CN104504729B - 基于三次样条曲线的视频特征提取方法和系统 - Google Patents
基于三次样条曲线的视频特征提取方法和系统 Download PDFInfo
- Publication number
- CN104504729B CN104504729B CN201410778738.0A CN201410778738A CN104504729B CN 104504729 B CN104504729 B CN 104504729B CN 201410778738 A CN201410778738 A CN 201410778738A CN 104504729 B CN104504729 B CN 104504729B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- video
- movement locus
- mtr
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供一种基于三次样条曲线的视频特征提取方法和系统，该方法包括：对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征。本发明的视频特征提取过程速度快、计算简单，能精确表达特征分量的变化。
Description
技术领域
本发明涉及视频特征提取技术领域，特别是涉及一种基于三次样条曲线的视频特征提取方法，以及一种基于三次样条曲线的视频特征提取系统。
背景技术
视频特征提取技术是在视频特征集中选取具有代表性的特征子集来表征视频序列。这些特征不仅能有效地表征视频内容，并且能够减少视频特征数据的冗余性，对视频内容分析、视频检索都有着十分重要的意义。
随着视频应用的不断增加，视频特征提取技术越显重要。特征提取技术不仅要求提取的特征能有效地代表原始视频，还要求提取算法具有较低的时间复杂度与空间复杂度。
现有的特征提取方法主要有以下两大类别：
(1)均匀选择方法，该方法对视频特征在时间轴上进行均匀采样，从而获取代表特征。此方法的时间复杂度较低，但其未考虑视频在时间轴上的相关性，获取的特征数据冗余度较高。
(2)关键帧选择方法，该方法首先对视频序列进行镜头分割，在每个镜头内采用聚类的方法提取有效的代表特征。此方法的特征数据冗余度较低，并且提取的特征亦具有较好的表征能力，但是其通常将每帧视频的特征作为整体考量，而未精细地分析每个特征分量在时间轴上的变化趋势。
发明内容
基于此，本发明提供一种基于三次样条曲线的视频特征提取方法和系统，其提取过程速度快、计算简单，能精确表达特征分量的变化。
一种基于三次样条曲线的视频特征提取方法，包括如下步骤：
对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；
对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；
在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征。
一种基于三次样条曲线的视频特征提取系统，包括：
排列模块，用于对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；
拟合模块，用于对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；
提取模块，用于在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征。
上述基于三次样条曲线的视频特征提取方法和系统，将整个视频特征序列按时间排列，使每一维特征分量均在时间轴上形成一条离散运动轨迹；针对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到该特征分量的连续运动轨迹；在连续运动轨迹上，采用等弧长原则选取具有代表性的特征分量，形成该视频的代表特征；本发明计算简单，可以灵活控制代表特征的数量，并且能够精确地描述每个特征分量的变化趋势。另外，本发明不受限于具体的特征，能适用于基于视频帧的全局特征算法。
附图说明
图1为本发明基于三次样条曲线的视频特征提取方法在一实施例中的流程示意图。
图2为特征分量形成的离散运动轨迹示意图。
图3为三次样条曲线分段拟合示意图。
图4为运动轨迹的弧长计算示意图。
图5为采用等弧长原则选择代表特征分量的示意图。
图6为本发明基于三次样条曲线的视频特征提取系统在一实施例中的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细说明，但本发明的实施方式不限于此。
如图1所示，是本发明基于三次样条曲线的视频特征提取方法的流程示意图，包括如下步骤：
S11、对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；
S12、对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；
S13、在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征；
本实施例的基于三次样条曲线的视频特征提取方法，将整个视频特征序列按时间排列，使每一维特征分量均在时间轴上形成一条离散运动轨迹；针对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到该特征分量的连续运动轨迹；在连续运动轨迹上，采用等弧长原则选取具有代表性的特征分量，形成该视频的代表特征；本实施例方法计算简单，可以灵活控制代表特征的数量，并且能够精确地描述每个特征分量的变化趋势。另外，该方法不受限于具体的特征，能适用于基于视频帧的全局特征算法。
对于步骤S11、对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；
本实施例的视频特征序列，是指包含待处理视频中的每一帧视频图像对应的视频特征；对于一个视频序列，每一帧视频图像均有一个特征fk，按时间排列则形成了[f1,f2,…,fk,…,fn]。这里fk可以采用现有的图像全局特征的提取方法获得。
假设视频特征序列按时间先后排序为[f1,f2,…,fk,…,fn]，其中fk∈Rd是视频序列第k帧所对应的特征表示，d为特征的维度，n为视频的总帧数，Rd是指d维的实数空间，fk∈Rd则表明特征fk是一个d维的特征矢量，并且每个特征分量均是实数；
因此，第j(j≤d)维特征分量形成的离散运动轨迹可表达为：
如图2所示，显示了一个共7帧视频序列的第j个特征分量形成的离散运动轨迹示意图。
对于步骤S12、对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；
用曲线拟合的目的，是为了将离散的运动轨迹拟合成连续的运动轨迹，可以刻画每个特征分量在任意时刻的变化趋势。本实施例中，采用三次样条曲线进行分段拟合，具体原因有：1)三次样条比二次样条要光滑；2)更高阶的样条函数复杂度较高。
利用三次样条曲线进行分段拟合的过程为：
假设有以下样本点(n+1个数据点，n个区间)
x:a＝x0＜x1＜…＜xn＝b
y:y0＜y1＜…＜yn；
样条曲线S(x)是一个分段定义的公式，满足以下条件：
1)在每个分段区间[xi,xi+1]，Si(x)都是一个三次多项式：
Si(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3；
2)Si(xi)＝yi
3)S(x)及其一阶导数、二阶导数在[a,b]上是连续的；
每个区间均有一条曲线，而每条曲线有4个未知数，因此共需要4n个方程求解；
通过连续性、一阶导、二阶导可以得到4n-2个方程，还只需要加入2个边界条件，即可以求解。常用的边界条件有自然边界、固定边界等。自然边界设定两个端点处的二阶导数为0，即c1＝cn＝0，而固定边界指定两个端点的一阶导数为固定值。
在一较佳实施例中，针对任意一条离散的运动轨迹采用三次样条曲线进行分段拟合，得到该特征分量的连续运动轨迹为：
其中，Si(·)为三次多项式：Si(x)＝aix3+bix2+cix+di；所有的特征分量的连续运动轨迹为S(f)＝[S(f1),S(f2),…,S(fd)]，将每一维特征分量形成的连续运动轨迹通过一条三次样条曲线进行表征。
如图3所示，显示了采用三次样条曲线对一个共7帧视频序列的第j个特征分量进行拟合的示意图。
对于步骤S13、在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征；
在步骤S12中得到的连续运动轨迹的上，从轨迹的起始点开始计算轨迹的弧长，计算公式为ΔS＝∫Lds，其中L表示待计算弧长的曲线线段，如图4所示，是图3进行弧长计算的示意图。本实施例中，在连续的情况下，是用积分的概念去计算弧长；而在实际计算过程中，也可以是在极小的间隔上采用逼近与极限的方法去解决。
在一较佳实施例中，在所述连续的运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征的步骤包括：
在所述连续运动轨迹上，将所述连续运动轨迹的起始点作为第一个代表特征点；
从所述代表特征点开始，通过积分计算弧长，当弧长等于预设阈值时，获得一个新的代表特征点，直到所述连续运动轨迹的终点；
通过所有代表特征点，形成所述特征分量的代表特征M为代表特征的总数，所述视频的视频特征为所有特征分量的代表特征的组合，即[F1,F2,…,FK,…,FM]。
本实施例中，从连续运动轨迹的起始点开始，起始点作为第一代表特征点，从代表特征点开始沿连续运动轨迹计算弧长，当弧长达到设定的阈值T时，选择该点为一个新的代表特征点；从该新的代表特征点开始，重新开始计算弧长当弧长达到设定的阈值T时，选择该点为另一个新的代表特征点；重复此代表特征点选择过程，直至到达连续运动轨迹的终点，获得该连续运动轨迹所有代表特征点。根据每个代表特征点在连续运动轨迹上所对应的值，形成该特征分量的代表特征：
其中，M是代表特征总数。
整个视频序列的代表特征是所有特征分量的代表特征的组合，即：
[F1,F2,…,FK,…,FM]。
在实际计算过程中，阈值T可通过总的弧长除以(M-1)获得。
图5显示了在一条连续运动轨迹上采用等弧长原则选取4个代表特征分量的示意图。
如图6所示，是本发明基于三次样条曲线的视频特征提取系统的结构示意图，包括：
排列模块61，用于对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；
拟合模块62，用于对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；
提取模块63，用于在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征；
本实施例的基于三次样条曲线的视频特征提取系统，将整个视频特征序列按时间排列，使每一维特征分量均在时间轴上形成一条离散运动轨迹；针对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到该特征分量的连续运动轨迹；在连续运动轨迹上，采用等弧长原则选取具有代表性的特征分量，形成该视频的代表特征；本实施例计算简单，可以灵活控制代表特征的数量，并且能够精确地描述每个特征分量的变化趋势。另外，本实施例不受限于具体的特征，能适用于基于视频帧的全局特征算法。
对于排列模块61，用于对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；
本实施例的视频特征序列，是指包含待处理视频中的每一帧视频图像对应的视频特征；对于一个视频序列，每一帧视频图像均有一个特征fk，按时间排列则形成了[f1,f2,…,fk,…,fn]。这里fk可以采用现有的图像全局特征的提取方法获得。
假设视频特征序列按时间先后排序为[f1,f2,…,fk,…,fn]，其中fk∈Rd是视频序列第k帧所对应的特征表示，d为特征的维度，n为视频的总帧数，Rd是指d维的实数空间，fk∈Rd则表明特征fk是一个d维的特征矢量，并且每个特征分量均是实数；
因此，第j(j≤d)维特征分量形成的离散运动轨迹可表达为：
如图2所示，显示了一个共7帧视频序列的第j个特征分量形成的离散运动轨迹示意图。
对于拟合模块62，用于对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；
用曲线拟合的目的，是为了将离散的运动轨迹拟合成连续的运动轨迹，可以刻画每个特征分量在任意时刻的变化趋势。本实施例中，采用三次样条曲线进行分段拟合，具体原因有：1)三次样条比二次样条要光滑；2)更高阶的样条函数复杂度较高。
利用三次样条曲线进行分段拟合的过程为：
假设有以下样本点(n+1个数据点，n个区间)
x:a＝x0＜x1＜…＜xn＝b
y:y0＜y1＜…＜yn；
样条曲线S(x)是一个分段定义的公式，满足以下条件：
1)在每个分段区间[xi,xi+1]，Si(x)都是一个三次多项式：
Si(x)＝ai+bi(x-xi)+ci(x-xi)2+di(x-xi)3；
2)Si(xi)＝yi
3)S(x)及其一阶导数、二阶导数在[a,b]上是连续的；
每个区间均有一条曲线，而每条曲线有4个未知数，因此共需要4n个方程求解；
通过连续性、一阶导、二阶导可以得到4n-2个方程，还只需要加入2个边界条件，即可以求解。常用的边界条件有自然边界、固定边界等。自然边界设定两个端点处的二阶导数为0，即c1＝cn＝0，而固定边界指定两个端点的一阶导数为固定值。
在一较佳实施例中，针对任意一条离散的运动轨迹采用三次样条曲线进行分段拟合，得到该特征分量的连续运动轨迹为：
其中，Si(·)为三次多项式：Si(x)＝aix3+bix2+cix+di；所有的特征分量的连续运动轨迹为S(f)＝[S(f1),S(f2),…,S(fd)]，将每一维特征分量形成的连续运动轨迹通过一条三次样条曲线进行表征。
如图3所示，显示了采用三次样条曲线对一个共7帧视频序列的第j个特征分量进行拟合的示意图。
对于提取模块63，用于在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征；
在拟合模块62中得到的连续运动轨迹的上，从轨迹的起始点开始计算轨迹的弧长，计算公式为ΔS＝∫Lds，其中L表示待计算弧长的曲线线段。本实施例中，在连续的情况下，是用积分的概念去计算弧长；而在实际计算过程中，也可以是在极小的间隔上采用逼近与极限的方式去解决。
在一较佳实施例中，所述提取模块63还用于：
在所述连续运动轨迹上，将所述连续运动轨迹的起始点作为第一个代表特征点；
从所述代表特征点开始，通过积分计算弧长，当弧长等于预设阈值时，获得一个新的代表特征点，直到所述连续运动轨迹的终点；
通过所有代表特征点，形成所述特征分量的代表特征M为代表特征的总数，所述视频的视频特征为所有特征分量的代表特征的组合，即[F1,F2,…,FK,…,FM]。
本实施例中，从连续运动轨迹的起始点开始，起始点作为第一代表特征点，从代表特征点开始沿连续运动轨迹计算弧长，当弧长达到设定的阈值T时，选择该点为一个新的代表特征点；从该新的代表特征点开始，重新开始计算弧长当弧长达到设定的阈值T时，选择该点为另一个新的代表特征点；重复此代表特征点选择过程，直至到达连续运动轨迹的终点，获得该连续运动轨迹所有代表特征点。根据每个代表特征点在连续运动轨迹上所对应的值，形成该特征分量的代表特征：
其中，M是代表特征总数。
整个视频序列的代表特征是所有特征分量的代表特征的组合，即：
[F1,F2,…,FK,…,FM]。
在实际计算过程中，阈值T可通过总的弧长除以(M-1)获得。
图5显示了在一条连续运动轨迹上采用等弧长原则选取4个代表特征分量的示意图。
本发明基于三次样条曲线的视频特征提取方法和系统，将整个视频特征序列按时间排列，使每一维特征分量均在时间轴上形成一条离散运动轨迹；针对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到该特征分量的连续运动轨迹；在连续运动轨迹上，采用等弧长原则选取具有代表性的特征分量，形成该视频的代表特征；本发明计算简单，可以灵活控制代表特征的数量，并且能够精确地描述每个特征分量的变化趋势。另外，本发明不受限于具体的特征，能适用于基于视频帧的全局特征算法。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于三次样条曲线的视频特征提取方法，其特征在于，包括如下步骤：
对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；
对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；
在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征；
在所述连续的运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征的步骤包括：
在所述连续运动轨迹上，将所述连续运动轨迹的起始点作为第一个代表特征点；
从所述代表特征点开始，通过积分计算弧长，当弧长等于预设阈值时，获得一个新的代表特征点，直到所述连续运动轨迹的终点；
通过所有代表特征点，形成所述特征分量的代表特征M为代表特征的总数，所述视频的视频特征为所有特征分量的代表特征的组合，即[F1,F2,…,FK,…,FM]；
所述预设阈值等于所述连续运动轨迹的弧长除以M-1的值。
2.根据权利要求1所述的基于三次样条曲线的视频特征提取方法，其特征在于，所述连续的运动轨迹为：
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>f</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，Si(·)为三次多项式：Si(x)＝aix3+bix2+cix+di；所有的特征分量的连续运动轨迹为S(f)＝[S(f1),S(f2),…,S(fd)]，将每一维特征分量形成的连续运动轨迹通过一条三次样条曲线进行表征；
其中，视频特征序列按时间顺序排列为[f1,f2,…,fk,…,fn]，其中fk∈Rd为视频序列第k帧所对应的视频特征，d为特征的维度，n为所述视频的总帧数；
第j维特征分量形成的离散运动轨迹为j≤d。
3.一种基于三次样条曲线的视频特征提取系统，其特征在于，包括：
排列模块，用于对待处理的视频，将视频特征序列按时间顺序排列，使每一维特征分量在时间轴上形成一条离散运动轨迹；
拟合模块，用于对每一条离散运动轨迹，利用三次样条曲线进行分段拟合，得到所述特征分量的连续运动轨迹；
提取模块，用于在所述连续运动轨迹上，根据预设阈值采用等弧长原则提取特征分量，获得所述视频的视频特征；
所述提取模块还用于：
在所述连续运动轨迹上，将所述连续运动轨迹的起始点作为第一个代表特征点；
从所述代表特征点开始，通过积分计算弧长，当弧长等于预设阈值时，获得一个新的代表特征点，直到所述连续运动轨迹的终点；
通过所有代表特征点，形成所述特征分量的代表特征M为代表特征的总数，所述视频的视频特征为所有特征分量的代表特征的组合，即[F1,F2,…,FK,…,FM]；
所述预设阈值等于所述连续运动轨迹的弧长除以M-1的值。
4.根据权利要求3所述的基于三次样条曲线的视频特征提取系统，其特征在于，所述连续的运动轨迹为：
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>f</mi>
<mi>j</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>f</mi>
<mi>k</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>n</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，Si(·)为三次多项式：Si(x)＝aix3+bix2+cix+di；所有的特征分量的连续运动轨迹为S(f)＝[S(f1),S(f2),…,S(fd)]，将每一维特征分量形成的连续运动轨迹通过一条三次样条曲线进行表征；
其中，视频特征序列按时间顺序排列为[f1,f2,…,fk,…,fn]，其中fk∈Rd为视频序列第k帧所对应的视频特征，d为特征的维度，n为所述视频的总帧数；
第j维特征分量形成的离散运动轨迹为j≤d。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410778738.0A CN104504729B (zh) | 2014-12-15 | 2014-12-15 | 基于三次样条曲线的视频特征提取方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410778738.0A CN104504729B (zh) | 2014-12-15 | 2014-12-15 | 基于三次样条曲线的视频特征提取方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104504729A CN104504729A (zh) | 2015-04-08 |
| CN104504729B true CN104504729B (zh) | 2017-09-22 |
Family
ID=52946123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410778738.0A Active CN104504729B (zh) | 2014-12-15 | 2014-12-15 | 基于三次样条曲线的视频特征提取方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104504729B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190474B (zh) * | 2018-08-01 | 2021-07-20 | 南昌大学 | 基于姿势显著性的人体动画关键帧提取方法 |
| CN109241956B (zh) * | 2018-11-19 | 2020-12-22 | Oppo广东移动通信有限公司 | 合成图像的方法、装置、终端及存储介质 |
| CN111596543B (zh) * | 2020-06-10 | 2023-10-13 | 嘉兴市像景智能装备有限公司 | 一种快速规划6阶s型运动曲线的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1650683A1 (en) * | 2004-10-19 | 2006-04-26 | Institut National de l'Audiovisuel - INA | Search of similar features representing objects in a large reference database |
| CN103824059A (zh) * | 2014-02-28 | 2014-05-28 | 东南大学 | 一种基于视频图像序列的人脸表情识别方法 |
-
2014
- 2014-12-15 CN CN201410778738.0A patent/CN104504729B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1650683A1 (en) * | 2004-10-19 | 2006-04-26 | Institut National de l'Audiovisuel - INA | Search of similar features representing objects in a large reference database |
| CN103824059A (zh) * | 2014-02-28 | 2014-05-28 | 东南大学 | 一种基于视频图像序列的人脸表情识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Feature Extraction and a Database Strategy for Video Fingerprinting;Job Oostveen et al;《Recent Advances in Visual Information Systems，5th International Conference, VISUAL 2002》;20020423;第2314卷;117-128 * |
| 基于非线性降维算法的视频序列特征提取及图像重建;李华 等;《模式识别与人工智能》;20061031;第19卷(第5期);645-651 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104504729A (zh) | 2015-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Video object segmentation with re-identification | |
| CN105718878B (zh) | 基于级联卷积神经网络的第一视角空中手写和空中交互方法 | |
| Long et al. | Stand-alone inter-frame attention in video models | |
| CN103593464B (zh) | 基于视觉特征的视频指纹检测及视频序列匹配方法及系统 | |
| CN106649663B (zh) | 一种基于紧凑视频表征的视频拷贝检测方法 | |
| CN104167016B (zh) | 一种基于rgb彩色与深度图像的三维运动重建方法 | |
| CN104504729B (zh) | 基于三次样条曲线的视频特征提取方法和系统 | |
| CN103778436B (zh) | 一种基于图像处理的行人姿态检测方法 | |
| CN103455797A (zh) | 航拍视频中运动小目标的检测与跟踪方法 | |
| CN109102522A (zh) | 一种目标跟踪方法及装置 | |
| JP7150840B2 (ja) | ビデオ要約生成方法及び装置、電子機器並びにコンピュータ記憶媒体 | |
| CN104463865A (zh) | 一种人像分割方法 | |
| CN103902989B (zh) | 基于非负矩阵分解的人体动作视频识别方法 | |
| WO2018086231A1 (zh) | 视频序列对齐方法和系统 | |
| CN109034237A (zh) | 基于卷积神经元网络路标和序列搜索的回环检测方法 | |
| Zhang et al. | Modeling long-and short-term temporal context for video object detection | |
| Han et al. | Multi-stage visual tracking with siamese anchor-free proposal network | |
| Gao et al. | Learning cascaded siamese networks for high performance visual tracking | |
| Peng et al. | Encoding feature maps of cnns for action recognition | |
| Yang et al. | PaaRPN: Probabilistic anchor assignment with region proposal network for visual tracking | |
| CN105448290B (zh) | 一种变帧率的音频特征提取方法 | |
| Li et al. | Searching action proposals via spatial actionness estimation and temporal path inference and tracking | |
| CN107590820A (zh) | 一种基于相关滤波的视频对象追踪方法及其智能装置 | |
| CN101281208A (zh) | 异性纤维分拣系统中用视频测速的棉流速度在线估计方法 | |
| CN107704814A (zh) | 一种基于视频的振动目标监测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |