CN114005069A - 一种视频特征提取和检索方法 - Google Patents

一种视频特征提取和检索方法 Download PDF

Info

Publication number
CN114005069A
CN114005069A CN202111318557.6A CN202111318557A CN114005069A CN 114005069 A CN114005069 A CN 114005069A CN 202111318557 A CN202111318557 A CN 202111318557A CN 114005069 A CN114005069 A CN 114005069A
Authority
CN
China
Prior art keywords
video
value
feature
characteristic
key frame
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.)
Pending
Application number
CN202111318557.6A
Other languages
English (en)
Inventor
徐杰
刘永辉
谢恩鹏
张宇
胡芳林
杜浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Inspur Artaplay Intelligent Technology Co Ltd
Original Assignee
Shandong Inspur Artaplay Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Inspur Artaplay Intelligent Technology Co Ltd filed Critical Shandong Inspur Artaplay Intelligent Technology Co Ltd
Priority to CN202111318557.6A priority Critical patent/CN114005069A/zh
Publication of CN114005069A publication Critical patent/CN114005069A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种视频特征提取和检索方法，通过对视频中图像帧进行视频特征向量计算，然后基于这些特征信息通过变换得到一个与视频唯一对应的数字序列。内容不相同的视频一般会得到不相同的特征点集合，而内容相似的视频会得到相近的特征点集合，通过这一数字序列进行视频的追踪溯源。这种方法不需要在视频内嵌入任何信息，保持了视频的完整性，且能唯一标识该视频。在保证追溯准确性的同时，还具备一定的实时性，较传统的方式有很大的提高。

Description

一种视频特征提取和检索方法
技术领域
本发明涉及视频版权保护领域，具体涉及一种视频特征提取和检索方法。
背景技术
随着计算机技术的快速发展和互联网网络传输速率的快速提升，人们获取信息的方式发生了日新月异的变化，视频已经成了人们获取信息的主要来源。视频的制作和传播的得到了前所未有的发展，与之而来的是视频版权侵权的问题也越来越突出。因此，为保障视频市场的良性发展和视频版权保护出发，亟需视频溯源的高效方法。
发明内容
本发明为了克服以上技术的不足，提供了一种对视频图像帧的特征进行提取进行唯一性计算的视频特征提取和检索方法。
本发明克服其技术问题所采用的技术方案是：
一种视频特征提取和检索方法，包括如下步骤：
a)获取验证视频，对验证视频的帧图像建立积分图像，建立积分图像后构建图像的尺度空间，之后检测特征点；
b)基于特征点进行特征矢量的计算，得到整个图像的特征矢量集V；
c)将特征矢量集V进行聚类，得到不同的聚类类簇，将每一个聚类类簇的中心信息作为每一个关键帧的信息；
d)对关键帧的信息进行词频量化编码处理，得到处理后的视频的特征值V′；
e)获取目标视频，将目标视频执行步骤a)至步骤d)得到目标视频的特征值Vmod；
f)计算特征值Vmod与特征值V′的欧氏距离，将计算得到的欧氏距离与设定阈值相比较，如果计算得到的欧氏距离大于阈值，则认定为目标视频与验证视频不相同，如果计算得到的欧氏距离小于等于阈值，则认定为目标视频与验证视频相同。进一步的，步骤b)包括如下步骤：
b-1)以特征点为中心，构建圆形窗口，将圆形窗口分成4个同心圆环子区域；b-2)对每一个同心圆环所覆盖的范围在其所在的二维坐标系的X方向和Y方向上进行哈尔小波值计算，分别获取X方向的响应值dx以及Y方向的响应值dy；b-3)在每个子区域中以特征点为中心，对X方向的响应值dx以及Y方向的响应值dy进行高斯加权计算，分别得到∑dx及∑dy，统计每个子区域内响应值dx、响应值dy的绝对值之和，分别记为∑|dx|及∑|dy|；
b-4)将各个子区域的特征点的特征矢量排列，通过公式V＝(∑dx,∑dy,∑|dx|,∑|dy)得到整个图像的特征矢量V。
进一步的，步骤c)中使用K-means算法将特征矢量集V进行聚类。
进一步的，步骤d)包括如下步骤：
d-1)通过公式
Figure BDA0003343867110000021
计算得到量化系数
Figure BDA0003343867110000022
式中MAX为关键帧中词频的最大值，MIN为关键帧中词频的最小值；
d-2)通过公式
Figure BDA0003343867110000023
计算得到视频关键帧特征统计信息β，式中m为关键帧分类的中心数；
d-3)将视频关键帧特征统计信息β使用2×N位的二进制序列来标识，整个视频的特征值通过2×N×L位的二进制序列来标识，得到处理后的视频的特征值V′，L为视频关键帧的个数，N为聚类类簇的数量。
本发明的有益效果是：通过对视频中图像帧进行视频特征向量计算，然后基于这些特征信息通过变换得到一个与视频唯一对应的数字序列。内容不相同的视频一般会得到不相同的特征点集合，而内容相似的视频会得到相近的特征点集合，通过这一数字序列进行视频的追踪溯源。这种方法不需要在视频内嵌入任何信息，保持了视频的完整性，且能唯一标识该视频。在保证追溯准确性的同时，还具备一定的实时性，较传统的方式有很大的提高。
附图说明
图1为本发明的视频特征提取流程图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种视频特征提取和检索方法，需要对视频图像帧的特征进行提取进行唯一性计算，具体包括如下步骤：
a)获取验证视频，对验证视频的帧图像建立积分图像，建立积分图像后构建图像的尺度空间，之后检测特征点。
b)视频的基本元素是视频帧，视频帧相当于图像，对视频进行预处理使之成为固定帧率的视频，然后选取视频的关键帧集合作为特征提取的视频帧图像，因此基于特征点进行特征矢量的计算，得到整个图像的特征矢量集V。
c)将特征矢量集V进行聚类，得到不同的聚类类簇，将每一个聚类类簇的中心信息作为每一个关键帧的信息。
d)对关键帧的信息进行词频量化编码处理，得到处理后的视频的特征值V′。每段视频都有自己独特的视觉词汇集合，因而生成的视频特征值也是唯一的。同时，内容相似的视频拥有相近的特征集合，其生成的特征值也有较高的相似性。
e)获取目标视频，将目标视频执行步骤a)至步骤d)得到目标视频的特征值Vmod。
f)计算特征值Vmod与特征值V′的欧氏距离，将计算得到的欧氏距离与设定阈值相比较，如果计算得到的欧氏距离大于阈值，则认定为目标视频与验证视频不相同，如果计算得到的欧氏距离小于等于阈值，则认定为目标视频与验证视频相同。通过对视频中图像帧进行视频特征向量计算，然后基于这些特征信息通过变换得到一个与视频唯一对应的数字序列。内容不相同的视频一般会得到不相同的特征点集合，而内容相似的视频会得到相近的特征点集合，通过这一数字序列进行视频的追踪溯源。这种方法不需要在视频内嵌入任何信息，保持了视频的完整性，且能唯一标识该视频。在保证追溯准确性的同时，还具备一定的实时性，较传统的方式有很大的提高。
实施例1：
步骤b)包括如下步骤：
b-1)以特征点为中心，构建圆形窗口，将圆形窗口分成4个同心圆环子区域；
b-2)对每一个同心圆环所覆盖的范围在其所在的二维坐标系的X方向和Y方向上进行哈尔小波值计算，分别获取X方向的响应值dx以及Y方向的响应值dy；
b-3)在每个子区域中以特征点为中心，对X方向的响应值dx以及Y方向的响应值dy进行高斯加权计算，分别得到∑dx及∑dy，统计每个子区域内响应值dx、响应值dy的绝对值之和，分别记为∑|dx|及∑|dy|；
b-4)将各个子区域的特征点的特征矢量排列，通过公式V＝(∑dx,∑dy,∑|dx|,∑|dy|)得到整个图像的特征矢量V。
实施例2：
步骤c)中使用K-means算法将特征矢量集V进行聚类。
实施例3：
步骤d)包括如下步骤：
d-1)通过公式
Figure BDA0003343867110000041
计算得到量化系数
Figure BDA0003343867110000042
式中MAX为关键帧中词频的最大值，MIN为关键帧中词频的最小值；
d-2)通过公式
Figure BDA0003343867110000043
计算得到视频关键帧特征统计信息β，式中m为关键帧分类的中心数；
d-3)将视频关键帧特征统计信息β使用2×N位的二进制序列来标识，整个视频的特征值通过2×N×L位的二进制序列来标识，得到处理后的视频的特征值V′，L为视频关键帧的个数，N为聚类类簇的数量。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种视频特征提取和检索方法，其特征在于，包括如下步骤：
a)获取验证视频，对验证视频的帧图像建立积分图像，建立积分图像后构建图像的尺度空间，之后检测特征点；
b)基于特征点进行特征矢量的计算，得到整个图像的特征矢量集V；
c)将特征矢量集V进行聚类，得到不同的聚类类簇，将每一个聚类类簇的中心信息作为每一个关键帧的信息；
d)对关键帧的信息进行词频量化编码处理，得到处理后的视频的特征值V′；
e)获取目标视频，将目标视频执行步骤a)至步骤d)得到目标视频的特征值Vmod；
f)计算特征值Vmod与特征值V′的欧氏距离，将计算得到的欧氏距离与设定阈值相比较，如果计算得到的欧氏距离大于阈值，则认定为目标视频与验证视频不相同，如果计算得到的欧氏距离小于等于阈值，则认定为目标视频与验证视频相同。
2.根据权利要求1所述的视频特征提取和检索方法，其特征在于，步骤b)包括如下步骤：
b-1)以特征点为中心，构建圆形窗口，将圆形窗口分成4个同心圆环子区域；b-2)对每一个同心圆环所覆盖的范围在其所在的二维坐标系的X方向和Y方向上进行哈尔小波值计算，分别获取X方向的响应值dx以及Y方向的响应值dy；b-3)在每个子区域中以特征点为中心，对X方向的响应值dx以及Y方向的响应值dy进行高斯加权计算，分别得到∑dx及∑dy，统计每个子区域内响应值dx、响应值dy的绝对值之和，分别记为∑|dx|及∑|dy|；
b-4)将各个子区域的特征点的特征矢量排列，通过公式V＝(∑dx,∑dy,∑|dx|,∑|dy|)得到整个图像的特征矢量V。
3.根据权利要求1所述的视频特征提取和检索方法，其特征在于：步骤c)中使用K-means算法将特征矢量集V进行聚类。
4.根据权利要求1所述的视频特征提取和检索方法，其特征在于，步骤d)包括如下步骤：
d-1)通过公式
Figure FDA0003343867100000021
计算得到量化系数
Figure FDA0003343867100000022
式中MAX为关键帧中词频的最大值，MIN为关键帧中词频的最小值；
d-2)通过公式
Figure FDA0003343867100000023
计算得到视频关键帧特征统计信息β，式中m为关键帧分类的中心数；
d-3)将视频关键帧特征统计信息β使用2×N位的二进制序列来标识，整个视频的特征值通过2×N×L位的二进制序列来标识，得到处理后的视频的特征值V′，L为视频关键帧的个数，N为聚类类簇的数量。
CN202111318557.6A 2021-11-09 2021-11-09 一种视频特征提取和检索方法 Pending CN114005069A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111318557.6A CN114005069A (zh) 2021-11-09 2021-11-09 一种视频特征提取和检索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111318557.6A CN114005069A (zh) 2021-11-09 2021-11-09 一种视频特征提取和检索方法

Publications (1)

Publication Number Publication Date
CN114005069A true CN114005069A (zh) 2022-02-01

Family

ID=79928270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111318557.6A Pending CN114005069A (zh) 2021-11-09 2021-11-09 一种视频特征提取和检索方法

Country Status (1)

Country Link
CN (1) CN114005069A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114567798A (zh) * 2022-02-28 2022-05-31 南京烽火星空通信发展有限公司 一种针对互联网短视频变种的溯源方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063706A (zh) * 2014-06-27 2014-09-24 电子科技大学 一种基于surf算法的视频指纹提取方法
WO2017000465A1 (zh) * 2015-07-01 2017-01-05 中国矿业大学 矿井无线分布式视频编码中的关键帧实时选取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104063706A (zh) * 2014-06-27 2014-09-24 电子科技大学 一种基于surf算法的视频指纹提取方法
WO2017000465A1 (zh) * 2015-07-01 2017-01-05 中国矿业大学 矿井无线分布式视频编码中的关键帧实时选取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐杰;何庆强;许涛;李乾坤;田兴发;孙健;: "一种基于改进SURF的视频DNA生成算法研究", 四川大学学报(工程科学版), no. 02, 20 March 2016 (2016-03-20), pages 1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114567798A (zh) * 2022-02-28 2022-05-31 南京烽火星空通信发展有限公司 一种针对互联网短视频变种的溯源方法
CN114567798B (zh) * 2022-02-28 2023-12-12 南京烽火星空通信发展有限公司 一种针对互联网短视频变种的溯源方法

Similar Documents

Publication Publication Date Title
Lei et al. Video sequence matching based on the invariance of color correlation
US10387731B2 (en) Systems and methods for extracting and matching descriptors from data structures describing an image sequence
Kadhim et al. Improved image steganography based on super-pixel and coefficient-plane-selection
CN106845516B (zh) 一种基于多样本联合表示的足迹图像识别方法
CN112434553B (zh) 一种基于深度字典学习的视频鉴别方法及系统
CN111460961A (zh) 一种基于cdvs的相似图聚类的静态视频摘要方法
Xie et al. Bag-of-words feature representation for blind image quality assessment with local quantized pattern
CN106503112B (zh) 视频检索方法和装置
CN114667522A (zh) 将数据样本转换为正常数据
CN110852152A (zh) 一种基于数据增强的深度哈希行人重识别方法
Li et al. Compact video fingerprinting via structural graphical models
CN114723760B (zh) 人像分割模型的训练方法、装置及人像分割方法、装置
WO2023082641A1 (zh) 电子档案生成方法、装置、终端设备及存储介质
CN105825201A (zh) 视频监控中的运动目标跟踪方法
Mishra Video shot boundary detection using hybrid dual tree complex wavelet transform with Walsh Hadamard transform
CN114005069A (zh) 一种视频特征提取和检索方法
KR20140112635A (ko) 특징점 기반 영상처리 장치 및 그 영상 처리 방법
CN111914117A (zh) 一种面向检索的监控视频大数据记录方法及系统
CN114282052A (zh) 基于帧特征的视频图像定位方法及系统
CN106952211B (zh) 基于特征点投影的紧凑型图像哈希方法
Mengyang et al. Content-based video copy detection using binary object fingerprints
Essa et al. High order volumetric directional pattern for video-based face recognition
Jamil et al. Local statistical features for multilingual artificial text detection from video images
CN111291602A (zh) 视频检测方法、装置、电子设备及计算机可读存储介质
CN107563391B (zh) 一种基于专家模型的数字图像特征提取方法

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