JP2014225118A - Image processing apparatus and image processing program - Google Patents

Image processing apparatus and image processing program Download PDF

Info

Publication number
JP2014225118A
JP2014225118A JP2013103839A JP2013103839A JP2014225118A JP 2014225118 A JP2014225118 A JP 2014225118A JP 2013103839 A JP2013103839 A JP 2013103839A JP 2013103839 A JP2013103839 A JP 2013103839A JP 2014225118 A JP2014225118 A JP 2014225118A
Authority
JP
Japan
Prior art keywords
image
scene
histogram
shot
block
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.)
Granted
Application number
JP2013103839A
Other languages
Japanese (ja)
Other versions
JP6254771B2 (en
Inventor
貴裕 望月
Takahiro Mochizuki
貴裕 望月
藤井 真人
Masato Fujii
真人 藤井
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.)
Japan Broadcasting Corp
Original Assignee
Nippon Hoso Kyokai NHK
Japan Broadcasting Corp
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 Nippon Hoso Kyokai NHK, Japan Broadcasting Corp filed Critical Nippon Hoso Kyokai NHK
Priority to JP2013103839A priority Critical patent/JP6254771B2/en
Publication of JP2014225118A publication Critical patent/JP2014225118A/en
Application granted granted Critical
Publication of JP6254771B2 publication Critical patent/JP6254771B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

PROBLEM TO BE SOLVED: To generate a scene sequence with high accuracy.SOLUTION: An image processing apparatus which generates a scene sequence from a video image includes: sampling acquisition means which samples a predetermined frame image from a sample video image; block feature information generation means which divides frame images obtained by the sampling acquisition means for each one or multiple scales to generate feature information for each divided block image; shot division means which divides a video image to be processed for generating a scene sequence for each shot; histogram generation means which generates a histogram based on an appearance ratio of the block image, in association with the block image obtained by the block feature information generation means, for each shot divided by the shot division means; and scene sequence generation means which generates a scene sequence for the video image to be processed, by use of the histogram generated by the histogram generation means.

Description

本発明は、画像処理装置及び画像処理プログラムに関する。   The present invention relates to an image processing apparatus and an image processing program.

従来では、カメラのスイッチングにより生じる映像の変化点(ショット(カットともいう))に基づいて、映像を分割する手法が知られている。しかしながら、検索処理等で用いられる映像ハンドリングを行う場合には、場面転換等で区切られたシーン等のように、ショットよりも時間的に長い映像を基本単位としたい場合もある。上述した映像ハンドリングとは、例えば映像素材を加工して映像コンテンツの重要箇所をわかりやすく提示し、内容をよりよく理解できるようにすることをいう。   2. Description of the Related Art Conventionally, a technique for dividing a video based on a video change point (shot (also referred to as a cut)) caused by camera switching is known. However, when video handling used in search processing or the like is performed, it may be desired to use a video that is longer in time than a shot as a basic unit, such as a scene segmented by scene change or the like. The above-mentioned video handling refers to, for example, processing video material to present important parts of video content in an easy-to-understand manner so that the contents can be better understood.

そこで、映像を分割する手法として、連続するショットの代表画像の色ヒストグラムの変化量に基づき、ショット統合の基準となる「場面転換」を検出する手法が知られている(例えば、特許文献1参照)。   Therefore, as a method of dividing the video, a method of detecting “scene change” serving as a reference for shot integration based on the amount of change in the color histogram of representative images of consecutive shots is known (see, for example, Patent Document 1). ).

特開2006−254486号公報JP 2006-254486 A

しかしながら、上述した特許文献1に示すような手法では、同じ場面のショット代表画像にもかかわらず、背景の色特徴が大きく変化した場合に誤って場面転換点と判断してしまうケースが生じる。   However, in the method as shown in Patent Document 1 described above, there is a case where a scene change point is erroneously determined when the color feature of the background changes greatly despite the shot representative image of the same scene.

なお、他の手法として、現在の画像の「色リスト」の「統合色リスト」に対する含有率を尺度として場面転換点を検出する手法も考えられるが、この手法は画像中に使用される色の種類に基づいた手法であるためノイズに弱い。   As another method, a method of detecting a scene turning point on the basis of the content ratio of the “color list” of the current image with respect to the “integrated color list” is also conceivable, but this method can be used for the color used in the image. Because it is based on the type, it is vulnerable to noise.

本発明は、上述した問題点に鑑みなされたものであり、映像から高精度なシーン系列を生成するための画像処理装置及び画像処理プログラムを提供することを目的とする。   The present invention has been made in view of the above-described problems, and an object thereof is to provide an image processing apparatus and an image processing program for generating a highly accurate scene sequence from video.

本発明の一態様における画像処理装置は、映像からシーン系列を生成する画像処理装置において、サンプル映像から所定のフレーム画像をサンプリングするサンプリング取得手段と、前記サンプリング取得手段により得られる各フレーム画像に対して、1又は複数のスケール毎にそれぞれ分割し、分割したブロック画像毎の特徴情報を生成するブロック特徴情報生成手段と、前記シーン系列を生成するための処理対象映像をショット毎に分割するショット分割手段と、前記ショット分割手段により分割されたショット毎に、前記ブロック特徴情報生成手段により得られるブロック画像に対応させて、前記ブロック画像の出現比率に基づくヒストグラムを生成するヒストグラム生成手段と、前記ヒストグラム生成手段により生成されたヒストグラムを用いて前記処理対象映像に対するシーン系列を生成するシーン系列生成手段とを有する。   An image processing apparatus according to an aspect of the present invention provides a sampling acquisition unit that samples a predetermined frame image from a sample video and an image processing apparatus that generates a scene series from the video, and each frame image obtained by the sampling acquisition unit. Block feature information generating means for generating feature information for each of the divided block images, and shot division for dividing the processing target video for generating the scene series for each shot. Means for generating a histogram based on the appearance ratio of the block image corresponding to the block image obtained by the block feature information generating unit for each shot divided by the shot dividing unit, and the histogram Histog generated by generating means And a scene sequence generating means for generating scene sequences for the processing target image by using the beam.

また、本発明の一態様における画像処理プログラムは、コンピュータを、請求項1乃至5の何れか1項に記載の画像処理装置が有する各手段として機能させるための画像処理プログラムである。   An image processing program according to an aspect of the present invention is an image processing program for causing a computer to function as each unit included in the image processing apparatus according to any one of claims 1 to 5.

本発明によれば、高精度なシーン系列を生成することができる。   According to the present invention, a highly accurate scene sequence can be generated.

多重スケール画像片ワードヒストグラムの概念図である。It is a conceptual diagram of a multiscale image piece word histogram. 本実施形態におけるブロック画像例を示す図である。It is a figure which shows the example of a block image in this embodiment. 画像処理装置の機能構成の一例を示す図である。It is a figure which shows an example of a function structure of an image processing apparatus. 本実施形態における画像処理の一例を示すフローチャートである。It is a flowchart which shows an example of the image process in this embodiment. 画像片ワード生成手段における処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process in an image piece word production | generation means. 画像片ワードの生成の流れを示す図である。It is a figure which shows the flow of a production | generation of an image fragment word. ヒストグラム生成手段における処理の一例を示すフローチャートである。It is a flowchart which shows an example of the process in a histogram production | generation means. 画像片ワードヒストグラムの生成の流れを示す図である。It is a figure which shows the flow of a production | generation of an image piece word histogram. シーン生成処理の一例を示すフローチャートである。It is a flowchart which shows an example of a scene production | generation process. シーン生成の概要を説明するための図である。It is a figure for demonstrating the outline | summary of a scene production | generation. 多値データを用いた場合のシーン生成の概要を説明するための図である。It is a figure for demonstrating the outline | summary of the scene production | generation at the time of using multi-value data. 本実施形態におけるシーン系列の生成結果の一例を示す図である。It is a figure which shows an example of the production | generation result of the scene series in this embodiment.

<本発明について>
本発明は、例えば映像に含まれる複数のフレーム画像を用いて、映像(例えば、シーン毎)に対する特徴情報を取得する。具体的には、各フレーム画像に対して1又は複数の異なる画像サイズ(以下、「多重スケール」という)を有する画像片ワードのヒストグラム(多重スケール画像片ワードヒストグラム、Histogram of Multi−scale Image Piece Word、以下、必要に応じて「H−MIPW」という)に基づく特徴情報を用いて各シーンの分類を行う。
<About the present invention>
The present invention acquires feature information for a video (for example, for each scene) using, for example, a plurality of frame images included in the video. Specifically, a histogram of image fragment words having one or a plurality of different image sizes (hereinafter referred to as “multi-scale”) for each frame image (multi-scale image fragment word histogram, Histogram of Multi-scale Image Piece Word). Hereinafter, the scenes are classified using feature information based on “H-MIPW” as necessary.

画像片とは、例えば1フレーム画像を所定の画像サイズで区切って分割されたときの各ブロック画像である。画像サイズ(スケール)は、例えば正方形でもよく、その他の形状でもよい。また、ワードとは、例えば参照ベクトル等の所定の特徴情報等であるが、これに限定されるものではない。また、H−MIPWは、例えばブロック画像の種類と出現比率(頻度)による静止画分類手法をベースとし、ブロックの大きさを多重スケールにすると共に動画特徴に拡張したものである。   An image piece is, for example, each block image obtained by dividing one frame image by dividing it into a predetermined image size. The image size (scale) may be, for example, a square or other shapes. The word is, for example, predetermined feature information such as a reference vector, but is not limited thereto. H-MIPW is based on a still image classification method based on, for example, the type and appearance ratio (frequency) of a block image, and expands the block size to a multi-scale and a moving image feature.

ここで、図1は、多重スケール画像片ワードヒストグラムの概念図である。また、図2は、本実施形態におけるブロック画像例を示す図である。図1の例では、予め学習用に準備された準備用映像(サンプル映像)に含まれる所定のシーンからサンプリングしたフレーム画像を、1又は複数種類の画像サイズ毎にブロック単位で分割し、分割した画像片(ブロック画像)に対する特徴情報の類似性に基づく多重スケール画像片ワードヒストグラム(H−MIPW)を生成し、シーン中にどの種類のブロック画像がどのくらい存在するか(出現比率)を取得する。   Here, FIG. 1 is a conceptual diagram of a multiscale image fragment word histogram. FIG. 2 is a diagram illustrating an example of a block image in the present embodiment. In the example of FIG. 1, a frame image sampled from a predetermined scene included in a preparation video (sample video) prepared for learning in advance is divided into blocks for each one or a plurality of types of image sizes and divided. A multi-scale image fragment word histogram (H-MIPW) based on the similarity of feature information to an image fragment (block image) is generated, and how many types of block images exist in the scene (appearance ratio) is acquired.

ここで、ブロック画像の種類は、映っている内容(被写体)と強い因果関係がある。例えば、図2に示すように、「空」、「山、森」、「夕焼け」等の映像の内容は、フレーム画像を分割した各ブロックから取得することができる。したがって、上述したH−MIPWは、シーンの内容を包括的に表現する特徴の1つと考えることができる。本実施形態では、H−MIPWに基づいて、例えば複数のフレーム画像を含むシーンの特徴情報を取得する。   Here, the type of block image has a strong causal relationship with the content (subject) being shown. For example, as shown in FIG. 2, the contents of the video such as “sky”, “mountain, forest”, “sunset”, and the like can be acquired from each block obtained by dividing the frame image. Therefore, the above-described H-MIPW can be considered as one of the features that comprehensively express the contents of the scene. In the present embodiment, scene feature information including a plurality of frame images is acquired based on H-MIPW, for example.

また、本実施形態では、各映像ファイルのショット毎の画像片ワードヒストグラムを算出すると共に、その変化量に基づいてショットを統合し、シーンを生成する。これにより、本実施形態では、シーンが1つのヒストグラムで表現されるため、適切なシーンの分類により類似度を高速に算出することができ、また取得した特徴情報を用いて映像内容の類似性に基づいてシーン系列を生成することができる。以下に、本実施形態における画像処理装置及び画像処理プログラムを好適に実施した形態について、図面を用いて詳細に説明する。   In this embodiment, an image fragment word histogram for each shot of each video file is calculated, and shots are integrated based on the amount of change to generate a scene. Thereby, in this embodiment, since the scene is represented by one histogram, the similarity can be calculated at high speed by appropriate classification of the scene, and the similarity of the video content can be calculated using the acquired feature information. A scene sequence can be generated based on the result. Hereinafter, embodiments in which an image processing apparatus and an image processing program in the present embodiment are preferably implemented will be described in detail with reference to the drawings.

<画像処理装置の機能構成例>
図3は、画像処理装置の機能構成の一例を示す図である。図3の例に示す画像処理装置10は、サンプリング取得手段11と、分割ブロック設定手段12と、画像片ワード生成手段(ブロック特徴情報生成手段)13と、ショット分割手段14と、ヒストグラム生成手段15と、シーン系列生成手段16とを有する。
<Example of functional configuration of image processing apparatus>
FIG. 3 is a diagram illustrating an example of a functional configuration of the image processing apparatus. The image processing apparatus 10 shown in the example of FIG. 3 includes a sampling acquisition unit 11, a divided block setting unit 12, an image fragment word generation unit (block feature information generation unit) 13, a shot division unit 14, and a histogram generation unit 15. And a scene series generation means 16.

サンプリング取得手段11は、予め蓄積された準備用映像集合(サンプル映像)21から、所定の間隔(例えば、Tフレーム)毎にフレーム画像をサンプリングし、準備用フレーム画像集合22(P,・・・,PN_P)を出力する。所定の間隔(T)は、例えば予め設定された一定のフレーム間隔であるが、これに限定されるものではなく、例えば一定の時間間隔であってもよく、またシーンを構成する各ショット(例えば、映像の切り替わり)の先頭画像であってもよい。 The sampling acquisition means 11 samples a frame image from a preliminarily stored preparation video set (sample video) 21 at a predetermined interval (for example, T 1 frame), and prepares a preparation frame image set 22 (P 1 ,. .. , P N — P) is output. The predetermined interval (T 1 ) is, for example, a predetermined constant frame interval, but is not limited thereto, and may be, for example, a constant time interval, and each shot ( For example, it may be the first image of video switching).

分割ブロック設定手段12は、画像片ワード生成手段13により生成される1又は複数の画像片(ブロック画像)の大きさ(スケール、画像サイズ)、種類、及び数等のうち、少なくとも1つを設定する。例えば、分割ブロック設定手段12は、画像片の大きさを4×4画素、8×8画素、16×32画素の3種類を多重スケールとして設定することができるが、画像片の大きさや数等についてはこれに限定されるものではない。   The divided block setting unit 12 sets at least one of the size (scale, image size), type, number, and the like of one or a plurality of image pieces (block images) generated by the image piece word generation unit 13. To do. For example, the divided block setting means 12 can set three types of image pieces as 4 × 4 pixels, 8 × 8 pixels, and 16 × 32 pixels as multiple scales. However, the present invention is not limited to this.

なお、ブロック画像の設定は、予めユーザが設定しておいてもよく、また入力される映像の解像度や映像のジャンル(例えば、ニュース番組、スポーツ、ドラマ、風景映像の多い旅番組)等に対応して自動的に設定してもよい。更に、分割ブロック設定手段12は、映像に対して画像全体における「目立つ領域」を表す顕著性マップ(Saliency Map)に基づいて、画像片の大きさ、種類、及び数等のうち、少なくとも1つを設定してもよい。顕著性マップは、例えば周辺領域と性質の異なる領域を「顕著性が高い(注意を引く)領域」として抽出するものである。   The block image may be set by the user in advance, and it corresponds to the resolution of the input video and the genre of the video (eg news program, sports, drama, travel program with many landscape videos), etc. And may be set automatically. Further, the divided block setting means 12 has at least one of the size, type, number, and the like of the image pieces based on the saliency map (Saliency Map) representing the “conspicuous area” in the entire image with respect to the video. May be set. In the saliency map, for example, an area having a property different from that of the surrounding area is extracted as an “area having high saliency (attracting attention)”.

画像片ワード生成手段13は、例えば分割ブロック設定手段12により設定された条件(多重スケール)等に基づいて、準備用フレーム画像集合22に含まれる各フレームをブロック画像に分割する。また、画像片ワード生成手段13は、分割したブロック画像毎の特徴情報を取得し、取得した特徴情報に基づいて、準備用フレーム画像集合22に対する画像片ワード23(W)を生成する。なお、画像片ワード生成手段13における画像片ワード23の具体的な生成手法については、後述する。   The image fragment word generating unit 13 divides each frame included in the preparation frame image set 22 into block images based on, for example, the condition (multiple scale) set by the divided block setting unit 12. Further, the image fragment word generation means 13 acquires feature information for each divided block image, and generates an image fragment word 23 (W) for the preparation frame image set 22 based on the acquired feature information. A specific method for generating the image fragment word 23 in the image fragment word generating means 13 will be described later.

ショット分割手段14は、ユーザ等により入力手段等を用いて指定されるシーン生成の処理対象映像24(V)に対して、所定の間隔(例えば、Tフレーム)毎のショット単位に自動分割し、ショット系列25(ST,・・・,STN_ST)を生成する。なお、処理対象映像24(V)とは、例えば本実施形態におけるショット毎の特徴情報を抽出する対象の映像である。また、所定の間隔(T)は、例えば予め設定された一定のフレーム間隔であるが、これに限定されるものではなく、例えば一定の時間間隔であってもよく、また映像の区切りの最初のフレームの間隔であってもよい。また、所定の間隔(T)は、上述した所定の間隔(T)と同一間隔であってもよく、異なる間隔であってもよい。 Shot segmentation means 14, relative to the scene generation of the processing target image 24 which is designated using such input means by a user or the like (V), a predetermined interval (e.g., T 2 frames) automatically divided into shot units per , A shot sequence 25 (ST 1 ,..., ST N_ST ) is generated. Note that the processing target video 24 (V) is a target video from which feature information for each shot is extracted in the present embodiment, for example. Further, the predetermined interval (T 2 ) is, for example, a preset constant frame interval, but is not limited to this, and may be, for example, a fixed time interval, or may be the first of video segmentation. It may be an interval of frames. Further, the predetermined interval (T 2 ) may be the same interval as the predetermined interval (T 1 ) described above, or may be a different interval.

ヒストグラム生成手段15は、映像を一定間隔で区切ったシーンであるショット系列25(ST,・・・,SN_ST)を入力し、その各ショットを1又は複数のスケール毎にそれぞれ分割し、分割した各ショットのブロック画像の特徴情報を取得する。また、ヒストグラム生成手段15は、例えば取得した特徴情報の類似性から、各ショットに対するブロック画像毎の出現比率等を算出し、その結果から各ショットの画像片ワードヒストグラム26(H,・・・,HN_ST)を生成する。なお、ヒストグラム生成手段15における画像片ワードヒストグラム26の具体的な生成例については、後述する。 The histogram generation means 15 inputs a shot sequence 25 (ST 1 ,..., S N — ST) that is a scene obtained by dividing a video at a predetermined interval, and divides each shot into one or a plurality of scales. The feature information of the block image of each shot is acquired. Further, the histogram generation means 15 calculates, for example, the appearance ratio of each block image with respect to each shot from the similarity of the acquired feature information, and the image fragment word histogram 26 (H 1 ,. , H N — ST ). A specific generation example of the image fragment word histogram 26 in the histogram generation means 15 will be described later.

シーン系列生成手段16は、上述したショット系列25(ST,・・・,STN_ST)及び画像片ワードヒストグラム26(H,・・・,HN_ST)を用いてシーン系列(SN,・・・,STN_SN)を生成する。例えば、シーン系列生成手段16は、各映像ファイルのショット毎に算出された画像片ワードヒストグラムの変化量に基づき、ショットを統合してシーンを生成するが、シーン生成手法についてはこれに限定されるものではない。 The scene series generation means 16 uses the above-described shot series 25 (ST 1 ,..., ST N_ST ) and image fragment word histogram 26 (H 1 ,..., H N_ST ) to generate a scene series (SN 1 ,. .. , ST N_SN ) is generated. For example, the scene series generation unit 16 generates a scene by integrating shots based on the amount of change in the image fragment word histogram calculated for each shot of each video file, but the scene generation method is limited to this. It is not a thing.

このように、本実施形態における画像処理装置10は、画像片(ブロック領域)単位の特徴を用いることにより、例えばシーン系列生成の精度の向上等に繋がる高精度な画像の特徴情報を抽出することができる。また、本実施形態では、番組映像のシーン系列を従来手法よりも高精度に生成することができる。また、本実施形態によれば、生成されたシーン系列を用いて、例えばシーン単位での高精度な映像検索を実現することができる。   As described above, the image processing apparatus 10 according to the present embodiment uses the feature of each image piece (block region) to extract, for example, high-precision image feature information that leads to improvement in accuracy of scene sequence generation. Can do. Further, in the present embodiment, a scene sequence of program video can be generated with higher accuracy than the conventional method. Further, according to the present embodiment, it is possible to realize a high-accuracy video search for each scene, for example, using the generated scene series.

なお、上述した準備用映像集合21、準備用フレーム画像集合22、画像片ワード23、処理対象映像24、ショット系列25、画像片ワードヒストグラム26、及びシーン系列27は、画像処理装置10内に設けられる記憶手段等に記憶されていてもよく、また外部装置(例えば、データベースサーバ)等で管理されていてもよい。外部装置で管理される場合、画像処理装置10は、例えばインターネットやLAN(Local Area Network)等に代表される通信ネットワークを介して外部装置とデータの送受信が可能な状態で接続され、外部装置で記憶されているデータの読み出しや、外部装置への書き込みを行うことができる。   The above-described preparation video set 21, preparation frame image set 22, image fragment word 23, processing target image 24, shot sequence 25, image fragment word histogram 26, and scene sequence 27 are provided in the image processing apparatus 10. Stored in a storage unit or the like, or may be managed by an external device (for example, a database server). When managed by an external device, the image processing apparatus 10 is connected in a state where data can be transmitted to and received from the external device via a communication network represented by the Internet or a LAN (Local Area Network), for example. Reading stored data and writing to an external device can be performed.

上述したように、本実施形態において画像片は、画像中の内容との相関が強いと考えられるため、H−MIPWは映像内容の類似性によるシーン検索のための有効な動画特徴となり得る。したがって、要求シーンに対して高精度な検索を行うことができ、類似性の高いシーンを取得することができる。   As described above, in the present embodiment, since the image piece is considered to have a strong correlation with the content in the image, H-MIPW can be an effective moving image feature for scene search based on the similarity of the video content. Therefore, a highly accurate search can be performed on the requested scene, and a scene with high similarity can be acquired.

<画像処理例について>
次に、上述した画像処理装置10における画像処理例についてフローチャートを用いて説明する。図4は、本実施形態における画像処理の一例を示すフローチャートである。図4の例において、サンプリング取得手段11は、例えば1又は複数のジャンルからなる複数の映像集合から無作為に選んだ準備用映像集合21を入力し(S01)、入力した準備用映像集合21から所定のフレーム画像をサンプリングする(S02)。なお、サンプリングは、例えば一定間隔毎のフレーム画像を取得してもよく、映像区切り等に基づいてフレーム画像を取得してもよい。
<Example of image processing>
Next, an example of image processing in the above-described image processing apparatus 10 will be described using a flowchart. FIG. 4 is a flowchart illustrating an example of image processing in the present embodiment. In the example of FIG. 4, the sampling acquisition means 11 inputs, for example, a preparation video set 21 randomly selected from a plurality of video sets of one or a plurality of genres (S01), and from the input preparation video set 21 A predetermined frame image is sampled (S02). For sampling, for example, frame images at regular intervals may be acquired, or frame images may be acquired based on video segmentation or the like.

次に、画像片ワード生成手段13は、分割ブロック設定手段12により予め設定された分割ブロックに基づいて画像片ワード(例えば、多重スケール画像片ワード(MIPWord))を生成する(S03)。次に、ショット分割手段14は、入力された処理対象映像24をショット単位等に自動分割してショット系列25を生成する(S04)。   Next, the image fragment word generating unit 13 generates an image fragment word (for example, a multiscale image fragment word (MIPWord)) based on the divided blocks set in advance by the divided block setting unit 12 (S03). Next, the shot dividing unit 14 automatically divides the input processing target video 24 into shot units or the like to generate a shot sequence 25 (S04).

次に、ヒストグラム生成手段15は、ショット系列と画像片ワードとを用いて画像片ワードヒストグラム26を生成する(S05)。次に、シーン系列生成手段16は、ショット系列25と画像片ワードヒストグラム26とを用いてシーン系列を生成し(S06)、生成したシーン系列を出力する(S07)。   Next, the histogram generation means 15 generates the image fragment word histogram 26 using the shot series and the image fragment word (S05). Next, the scene series generation means 16 generates a scene series using the shot series 25 and the image fragment word histogram 26 (S06), and outputs the generated scene series (S07).

<画像片ワード生成手段13における画像片ワードの生成例について>
次に、上述した画像片ワード生成手段13における多重スケール画像片ワード(MIPWord)を生成する手法について説明する。図5は、画像片ワード生成手段における処理の一例を示すフローチャートである。また、図6は、画像片ワードの生成の流れを示す図である。
<Example of Image Fragment Word Generation in Image Fragment Word Generation Unit 13>
Next, a method for generating a multi-scale image fragment word (MIPWord) in the image fragment word generation means 13 described above will be described. FIG. 5 is a flowchart showing an example of processing in the image fragment word generating means. FIG. 6 is a diagram showing a flow of generation of an image fragment word.

図5の例において、画像片ワード生成手段13は、準備用映像集合21から所定の条件によりサンプリングされた各フレーム画像を、分割ブロック設定手段12により設定された条件に基づいて1又は複数スケールにブロック分割する(S11)。なお、サンプリングの条件としては、例えば一定間隔毎のフレーム画像を取得してもよく、映像区切り等に基づいてフレーム画像を取得してもよい。また、S11の処理では、例えばフレーム画像毎にスケール1(nW1×nH1個),・・・,スケールN(nWNd×nHNd個)の複数のスケール(多重スケール)で、それぞれブロック分割する。 In the example of FIG. 5, the image fragment word generating unit 13 converts each frame image sampled from the preparation video set 21 under a predetermined condition into one or a plurality of scales based on the condition set by the divided block setting unit 12. Block division is performed (S11). As sampling conditions, for example, frame images at regular intervals may be acquired, or frame images may be acquired based on video segmentation or the like. Further, in the processing of S11, for example, each frame image has a plurality of scales (multiple scales) of scale 1 (n W1 × n H1 ),..., Scale N d (n WNd × n HNd ), respectively. To divide.

次に、画像片ワード生成手段13は、分割した各ブロック画像について、所定の特徴ベクトル(特徴情報)を算出する(S12)。所定の特徴ベクトルとしては、例えば色特徴やテクスチャ特徴等があるがこれに限定されるものではなく、他の特徴を用いてもよく、また複数の特徴情報を組み合わせてもよい。色特徴としては、例えばRGB平均値ベクトルや色相ヒストグラム等がある。また、テクスチャ特徴としては、例えばフラクタルシーケンスやエッジ方向ヒストグラム、CS−LBP(Center Symmetric − Local Binary Pattern)特徴等がある。   Next, the image fragment word generation means 13 calculates a predetermined feature vector (feature information) for each divided block image (S12). Examples of the predetermined feature vector include a color feature and a texture feature, but are not limited thereto. Other features may be used, or a plurality of feature information may be combined. Examples of the color feature include an RGB average value vector and a hue histogram. The texture features include, for example, a fractal sequence, an edge direction histogram, a CS-LBP (Center Symmetric-Local Binary Pattern) feature, and the like.

次に、画像片ワード生成手段13は、各スケールi(i=1,・・・,N)において、ブロック画像集合を特徴ベクトルの類似性に基づいてクラスタリング(分類分け)する(S13)。なお、S13の処理において、クラスタリング手法は、例えばK−Means法等の分割最適化法を用いることができるが、これに限定されるものではない。S13の処理により生成された各スケールiにおけるK個のクラスタをC[i,1],・・・,C[i,K]とする。 Next, the image fragment word generation means 13 clusters (classifies) the block image sets based on the similarity of the feature vectors at each scale i (i = 1,..., N d ) (S13). In the process of S13, the clustering method can use a division optimization method such as the K-Means method, but is not limited to this. The K i pieces of clusters in each scale i generated by the processing of S13 C [i, 1], ···, and C [i, K i].

次に、画像片ワード生成手段13は、例えば各クラスタC[i,k]の中心ベクトルw[i,k]を要素とする画像片ワードW={v[1,1],・・・,v[i,k],・・・,v[N,KNd]}を多重スケール画像片ワード(MIPWord)として生成する(S14)。そして、画像片ワード生成手段13は、生成された多重スケール画像片ワード(MIPWord)を記憶手段(例えば、画像片ワード23)等に記憶する(S15)。 Next, the image fragment word generation means 13 is, for example, an image fragment word W = {v [1,1],... Having the center vector w [i, k] of each cluster C [i, k] as an element. v [i, k],..., v [N d , K Nd ]} are generated as multi-scale image fragment words (MIPWord) (S14). Then, the image fragment word generation unit 13 stores the generated multiscale image fragment word (MIPWord) in a storage unit (for example, the image fragment word 23) or the like (S15).

図6の例では、上述した図5に示す処理において、ブロック分割スケールN=2の場合のMIPWord生成の流れを示しているが、ブロック分割におけるスケール数については、これに限定されるものではない。 In the example of FIG. 6, the flow of MIPWord generation when the block division scale N d = 2 is shown in the processing shown in FIG. 5 described above, but the number of scales in block division is not limited to this. Absent.

図6に示すように、同一の準備用(サンプル)映像からサンプリングしたフレーム画像集合に対して、複数のスケール(画像サイズ)でブロック分割し、それぞれのスケール(スケール1,スケール2)で分割された画像片(ブロック画像集合)毎に特徴ベクトルに基づいてクラスタリングを行い、例えば各クラスタの中心ベクトル等を用いて多重スケールの画像片ワードを生成する。また、図6の例では、画像片ワードWとして、「MIPWord W={v[1,1],v[1,2],・・・,v[1,k],v[2,1],v[2,2],・・・,v[1,k]}」が生成される。 As shown in FIG. 6, a set of frame images sampled from the same preparation (sample) video is divided into blocks at a plurality of scales (image sizes), and divided at each scale (scale 1, scale 2). Clustering is performed for each image piece (block image set) based on the feature vector, and a multi-scale image piece word is generated using, for example, the center vector of each cluster. In the example of FIG. 6, “MIPWord W = {v [1,1], v [1,2],..., V [1, k 1 ], v [2,1] ], V [2, 2],..., V [1, k 2 ]} ”.

なお、準備用映像集合21は、例えば検索対象映像や検索要求シーン等のジャンル(例えば、ニュース、各種のスポーツ(サッカー、野球)等)が予め決まっている場合には、同一のジャンルの準備用映像にすることが好ましいが、これに限定されるものではない。また、スケールは、例えば上述した分割ブロック設定手段12により任意のスケール、種類、数に設定される。また、スケールは、入力される映像の解像度等に応じて任意に設定されてもよい。   Note that the preparation video set 21 is used for preparation of the same genre when a genre (for example, news, various sports (soccer, baseball), etc.) such as a search target video or a search request scene is determined in advance. Although it is preferable to use an image, the present invention is not limited to this. Further, the scale is set to an arbitrary scale, type, and number, for example, by the divided block setting means 12 described above. The scale may be arbitrarily set according to the resolution of the input video.

<ヒストグラム生成手段15における画像片ワードヒストグラムの生成例>
次に、ヒストグラム生成手段15における処理対象映像24の各ショットの画像片ワードヒストグラムの生成例について、図を用いて説明する。図7は、ヒストグラム生成手段における処理の一例を示すフローチャートである。また、図8は、画像片ワードヒストグラムの生成の流れを示す図である。
<Generation Example of Image Piece Word Histogram in Histogram Generation Unit 15>
Next, an example of generating an image fragment word histogram of each shot of the processing target video 24 in the histogram generation unit 15 will be described with reference to the drawings. FIG. 7 is a flowchart showing an example of processing in the histogram generation means. FIG. 8 is a diagram showing a flow of generating an image fragment word histogram.

ヒストグラム生成手段15は、多重スケール画像片ワード(MIPWord)に基づき、処理対象映像24の各ショット単位のH−MIPWを算出する。なお、ヒストグラム生成手段15に入力されるショットSTを生成するためのショット単位への分割処理は、ショット分割手段14により行われ、例えば既存のカットチェンジ点検出手法(例えば、特開2008−83894号公報)等を用いて分割することができるが、これに限定されるものではない。   The histogram generation unit 15 calculates the H-MIPW for each shot of the processing target video 24 based on the multiscale image piece word (MIPWord). Note that the division processing into shot units for generating the shot ST input to the histogram generation unit 15 is performed by the shot division unit 14, for example, an existing cut change point detection method (for example, Japanese Patent Application Laid-Open No. 2008-83894). However, the present invention is not limited to this.

上述したカットチェンジ点検出手法は、例えば第1と第2の画像のそれぞれの輝度又は色のヒストグラムを生成し、第1と第2の画像のそれぞれの空間配置の相関関係を表す画像である空間相関画像を生成し、第1の画像のヒストグラムと第2の画像のヒストグラムの類似度であるヒストグラム類似度を計算する。また、第1の画像の空間相関画像と第2の画像の空間相関画像の類似度である空間相関画像類似度を計算し、ヒストグラム類似度と空間相関画像類似度とに基づいて、第1の画像と第2の画像との境界がカットチェンジであるかを判定する。なお、ヒストグラム類似度とは、例えば、ヒストグラム同士の重なり率である。また、空間相関画像類似度とは、例えば第1の画像と第2の画像とのそれぞれの空間相関画像の全体若しくは一部同士の相対的な位置をシフトさせながら計算した差分絶対和若しくは差分2乗和の最小値である。   The above-described cut change point detection method generates, for example, a luminance or color histogram of each of the first and second images, and is a space that represents the correlation between the spatial arrangements of the first and second images. A correlation image is generated, and a histogram similarity that is a similarity between the histogram of the first image and the histogram of the second image is calculated. In addition, a spatial correlation image similarity that is a similarity between the spatial correlation image of the first image and the spatial correlation image of the second image is calculated, and the first correlation is calculated based on the histogram similarity and the spatial correlation image similarity. It is determined whether the boundary between the image and the second image is a cut change. The histogram similarity is, for example, the overlapping rate between histograms. The spatial correlation image similarity is, for example, the absolute difference or the difference 2 calculated while shifting the relative positions of the whole or a part of the respective spatial correlation images of the first image and the second image. This is the minimum value of multiplication.

図7の例において、ヒストグラム生成手段15は、まず、各スケールから生成されたMIPWord(W)を構成するベクトルw{i,k}の数と同じ数からなるヒストグラムH={h[1,1],・・・,h[i,k],・・・,h[N,KNd]}を予め準備し(S21)、各要素を初期値0とする(S22)。 In the example of FIG. 7, the histogram generation means 15 firstly has a histogram H = {h [1, 1] having the same number as the number of vectors w {i, k} constituting MIPWord (W) generated from each scale. ],..., H [i, k],..., H [N d , K Nd ]} are prepared in advance (S21), and each element is set to an initial value 0 (S22).

次に、ヒストグラム生成手段15は、ショット分割手段14により分割されたショット系列25から所定間隔(例えば、Tフレーム)毎にフレーム画像をサンプリングする(S23)。次に、ヒストグラム生成手段15は、サンプリングした各フレーム画像を1又は複数スケールにブロック分割する(S24)。このときのスケールは、例えば、上述したS11と同様のスケール(スケール1(nW1×nW1個),・・・,スケールN(nWNd×NHNd個)であってもよく、S11の処理で得られる複数のスケール(例えば、5種類)のうち、所定数(例えば、3種類)のスケールであってもよい。 Next, the histogram generation unit 15 samples a frame image at predetermined intervals (for example, T frames) from the shot series 25 divided by the shot division unit 14 (S23). Next, the histogram generation means 15 divides each sampled frame image into blocks on one or a plurality of scales (S24). The scale at this time may be, for example, the same scale as S11 described above (scale 1 (n W1 × n W1 ),..., Scale N d (n WNd × N HNd ). Of a plurality of scales (for example, five types) obtained by the processing, a predetermined number (for example, three types) of scales may be used.

次に、ヒストグラム生成手段15は、S24の処理で得られた各ブロック画像について、上述したS12の処理と同様に特徴ベクトルを算出する(S25)。次に、各スケールi(i=1,・・・,N)において、ヒストグラムHの各要素の加算を行う(S26)。S26の処理では、例えばMIPWord(W)のべクトルv[i,k](k=1,・・・,K)の中で、ブロック画像の特徴ベクトルと最も類似度の高いものをv[i,k']とする。また、S26の処理では、最も類似度の高い特徴ベクトルv[i,k']に対応するヒストグラムHの要素h[i,k']に1を加算する。 Next, the histogram generation means 15 calculates a feature vector for each block image obtained by the process of S24, similarly to the process of S12 described above (S25). Next, each element of the histogram H is added at each scale i (i = 1,..., N d ) (S26). In the processing of S26, for example, among the vectors v [i, k] (k = 1,..., K i ) of MIPWord (W), the one having the highest similarity with the feature vector of the block image is represented by v [ i, k ′]. In the process of S26, 1 is added to the element h [i, k ′] of the histogram H corresponding to the feature vector v [i, k ′] having the highest similarity.

ここで、ヒストグラム生成手段15は、全ブロック画像について上述した各要素の加算処理を行ったか否かを判断し(S27)、処理を行っていない場合(S27において、NO)、S26の処理に戻り、加算していないスケールにおいて、各要素の加算を行う。また、ヒストグラム生成手段15は、全ブロック画像について上述した各要素の加算処理を行った場合(S27において、YES)、ヒストグラムHの各要素をサンプリングした全フレーム画像数で除算し(S28)、算出されたヒストグラムH={h[1,1],・・・,h[i,k],・・・,h[N,KNd]}をショット系列25のH−MIPWとし、記憶手段(例えば、画像片ワードヒストグラム26)等に記憶する(S29)。 Here, the histogram generation means 15 determines whether or not the above-described addition processing of each element has been performed for all block images (S27). If the processing has not been performed (NO in S27), the process returns to S26. The addition of each element is performed on the scale where addition is not performed. In addition, when the above-described addition processing of each element is performed on all block images (YES in S27), the histogram generation unit 15 divides each element of the histogram H by the total number of sampled frame images (S28) and calculates. The histogram H = {h [1, 1],..., H [i, k],..., H [N d , K Nd ]} is taken as H-MIPW of the shot sequence 25, and storage means ( For example, it is stored in the image fragment word histogram 26) (S29).

図8の例では、上述した図7に示す多重スケール画像片ワードヒストグラム生成処理に対するブロック分割スケールN=2の場合の処理の流れを示しているが、ブロック分割スケール数については、これに限定されるものではない。図8の例では、処理対象映像24に含まれるシーンS(例えば、複数ショットからなるショット系列ST)毎に所定の間隔(T)でフレーム画像をサンプリングし、複数のスケールにブロック分割する。 The example of FIG. 8 shows the flow of processing when the block division scale N d = 2 for the multiscale image fragment word histogram generation processing shown in FIG. 7 described above, but the number of block division scales is limited to this. Is not to be done. In the example of FIG. 8, a frame image is sampled at a predetermined interval (T) for each scene S (for example, a shot sequence ST composed of a plurality of shots) included in the processing target video 24, and is divided into a plurality of scales.

また、図8の例では、分割された各ブロックの特徴ベクトルを取得し、取得した特徴ベクトルに基づいて、画像片ワード生成手段13で生成済みのMIPWord(W)に対して各ブロックの特徴ベクトルに最も近いwのベクトルv[j,k]を求め、対応するh[j,k]を加算する。これにより、図8の例に示すように、シーンSのH−MIPWを取得することができる。したがって、本実施形態では、シーン毎の特徴情報を抽出することができると共に、画像分類を迅速かつ適切に行うことができる。したがって、各映像ファイルのショット毎に算出された画像片ワードヒストグラムの変化量に基づき、ショットを統合して、高精度なシーン生成を実現することができる。   In the example of FIG. 8, the feature vector of each divided block is acquired, and based on the acquired feature vector, the feature vector of each block is compared with the MIPWord (W) generated by the image fragment word generation unit 13. The vector v [j, k] of w closest to is obtained, and the corresponding h [j, k] is added. Thereby, the H-MIPW of the scene S can be acquired as shown in the example of FIG. Therefore, in this embodiment, feature information for each scene can be extracted, and image classification can be performed quickly and appropriately. Therefore, high-accuracy scene generation can be realized by integrating shots based on the amount of change in the image fragment word histogram calculated for each shot of each video file.

<シーン系列生成手段16におけるシーン系列生成例>
次に、シーン系列生成手段16におけるシーン生成の一例について説明する。図9は、シーン生成処理の一例を示すフローチャートである。また、図10は、シーン生成の概要を説明するための図である。
<Example of Scene Series Generation in Scene Series Generation Unit 16>
Next, an example of scene generation in the scene series generation unit 16 will be described. FIG. 9 is a flowchart illustrating an example of the scene generation process. FIG. 10 is a diagram for explaining an outline of scene generation.

図9の例において、シーン系列生成手段16は、処理対象映像24(例えば、番組映像)のショット系列25(ST,・・・,STN_ST)、及び、それらの画像片ワードヒストグラム26(H,・・・,HN_ST)を入力し、各画像片ヒストグラムH(i=1,2,…,N_ST)の各要素を予め設定した2値化閾値で2値化し、2値データBとする(S31)。 In the example of FIG. 9, the scene sequence generation means 16 includes a shot sequence 25 (ST 1 ,..., ST N_ST ) of a processing target video 24 (for example, a program video), and an image fragment word histogram 26 (H 1 ,..., H N_ST ), and binarizes each element of each image fragment histogram H i (i = 1, 2,..., N_ST) with a preset binarization threshold value. i (S31).

なお、S31の処理では、図10の例に示すように、予め2値化行うための2値化閾値を設定し、上述した画像片ヒストグラムの出現比率が、予め設定した2値化閾値以上であるか否かにより判断する。図10の例では、出現比率が、2値化閾値以上の場合には、「1」とし、2値化閾値未満の場合には「0」として2値化を行っているが、これに限定されるものではない。   In the processing of S31, as shown in the example of FIG. 10, a binarization threshold for binarization is set in advance, and the appearance ratio of the above-described image piece histogram is equal to or higher than the preset binarization threshold. Judgment is based on whether or not there is. In the example of FIG. 10, binarization is performed with “1” when the appearance ratio is equal to or higher than the binarization threshold, and “0” when the appearance ratio is less than the binarization threshold. Is not to be done.

次に、シーン系列生成手段16は、シーンの区切りを示す変数kの初期値に1を設定し、ショットSTをシーンSNに入れる。また、連結するショットの位置を示す変数n=2とし、また、N=MIN(N_BK,シーンSNに属するショット数)と定義する。なお、MIN(a,b)とは、「aとbの最小値」を表す。 Then, the scene sequence generating unit 16 sets 1 to the initial value of the variable k indicating a break of a scene, add shot ST 1 to the scene SN k. Also, a variable n = 2 indicating the position of the shot to be linked is defined, and N = MIN (N_BK, the number of shots belonging to the scene SN k ) is defined. Note that MIN (a, b) represents “the minimum value of a and b”.

次に、シーン系列生成手段16は、2値データBn−N,Bn−N+1,・・・,Bn−1をそれぞれORでマージして統合2値データBを生成する(S32)。図10の例では、N_BK=3の場合の例を示しているが、これに限定されるものではない。なお、上述したORでマージするとは、各2値データを先頭ビットから順に比較し、比較した2つの2値データが「0」と「0」の場合には「0」を設定し、「0」と「1」及び「1」と「1」である場合には「1」を設定することであるが、マージ方法については、これに限定されるものではない。 Next, the scene series generation means 16 merges the binary data B n−N , B n−N + 1 ,..., B n−1 with OR to generate the integrated binary data B M (S32). . In the example of FIG. 10, an example in the case of N_BK = 3 is shown, but the present invention is not limited to this. The above-mentioned OR merge means that each binary data is compared in order from the first bit, and when the two binary data compared are “0” and “0”, “0” is set and “0” is set. “1” and “1” and “1” and “1” are set to “1”, but the merge method is not limited to this.

次に、シーン系列生成手段16は、シーン系列パラメータRを算出する(S33)。シーン系列パラメータRとは、そのショットが、直前のシーンに含まれるか否かを判断するためのパラメータである。シーン系列パラメータRの算出手法としては、例えば「R=(BとBの双方で「1」であるフラグ数)/(Bnで「1」であるフラグ数)」として算出することができるが、これに限定されるものではない。 Next, the scene series generation unit 16 calculates a scene series parameter R (S33). The scene series parameter R is a parameter for determining whether or not the shot is included in the immediately preceding scene. As a method for calculating the scene series parameter R, for example, “R = (the number of flags being“ 1 ”in both B n and B M ) / (the number of flags being“ 1 ”in Bn)” can be calculated. However, the present invention is not limited to this.

次に、シーン系列生成手段16は、S23の処理で得られたシーン系列パラメータRと予め設定された閾値RTHとを比較し、図10の例に示すように、シーン系列パラメータRが閾値RTH以上であるか否かを判断する(S34)。シーン系列生成手段16は、シーン系列パラメータRが閾値RTH以上である場合(S34において、YES)、判断対象のショットSTにおいて場面転換はないと判断し、STを現在のシーン系列SNに含める(S35)。なお、S35の処理では、例えば直前のシーン系列の最後に判断対象のショットSを連結する。 Next, the scene series generation means 16 compares the scene series parameter R obtained in the process of S23 with a preset threshold value R TH, and as shown in the example of FIG. It is determined whether or not it is greater than TH (S34). When the scene series parameter R is equal to or greater than the threshold value R TH (YES in S34), the scene series generation unit 16 determines that there is no scene change in the shot ST n to be determined, and sets ST n as the current scene series SN k. (S35). In the process of S35, for example, the determination target shot Sn is connected to the end of the immediately preceding scene series.

また、シーン系列生成手段16は、シーン系列パラメータRが閾値RTH以上でない場合(S34において、NO)、判断対象のショットSTにおいて場面転換が発生したと判断し、k=k+1として、STで新しいシーンSNを生成する(S36)。 Further, the scene sequence generating means 16, (in S34, NO) when the scene sequence parameter R is less than the threshold value R TH, determines that the scene change has occurred in the shot ST n of determination target, as k = k + 1, ST n Then, a new scene SN k is generated (S36).

次に、シーン系列生成手段16は、処理対象映像24に含まれる全てのショットについてシーン系列生成処理が完了したか否かを判断する(S37)。S37の処理では、例えば、n=n+1とし、n>N_STであれば、処理が完了したと判断し、n≦N_STの場合には、処理が完了していないと判断する。   Next, the scene series generation unit 16 determines whether or not the scene series generation process has been completed for all shots included in the processing target video 24 (S37). In the process of S37, for example, if n = n + 1 and n> N_ST, it is determined that the process is completed, and if n ≦ N_ST, it is determined that the process is not completed.

シーン系列生成手段16は、S37の処理において、シーン系列生成処理が完了していない場合(S37において、NO)、S33に戻り、次のショットについて処理を行う。また、シーン系列生成手段16は、全てのショットについてシーン系列生成処理が完了した場合(S37において、YES)、シーン系列を出力して処理を終了する(S38)。S38の処理では、シーン系列27(SN,・・・,SNN_SN)が出力される。 When the scene series generation process is not completed in the process of S37 (NO in S37), the scene series generation unit 16 returns to S33 and processes the next shot. If the scene series generation process has been completed for all shots (YES in S37), the scene series generation unit 16 outputs the scene series and ends the process (S38). In the process of S38, the scene series 27 (SN 1 ,..., SN N_SN ) is output.

なお、上述の例では、各画像片ヒストグラムH(i=1,2,…,N_ST)の各要素を予め設定した2値化閾値で2値化し、2値データBを生成したが、これに限定されるものではなく、例えば多値データを生成してもよい。ここで、図11は、多値データを用いた場合のシーン生成の概要を説明するための図である。 In the above-described example, each element of each image fragment histogram H i (i = 1, 2,..., N_ST) is binarized with a preset binarization threshold value to generate binary data B i . For example, multi-value data may be generated. Here, FIG. 11 is a diagram for explaining an outline of scene generation when multi-value data is used.

この場合、上述した図9の例に示すシーン系列生成処理のS31の処理において、シーン系列生成手段16は、各画像片ヒストグラムの各要素をK値化(例えば、3以上の多値化)する。なお、本実施形態における多値化とは、上述した2値化を含んでもよい。   In this case, in the process of S31 of the scene series generation process shown in the example of FIG. 9 described above, the scene series generation unit 16 converts each element of each image fragment histogram into K values (for example, multi-values of 3 or more). . Note that multi-leveling in the present embodiment may include the above-described binarization.

また、S22の処理において、シーン系列生成手段16は、K値化されたデータ(K値データ)をマージし、統合K値データ(統合多値データ)を生成する。   In the process of S22, the scene series generation unit 16 merges the K-valued data (K value data) and generates integrated K value data (integrated multi-value data).

上述の処理を具体的に説明すると、シーン系列生成手段16は、各画像片ヒストグラムH(i=1,2,…,N_ST)の各要素を、予め設定したK値化閾値でK値化し、このK値データB={b[1,1],b[1,2],・・・,b[N_R,KN_R]}とする。なお、i=1,2,…,N_ST及びbの添え字[j,k]は、画像片ワード生成手段13で生成した画像片ワードW={v[1,1],v[1,2],…,v[N_R,KN_R]}に対応しており、b[j,k]=(0〜K−1の整数値)である。なお、K=5の場合、値は「0」,「1」,「2」,「3」,「4」の数値を有することができるデータ列となる。 The above-described processing will be specifically described. The scene series generation unit 16 converts each element of each image fragment histogram H i (i = 1, 2,..., N_ST) into a K value with a preset K value threshold. , This K value data B i = {b i [1,1], b i [1,2],..., B i [N_R, K N_R ]}. Incidentally, i = 1,2, ..., subscript N_ST and b i [j, k] is the image piece word generated by the image piece word generating means 13 W = {v [1,1] , v [1, 2],..., V [N_R, K N_R ]}, and b i [j, k] = (integer value of 0 to K−1). When K = 5, the value is a data string that can have numerical values of “0”, “1”, “2”, “3”, and “4”.

次に、シーン系列生成手段16は、上述したように、初期値k=1を設定し、ショットSTをシーンSNに入れ、n=2とし、N=MIN(N_BK,シーンSNkに属するショット数)と定義する。 Then, the scene sequence generating means 16, as described above, the initial values k = 1, putting shots ST 1 to the scene SN k, and n = 2, N = MIN ( N_BK, belonging to the scene SNk shot Number).

次に、シーン系列生成手段16は、図11の例に示すように、現在のショットからN個遡った以下のK値データ
n−N={bn−N[1,1],bn−N[1,2],・・・,bn−N[N_R,KN_R]}
n−N+1={bn−N+1[1,1],bn−N+1[1,2],・・・,bn−N+1[N_R,KN_R]}
・・・
n−1={bn−1[1,1],bn−1[1,2],・・・,bn−1[N_R,KN_R]}
を、「B={b[1,1],b[1,2],・・・,b[N_R,KN_R]}」のように統合して統合K値データBを取得する。ただし、b[j,k]=MAX(bn−N[j,k],bn−N+1[j,k],・・・,bn−1[j,k])とする。また、MAX(a1,a2,…,aN)は、「a1,a2,…,aNの中の最大値」を表す。
Next, as shown in the example of FIG. 11, the scene series generation unit 16 sets the following K value data B n−N = {b n−N [1,1], b n that is N times backward from the current shot. −N [1,2],..., B n−N [N_R, K N_R ]}
B n−N + 1 = {b n−N + 1 [1,1], b n−N + 1 [1,2],..., B n−N + 1 [N_R, K N_R ]}
...
B n−1 = {b n−1 [1,1], b n−1 [1,2],..., B n−1 [N_R, K N_R ]}
The "B M = {b M [1,1 ], b M [1,2], ···, b M [N_R, K N_R]} " integration to integrate K value data B M as get. However, b M [j, k] = MAX (b n−N [j, k], b n−N + 1 [j, k],..., B n−1 [j, k]). MAX (a1, a2,..., AN) represents “the maximum value among a1, a2,.

次に、シーン系列生成手段16は、図11の例に示すように、Bn={b[1,1],b[1,2],・・・,b[N_R,KN_R]}とBの各要素の比較による以下のB'を生成する。
B'={b'[1,1],b'[1,2],・・・,b'[N_R,KN_R]}
ただし、bn[j,k]>0の場合には、b'[j,k]=b[j,k]とし、bn[j,k]=0の場合には、b'[j,k]=0とする。
Next, as shown in the example of FIG. 11, the scene series generation unit 16 uses Bn = {b n [1,1], b n [1,2],..., B n [N_R, K N_R ]. } to generate the following B 'M by comparing each element of B M.
B ′ M = {b ′ M [1,1], b ′ M [1,2],..., B ′ M [N_R, K N_R ]}
However, when bn [j, k]> 0, b ′ M [j, k] = b M [j, k], and when bn [j, k] = 0, b ′ M [j, k] = 0. j, k] = 0.

次に、シーン系列生成手段16は、図11の例に示すように、BnとB'から以下のRを計算する。
R=(b'[1,1]+b'[1,2]+…+b'[N_R,KN_R])/(b[1,1]+b[1,2]+…+b[N_R,KN_R])
次に、シーン系列生成手段16は、上述したように、シーン系列生成パラメータRと閾値RTHとを比較し、図11の例に示すように、シーン系列生成パラメータRが閾値RTH以上(R≧RTH)である場合には、ショットSTにおける場面転換はないと判断し、STをシーンSNに入れる。また、シーン系列生成手段16は、シーン系列生成パラメータRが閾値RTH以上でない場合には、ショットSTにおいて場面転換が発生したと判断し、k=k+1として、STで新しいシーンSNを生成する。また、シーン系列生成手段16は、n=n+1、n>N_STである場合、シーン系列生成処理を終了と判断して、シーン系列を出力し、そうでない場合には、上述したS33の処理に戻る。これにより、シーン系列生成手段16は、処理対象映像24(V)に対して適切なシーン系列27(SN,…,SNN_SN)を出力することができる。
Then, the scene sequence generating means 16, as shown in the example of FIG. 11, calculates the following R from Bn and B 'M.
R = (b 'M [1,1 ] + b' M [1,2] + ... + b 'M [N_R, K N_R]) / (b n [1,1] + b n [1,2] + ... + b n [N_R, K N_R ])
Next, as described above, the scene series generation means 16 compares the scene series generation parameter R with the threshold value R TH and, as shown in the example of FIG. 11, the scene series generation parameter R is equal to or greater than the threshold value R TH (R If ≧ R TH ), it is determined that there is no scene change in shot ST n and ST n is entered into scene SN k . If the scene sequence generation parameter R is not equal to or greater than the threshold value R TH , the scene sequence generation means 16 determines that a scene change has occurred in the shot ST n , sets k = k + 1, and sets a new scene SN k at ST n. Generate. If n = n + 1 and n> N_ST, the scene series generation unit 16 determines that the scene series generation process is finished, outputs the scene series, and otherwise returns to the above-described process of S33. . Thereby, the scene series generation means 16 can output an appropriate scene series 27 (SN 1 ,..., SN N_SN ) for the processing target video 24 (V).

上述したように、本実施形態では、局所特徴(Color−SIFT)でなく、画像片(ブロック画像)によるワードを用いた本実施形態の優位性を示すことができる。更に、画像片は、複数のスケールを生成するのが好ましいことが分かる。本実施形態により、H−MIPWを用いることで、映像内容の類似性に基づいて高精度にシーン系列を生成することができる。   As described above, this embodiment can show the superiority of this embodiment using words based on image pieces (block images) instead of local features (Color-SIFT). Further, it can be seen that the image pieces preferably generate multiple scales. According to the present embodiment, by using H-MIPW, a scene series can be generated with high accuracy based on the similarity of video contents.

ここで、図12は、本実施形態におけるシーン系列の生成結果の一例を示す図である。図12の例では、複数のショット(例えば、ショット1〜14)に対応するフレーム画像の一例を示している。本実施形態では、図12に示すような複数のショットを含む処理対象映像24に対して、上述した画像処理(例えば、シーン系列生成処理)を適用することで、例えば「画面転換(例えば、場所や状況等の適切な変化点)」で高精度にシーンを区切ることができる。   Here, FIG. 12 is a diagram illustrating an example of a scene series generation result in the present embodiment. In the example of FIG. 12, an example of a frame image corresponding to a plurality of shots (for example, shots 1 to 14) is shown. In the present embodiment, the above-described image processing (for example, scene series generation processing) is applied to the processing target video 24 including a plurality of shots as illustrated in FIG. The scenes can be segmented with high accuracy by “appropriate change points of the situation and the situation)”.

なお、図12の例では、ショット1〜5がシーン1として生成され、ショット6〜8がシーン2として生成され、ショット9がシーン3として生成され、ショット10〜14がシーン4として生成されているが、シーン系列の生成結果については、これに限定されるものではない。つまり、本実施形態におけるシーン系列は、各シーンが少なくとも1つのショットを有する。   In the example of FIG. 12, shots 1 to 5 are generated as scene 1, shots 6 to 8 are generated as scene 2, shot 9 is generated as scene 3, and shots 10 to 14 are generated as scene 4. However, the generation result of the scene series is not limited to this. That is, in the scene series in the present embodiment, each scene has at least one shot.

<実行プログラム>
ここで、上述した画像処理装置10は、例えばCPU(Central Processing Unit)、RAM(Random Access Memory)等の揮発性の記憶装置、ROM(Read Only Memory)等の不揮発性の記憶装置、マウスやキーボード、ポインティングデバイス等の入力装置、画像やデータ等を表示する表示装置、並びに外部と通信するためのインタフェース装置を備えたコンピュータによって構成することができる。
<Execution program>
Here, the above-described image processing apparatus 10 includes, for example, a CPU (Central Processing Unit), a volatile storage device such as a RAM (Random Access Memory), a nonvolatile storage device such as a ROM (Read Only Memory), a mouse and a keyboard. It can be configured by a computer having an input device such as a pointing device, a display device for displaying images and data, and an interface device for communicating with the outside.

したがって、画像処理装置10が有する上述した各機能は、これらの機能を記述したプログラムをCPUに実行させることによりそれぞれ実現可能となる。また、これらのプログラムは、磁気ディスク(フロッピー(登録商標)ディスク、ハードディスク等)、光ディスク(CD−ROM、DVD等)、半導体メモリ等の記録媒体に格納して頒布することもできる。   Therefore, the above-described functions of the image processing apparatus 10 can be realized by causing the CPU to execute a program describing these functions. These programs can also be stored and distributed in a recording medium such as a magnetic disk (floppy (registered trademark) disk, hard disk, etc.), an optical disk (CD-ROM, DVD, etc.), or a semiconductor memory.

つまり、上述した各構成における処理をコンピュータに実行させるための実行プログラム(画像処理プログラム)を生成し、例えば汎用のパーソナルコンピュータやサーバ等にそのプログラムをインストールすることにより、本実施形態における画像処理等を実現することができる。   That is, by generating an execution program (image processing program) for causing a computer to execute the processing in each configuration described above and installing the program in, for example, a general-purpose personal computer or server, the image processing in the present embodiment, etc. Can be realized.

上述したように本実施形態によれば、高精度なシーン系列を生成することができる。本実施形態によれば、例えば番組映像等において従来手法よりも高精度にシーン系列を生成することができる。また、本実施形態では、例えば各映像ファイルのショット毎の「画像片ワードヒストグラム」を算出すると共に、その変化量に基づきショットを統合してシーンを生成することで、高精度なシーン系列を生成することができる。   As described above, according to the present embodiment, a highly accurate scene sequence can be generated. According to the present embodiment, for example, a scene series can be generated with higher accuracy than conventional methods in a program video or the like. Also, in the present embodiment, for example, an “image fragment word histogram” for each shot of each video file is calculated, and shots are integrated based on the amount of change to generate a scene, thereby generating a highly accurate scene sequence. can do.

また、本実施形態によれば、例えば映像中に含まれるシーン毎の特徴情報を適切に取得することができ、特徴情報に基づく適切なシーンの分類により類似度を迅速に取得することができる。したがって、シーン全体の画像特徴の類似性に基づいた高精度なシーン検索を実現することができる。   Further, according to the present embodiment, for example, feature information for each scene included in a video can be appropriately acquired, and similarity can be quickly acquired by appropriate scene classification based on the feature information. Therefore, it is possible to realize a highly accurate scene search based on the similarity of the image features of the entire scene.

以上、好ましい実施形態について詳述したが、開示の技術は係る特定の実施形態に限定されるものではなく、特許請求の範囲に記載された開示の技術の要旨の範囲内において、種々の変形、変更が可能である。   The preferred embodiment has been described in detail above, but the disclosed technique is not limited to the specific embodiment, and various modifications, within the scope of the disclosed technique described in the claims, It can be changed.

10 画像処理装置
11 サンプリング取得手段
12 分割ブロック設定手段
13 画像片ワード生成手段(ブロック特徴情報生成手段)
14 ショット分割手段
15 ヒストグラム生成手段
16 シーン系列生成手段
21 準備用映像集合
22 準備用フレーム画像集合
23 画像片ワード
24 処理対象映像
25 ショット系列
26 画像片ワードヒストグラム
27 シーン系列
DESCRIPTION OF SYMBOLS 10 Image processing apparatus 11 Sampling acquisition means 12 Division | segmentation block setting means 13 Image piece word production | generation means (block characteristic information production | generation means)
14 Shot division means 15 Histogram generation means 16 Scene series generation means 21 Preparation video set 22 Preparation frame image set 23 Image fragment word 24 Processing target image 25 Shot sequence 26 Image fragment word histogram 27 Scene sequence

Claims (6)

映像からシーン系列を生成する画像処理装置において、
サンプル映像から所定のフレーム画像をサンプリングするサンプリング取得手段と、
前記サンプリング取得手段により得られる各フレーム画像に対して、1又は複数のスケール毎にそれぞれ分割し、分割したブロック画像毎の特徴情報を生成するブロック特徴情報生成手段と、
前記シーン系列を生成するための処理対象映像をショット毎に分割するショット分割手段と、
前記ショット分割手段により分割されたショット毎に、前記ブロック特徴情報生成手段により得られるブロック画像に対応させて、前記ブロック画像の出現比率に基づくヒストグラムを生成するヒストグラム生成手段と、
前記ヒストグラム生成手段により生成されたヒストグラムを用いて前記処理対象映像に対するシーン系列を生成するシーン系列生成手段とを有することを特徴とする画像処理装置。
In an image processing apparatus that generates a scene series from video,
Sampling acquisition means for sampling a predetermined frame image from a sample video;
Block feature information generating means for dividing each frame image obtained by the sampling acquisition means for each one or a plurality of scales and generating feature information for each divided block image;
Shot dividing means for dividing the processing target video for generating the scene series for each shot;
Histogram generating means for generating a histogram based on the appearance ratio of the block image corresponding to the block image obtained by the block feature information generating means for each shot divided by the shot dividing means;
An image processing apparatus comprising: a scene series generation unit that generates a scene series for the processing target video using the histogram generated by the histogram generation unit.
前記ブロック特徴情報生成手段により生成される1又は複数のブロックの大きさ、種類、及び数のうち、少なくとも1つを設定する分割ブロック設定手段を有することを特徴とする請求項1に記載の画像処理装置。   2. The image according to claim 1, further comprising: a divided block setting unit that sets at least one of a size, a type, and a number of one or a plurality of blocks generated by the block feature information generation unit. Processing equipment. 前記シーン系列生成手段は、
前記ヒストグラム生成手段により生成された前記ショット毎のヒストグラムの各要素を2以上の数値で多値化し、多値化されたデータ列を前記ショット毎にマージして得られる統合多値データに基づいて、前記シーン系列の分割部分を判断することを特徴とする請求項1又は2に記載の画像処理装置。
The scene series generation means includes
Based on the integrated multi-value data obtained by multi-value each element of the histogram for each shot generated by the histogram generation means with a numerical value of 2 or more and merging the multi-value data string for each shot The image processing apparatus according to claim 1, wherein a divided part of the scene series is determined.
前記シーン系列生成手段は、
前記ショット毎のヒストグラムにおける前記ブロック画像毎の出現比率と、予め設定された1又は複数の閾値とを比較することにより多値化を行うことを特徴とする請求項3に記載の画像処理装置。
The scene series generation means includes
4. The image processing apparatus according to claim 3, wherein multi-value processing is performed by comparing an appearance ratio for each block image in the histogram for each shot and a preset threshold value or a plurality of threshold values.
前記特徴情報は、色特徴又はテクスチャ特徴であることを特徴とする請求項1乃至4の何れか1項に記載の画像処理装置。   The image processing apparatus according to claim 1, wherein the feature information is a color feature or a texture feature. コンピュータを、
請求項1乃至5の何れか1項に記載の画像処理装置が有する各手段として機能させるための画像処理プログラム。
Computer
An image processing program for functioning as each unit of the image processing apparatus according to claim 1.
JP2013103839A 2013-05-16 2013-05-16 Image processing apparatus and image processing program Active JP6254771B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013103839A JP6254771B2 (en) 2013-05-16 2013-05-16 Image processing apparatus and image processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013103839A JP6254771B2 (en) 2013-05-16 2013-05-16 Image processing apparatus and image processing program

Publications (2)

Publication Number Publication Date
JP2014225118A true JP2014225118A (en) 2014-12-04
JP6254771B2 JP6254771B2 (en) 2017-12-27

Family

ID=52123758

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013103839A Active JP6254771B2 (en) 2013-05-16 2013-05-16 Image processing apparatus and image processing program

Country Status (1)

Country Link
JP (1) JP6254771B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017112448A (en) * 2015-12-15 2017-06-22 日本放送協会 Video scene division device and video scene division program
CN112381471A (en) * 2021-01-13 2021-02-19 航天神舟智慧系统技术有限公司 Safety production supervision system and method based on intelligent video image sampling

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0944639A (en) * 1995-08-02 1997-02-14 Nippon Telegr & Teleph Corp <Ntt> Method and device for classifying video blocks
JP2010003244A (en) * 2008-06-23 2010-01-07 Ricoh Co Ltd Image processing apparatus, image processing method, and program

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0944639A (en) * 1995-08-02 1997-02-14 Nippon Telegr & Teleph Corp <Ntt> Method and device for classifying video blocks
JP2010003244A (en) * 2008-06-23 2010-01-07 Ricoh Co Ltd Image processing apparatus, image processing method, and program

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
望月 貴裕、外2名: "多重スケール画像片ワードヒストグラムを用いた映像検索", 情報処理学会研究報告 2013FEBRUARY, vol. No.185 (12), JPN6017012941, 15 February 2013 (2013-02-15), JP, ISSN: 0003537772 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017112448A (en) * 2015-12-15 2017-06-22 日本放送協会 Video scene division device and video scene division program
CN112381471A (en) * 2021-01-13 2021-02-19 航天神舟智慧系统技术有限公司 Safety production supervision system and method based on intelligent video image sampling

Also Published As

Publication number Publication date
JP6254771B2 (en) 2017-12-27

Similar Documents

Publication Publication Date Title
US8358837B2 (en) Apparatus and methods for detecting adult videos
KR101891225B1 (en) Method and apparatus for updating a background model
CN106937114B (en) Method and device for detecting video scene switching
CN108229456B (en) Target tracking method and device, electronic equipment and computer storage medium
KR102315574B1 (en) Apparatus and method for classification of data, apparatus and method for segmentation of region of interest
CN108881947B (en) Method and device for detecting infringement of live stream
CN106687990B (en) For the method based on gradual improvement from video sequence selection frame
JP2015536094A (en) Video scene detection
US9430718B1 (en) Efficient local feature descriptor filtering
CN110688524A (en) Video retrieval method and device, electronic equipment and storage medium
JP6794197B2 (en) Information processing equipment, information processing methods and programs
CN107424166B (en) Point cloud segmentation method and device
KR101836811B1 (en) Method, apparatus and computer program for matching between the images
Chakraborty et al. A novel shot boundary detection system using hybrid optimization technique
KR101833943B1 (en) Method and system for extracting and searching highlight image
Fan et al. Fuzzy color distribution chart-based shot boundary detection
JP5116017B2 (en) Video search method and system
CN108966042B (en) Video abstract generation method and device based on shortest path
JP6254771B2 (en) Image processing apparatus and image processing program
JP2014110020A (en) Image processor, image processing method and image processing program
KR101332630B1 (en) Weight lightened random ferns and image expression method using the same
JP2015130041A (en) Image processing apparatus and image processing program
CN104850600A (en) Method and device for searching images containing faces
Tabib et al. Categorization and selection of crowdsourced images towards 3d reconstruction of heritage sites
KR101507998B1 (en) Method and Apparatus for object tracking using object detection via background label propagation and region growing method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160328

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20170308

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170418

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170614

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20171107

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20171201

R150 Certificate of patent or registration of utility model

Ref document number: 6254771

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250