CN110188625B - 一种基于多特征融合的视频精细结构化方法 - Google Patents
一种基于多特征融合的视频精细结构化方法 Download PDFInfo
- Publication number
- CN110188625B CN110188625B CN201910391728.4A CN201910391728A CN110188625B CN 110188625 B CN110188625 B CN 110188625B CN 201910391728 A CN201910391728 A CN 201910391728A CN 110188625 B CN110188625 B CN 110188625B
- Authority
- CN
- China
- Prior art keywords
- head
- frame
- shot
- boundary
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 241000023320 Luma <angiosperm> Species 0.000 claims description 2
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 abstract description 7
- 238000013139 quantization Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012916 structural analysis Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
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
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征融合的视频精细结构化方法，属于多媒体内容处理领域。该视频精细结构化方法包括：首先通过颜色特征HSV进行视频镜头边界初检；然后建立等尺寸矩形分块前提下的融合特征向量，引入自适应阈值进行候选镜头边界复检；通过聚类算法将镜头集合聚类进行场景分类；通过比较帧与场景平均特征的差异提取场景中的关键帧；最后将镜头集合、场景集合和关键帧集合等结构化信息存储至内容服务器，方便用户在数据库中进行信息检索。本发明在设计上降低了流程时耗，选取的特征符合人眼注意特性，兼顾局部信息和全局信息，提高了准确率。
Description
技术领域
本申请属于多媒体内容处理、视频分割和场景分类领域，尤其涉及一种基于多特征融合的视频精细结构化方法。
背景技术
随着互联网多媒体服务的发展，视频已经成为了人们获取信息的主要方式之一。虽然从语义结构上分析，可以将视频细分为节目、场景、镜头和视频帧，但是实际传输的视频是一段连续的数字信息，未曾进行可视化的结构分析，所以庞大的视频数据给用户的检索带来了一定困扰。
在现有的视频结构化方案中，大多对视频帧进行特征提取和镜头边缘检测，从而达到理清视频层次，便于结构化分析和存储的目的。常用的特征有视频帧的颜色、空间和纹理等特征。利用特征的相似度可以得到镜头和场景集合，存储于内容服务器中，方便用户预览检索。但单一的特征有其各自关注的重点，常常难以兼顾局部和总体的视频帧信息，所以需要融合多类特征构建特征向量。如何从海量多媒体数据中检索用户需求的内容成为了一个亟待解决的问题，这就需要对视频内容进行精细的结构化分析，即对视频内容进行层次划分，构建视频镜头集合、场景集合和关键帧集合等结构化信息。
发明内容
针对现有技术存在的问题，本申请提出一种基于多特征融合的视频精细结构化方法。通过利用颜色特征对视频帧进行候选镜头边界选择，接着借助等比例矩形分块融合不同感知尺度下的纹理特征进行边界帧集合的调整，然后对镜头集合采用聚类算法进行场景分类，提取场景中的若干个关键帧，最后将结构化信息存储至内容服务器。
本申请是通过以下技术方案实现的：一种基于多特征融合的视频精细结构化方法，所述视频精细结构化方法通过以下步骤实现：
(1)视频镜头边界初检：采用颜色特征HSV对视频内容进行镜头边界进行初步分割，获得边界起点和终点的帧的集合，简称首尾帧集合；
(2)候选镜头边界复检：对初步分割的各对边界首尾帧集合，基于等尺寸矩形分块计算其纹理特征，通过权值分配联结不同纹理特征，建立融合特征向量；计算首尾帧间的特征差异，通过阈值比较获得精确的镜头边界集合；
(3)场景分类：针对各个精确的镜头边界集合，通过聚类算法将统计特征信息相近的各镜头归类至所属的近邻场景类别；
(4)场景关键帧集合：针对各类场景，选取类中最接近类心特征的视频帧作为该类的关键帧。
进一步地，所述步骤1中边界的选取采用二分查找法，通过颜色特征HSV差异计算和阈值确定镜头边界。
进一步地，所述颜色特征HSV为非均匀量化，三种分量分别量化至8阶、3阶和3阶：其中：
其中，Hq为非均匀量化后的色调分量、Sq为非均匀量化后的饱和度分量、Vq为非均匀量化后的明度分量。
进一步地，所述步骤2的具体过程为：
(2.1)获取首尾帧图像的长宽信息，通过首尾帧图像的长宽信息计算各矩形块长宽Li和Wi：确定图像的中心点O，计算以O为中心的矩形块长宽，矩形块由内向外记为R1，R2，…R5，则各个矩形块的长宽为：
其中Li和Wi表示第i个矩形块的长和宽，L为帧图像的长度，W为帧图像的宽度；
(2.2)针对首尾帧，计算各首尾帧的各个矩形块的灰度共生矩阵P，该过程采用graycomatrix函数实现；计算能量Asm、反差Con、熵Ent和逆差矩IDM共4类特征值；
(2.3)构建每个矩形块的纹理特征联合向量fi＝(Asm，Con，Ent，IDM)；
(2.4)通过纹理特征联合向量fi与纹理权值向量w逐项相乘得到各矩形块的融合特征向量FRi，其中纹理权值向量w＝(wASM，wCON，wEnt，wIDM)；
(2.5)联合各矩形块的融合特征向量FRi，与矩形块权值向量r相乘得到首尾帧各自的20维特征向量Fi，其中矩形块权值向量r＝(r1，r2，r3，r4，r5)；
(2.6)计算首尾帧的特征向量差异
其中Fi-head(k)和Fi-bottom(k)分别表示首帧和尾帧各自特征向量的第k维数据。对于d小于预设阈值S的首尾帧集合，将其合并至前一首尾帧集合中。
进一步地，所述步骤3的方法，包括：
(3.1)统计镜头总数n，更新镜头内的平均特征向量：
其中number表示镜头内的总帧数；
(3.2)计算n个镜头特征向量的均值m和方差
(3.3)计算各个邻近镜头间的差异
其中Fis(k)和Fit(k)表示邻近镜头各自特征向量的第k维数据，将d(Fis，Fit)＞m+2σ的镜头总数记为需要提取的场景数目K；
(3.4)将d(Fis，Fit)小于自适应阈值S的邻近镜头合并为一类，
其中n’表示参与比较的邻近镜头对的总对数，τ为预设的自适应参数；
(3.5)计算合并后新类的特征向量
其中number为新类内的帧总数，更新镜头总数n；
(3.6)重复第3步～第5步直至划分为K类。
与现有技术相比，本申请具有如下有益效果：(1)视频节目的主要内容和关键信息通常处于图像中心，在特征提取的过程中，对帧图像进行等比例矩形块分块可以更有效地突出关键信息，获得效果更好的特征信息。(2)联合颜色特征和纹理特征的二级检测机制在一定程度上增加了检测的可靠性，同时由灰度共生矩阵计算得到的4类特征联结了图像的局部和总体特征信息，使得特征向量更具代表性，检测到的内容更全面。该多特征融合的视频精细结构化方法提高了运算效率，使得算法的运算复杂度降低，降低整体流程的时耗。
附图说明
图1为本发明的流程图；
图2为本发明中的等比例矩形分块方法。
具体实施方式
本申请提出了一种基于多特征融合的视频精细结构化方法，该视频精细结构化方法包括视频镜头边界初检、候选镜头边界复检、场景分类、场景关键帧集合以及结构化信息存储；该视频精细结构化方法通过合并颜色特征HSV、等尺寸矩形分块前提下的纹理特征以及融合特征向量计算特征差异，引入自适应阈值对视频进行镜头分割并且对镜头集合采用聚类算法进行场景分类，提取场景中的若干个关键帧，最后将结构信息存储至内容服务器。
图1本发明的流程图，该视频精细结构化方法是通过如下方案实现的：
(1)进行视频镜头边界初检：采用与人眼视觉系统匹配度较高的HSV颜色空间信息对帧进行镜头边界初步检测，获得边界起点和终点的帧的集合，简称首尾帧集合；采用二分查找方法选取边界首尾帧，计算边界首尾帧的颜色特征，若边界边界首尾帧特征差异大于阈值，则继续进行查找，否则停止；
其中，HSV计算方法具体为：
(1.1)将帧图像由RGB颜色信息转换成HSV颜色信息；
(1.2)对HSV三种分量进行非均匀量化，量化至8阶、3阶和3阶，其中：
其中，Hq为非均匀量化后的色调分量、Sq为非均匀量化后的饱和度分量、Vq为非均匀量化后的亮度分量。该非均匀量化将算法集中到更具代表性的颜色特征区间，能有效提高查准率。
(1.3)通过计算公式F(i，j)＝9H(i，j)+2S(i，j)+2V(i，j)构成一个颜色特征，其中i，j表示像素点的横纵坐标，片(i，j)、S(i，j)和V(i，j)分别表示该像素点HSV空间的三个分量色调、饱和度和亮度；
(1.4)比较首尾帧之间的颜色特征差异，若特征差异大于阈值C，则认为首尾帧存在镜头变化可能，将首尾帧号存入候选边界表；否则进行下一对差异计算。
(2)进行候选镜头边界复检：对初步分割的各对边界首尾帧集合，将首尾帧图像分成5个等比例矩形块，基于等尺寸矩形分块计算其纹理特征，通过权值分配联结不同纹理特征，建立融合特征向量；计算各对首尾帧间的特征相似度，通过阈值比较获得精确的镜头边界集合；
如图2所示，为本发明中的等比例矩形分块方法，基于等比例矩形分块的镜头边界复检具体为：
(2.1)获取首尾帧图像的长宽信息，通过首尾帧图像的长宽信息计算计算各矩形块长宽Li和Wi：确定图像的中心点O，计算以O为中心的矩形块长宽，矩形块由内向外记为R1，R2，...R5，则各个矩形块的长宽为：
其中Li和Wi表示第i个矩形块的长和宽，L为帧图像的长度，w为帧图像的宽度；
(2.2)针对首尾帧，计算各首尾帧的各个矩形块的灰度共生矩阵P，该过程采用graycomatrix函数实现；计算能量Asm、反差Con、熵Ent和逆差矩IDM共4类特征值。能量Asm的计算方法为：Asm＝∑i∑jP(i，j)2。反差Con的计算方法为：Con＝∑i∑j(i，j)2P(i，j)。熵Ent的计算方法为：Ent＝∑i∑jP(i，j)logP(i，j)。逆差矩IDM的计算方法为：
(2.3)构建每个矩形块的纹理特征联合向量fi＝(Asm，Con，Ent，IDM)；
(2.4)通过纹理特征联合向量fi与纹理权值向量w逐项相乘得到各矩形块的融合特征向量FRi，其中纹理权值向量w＝(wAsm，wCon，wEnt，wIDM)；
(2.5)联合各矩形块的融合特征向量FRi，与矩形块权值向量r相乘得到首尾帧各自的20维特征向量Fi，其中矩形块权值向量r＝(r1，r2，r3，r4，r5)。
(2.6)计算首尾帧的特征向量差异
其中Fi-head(k)和Fi-bottom(k)分别表示首帧和尾帧各自特征向量的第k维数据。对于d小于预设阈值S的首尾帧集合，将其合并至前一首尾帧集合中。
(3)采用聚类方法进行场景分类：针对多个镜头，通过聚类算法将统计特征信息相近的各镜头归类至所属的近邻场景类别；
基于聚类的场景分类的方法，其具体过程为：
(3.1)统计镜头总数n，更新镜头内的平均特征向量：
其中number表示镜头内的总帧数；
(3.2)计算n个镜头特征向量的均值m和方差
(3.3)求各个邻近镜头间的差异
其中Fis(k)和Fit(k)表示邻近镜头各自特征向量的第k维数据，将d(Fis，Fit)＞m+2σ的镜头总数记为需要提取的场景数目K；
其中，m为n个镜头特征向量的均值，σ表示n个镜头特征向量的方差。
(3.4)将d(Fis，Fit)小于自适应阈值S的邻近镜头合并为一类，
其中n’表示参与比较的邻近镜头对的总对数，τ为预设的自适应参数；
(3.5)计算合并后新类的特征向量
更新镜头总数n；
(3.6)重复第3步～第5步直至划分为K类。
(4)提取镜头关键帧集合：针对各类场景，选取类中最接近类心特征的视频帧作为该类的关键帧；
(5)将视频镜头集合、场景集合和关键帧集合等结构化信息存储至内容服务器，方便用户在数据库中进行信息检索。
实施例
(1)进行视频镜头边界初检：采用与人眼视觉系统匹配度较高的HSV颜色空间信息对帧进行镜头边界初步检测，获得边界起点和终点的帧的集合，简称首尾帧集合；采用二分查找方法选取边界首尾帧，降低边界选取的运算复杂度，时耗缩短。计算边界首尾帧的颜色特征，若边界边界首尾帧特征差异大于阈值，则继续进行查找，否则停止；
其中，HSV计算方法具体为：
(1.1)将帧图像由RGB颜色信息转换成HSV颜色信息；
(1.2)对HSV三种分量进行非均匀量化，量化至8阶、3阶和3阶，其中：
其中，Hq为非均匀量化后的色调分量、Sq为非均匀量化后的饱和度分量、Vq为非均匀量化后的亮度分量。该非均匀量化将算法集中到更具代表性的颜色特征区间，能有效提高查准率。
(1.3)通过计算公式F(i，j)＝9H(i，j)+2S(i，j)+2V(i，j)构成一个颜色特征，其中i，j表示像素点的横纵坐标，H(i，j)、S(i，j)和V(i，j)分别表示该像素点HSV空间的三个分量色调、饱和度和亮度；
(1.4)比较首尾帧之间的颜色特征差异，若特征差异大于阈值13，则认为首尾帧存在镜头变化可能，将首尾帧号存入候选边界表；否则进行下一对差异计算。
(2)进行候选镜头边界复检：对初步分割的各对边界首尾帧集合，将首尾帧图像分成5个等比例矩形块，基于等尺寸矩形分块计算其纹理特征，通过权值分配联结不同纹理特征，建立融合特征向量；计算各对首尾帧间的特征相似度，通过阈值比较获得精确的镜头边界集合；
如图2所示，为本发明中的等比例矩形分块方法，基于等比例矩形分块的镜头边界复检具体为：
(2.1)获取首尾帧图像的长宽信息，其中长L＝680，宽W＝480。通过首尾帧图像的长宽信息计算计算各矩形块长宽Li和Wi：确定图像的中心点O，计算以O为中心的矩形块长宽，矩形块由内向外记为R1，R2，...R5，则各个矩形块的长
宽为：
i＝1，2，..，5，其中Li和Wi表示第i个矩形块的长和宽，L为帧图像的长度，W为帧图像的宽度；
(2.2)针对首尾帧，计算各首尾帧的各个矩形块的灰度共生矩阵P，该过程采用graycomatrix函数实现；计算能量Asm、反差Con、熵Ent和逆差矩IDM共4类特征值。能量Asm的计算方法为：Asm＝∑i∑jP(i，j)2。反差Con的计算方法为：Con＝∑i∑j(i，j)2P(i，j)。熵Ent的计算方法为：Ent＝∑i∑jP(i，j)logP(i，j)。逆差矩IDM的计算方法为：
(2.3)构建每个矩形块的纹理特征联合向量fi＝(Asm，Con，Ent，IDM)；
(2.4)通过纹理特征联合向量fi与纹理权值向量w逐项相乘得到各矩形块的融合特征向量FRi，其中纹理权值向量w＝(wAsm，wCon，wEnt，wIDM)＝(0.15，0.3，0.35，0.2)；
(2.5)联合各矩形块的融合特征向量FRi，与矩形块权值向量r相乘得到首尾帧各自的20维特征向量Fi，其中矩形块权值向量r＝(r1，r2，r3，r4，r5)＝(0.35，0.23，0.17，0.15，0.1)。
(2.6)计算首尾帧的特征向量差异
其中Fi-head(k)和Fi-bottom(k)分别表示首帧和尾帧各自特征向量的第k维数据。对于d小于预设阈值15的首尾帧集合，将其合并至前一首尾帧集合中。
(3)采用聚类方法进行场景分类：针对多个镜头，通过聚类算法将统计特征信息相近的各镜头归类至所属的近邻场景类别；
基于聚类的场景分类的方法，其具体过程为：
(3.1)统计镜头总数n，更新镜头内的平均特征向量：
其中number表示镜头内的总帧数；
(3.2)计算n个镜头特征向量的均值m和方差
(3.3)求各个邻近镜头间的差异
其中Fis(k)和Fit(k)表示邻近镜头各自特征向量的第k维数据，将d(Fis，Fit)＞m+2σ的镜头总数记为需要提取的场景数目K；
(3.4)将d(Fis，Fit)小于自适应阈值S的邻近镜头合并为一类，
其中n’表示参与比较的邻近镜头对的总对数，τ为预设的自适应参数；
(3.5)计算合并后新类的特征向量
更新镜头总数n；
(3.6)重复第3步～第5步直至划分为K类。
(4)提取镜头关键帧集合：针对各类场景，选取类中最接近类心特征的视频帧作为该类的关键帧，得到81.7％的查准率；
(5)将视频镜头集合、场景集合和关键帧集合等结构化信息存储至内容服务器，方便用户在数据库中进行信息检索。
Claims (4)
1.一种基于多特征融合的视频精细结构化方法，其特征在于：所述视频精细结构化方法通过以下步骤实现：
(1)视频镜头边界初检：采用颜色特征HSV对视频内容进行镜头边界进行初步分割，获得边界起点和终点的帧的集合，简称首尾帧集合；
(2)候选镜头边界复检：对初步分割的各对边界首尾帧集合，基于等尺寸矩形分块计算其纹理特征，通过权值分配联结不同纹理特征，建立融合特征向量；计算首尾帧间的特征差异，通过阈值比较获得精确的镜头边界集合；具体包括如下子步骤：
(2.1)获取首尾帧图像的长宽信息，通过首尾帧图像的长宽信息计算各矩形块长宽Li和Wi：确定图像的中心点O，计算以O为中心的矩形块长宽，矩形块由内向外记为R1，R2，…R5，则各个矩形块的长宽为：
其中Li和Wi表示第i个矩形块的长和宽，L为帧图像的长度，W为帧图像的宽度；
(2.2)针对首尾帧，计算各首尾帧的各个矩形块的灰度共生矩阵P，该过程采用graycomatrix函数实现；计算能量Asm、反差Con、熵Ent和逆差矩IDM共4类特征值；
(2.3)构建每个矩形块的纹理特征联合向量fi＝(Asm,Con,Ent,IDM)；
(2.4)通过纹理特征联合向量fi与纹理权值向量w逐项相乘得到各矩形块的融合特征向量FRi，其中纹理权值向量w＝(wAsm,wCon,wEnt,wIDM)；
(2.5)联合各矩形块的融合特征向量FRi，与矩形块权值向量r相乘得到首尾帧各自的20维特征向量Fi，其中矩形块权值向量r＝(r1,r2,r3,r4,r5)；
(2.6)计算首尾帧的特征向量差异
其中Fi-head(k)和Fi-bottom(k)分别表示首帧和尾帧各自特征向量的第k维数据；对于d小于预设阈值S的首尾帧集合，将其合并至前一首尾帧集合中；
(3)场景分类：针对各个精确的镜头边界集合，通过聚类算法将统计特征信息相近的各镜头归类至所属的近邻场景类别；
(4)场景关键帧集合：针对各类场景，选取类中最接近类心特征的视频帧作为该类的关键帧。
2.根据权利要求1所述的一种基于多特征融合的视频精细结构化方法，其特征在于，所述步骤(1)中边界的选取采用二分查找法，通过颜色特征HSV差异计算和阈值确定镜头边界。
3.根据权利要求2所述的一种基于多特征融合的视频精细结构化方法，其特征在于，所述颜色特征HSV为非均匀量化，三种分量分别量化至8阶、3阶和3阶：其中：
其中，Hq为非均匀量化后的色调分量、Sq为非均匀量化后的饱和度分量、Vq为非均匀量化后的明度分量。
4.根据权利要求1所述的一种基于多特征融合的视频精细结构化方法，其特征在于，所述步骤(3)的方法，包括：
(3.1)统计镜头总数n，更新镜头内的平均特征向量：
其中number表示镜头内的总帧数；
(3.2)计算n个镜头特征向量的均值m和方差σ2：
(3.3)计算各个邻近镜头间的差异
其中Fis(k)和Fit(k)表示邻近镜头各自特征向量的第k维数据，将d(Fis,Fit)>m+2σ的镜头总数记为需要提取的场景数目K；
(3.4)将d(Fis,Fit)小于自适应阈值S的邻近镜头合并为一类，
其中n’表示参与比较的邻近镜头对的总对数，τ为预设的自适应参数；
(3.5)计算合并后新类的特征向量
其中number为新类内的帧总数，更新镜头总数n；
(3.6)重复第3步～第5步直至划分为K类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910391728.4A CN110188625B (zh) | 2019-05-13 | 2019-05-13 | 一种基于多特征融合的视频精细结构化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910391728.4A CN110188625B (zh) | 2019-05-13 | 2019-05-13 | 一种基于多特征融合的视频精细结构化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110188625A CN110188625A (zh) | 2019-08-30 |
| CN110188625B true CN110188625B (zh) | 2021-07-02 |
Family
ID=67716051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910391728.4A Active CN110188625B (zh) | 2019-05-13 | 2019-05-13 | 一种基于多特征融合的视频精细结构化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110188625B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110750680A (zh) * | 2019-10-22 | 2020-02-04 | 国网新疆电力有限公司信息通信公司 | 基于多特征的视频场景分类方法 |
| CN113112519B (zh) * | 2021-04-23 | 2023-04-18 | 电子科技大学 | 基于感兴趣目标分布的关键帧筛选方法 |
| CN113810764B (zh) * | 2021-08-12 | 2022-12-06 | 荣耀终端有限公司 | 视频编辑方法和视频编辑装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102685398A (zh) * | 2011-09-06 | 2012-09-19 | 天脉聚源(北京)传媒科技有限公司 | 一种新闻视频场景生成方法 |
| CN102695056A (zh) * | 2012-05-23 | 2012-09-26 | 中山大学 | 一种提取压缩视频关键帧的方法 |
| CN103065153A (zh) * | 2012-12-17 | 2013-04-24 | 西南科技大学 | 一种基于色彩量化和聚类的视频关键帧提取方法 |
| CN103093467A (zh) * | 2013-01-21 | 2013-05-08 | 杭州电子科技大学 | 一种基于双重检测模型的镜头边界检测方法 |
| CN103426176A (zh) * | 2013-08-27 | 2013-12-04 | 重庆邮电大学 | 基于改进直方图和聚类算法的视频镜头检测方法 |
| CN106412619A (zh) * | 2016-09-28 | 2017-02-15 | 江苏亿通高科技股份有限公司 | 一种基于hsv颜色直方图和dct感知哈希的镜头边界检测方法 |
| CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
| CN107657228A (zh) * | 2017-09-25 | 2018-02-02 | 中国传媒大学 | 视频场景相似性分析方法及系统、视频编解码方法及系统 |
| CN107798304A (zh) * | 2017-10-20 | 2018-03-13 | 央视国际网络无锡有限公司 | 一种快速视频审核的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109064479B (zh) * | 2018-07-19 | 2022-03-18 | 中国石油大学(华东) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 |
-
2019
- 2019-05-13 CN CN201910391728.4A patent/CN110188625B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102685398A (zh) * | 2011-09-06 | 2012-09-19 | 天脉聚源(北京)传媒科技有限公司 | 一种新闻视频场景生成方法 |
| CN102695056A (zh) * | 2012-05-23 | 2012-09-26 | 中山大学 | 一种提取压缩视频关键帧的方法 |
| CN103065153A (zh) * | 2012-12-17 | 2013-04-24 | 西南科技大学 | 一种基于色彩量化和聚类的视频关键帧提取方法 |
| CN103093467A (zh) * | 2013-01-21 | 2013-05-08 | 杭州电子科技大学 | 一种基于双重检测模型的镜头边界检测方法 |
| CN103426176A (zh) * | 2013-08-27 | 2013-12-04 | 重庆邮电大学 | 基于改进直方图和聚类算法的视频镜头检测方法 |
| CN106412619A (zh) * | 2016-09-28 | 2017-02-15 | 江苏亿通高科技股份有限公司 | 一种基于hsv颜色直方图和dct感知哈希的镜头边界检测方法 |
| CN107220585A (zh) * | 2017-03-31 | 2017-09-29 | 南京邮电大学 | 一种基于多特征融合镜头聚类的视频关键帧提取方法 |
| CN107657228A (zh) * | 2017-09-25 | 2018-02-02 | 中国传媒大学 | 视频场景相似性分析方法及系统、视频编解码方法及系统 |
| CN107798304A (zh) * | 2017-10-20 | 2018-03-13 | 央视国际网络无锡有限公司 | 一种快速视频审核的方法 |
Non-Patent Citations (3)
| Title |
|---|
| Fast Video Shot Boundary Detection Based on SVD and Pattern Matching;Zhe-Ming Lu等;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20131231;第22卷(第12期);5136-5145 * |
| 基于内容的快速视频镜头边界检测算法研究;王瑞佳;《中国优秀硕士学位论文全文数据库信息科技辑》;20181015(第10期);I138-684 * |
| 采用多特征融合的镜头边界检测方法;刘群等;《计算机工程与应用》;20100501;第46卷(第13期);171-174 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110188625A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4907938B2 (ja) | 少なくとも１つの画像及び画像群を表現する方法、画像又は画像群の表現、画像及び／又は画像群を比較する方法、画像又は画像群を符号化する方法、画像又は画像シーケンスを復号する方法、符号化されたデータの使用、画像又は画像群を表現する装置、画像及び／又は画像群を比較する装置、コンピュータプログラム、システム、及びコンピュータ読み取り可能な記憶媒体 | |
| JP4553650B2 (ja) | 画像グループの表現方法および表現方法によって導出される記述子、探索方法、装置、コンピュータプログラム、ならびに記憶媒体 | |
| CN113112519B (zh) | 基于感兴趣目标分布的关键帧筛选方法 | |
| JP5097280B2 (ja) | 画像及び画像群を表現、比較及び検索する方法及び装置、プログラム、コンピュータ読み取り可能な記憶媒体 | |
| US8942469B2 (en) | Method for classification of videos | |
| CN110188625B (zh) | 一种基于多特征融合的视频精细结构化方法 | |
| WO2010084739A1 (ja) | 映像識別子抽出装置 | |
| US20090274364A1 (en) | Apparatus and methods for detecting adult videos | |
| CN111460961B (zh) | 一种基于cdvs的相似图聚类的静态视频摘要方法 | |
| CN106851437A (zh) | 一种提取视频摘要的方法 | |
| CN103065153A (zh) | 一种基于色彩量化和聚类的视频关键帧提取方法 | |
| CN110427517B (zh) | 一种基于场景词典树的图搜视频方法，装置及计算机可读存储介质 | |
| CN107358141B (zh) | 数据识别的方法及装置 | |
| Omidyeganeh et al. | Video keyframe analysis using a segment-based statistical metric in a visually sensitive parametric space | |
| CN115424051B (zh) | 一种全景拼接图像质量评价方法 | |
| CN111428590A (zh) | 一种视频聚类切分方法和系统 | |
| CN109359530B (zh) | 一种智能视频监控方法及装置 | |
| CN108966042B (zh) | 一种基于最短路径的视频摘要生成方法及装置 | |
| JP5116017B2 (ja) | 動画検索方法およびシステム | |
| Zong et al. | Key frame extraction based on dynamic color histogram and fast wavelet histogram | |
| CN113032631A (zh) | 一种基于全局运动统计特征的团队体育视频关键帧提取方法 | |
| CN116684528A (zh) | 一种视频彩铃不同视角的推荐方法 | |
| Cherif et al. | Shot type identification of movie content | |
| CN117011346A (zh) | 鼓风机图像配准算法 | |
| CN115796980A (zh) | 一种基于物联网的新型智慧城市大数据管理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |