CN102982553A - 一种镜头边界检测方法 - Google Patents

Abstract

本发明提供了一种镜头边界检测方法，属于视频检索领域。所述方法基于上下文特征向量和禁忌搜索算法优化支持向量机实现镜头边界检测，包括以下步骤：(1)提取视频数据的底层特征；(2)计算几种特定间隔下视频序列帧的帧间差，将其组成几种滑动窗口下的上下文特征向量；(3)使用禁忌搜索算法优化支持向量机分类模型；(4)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。本发明方法避免了传统支持向量机选取参数时的盲目性和低效率，能够一次性准确地得到近似最优参数，而且能够保证不陷入局部最优的麻烦。

Description

一种镜头边界检测方法

技术领域

本发明属于视频检索领域，具体涉及一种镜头边界检测方法。

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。文献《Temporal videosegmentation using unsupervised clustering and semantic object tracking》(作者：Bilge Gunsel，A.Mufit Ferman，A.Murat Tekalp，J.Electron.Imaging 7(3)，1998，592-604)中，提取颜色直方图特征并计算相邻帧的帧间差异，接着采用K均值聚类算法对视频的序列帧进行分类。文献《Supervisedclassification for video shot segmentation[A]》(作者：Y Qi，HauptmannA 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《Algorithm for Shot Boundary Detection basedon Support Vector Machine in Compressed Domain》(作者：Jian-Rong Caoand 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；此外，对于镜头边界检测中对于长渐变镜头的检测一直明显存在的漏检问题也没有很好的方法。。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种镜头边界检测方法，使用禁忌搜索算法对支持向量机的参数进行优化，综合使用上下文特征向量和基于禁忌搜索优化的支持向量机分类模型，降低参数选择的盲目性和不准确，而且对于检测各类镜头突变和渐变十分稳定和准确。

本发明是通过以下技术方案实现的：

一种镜头边界检测方法，基于上下文特征向量和禁忌搜索算法优化支持向量机实现镜头边界检测。

所述方法包括以下步骤：

(1)，提取视频数据的底层特征：提取全局颜色直方图和小波纹理特征；

(2)，计算几种特定间隔下视频序列帧的帧间差，将其组成几种滑动窗口下的上下文特征向量；

(3)，使用禁忌搜索算法优化支持向量机分类模型；

(4)，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；所述近似最优参数包括惩罚因子C和核函数参数γ。

所述步骤(1)中的提取全局颜色直方图是这样实现的：通过计算每个颜色区间的像素值个数来统计得到；对于原始的视频序列帧，需要提取并计算每一个通道下的颜色直方图区间值，采用χ2距离来计算帧间差异值，根据下式进行：

$d(H_j,H_{j+n})=\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{{(H_j\left(i\right)-H_{j+n}\left(i\right))}^2}{\max (H_j\left(i\right),H_{j+n}\left(i\right))}\right),$

其中i代表颜色区间索引，H_j是颜色直方图。

所述步骤(1)中的提取小波纹理特征是这样实现的：

首先，使用三层小波变换对原始帧进行分解，分解得到的结果如下：

$\{W_{\mathrm{LL}}^3,W_{\mathrm{LH}}^3,W_{\mathrm{HL}}^3,W_{\mathrm{HH}}^3,W_{\mathrm{LH}}^2,W_{\mathrm{HL}}^2,W_{\mathrm{HH}}^2,W_{\mathrm{LH}}^1,W_{\mathrm{HL}}^1,W_{\mathrm{HH}}^1\},$

其中

代表原始帧的低频部分，其他对应于高频部分。对于每一个系数矩阵Wⁱ，其均值和标准差分别定义成μ_i和σ_i，具体的计算如下两式：

${\text{\μ}}_i=\frac{1}{M*N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}\left|P_i(x,y)\right|$

${\mathrm{\σ}}_i=\frac{1}{M*N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{|P_i(x,y)-{\mathrm{\μ}}_i|}^2$

接下来，将得到的均值和标准差组成20维的特征向量，表征为如下形式：

$T_i=\{{\mathrm{\μ}}_{\mathrm{LL}}^3,{\mathrm{\σ}}_{\mathrm{LL}}^3,{\mathrm{\μ}}_{\mathrm{LH}}^3,{\mathrm{\σ}}_{\mathrm{LH}}^3,{\mathrm{\μ}}_{\mathrm{HL}}^3,{\mathrm{\σ}}_{\mathrm{HL}}^3,{\mathrm{\μ}}_{\mathrm{HH}}^3,{\mathrm{\σ}}_{\mathrm{HH}}^2,...,{\mathrm{\μ}}_{\mathrm{LH}}^2,{\mathrm{\σ}}_{\mathrm{LH}}^2,...,{\mathrm{\μ}}_{\mathrm{HH}}^1,{\mathrm{\σ}}_{\mathrm{HH}}^1\};$

T_i对应于第i帧的特征向量值。

所述步骤(3)具体如下：

(3.A)，初始解和适应度函数：(c₀，γ₀)代表随机产生的一个初始解，采用f(c，γ)＝accuracy作为适应度函数来计算适应度值，式中的c和γ分别是支持向量机中的惩罚因子和核函数参数；

(3.B)，邻域解和禁忌对象：在初始解(c₀，γ₀)周围能够得到很多组邻域解(c，γ)，通过初始预测每组解都会得到一个相应的适应度值；邻域解的生成策略是以初始解为中心，根据划定的一个预定范围在其中随机生成一定变化步长的解；适应度值的计算应用了支持向量机的交叉验证策略；

(3.C)，候选集生成：每一代根据适应度值的情况从邻域解中选取；

(3.D)，禁忌表的生成：每代中最好的解都放入到禁忌表中，在接下来若干代的迭代中所述最好的解被禁忌使用；

(3.E)，对禁忌表中的解的特赦：如果禁忌解对应的适应度值比到现在为止最好的适应度值更大，那么允许其从禁忌表中逃逸；另外，每隔若干代的迭代，之前放入到禁忌表中的最优解也会被释放出来；

(3.F)，如果达到最大迭代次数或者得到了足够好的适应度解，则停止迭代)。

所述步骤(4)是这样实现的：

使用支持向量机的分类函数svmpredict，将测试集的所有数据划分为三类，分别对应突变帧、渐变帧和普通帧，这样也就完成了镜头分割。

与现有技术相比，本发明的有益效果是：

(1)本发明的镜头边界检测效果较传统的基于支持向量机的方法和基于其他启发式算法优化支持向量机的方法更好；

(2)使用禁忌搜索优化算法选择支持向量机的参数，避免了传统支持向量机选取参数时的盲目性和低效率，能够一次性准确地得到近似最优参数，而且能够保证不陷入局部最优的麻烦。

附图说明

图1是本发明的背景以及视频结构图。

图2是禁忌搜索算法优化的SVM分类模型生成图。

图3是采用本方法和其他相关方法的性能比较图。

图4是本发明镜头边界检测方法的步骤框图。

具体实施方式

下面结合附图对本发明作进一步详细描述：

本发明针对现有镜头边界检测技术的不足，提出一种基于上下文特征向量和禁忌搜索算法优化支持向量机的镜头边界检测方法。利用本发明方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更加稳定和准确，对于难以检测的长镜头变化的检测效果也有一定的提升。

本发明的技术方案是：

本发明使用禁忌搜索算法优化支持向量机分类模型(如图2所示)，优化了模型对于参数的选取，改善了传统方法选取参数、阈值时的盲目性和低效率；另外，本发明使用多窗口值、多帧间距离值进行镜头边界检测，有效改善了传统算法存在的突变错检和渐变漏检。原始数据是待镜头边界检测的视频数据，如图1所示。

如图4所示，本发明方法包括以下步骤：

首先提取视频数据的底层特征，本方法主要提取全局颜色直方图和小波纹理特征。各种特征的具体提取如下：

颜色直方图：

颜色直方图表征的是不同颜色在一幅原始的视频帧所占据的比例，可以通过计算每个颜色区间的像素值个数来统计得到。颜色直方图对于存在全局的摄像机运动和局部帧内物体运动的视频镜头检测具有较好的效果。为了判别两个不同镜头间是突变还是渐变变化，需要计算一定距离下的帧间差异。对于原始的视频序列帧，需要提取并计算每一个通道下的颜色直方图区间值，本方法采用χ2距离来计算帧间差异值，根据下式进行：

$d(H_j,H_{j+n})=\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{{(H_j\left(i\right)-H_{j+n}\left(i\right))}^2}{\max (H_j\left(i\right),H_{j+n}\left(i\right))}\right),$

其中i代表颜色区间索引，H_j是颜色直方图。

小波纹理特征

本方法还提取基于多尺度分析的小波纹理特征，可以减小帧内噪声和颜色直方图错误统计信息带来的影响。通过对原始序列帧的多尺度分析，生成一系列不同尺度的子图像。

首先，使用三层小波变换对原始帧进行分解。分解得到的结果如下：

$\{W_{\mathrm{LL}}^3,W_{\mathrm{LH}}^3,W_{\mathrm{HL}}^3,W_{\mathrm{HH}}^3,W_{\mathrm{LH}}^2,W_{\mathrm{HL}}^2,W_{\mathrm{HH}}^2,W_{\mathrm{LH}}^1,W_{\mathrm{HL}}^1,W_{\mathrm{HH}}^1\},$

其中

代表原始帧的低频部分，其他对应于高频部分。对于每一个系数矩阵Wⁱ，其均值和标准差分别定义成μ_i和σ_i，具体的计算如下两式：

${\text{\μ}}_i=\frac{1}{M*N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}\left|P_i(x,y)\right|$

${\mathrm{\σ}}_i=\frac{1}{M*N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{|P_i(x,y)-{\mathrm{\μ}}_i|}^2$

接下来，将得到的均值和标准差组成20维的特征向量，可以表征为如下形式： $T_i=\{{\mathrm{\μ}}_{\mathrm{LL}}^3,{\mathrm{\σ}}_{\mathrm{LL}}^3,{\mathrm{\μ}}_{\mathrm{LH}}^3,{\mathrm{\σ}}_{\mathrm{LH}}^3,{\mathrm{\μ}}_{\mathrm{HL}}^3,{\mathrm{\σ}}_{\mathrm{HL}}^3,{\mathrm{\μ}}_{\mathrm{HH}}^3,{\mathrm{\σ}}_{\mathrm{HH}}^2,...,{\mathrm{\μ}}_{\mathrm{LH}}^2,{\mathrm{\σ}}_{\mathrm{LH}}^2,...,{\mathrm{\μ}}_{\mathrm{HH}}^1,{\mathrm{\σ}}_{\mathrm{HH}}^1\};$

T_i对应于第i帧的特征向量值。在本方法计算帧间差异时，综合考量了χ²距离和Kullback-Liebler距离，经过比较选用χ²距离。

第二步，计算几种特定间隔下视频序列帧的帧间差，将其组成几种滑动窗口下的上下文特征向量；本发明分别计算帧间差异时选用以下四种距离间隔，l＝1，l＝2，l＝5，l＝8；滑动窗口的生成选用以下几个值分别进行，w＝20，w＝40，w＝50(这些数值是不固定的，原则上可以在一个范围内变化。本发明选取这些数值主要是综合考虑了算法的效率和检测性能，其实也可以改成30，40，50，60等等。只不过这几个值比较有代表性)第二步骤要用到第一步骤的特征值。

第三步，使用禁忌搜索算法优化支持向量机分类模型，具体分为以下几个部分来实现：第三步骤要用到第二步骤的帧间差异和特征向量

(3.A)，初始解(随机生成的一对实数)和适应度函数，(c₀，γ₀)代表随机产生的一个初始解，采用f(c，γ)＝accuracy作为适应度函数来计算适应度值，式中的c和γ分别是支持向量机中的惩罚因子和核函数参数(Accuracy是经过使用svmpredict函数得到的预测准确值，不是参数)；

(3.B)，邻域解和禁忌对象，在初始解(c₀，γ₀)周围可以得到很多组邻域解(c，γ)，通过初始预测(使用支持向量机的预测函数svmpredict就可以完成)每组解都会得到一个相应的适应度值。邻域解的生成策略是以初始解为中心，根据划定的一个预定范围在其中随机生成一定变化步长的解。此外，c和γ分别在[0，100]和[0，100]的范围内变化，变化的步长取0.1(这几个数值不是固定的，但最好选取这样的范围和步长，有利于获得好的效果。)。为了加快算法的收敛速度，这里适应度值的计算应用了支持向量机的交叉验证策略(这个是支持向量机本身的机制，就是为了优化训练结果和得到好的模型。通过在svm中添加一个预制的参数就可以了，这个参数都是svm本身就有的)。综合考虑算法效果和时间复杂度，训练集的分块数是3；

(3.C)，候选集生成，每一代根据适应度值的情况从邻域解中选取；

(3.D)，禁忌表的生成，每代中最好的解(就是(c，γ)，根据大小比较得出。)都放入到禁忌表tabu list中，在接下来若干代的迭代中所述最好的解被禁忌使用(迭代中都要从一个解得周围重新生成候选解，而一个解被放入禁忌表就是通过设定候选解的生成不能在这个禁忌解的周围生成其他解)，为的是避免陷入局部最优。本方法中，禁忌表的长度设为10(这个值不是固定的，根据实际情况和实验来设定适合的即可)；

(3.E)，对禁忌解(即禁忌表中的解)的特赦，如果禁忌解对应的适应度值比到现在为止最好的适应度值还好(即更大，更接近100％的那个值)，那么允许其从禁忌表中逃逸；另外，每隔若干代(根据经验来自己设定，比如可以设定为每隔20代)的迭代，之前放入到禁忌表中的最优解也会被释放出来。

(3.F)，迭代的标准，迭代次数的设置根据以下的两方面因素：最大的迭代次数和足够好的适应度解(即如果达到最大迭代次数或者得到了足够好的适应度解，则停止迭代)，；例如可以预先设定的最大迭代次数是500代(该数值是不固定的，可以使用其它数值)；

第四步，利用得到的近似最优参数(即惩罚因子C和核函数参数γ)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，即使用支持向量机的分类函数svmpredict，可以将测试集的所有数据划分为三类，分别对应突变帧、渐变帧和普通帧，这样也就完成了镜头分割。。

由于视频序列帧本身数据的正负样本数较为悬殊，大量的负样本在实际的检测中会对检测效果产生影响，本方法根据不平衡学习理论对负样本做适当的剔除，以使得正负样本均衡。

下面结合实施例进一步描述本发明。本发明的范围不受这些实施例的限制，本发明的范围在权利要求书中提出。

禁忌搜索算法优化支持向量机分类模型的设计：

1)初始解和适应度函数

(c₀，γ₀)代表随机产生的一个初始解，采用f(c，γ)＝accuracy作为适应度函数来计算适应度值，式中的c和γ分别是支持向量机中的惩罚因子和核函数参数。

2)邻域解和禁忌对象

在初始解(c₀，γ₀)周围可以得到很多组邻域解(c，γ)，通过初始预测每组解都会得到一个相应的适应度值；邻域解的生成策略是以初始解为中心，根据划定的一个预定范围在其中随机生成一定变化步长的解。此外，c和γ分别在[0，100]和[0，100]的范围内变化，变化的步长取0.1。为了加快算法的收敛速度，适应度值的计算这里应用了支持向量机的交叉验证策略。综合考虑算法效果和时间复杂度，训练集的分块数是3。

3)禁忌表的生成

每代中最好的解都放入到禁忌表tabu list中，在接下来若干代的迭代中这个值被禁忌使用，为的是避免陷入局部最优。本方法中，禁忌表的长度设为10；此外，每隔1/4个总计的迭代次数，初始解都要逃逸重新生成一次，这样可以保证解的多样性，也在一定程度上避免了局部最优。

4)基于禁忌搜索算法的SVM参数优化算法

首先生成初始解，针对训练集(训练集是对于原始视频经过提取特征后得到的数据，只不过这些数据用来训练支持向量机分类模型)使用SVM进行训练、预测，使用交叉验证策略得到初始的适应度值。接下来，使用禁忌搜索算法对邻域解进行更新，得到新的参数并反馈给SVM，进行下一代的交叉验证，得到本代的新适应度值。将其与上一代的局部最优和全局最优(全局最优解保留的是每代中最优解的那个最优值，也就是说第一代有个最优值，以后的每一代都有最优值，全局最优解通过比较迄今为止的优解得到最大的那个值)进行比较，更新适应度值(直接通过比较大小更新就可以了，适应度值对于的就是accuracy的值)。如此循环往复，直到达到预设的循环代数或者使得适应度值足够好时停止迭代，此时得到的SVM参数是最优的惩罚因子和核函数参数，使用这组近似最优参数训练SVM模型完成训练预测，可以得到最好的镜头边界检测效果。

表1

本发明方法与其他的3种相关方法性能的对比如表1(表1中，RUN-1、RUN-2、RUN-3分别是本文与之比较的算法，RUN-4是本发明提出的算法。F1％是镜头边界检测算法优劣的一个重要评价指标，下分Cut和Gradual两种边界类型的F1％。右侧的SUM F1％是综合考虑突变和渐变之后的一个值，也是评价指标。可以看出，本发明的算法对应的突变F1％值、渐变F1％值和综合SUM F1％值都要好于其他几种算法)所示，其中，

RUN-1方法是提取颜色直方图特征并计算相邻帧的帧间差异，接着采用K均值聚类算法对视频的序列帧进行分类。

RUN-2方法是在检测镜头时分两层，每层采用2类分类器，其中只有一层采用基于SVM的分类器。

RUN-3方法也是使用SVM做分类器，只提取了压缩域上的特征来检测镜头边界。

RUN-4方法，即本发明方法是提取了鲁棒性较好的颜色直方图和小波纹理特征，根据镜头类型的不同计算几种距离下的帧间差异，将其组成几种滑动窗口下的特征矢量；而且使用禁忌搜索算法对支持向量机分类模型进行优化，取得了令人满意的检测效果。

从表1可以看出，本发明的算法对应的突变F1％值、渐变F1％值和综合SUM F1％值都要好于其他几种算法，因此本发明方法的性能最好，如图3所示。

上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。

Claims (6)

1.一种镜头边界检测方法，其特征在于：所述方法基于上下文特征向量和禁忌搜索算法优化支持向量机实现镜头边界检测。

2.根据权利要求1所述的镜头边界检测方法，其特征在于：

所述方法包括以下步骤：

(1)，提取视频数据的底层特征：提取全局颜色直方图和小波纹理特征；

(2)，计算几种特定间隔下视频序列帧的帧间差，将其组成几种滑动窗口下的上下文特征向量；

(3)，使用禁忌搜索算法优化支持向量机分类模型；

(4)，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；所述近似最优参数包括惩罚因子C和核函数参数γ。

3.根据权利要求2所述的镜头边界检测方法，其特征在于：所述步骤(1)中的提取全局颜色直方图是这样实现的：通过计算每个颜色区间的像素值个数来统计得到；对于原始的视频序列帧，需要提取并计算每一个通道下的颜色直方图区间值，采用χ²距离来计算帧间差异值，根据下式进行：

$d(H_j,H_{j+n})=\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}\frac{{(H_j\left(i\right)-H_{j+n}\left(i\right))}^2}{\max (H_j\left(i\right),H_{j+n}\left(i\right))}\right),$

其中i代表颜色区间索引，H_j是颜色直方图。

4.根据权利要求2所述的镜头边界检测方法，其特征在于：所述步骤(1)中的提取小波纹理特征是这样实现的：

首先，使用三层小波变换对原始帧进行分解，分解得到的结果如下：

$\{W_{\mathrm{LL}}^3,W_{\mathrm{LH}}^3,W_{\mathrm{HL}}^3,W_{\mathrm{HH}}^3,W_{\mathrm{LH}}^2,W_{\mathrm{HL}}^2,W_{\mathrm{HH}}^2,W_{\mathrm{LH}}^1,W_{\mathrm{HL}}^1,W_{\mathrm{HH}}^1\},$

其中代表原始帧的低频部分，其他对应于高频部分。对于每一个系数矩阵Wⁱ，其均值和标准差分别定义成μ_i和σ_i，具体的计算如下两式：

${\text{\μ}}_i=\frac{1}{M*N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}\left|P_i(x,y)\right|$

${\mathrm{\σ}}_i=\frac{1}{M*N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{|P_i(x,y)-{\mathrm{\μ}}_i|}^2$

接下来，将得到的均值和标准差组成20维的特征向量，表征为如下形式：

$T_i=\{{\mathrm{\μ}}_{\mathrm{LL}}^3,{\mathrm{\σ}}_{\mathrm{LL}}^3,{\mathrm{\μ}}_{\mathrm{LH}}^3,{\mathrm{\σ}}_{\mathrm{LH}}^3,{\mathrm{\μ}}_{\mathrm{HL}}^3,{\mathrm{\σ}}_{\mathrm{HL}}^3,{\mathrm{\μ}}_{\mathrm{HH}}^3,{\mathrm{\σ}}_{\mathrm{HH}}^2,...,{\mathrm{\μ}}_{\mathrm{LH}}^2,{\mathrm{\σ}}_{\mathrm{LH}}^2,...,{\mathrm{\μ}}_{\mathrm{HH}}^1,{\mathrm{\σ}}_{\mathrm{HH}}^1\};$

T_i对应于第i帧的特征向量值。

5.根据权利要求2所述的镜头边界检测方法，其特征在于：所述步骤(3)具体如下：

(3.A)，初始解和适应度函数：(c₀，γ₀)代表随机产生的一个初始解，采用f(c，γ)＝accuracy作为适应度函数来计算适应度值，式中的c和γ分别是支持向量机中的惩罚因子和核函数参数；

(3.B)，邻域解和禁忌对象：在初始解(c₀，γ₀)周围能够得到很多组邻域解(c，γ)，通过初始预测每组解都会得到一个相应的适应度值；邻域解的生成策略是以初始解为中心，根据划定的一个预定范围在其中随机生成一定变化步长的解；适应度值的计算应用了支持向量机的交叉验证策略；

(3.C)，候选集生成：每一代根据适应度值的情况从邻域解中选取；

(3.D)，禁忌表的生成：每代中最好的解都放入到禁忌表中，在接下来若干代的迭代中所述最好的解被禁忌使用；

(3.E)，对禁忌表中的解的特赦：如果禁忌解对应的适应度值比到现在为止最好的适应度值更大，那么允许其从禁忌表中逃逸；另外，每隔若干代的迭代，之前放入到禁忌表中的最优解也会被释放出来；

(3.F)，如果达到最大迭代次数或者得到了足够好的适应度解，则停止迭代)。

6.根据权利要求2所述的镜头边界检测方法，其特征在于：所述步骤(4)是这样实现的：

使用支持向量机的分类函数svmpredict，将测试集的所有数据划分为三类，分别对应突变帧、渐变帧和普通帧，这样也就完成了镜头分割。

Images