出现的概率。
10.一种基于时间变化度的场景切换检测装置，其特征在于，所述装置包括：帧图像y uv信息的时间变化度统计特性获取模块(41)，细致判定阈值获取模块(4)2、场景切换判定模块(43)，
帧图像y u v信息的时间变化度统计特性获取模块(41)，用于分别获取待检测帧图像的f信息的时间变化度统计特性，f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量；
细致判定阈值获取模块(42)，用于根据亮度和色度信息变化的不同情况，确定亮度细致判定阈值和色度细致判定阈值；
具体为：
如果
((Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)>Thres_u1||
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)>Thres_u1)
或者
((Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)>Thres_v1||
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)>Thres_v1)
则：
令亮度细致判定阈值Thres_y1和Thres_y2分别为亮度第一类判定阈值Thres_y_1和Thres_y_2；令色度细致判定阈值Thres_uv1和Thres_uv2分别为色度第一类细致判定阈值Thres_uv_1和Thres_uv_2；即
Thres_y1＝Thres_y_1,Thres_y2＝Thres_y_2
Thres_uv1＝Thres_uv_1,Thres_uv2＝Thres_uv_2
然后，进入场景切换判定模块(43)，
其中，Thres_y_1为亮度第一类判定阈值的相对阈值，通过统计至少25个场景切换片源的非色度信息缺乏图像
(Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)、
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)
数值分布，确定最大概率对应的数值作为相应亮度第一类判定阈值相对阈值；
Thres_y_2为亮度第一类判定阈值绝对阈值，通过统计至少25个场景切换片源的非色度信息缺乏图像Ts_framey,t(2)-Ts_framey,t(1)、Ts_framey,t(2)-Ts_framey,t(3)
数值分布，确定最大概率对应的数值作为相应亮度第一类判定阈值绝对阈值；
Thres_uv_1为色度第一类判定阈值差阈值，通过统计至少25个场景切换片源的非色度信息缺乏图像fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为色度第一类判定阈值差阈值；
Thres_uv_2为色度第一类判定阈值和阈值，通过统计至少25个场景切换片源的非色度信息缺乏图像Tm_frameu,t(2)+Tm_framev,t(2)
数值分布，确定最大概率对应的数值作为色度第一类判定阈值和阈值；
Thres_u1为色度信息变化剧烈场景时对应色度u的相对阈值，通过统计至少25个场景切换的片源的非色度信息缺乏图像
(Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化剧烈场景时对应色度u的相对阈值,
Thres_v1为色度信息变化剧烈场景时对应色度v的相对阈值，通过统计至少25个场景切换的片源的非色度信息缺乏图像
(Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化剧烈场景时对应色度v的相对阈值，
非色度信息缺乏图像是指图像中至少存在一个像素点的色度能量大于判定阈值Thresup的图像
即
其中为一个像素点的色度能量，u(i,j)、v(i,j)，分别为位于图像第i行j列色度分量u，v的数值，Thresup为非色度信息缺乏图像的判定阈值，Thresup>30；
否则如果
((Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)>Thres_u2||
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)>Thres_u2))
并且
((Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)>Thres_v2||
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)>Thres_v2)
则：
令亮度细致判定阈值Thres_y1和Thres_y2分别为亮度第二类判定阈值Thres_y_3和Thres_y_4，令色度细致判定阈值Thres_uv1和Thres_uv2分别为色度第二类细致判定阈值Thres_uv_3和Thres_uv_4；即
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>y</mi>
<mn>1</mn>
<mo>=</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>y</mi>
<mo>_</mo>
<mn>3</mn>
<mo>,</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>y</mi>
<mn>2</mn>
<mo>=</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>y</mi>
<mo>_</mo>
<mn>4</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>u</mi>
<mi>v</mi>
<mn>1</mn>
<mo>=</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>u</mi>
<mi>v</mi>
<mo>_</mo>
<mn>3</mn>
<mo>,</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>u</mi>
<mi>v</mi>
<mn>2</mn>
<mo>=</mo>
<mi>T</mi>
<mi>h</mi>
<mi>r</mi>
<mi>e</mi>
<mi>s</mi>
<mo>_</mo>
<mi>u</mi>
<mi>v</mi>
<mo>_</mo>
<mn>4</mn>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
进入场景切换判定模块(43)，
其中，Thres_y_3为亮度第二类判定阈值相对阈值，通过统计至少25个场景切换片源的色度信息缺乏图像
(Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)、
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)
数值分布，确定最大概率对应的数值作为相应亮度第二类判定阈值相对阈值；
Thres_y_4为亮度第二类判定阈值绝对阈值，通过统计至少25个场景切换片源的色度信息缺乏图像Ts_framey,t(2)-Ts_framey,t(1)、Ts_framey,t(2)-Ts_framey,t(3)
数值分布，确定最大概率对应的数值作为相应亮度第二类判定阈值绝对阈值；
Thres_uv_3为色度第二类判定阈值差阈值，通过统计至少25个场景切换片源的色度信息缺乏图像fabs(Tm_frameu,t(2)-Tm_framev,t(2))数值分布，确定最大概率对应的数值作为色度第二类判定阈值差阈值；
Thres_uv_4为色度第二类判定阈值和阈值，通过统计至少25个场景切换片源的色度信息缺乏图像Tm_frameu,t(2)+Tm_framev,t(2)
数值分布，确定最大概率对应的数值作为色度第二类判定阈值和阈值；
Thres_u2为色度信息变化小场景时对应色度u的相对阈值，通过统计至少25个场景切换的片源的色度信息缺乏图像
(Ts_frameu,t(2)-Ts_frameu,t(1))/Ts_frameu,t(2)
(Ts_frameu,t(2)-Ts_frameu,t(3))/Ts_frameu,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化小场景时对应色度u的相对阈值,
Thres_v2为色度信息变化小场景时对应色度v的相对阈值，通过统计至少25个场景切换的片源的色度信息缺乏图像
(Ts_framev,t(2)-Ts_framev,t(1))/Ts_framev,t(2)
(Ts_framev,t(2)-Ts_framev,t(3))/Ts_framev,t(2)
数值分布，确定最大概率对应的数值作为色度信息变化小场景时对应色度v的相对阈值,
色度信息缺乏图像是指图像所有像素点色
度能量均小于判定阈值Thresdown的图像
即
其中为一个像素点的色度能量，u(i,j)、v(i,j)，分别为位于图像第i行j列色度分量u，v的数值,Thresdown为色度信息缺乏图像的判定阈值，Thresdown<15,
否则：
确定第t帧非场景切换帧，令t＝t+1，重新进入帧图像y u v信息的时间变化度统计特性获取模块(41)进入下一帧的判定；
Ts_framey,t称为第t帧图像亮度信息时间变化度的第一统计特性，
Ts_frameu,t，Ts_framev,t称为第t帧图像色度信息时间变化度的第一统计特性，
Tm_framey,t称为第t帧图像亮度信息时间变化度的第二统计特性，
Tm_frameu,t，Tm_framev,t称为第t帧图像色度信息时间变化度的第二统计特性；
Ts_framey,t(1)、Ts_framey,t(2)、Ts_framey,t(3)分别为Ts_framey,t各分量的表示法；
Ts_frameu,t(1)、Ts_frameu,t(2)Ts_frameu,t(3)分别为Ts_frameu,t各分量的表示法；
Ts_framev,t(1)、Ts_framev,t(2)、Ts_framev,t(3)分别为Ts_framev,t各分量的表示法；
Tm_framey,t(1)、Tm_framey,t(2)、Tm_framey,t(3)分别为Tm_framey,t各分量的表示法；
Tm_frameu,t(1)、Tm_frameu,t(2)、Tm_frameu,t(3)分别为Tm_frameu,t各分量的表示法；
Tm_framev,t(1)、Tm_framev,t(2)、Tm_framev,t(3)分别为Tm_framev,t各分量的表示法；
场景切换判定模块(43)，用于根据亮度和色度的统计信息变化、亮度细致判定阈值和色度细致判定阈值，判定有无场景切换；
具体为：
如果
((Ts_framey,t(2)-Ts_framey,t(1))/Ts_framey,t(2)>Thres_y1||
(Ts_framey,t(2)-Ts_framey,t(3))/Ts_framey,t(2)>Thres_y1)
并且
((Ts_framey,t(2)-Ts_framey,t(1))>Thres_y2||
(Ts_framey,t(2)-Ts_framey,t(3))>Thres_y2)
并且
(fabs(Tm_frameu,t(2)-Tm_framev,t(2))>Thres_uv1||
fabs(Tm_frameu,t(2)+Tm_framev,t(2))>Thres_uv2)
并且
(fabs(Tm_frameu,t(2)-Tm_framev,t(2))+△>fabs(Tm_frameu,t(1)-Tm_framev,t(1))
&&
fabs(Tm_frameu,t(2)-Tm_framev,t(2))+△>fabs(Tm_frameu,t(3)-Tm_framev,t(3)))
则：确定第t帧图像为新场景的起始帧，
其中，△是漂移值常量，“||”、“&&”、“fabs”分别为C语言中“或”、“与”，“取绝对值运算”,△通过统计至少25个场景切换的片源图像的
fabs(Tm_frameu,t(1)-Tm_framev,t(1))-fabs(Tm_frameu,t(2)-Tm_framev,t(2))和
fabs(Tm_frameu,t(3)-Tm_framev,t(3))-fabs(Tm_frameu,t(2)-Tm_framev,t(2))
数值分布，确定最大概率对应的数值作为漂移值常量△；
所述帧图像y u v信息的时间变化度统计特性获取模块(41)还包括：帧图像关键区域获取模块(411)、第一判断模块(412)、块统计特性向量计算模块(413)、第二判断模块(414)、帧图像y，u，v信息的时间变化度统计特性计算模块(415)，
帧图像关键区域获取模块(411)，用于确定待检测帧的图像关键区域；
第一判断模块(412)，用于判断待检测帧中的当前块是否属于待检测帧图像关键区域，是则进入块统计特性向量计算模块(413)，否则进入当前块下一块，返回第一判断模块(412)进行判断；t表示待检测帧在视频序列中的帧序号，设第t帧为待检测帧；
块统计特性向量计算模块(413)，用于计算当前块blockt,n的y、u、v信息时间变化度的第一统计特性向量、第二统计特性向量；
具体为：
c1：获取blockt,n的f信息时间变化度的3个集合bf,t-2,n、bf,t-1,n、bf,t,n；
f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量，集合bf,t-2,n、bf,t-1,n、bf,t,n的计算公式如(1)所示：
<mrow>
<msub>
<mi>b</mi>
<mrow>
<mi>f</mi>
<mo>,</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>{</mo>
<munder>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>block</mi>
<mrow>
<mi>m</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>&cap;</mo>
<msub>
<mi>f</mi>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>block</mi>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</munder>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(1)中的m分别等于t-2、t-1、t，即可分别获取bf,t-2,n、bf,t-1,n、bf,t,n，blockm,n表示第m帧图像第n块，
blockm+1,n表示第m+1帧图像第n块，
fm(i,j)表示第m帧图像第i行第j列f信息的数值，
fm+1,n(i,j)表示第m+1帧图像第i行第j列f信息的数值，
fm(i,j)∈blockm,n表示位于blockm,n块内的第m帧图像第i行第j列f信息的数值，
fm+1(i,j)∈blockm+1,n表示位于blockm+1,n块内的第m+1帧图像第i行第j列f信息的数值，
表示满足fm+1(i,j)∈blockm+1,n并且fm(i,j)∈blockm,n的所有fm+1(i,j)-fm(i,j)的集合，
fm+1(i,j)-fm(i,j)为对应f信息的数值的减法运算，
c2：求取blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第一统计特性，分别记为Std(bf,t-2,n)、Std(bf,t-1,n)、Std(bf,t,n)，Std表示求均方差；
c3：求取blockt,n的f信息时间变化度3个集合bf,t-2,n、bf,t-1,n、bf,t,n的第二统计特性，分别记为mean(bf,t-2,n)、mean(bf,t-1,n)、mean(bf,t,n)，mean表示求均值；
c4：构建blockt,n的f信息时间变化度第一统计特性向量Ts_bf,t,n和第二统计特性向量Tm_bf,t,n，其构建方法如下：
Ts_bf,t,n＝(Std(bf,t-2,n),Std(bf,t-1,n),Std(bf,t,n)) (2)
Tm_bf,t,n＝(mean(bf,t-2,n),mean(bf,t-1,n),mean(bf,t,n)) (3)；
所述块统计特性向量计算模块(413)还包括：块的f信息时间变化度集合确定模块(4131)、块的f信息时间变化度集合的第一统计特性获取模块(4132)、块的f信息时间变化度集合的第二统计特性获取模块(4133)、块的f信息时间变化度第一和第二统计特性向量构建模块(4134)，
块的f信息时间变化度集合确定模块(4131)，用于获取待检测帧中的待检测块的f信息时间变化度的3个集合,其中f分别等于y、u、v，y表示图像的亮度分量，u、v分别表示图像的色度分量；
块的f信息时间变化度集合的第一统计特性获取模块(4132)，用于求取待检测帧中的待检测块的f信息时间变化度3个集合的第一统计特性；
块的f信息时间变化度集合的第二统计特性获取模块(4133)，用于求取待检测帧中的待检测块的f信息时间变化度3个集合的第二统计特性；
块的f信息时间变化度第一和第二统计特性向量构建模块(4134)，用于构建待检测帧中的待检测块的f信息时间变化度第一统计特性向量和第二统计特性向量；
第二判断模块(414)，用于判断第t帧图像关键区域内是否所有的块都已经求取统计特性向量，是则进入帧图像y，u，v信息的时间变化度统计特性计算模块(415)，否则进入当前块下一块，返回第一判断模块(412)；
帧图像y，u，v信息的时间变化度统计特性计算模块(415)，用于根据图像关键区内所有块的y、u、v信息时间变化度统计特性向量，计算待检测帧图像的y、u、v信息时间变化度的第一统计特性、第二统计特性；
帧图像y，u，v信息的时间变化度统计特性计算模块(415)中，所述“计算待检测帧图像的y、u、v信息时间变化度的第一统计特性、第二统计特性”
具体为：
对第t帧图像关键区内所有块的f信息时间变化度第一统计特性向量Ts_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第一统计特性Ts_framef,t；对第t帧图像关键区内所有块的f信息时间变化度第二统计特性向量Tm_bf,t,n求均值，作为第t帧图像的f信息时间变化度的第二统计特性Tm_framef,t。
11.一种包含如权利要求10所述基于时间变化度的场景切换检测装置的设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110441142.8A CN102497556B (zh) | 2011-12-26 | 2011-12-26 | 一种基于时间变化度的场景切换检测方法、装置、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201110441142.8A CN102497556B (zh) | 2011-12-26 | 2011-12-26 | 一种基于时间变化度的场景切换检测方法、装置、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102497556A CN102497556A (zh) | 2012-06-13 |
| CN102497556B true CN102497556B (zh) | 2017-12-08 |
Family
ID=46189338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110441142.8A Expired - Fee Related CN102497556B (zh) | 2011-12-26 | 2011-12-26 | 一种基于时间变化度的场景切换检测方法、装置、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102497556B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104125477B (zh) | 2013-04-27 | 2017-08-18 | 华为技术有限公司 | 一种视频帧淡入/淡出检测方法及装置 |
| CN105657424A (zh) * | 2015-12-30 | 2016-06-08 | 深圳市云宙多媒体技术有限公司 | 一种电影场景的色度编码方法和系统 |
| CN108630227A (zh) * | 2018-04-15 | 2018-10-09 | 吴秋琴 | 基于音频分析的站台投影系统 |
| CN110390951A (zh) * | 2018-04-15 | 2019-10-29 | 吴秋琴 | 基于音频分析的站台投影方法 |
| CN109194955B (zh) * | 2018-11-16 | 2021-04-30 | 深圳市梦网视讯有限公司 | 一种场景切换检测方法及系统 |
| CN109218728B (zh) * | 2018-11-16 | 2021-09-10 | 深圳市梦网视讯有限公司 | 一种场景切换检测方法和系统 |
| CN109274970B (zh) * | 2018-12-04 | 2021-02-26 | 深圳市梦网视讯有限公司 | 一种快速场景切换检测方法和系统 |
| CN109361923B (zh) * | 2018-12-04 | 2022-05-31 | 深圳市梦网视讯有限公司 | 一种基于运动分析的滑动时间窗场景切换检测方法和系统 |
| CN109660541B (zh) * | 2018-12-24 | 2021-08-13 | 国家电网有限公司 | 去中心化大数据的采集方法及装置 |
| CN110210283B (zh) * | 2019-04-09 | 2021-05-14 | 深圳市梦网视讯有限公司 | 一种基于换装应用的图像处理方法和系统 |
| CN110430443B (zh) * | 2019-07-11 | 2022-01-25 | 平安科技（深圳）有限公司 | 视频镜头剪切的方法、装置、计算机设备及存储介质 |
| CN112543328A (zh) * | 2019-09-20 | 2021-03-23 | 广州虎牙科技有限公司 | 辅助编码方法、装置、计算机设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1758759A (zh) * | 2005-11-18 | 2006-04-12 | 清华大学 | 一种视频场景切换检测方法 |
| JP2006155491A (ja) * | 2004-12-01 | 2006-06-15 | Samsung Yokohama Research Institute Co Ltd | シーンチェンジ検出方法 |
| CN101494726A (zh) * | 2008-01-25 | 2009-07-29 | 索尼株式会社 | 场景切换点检测器、记录和重现装置、事件生成器和方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100850935B1 (ko) * | 2001-12-27 | 2008-08-08 | 주식회사 엘지이아이 | 장면 전환 검출 장치 |
-
2011
- 2011-12-26 CN CN201110441142.8A patent/CN102497556B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006155491A (ja) * | 2004-12-01 | 2006-06-15 | Samsung Yokohama Research Institute Co Ltd | シーンチェンジ検出方法 |
| CN1758759A (zh) * | 2005-11-18 | 2006-04-12 | 清华大学 | 一种视频场景切换检测方法 |
| CN101494726A (zh) * | 2008-01-25 | 2009-07-29 | 索尼株式会社 | 场景切换点检测器、记录和重现装置、事件生成器和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102497556A (zh) | 2012-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102497556B (zh) | 一种基于时间变化度的场景切换检测方法、装置、设备 | |
| CN101379827B (zh) | 基于边缘的时空滤波方法和装置 | |
| US7860167B2 (en) | Apparatus and method for adaptive 3D artifact reducing for encoded image signal | |
| US20100067863A1 (en) | Video editing methods and systems | |
| CN101188755B (zh) | 一种对实时视频信号在avs编码过程中vbr码率控制的方法 | |
| CN107396102B (zh) | 一种基于Merge技术运动矢量的帧间模式快速选择方法及装置 | |
| CN101352046A (zh) | 图像编码/解码方法与装置 | |
| CN111355956A (zh) | 一种hevc帧内编码中基于深度学习的率失真优化快速决策系统及其方法 | |
| CN102395030A (zh) | 基于视频压缩码流的运动分析方法、码流转换方法及其装置 | |
| CN104378643A (zh) | 一种3d视频深度图像帧内预测模式选择方法及系统 | |
| CN104243973A (zh) | 基于感兴趣区域的视频感知质量无参考客观评价方法 | |
| CN107197297A (zh) | 一种检测基于dct系数隐写的视频隐写分析方法 | |
| CN106534846A (zh) | 一种屏幕内容与自然内容划分及快速编码方法 | |
| CN105578177A (zh) | 基于crc校验的视频静帧检测系统及方法 | |
| CN113068034A (zh) | 视频编码方法及装置、编码器、设备、存储介质 | |
| KR20060111528A (ko) | 비디오 신호에서 국부적인 시각적 공간-시간 상세의 검출 | |
| CN110312134A (zh) | 一种基于图像处理和机器学习的屏幕视频编码方法 | |
| CN106331730A (zh) | H.264视频同量化因子双重压缩检测方法 | |
| CN109584275B (zh) | 一种目标跟踪方法、装置、设备和存储介质 | |
| CN111723735A (zh) | 一种基于卷积神经网络的伪高码率hevc视频检测方法 | |
| CN105812824B (zh) | 一种视频图像编码方法及装置 | |
| Zuo et al. | Bi-layer texture discriminant fast depth intra coding for 3D-HEVC | |
| CN105007494A (zh) | 一种3d视频深度图像模型模式的帧内楔形分割模式选择方法 | |
| CN106101713A (zh) | 一种基于窗口最优校准的视频隐写分析方法 | |
| CN100407795C (zh) | 一种帧场自适应检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| ASS | Succession or assignment of patent right |
Owner name: SHENZHEN YUNZHOU MULTIMEDIA TECHNOLOGY CO., LTD. Free format text: FORMER OWNER: SHENZHEN TEMOBI SCIENCE + TECHNOLOGY CO., LTD. Effective date: 20140801 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20140801 Address after: Unit B4 9 building 518057 Guangdong city of Shenzhen province Nanshan District high in the four EVOC Technology Building No. 31 Applicant after: Shenzhen Yunzhou Multimedia Technology Co., Ltd. Address before: 19, building 18, Changhong technology building, 518057 South twelve Road, South tech Zone, Nanshan District hi tech Zone, Guangdong, Shenzhen Applicant before: Shenzhen Temobi Science & Tech Development Co.,Ltd. |
|
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C53 | Correction of patent for invention or patent application | ||
| CB02 | Change of applicant information |
Address after: The central Shenzhen city of Guangdong Province, 518057 Keyuan Road, Nanshan District science and Technology Park No. 15 Science Park Sinovac A Building 1 unit 403, No. 405 unit Applicant after: Shenzhen Yunzhou Multimedia Technology Co., Ltd. Address before: Unit B4 9 building 518057 Guangdong city of Shenzhen province Nanshan District high in the four EVOC Technology Building No. 31 Applicant before: Shenzhen Yunzhou Multimedia Technology Co., Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171208 Termination date: 20191226 |