RU2607415C2 - Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров - Google Patents

Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров Download PDF

Info

Publication number
RU2607415C2
RU2607415C2 RU2015115030A RU2015115030A RU2607415C2 RU 2607415 C2 RU2607415 C2 RU 2607415C2 RU 2015115030 A RU2015115030 A RU 2015115030A RU 2015115030 A RU2015115030 A RU 2015115030A RU 2607415 C2 RU2607415 C2 RU 2607415C2
Authority
RU
Russia
Prior art keywords
frames
image
multimedia data
stream
frame
Prior art date
Application number
RU2015115030A
Other languages
English (en)
Other versions
RU2015115030A (ru
Inventor
Андрей Николаевич Орешин
Сергей Николаевич Лазарев
Николай Алексеевич Орешин
Иван Юрьевич Лысанов
Вячеслав Сергеевич Шумилин
Original Assignee
Федеральное государственное казенное военное образовательное учреждение высшего образования "Академия Федеральной службы охраны Российской Федерации" (Академия ФСО России)
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 Федеральное государственное казенное военное образовательное учреждение высшего образования "Академия Федеральной службы охраны Российской Федерации" (Академия ФСО России) filed Critical Федеральное государственное казенное военное образовательное учреждение высшего образования "Академия Федеральной службы охраны Российской Федерации" (Академия ФСО России)
Priority to RU2015115030A priority Critical patent/RU2607415C2/ru
Publication of RU2015115030A publication Critical patent/RU2015115030A/ru
Application granted granted Critical
Publication of RU2607415C2 publication Critical patent/RU2607415C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation

Abstract

Изобретение относится к области вычислительной техники, а именно к системам анализа изображений, и предназначено для использования в сфере обработки данных изображений. Техническим результатом является повышение вероятности достоверного обнаружения кадров-вставок в потоке мультимедийных данных при анализе последовательности кадров с динамично изменяющимися изображениями и интенсивной сменой яркости. В способе для каждого изображения вычисляют гистограммы по основным компонентам цвета пикселя, для каждого окна по каждой основной компоненте цвета пикселя определяют статистические характеристики интенсивности цвета изображения кадра и девять коэффициентов корреляций, определяют средние значения коэффициентов корреляции групп изображений кадров, по заданному критерию сравнения коэффициентов корреляции принимают решение о принадлежности видеокадра потока мультимедийных данных к одному из классов: кадры видеоизображения или кадры-вставки, формируют новое окно для идентификации вновь поступающих кадров в потоке мультимедийных данных. 5 ил.

Description

Изобретение относится к области вычислительной техники, а именно к системам анализа изображений, и предназначено для использования в сфере обработки данных изображений.
Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров необходим для предотвращения негативного воздействия на уровень бессознательного восприятия человека с помощью подпороговых стимулов. Указанное воздействие зачастую применяется скрытно в виде дополнительных кадров, вставленных в поток мультимедийных данных.
Толкование терминов, используемых в заявке.
Вероятность пропуска кадра-вставки - вероятность возникновения ошибки, при принятии решения, о том, что кадр-вставка не определен в случае, когда он есть (Ерош И.Л., Сергеев М.Б., Соловьев Н.В. Обработка и распознавание изображений в системах превентивной безопасности: учебное пособие. - СПб.: ГУАП, 2005. - 154 с.).
Вероятность ложного обнаружения кадра-вставки - вероятность возникновения ошибки, при принятии решения, о том, что кадр-вставка идентифицирован в случае, когда он отсутствует (Ерош И.Л., Сергеев М.Б., Соловьев Н.В. Обработка и распознавание изображений в системах превентивной безопасности: учебное пособие. - СПб.: ГУАП, 2005. - 154 с.)
Гистограмма кадра - это функция, характеризующая частоту встречаемости на изображении пикселей одинаковой яркости (Красильников Н.Н. Цифровая обработка изображений. - М.: Вузовская книга, 2001. - 320 с.).
Кадр-вставка - кадр, добавленный в любое место видеопотока и отличающийся от кадров текущей сюжетной линии (сцены) визуально и статистически (Грузман И.С. и др. Цифровая обработка изображений в информационных системах. - НГТУ. Новосибирск, 2000. - 156 с.).
Корреляционный анализ - группа статистических методов, направленная на выявление и математическое представление структурных зависимостей между выборками (Гмурман В.Е. Теория вероятностей и математическая статистика: Учебное пособие для вузов. - 10-е издание, стереотипное. -Москва: Высшая школа, 2004. - 479 с.).
Коэффициент корреляции - математическая мера (отношение) корреляции двух случайных величин (Гмурман В.Е. Теория вероятностей и математическая статистика: Учебное пособие для вузов. - 10-е издание, стереотипное. - Москва: Высшая школа, 2004. - 479 с.).
Класс кадра потока мультимедийных данных - категория, характеризующая соответствие (или несоответствие) качества кадра определенным требованиям, под определением класса кадра будем понимать выяснение факта, обладает ли он набором требуемых свойств, обеспечивающих пригодность его к применению по назначению, и правильность выполнения им своих функций (Потапов А.А., Пахомов А.А., Никитин С.А., Гуляев Ю.В., Новейшие методы обработки изображений. - М.: Физматлит, 2008. - 496 с.).
Мультимедийные данные - это множество информационных сред: звук, анимированная компьютерная графика, видеоряд, каждая из которых имеет свою специфическую форму, соответствующую ее уровню, и различные способы интерактивного взаимодействия (Гонсалес Р. Мир цифровой обработки. Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс; перевод с англ. Под. ред. П.А. Чочиа. - М.: Техносфера, 2006. - 1072 с.).
Пиксель - наименьший логический элемент двумерного цифрового изображения в растровой графике, или физический элемент матрицы дисплеев, формирующих изображение (ГОСТ 27459-87 Системы обработки информации. Машинная графика. Термины и определения - 46 с.).
Цветовая модель RGB - аддитивная цветовая модель, как правило, описывающая способ синтеза цвета для цветовоспроизведения (Синтез цвета // Фотокинотехника: Энциклопедия / Главный редактор Е.А. Иофис. - М.: Советская энциклопедия, 1981. - 274 с.).
Яркость изображения представляет собой характеристику, определяющую то, насколько сильно цвета пикселей отличаются от черного цвета (Домасев М.В. Цвет, управление цветом, цветовые расчеты и измерения. Санкт-Петербург: Питер, 2009. - 218 с.).
Известно устройство для обработки изображений и способ определения линейного сдвига изображения (патент RU 2138851 С1, опубл. 05.08.1993 г. Авторы: Кристоф Айзенбарт (DE), Ира Финкельштайн (US), Дэннис Мак Ги (US), Эдвард Панофский (US)), которые позволяют обнаруживать несовпадение фактического изображения относительно опорного и обеспечивать их максимальное совпадение. Этот технический результат достигается благодаря тому, что воспринимают два участка фактического изображения, запоминают два аналогичных участка опорного изображения, сравнивают соответствующие участки фактического и опорного изображений и определяют наличие сдвига, причем повторяют сравнение для тех же участков после сдвига фактического изображения на заранее заданное число пикселей по осям X и Y, при этом вычисляют абсолютные значения разностей между соответствующими участками фактического и опорного изображений для каждого сдвига и сохраняют в памяти, как полученные абсолютные значения, так и их сумму.
Недостатком данного аналога является то, что при идентификации видеовставки в процессе сравнения невозможно выделить опорное изображение, участки кадра для сравнения и пороговое значение линейного сдвига, так как оно будет динамически изменяться в результате смены сюжетов в видеопотоке.
Известен также способ идентификации подлинных серий изображений и устройство для его осуществления (патент RU 2216044 С2, опубл. 10.11.2003. Автор Шульце Клаус (DE)), которые позволяют получить технический результат в виде повышения эффективности процедур учета и хронометрирования рекламных сообщений, видеоклипов, политических выступлений.
Этот результат достигается за счет того, что для отдельных изображений из серий изображений определяют признаки яркости, преобразуют их в цифровую форму и сравнивают с эталоном, при этом признаки яркости декоррелируют квазистохастическим отбором по множеству изображений.
Недостатком данного аналога является низкая эффективность определения кадров-вставок в видеопотоке, обусловленная тем, что по одному изображению, определяющему эталонные признаки яркости, невозможно получить полную статистическую информацию, характеризующую яркостные свойства каждой из наблюдаемых динамически меняющихся сцен видеопотока, в силу их значительных отличий по цвету и яркости.
Наиболее близким по технической сущности и выполняемым функциям аналогом (прототипом) к заявленному является способ идентификации кадров-вставок в потоке мультимедийных данных (патент RU №2506640, МПК G06T 7/00, опубл. 10.02.2014 г. Бюл. №4. Авторы: Скурнович А.В., Орешин А.Н., Кирюхин Д.А.), заключающийся в определении признаков яркости и сравнении их значений с пороговым, отличающийся тем, что дополнительно вычисляют суммарную дифференциальную яркость каждого кадра-разности и пороговое значение яркости трех предыдущих кадров-разностей, сравнивают яркостные характеристики кадра-разности с вычисляемым по ходу смены кадров видеопотока пороговым значением суммарной дифференциальной яркости предыдущих трех кадров-разностей.
При такой совокупности описанных действий достигается уменьшение количества ошибочных распознаваний, как кадров-вставок, так и кадров отдельных сюжетных линий (сцен) видеопотока.
Недостатком способа-прототипа является низкая вероятность достоверного обнаружения кадров-вставок в потоке мультимедийных данных при анализе последовательности кадров с динамично изменяющимися изображениями и интенсивной сменой яркости.
Задачей изобретения является создание способа идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров, позволяющего повысить вероятность достоверного обнаружения кадров-вставок в потоке мультимедийных данных при анализе последовательности кадров с динамично изменяющимися изображениями и интенсивной сменой яркости.
Задача изобретения решается тем, что способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров, заключающийся в том, что на основе изображений кадров потока мультимедийных данных формируют последовательность изображений наблюдаемых окон, в которых будет производиться поиск одного, двух или трех кадров-вставок, для каждого изображения определяют множества интенсивностей основных компонентов цвета пикселей, отличающийся тем, что для каждого изображения вычисляют гистограммы по основным компонентам цвета пикселя, для каждого окна по каждой основной компоненте цвета пикселя определяют статистические характеристики интенсивности цвета изображения кадра и девять коэффициентов корреляций, определяют средние значения коэффициентов корреляции групп изображений кадров, по заданному критерию сравнения коэффициентов корреляции принимают решение о принадлежности видеокадра потока мультимедийных данных к одному из классов: кадры видеоизображения или кадры-вставки, формируют новое окно для идентификации вновь поступающих кадров в потоке мультимедийных данных.
Перечисленная новая совокупность существенных признаков обеспечивает возможность повышения вероятности достоверного обнаружения кадров-вставок в потоке мультимедийных данных при анализе последовательности кадров с динамично изменяющимися изображениями и интенсивной сменой яркости.
Проведенный анализ позволил установить, что аналоги, тождественные признакам заявленного способа, отсутствуют, что указывает на соответствие заявленного способа условию патентоспособности «новизна».
Результаты поиска известных решений в данной и смежных областях техники с целью выявления признаков, совпадающих с отличительными от прототипа признаками заявленного объекта, показали, что они не следуют явным образом из уровня техники. Из уровня техники также не выявлена известность влияния предусматриваемых существенными признаками заявленного изобретения преобразований на достижение указанного технического результата. Следовательно, заявленное изобретение соответствует условию патентоспособности «изобретательский уровень».
Заявленный способ поясняется чертежами, на которых показаны:
фиг. 1 - общая схема операций, реализующих в совокупности способ идентификации кадров потока мультимедийных данных;
фиг. 2 - цветовое пространство пикселя;
фиг. 3 - гистограммы изображения по основным компонентам цвета;
фиг. 4 - алгоритм, поясняющий процесс идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров;
фиг. 5 - принцип работы методики идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров (на примере анализа Red - гистограмм).
Общая схема последовательности операций заявленного способа, представленная на фиг. 1, работает следующим образом.
С блока преобразования потока мультимедийных данных в кадры RGB 1 на блок присвоения номеров кадрам потока мультимедийных данных, сюжетам и формирования наблюдаемого окна 2, подается упорядоченная последовательность видеокадров:
Figure 00000001
Цифровой кадр в потоке мультимедийных данных представляет функцию распределения яркости или цвета на двумерной плоскости: ƒ(i,j), где i и j - декартовы координаты, описывающие плоскость кадра. С математической точки зрения каждый кадр можно представить в виде множества пикселей
Figure 00000002
на прямоугольном носителе, которое математически будем описывать двумерной матрицей
Figure 00000003
,
Figure 00000004
,
Figure 00000005
, где k - номер наблюдаемого кадра, i и j - соответственно номера столбца и строки матрицы, на пересечениях которых расположен пиксель. Пиксель имеет целочисленное значение, пропорциональное значению функции распределения яркости ƒ(i,j) в данной точке плоскости.
Поскольку пиксель
Figure 00000006
характеризуется определенным цветом
Figure 00000007
, то растровым изображением кадра является множество цветных точек на носителе видеоинформации:
Figure 00000008
,
Figure 00000009
,
Figure 00000010
.
При описании цвета пикселя будем использовать аддитивную цветовую модель RGB (аббревиатура английских слов Red, Green, Blue - красный, зеленый, синий), основанную на декартовой системе координат с осями величин r, g и b, значения которых определяют интенсивности соответственно красного, зеленого и синего цветов.
Учитывая, что в данной модели цвет
Figure 00000011
пикселя k-го кадра характеризуется интенсивностями трех цветовых составляющих
Figure 00000012
,
Figure 00000013
,
Figure 00000014
, то величину
Figure 00000015
в дальнейшем математически будем описывать упорядоченным множеством
Figure 00000016
.
Таким образом, в модели RGB цветовое пространство пикселя (цветовая палитра пикселя)
Figure 00000017
можно представить в виде куба, показанного на фиг. 2.
Точки, соответствующие красному, зеленому и синему цветам, расположены в трех вершинах куба, лежащих на координатных осях r, g, b. Различные цвета в этой модели представляют собой точки на поверхности или внутри куба и определяются вектором, проведенным в данную точку из начала координат, или упорядоченным множеством (кортежем)
Figure 00000018
.
С учетом введенных обозначений цвета пикселя
Figure 00000019
и определения кадра κ изображение Ik k-го кадра представим в форме матрицы размером I×J, где I и J - соответственно число столбцов и строк матрицы:
Figure 00000020
В блоке 2 на основе изображений
Figure 00000021
кадров потока мультимедийных данных
Figure 00000022
осуществляется формирование последовательности изображений окон
Figure 00000023
, в которых будет производиться поиск кадров-вставок.
Формально цифровую обработку изображения на данном этапе представим отображением
Figure 00000024
Каждое o-тое окно
Figure 00000025
включает восемь изображений подряд поступающих кадров:
Figure 00000026
где ko - текущий номер изображения кадра в o-том окне;
o=k+3 - текущий номер окна;
k - текущий номер кадра в потоке мультимедийных данных.
Далее для каждого ko-тото изображения
Figure 00000027
определяются множества интенсивностей основных компонентов цвета пикселей:
Figure 00000028
Формально цифровую обработку изображения на данном этапе представим отображением
Figure 00000029
Сформированная последовательность изображений окон с определенным множеством интенсивностей основных компонентов цвета пикселей экспортируется в блок инициализации 3, который задает исходные начальные параметры для осуществления дальнейших расчетов.
В блоке вычисления гистограмм изображений кадров RGB 4, для каждого ko-того изображения
Figure 00000030
находятся гистограммы по основным компонентам цвета пикселя (красный, синий, зеленый):
Figure 00000031
;
Figure 00000032
и
Figure 00000033
. При этом, поскольку в цветовой модели RGB основные составляющие
Figure 00000034
,
Figure 00000035
,
Figure 00000036
цвета
Figure 00000037
пикселя
Figure 00000038
являются случайными величинами, то для сравнительного анализа изображений кадров
Figure 00000039
наблюдаемого окна в данном подходе используется закон распределения pk(ξ) этих величин, который устанавливает связь между возможными значениями интенсивностей
Figure 00000040
цветов пикселя k-ого кадра и соответствующими им статистическими вероятностями
Figure 00000041
.
Этот закон распределения задается в виде гистограммы, в которой по горизонтальной оси указывается интенсивность
Figure 00000042
пикселей
Figure 00000043
k-того кадра, а по вертикали - относительное число пикселей pk(r)(pk(g), pk(b)) с конкретным значением интенсивности (фиг. 3).
Поскольку в RGB изображении каждая из компонент цвета
Figure 00000044
пикселя (красная, зеленая и синяя) является 8-битовой, то суммарное число всевозможных интенсивностей составляет 28=256 (то есть
Figure 00000045
,
Figure 00000046
;
Figure 00000047
,
Figure 00000048
;
Figure 00000049
,
Figure 00000050
), а суммарное число всевозможных цветов пикселя -
Figure 00000051
.
Относительное число pk(r)(pk(g), pk(b)) пикселей с конкретным значением интенсивности определяется по выражению p=n/I×J, где n - число пикселей
Figure 00000052
с конкретным значением интенсивности, I и J - соответственно число столбцов и строк матрицы изображения, I×J - общее число пикселей в изображении.
Формально цифровую обработку изображения на данном этапе представим отображением:
Figure 00000053
В блоке вычисления коэффициентов корреляций гистограмм изображений кадров RGB 5 выполняется корреляционный анализ гистограмм изображений кадров, основанный на анализе свойств и цифровой обработки изображений кадров потока мультимедийных данных, образующих последовательность окон, состоящих из восьми кадров:
Figure 00000054
Далее по графикам
Figure 00000055
статистического распределения интенсивностей ξ, в цифровом изображении кадра для каждого o-того окна
Figure 00000056
определяются статистические характеристики интенсивности изображения кадра (яркость изображения по основным компонентам цвета): математическое ожидание, дисперсия, среднеквадратичное отклонение:
Figure 00000057
Figure 00000058
Figure 00000059
С учетом полученных гистограмм и рассчитанных статистических характеристик для каждого o-того окна
Figure 00000060
по каждой основной компоненте цвета пикселя определяются девять коэффициентов корреляций:
Figure 00000061
Figure 00000062
В блоке вычисления средних значений коэффициентов корреляции групп изображений кадров RGB 6, для каждого o-того окна
Figure 00000063
по каждой основной компоненте ξ∈(r,g,b) цвета
Figure 00000064
пикселя
Figure 00000065
определяются средние значения коэффициентов
Figure 00000066
корреляции групп
Figure 00000067
,
Figure 00000068
,
Figure 00000069
изображений кадров:
Figure 00000070
В блоке сравнения 7 принимается решение о классе кадров по следующим критериям:
Figure 00000071
Figure 00000072
При невыполнении условия (12) принимается решение, что первые четыре кадра анализируемого окна принадлежат к классу Ψ1, то есть
Figure 00000073
,
Figure 00000074
,
Figure 00000075
,
Figure 00000076
.
При выполнении этого условия делается предположение о возможности нахождения в потоке мультимедийных данных кадров-вставок. В блоке выделения кадров потока мультимедийных данных 8 проверяется условие
Figure 00000077
, где:
Figure 00000078
При невыполнении данного условия делается предположение o принадлежности кадров
Figure 00000079
,
Figure 00000080
к классу вставок Ψ2, а при выполнении - предполагается, что кадры
Figure 00000081
и
Figure 00000082
,
Figure 00000083
,
Figure 00000084
могут принадлежать к классу вставок Ψ2.
Далее по выполнению условия
Figure 00000085
принимаются окончательные решения о классе кадров
Figure 00000086
,
Figure 00000087
и о необходимости формирования для анализа нового окна.
При невыполнении условия происходит формирование нового окна, то есть величине о присваивается значение o=o+1.
После этого проверяются условия
Figure 00000088
, где:
Figure 00000089
и
Figure 00000090
При выполнении первого условия принимается решение о принадлежности кадров
Figure 00000091
,
Figure 00000092
,
Figure 00000093
к классу вставок Ψ2, а при невыполнении - предполагается, что кадр
Figure 00000094
может принадлежать к классу вставок Ψ2.
Окончательное решение о принадлежности кадра
Figure 00000095
к тому или иному классу принимается по критерию (17).
По окончании принятия решения формируется новое окно для идентификации вновь поступающих кадров в потоке мультимедийных данных.
Выделенные кадры из потока мультимедийных данных хранятся в блоке 9.
Алгоритм, поясняющий процесс идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров, представлен на фиг. 4.
Принцип работы методики идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров представлен на фиг. 5 (Визильтер, Ю. Обработка и анализ цифровых изображений с примерами на Lab VIEW и IMAQ Vision [Текст] / Ю. Визильтер, С. Желтов, В. Князь, А. Ходарев, А. Моржин. - М.: ДМК. Пресс, 2008. - 464 с.).
Оценка достижимости заявленного в способе технического результата проводилась путем сравнения достоверности идентификации кадров-вставок в потоке мультимедийных данных в условиях интенсивной смены яркости и динамично изменяющейся последовательности изображений кадров для способа-прототипа и для предлагаемого способа.
Экспериментальная проверка способа идентификации кадров потока мультимедийных данных была выполнена на ЭВМ в среде графического программирования LabVIEW при следующих исходных данных:
1) 100 видеороликов без кадров-вставок длительностью от 1 до 5 минут с различным количеством сюжетных линий;
2) 100 видеороликов с размещенными через каждые 100 кадров кадрами-вставками (количество подряд идущих кадров-вставок от 1 до 3);
3) кадры видеороликов и кадры-вставки не искажены и имеют нормальное качество.
Результаты экспериментов показали, что в условиях интенсивной смены яркости и динамично изменяющейся последовательности изображений кадров вероятность ложного обнаружения кадра-вставки у способа-прототипа составляет 32%, а у заявленного способа - 18%.
Таким образом, эффективность заявленного способа по сравнению со способом - прототипом составляет 14%, чем и достигается повышение вероятности достоверного обнаружения кадров-вставок в потоке мультимедийных данных при анализе последовательности кадров с динамично изменяющимися изображениями и интенсивной сменой яркости.
Промышленная применимость изобретения обусловлена тем, что устройство, реализующее предложенный способ, может быть осуществлено с помощью современной элементной базы, в качестве которой используются современные высокопроизводительные программируемые логические интегральные схемы (ПЛИС) типа Xilinx Spartan-6 LX45 FPGA или Xilinx Virtex-7 2000T архитектуры FPGA, обеспечивающие быстродействующую обработку потока изображений (Угрюмов Е.П., Программируемые логические матрицы, программируемая матричная логика, базовые матричные кристаллы / Цифровая схемотехника. Учебное пособие для вузов. Изд. 2, БХВ-Петербург, 2004. Глава 7 - 357 с.).

Claims (1)

  1. Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров, заключающийся в том, что на основе изображений кадров потока мультимедийных данных формируют последовательность изображений наблюдаемых окон, в которых будет производиться поиск одного, двух или трех кадров-вставок, для каждого изображения определяют множества интенсивностей основных компонентов цвета пикселей, отличающийся тем, что для каждого изображения вычисляют гистограммы по основным компонентам цвета пикселя, для каждого окна по каждой основной компоненте цвета пикселя определяют статистические характеристики интенсивности цвета изображения кадра и девять коэффициентов корреляций, определяют средние значения коэффициентов корреляции групп изображений кадров, по заданному критерию сравнения коэффициентов корреляции принимают решение о принадлежности видеокадра потока мультимедийных данных к одному из классов: кадры видеоизображения или кадры-вставки, формируют новое окно для идентификации вновь поступающих кадров в потоке мультимедийных данных.
RU2015115030A 2015-04-21 2015-04-21 Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров RU2607415C2 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2015115030A RU2607415C2 (ru) 2015-04-21 2015-04-21 Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2015115030A RU2607415C2 (ru) 2015-04-21 2015-04-21 Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров

Publications (2)

Publication Number Publication Date
RU2015115030A RU2015115030A (ru) 2016-11-10
RU2607415C2 true RU2607415C2 (ru) 2017-01-10

Family

ID=57267763

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2015115030A RU2607415C2 (ru) 2015-04-21 2015-04-21 Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров

Country Status (1)

Country Link
RU (1) RU2607415C2 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2673966C1 (ru) * 2017-10-23 2018-12-03 Федеральное государственное казенное военное образовательное учреждение высшего образования "Академия Федеральной службы охраны Российской Федерации" (Академия ФСО России) Способ идентификации кадров в потоке мультимедийных данных

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6819796B2 (en) * 2000-01-06 2004-11-16 Sharp Kabushiki Kaisha Method of and apparatus for segmenting a pixellated image
RU2372660C2 (ru) * 2004-11-24 2009-11-10 Томсон Лайсенсинг Способ имитации зернистости пленки для использования в медиа устройствах воспроизведения
RU2420021C2 (ru) * 2009-03-24 2011-05-27 Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." Способ сжатия изображений и видеопоследовательностей
GB2504653A (en) * 2012-06-11 2014-02-12 Univ Bath Vector contour coding methods
RU2524869C1 (ru) * 2013-01-09 2014-08-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Южно-Российский государственный университет экономики и сервиса" (ФГБОУ ВПО "ЮРГУЭС") Устройство колоризации черно-белых изображений

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6819796B2 (en) * 2000-01-06 2004-11-16 Sharp Kabushiki Kaisha Method of and apparatus for segmenting a pixellated image
RU2372660C2 (ru) * 2004-11-24 2009-11-10 Томсон Лайсенсинг Способ имитации зернистости пленки для использования в медиа устройствах воспроизведения
RU2420021C2 (ru) * 2009-03-24 2011-05-27 Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." Способ сжатия изображений и видеопоследовательностей
GB2504653A (en) * 2012-06-11 2014-02-12 Univ Bath Vector contour coding methods
RU2524869C1 (ru) * 2013-01-09 2014-08-10 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Южно-Российский государственный университет экономики и сервиса" (ФГБОУ ВПО "ЮРГУЭС") Устройство колоризации черно-белых изображений

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2673966C1 (ru) * 2017-10-23 2018-12-03 Федеральное государственное казенное военное образовательное учреждение высшего образования "Академия Федеральной службы охраны Российской Федерации" (Академия ФСО России) Способ идентификации кадров в потоке мультимедийных данных

Also Published As

Publication number Publication date
RU2015115030A (ru) 2016-11-10

Similar Documents

Publication Publication Date Title
JP4396376B2 (ja) 図形読み取り方法及びその装置並びに主要色抽出方法及びその装置
Ajmal et al. A comparison of RGB and HSV colour spaces for visual attention models
KR100422709B1 (ko) 영상 의존적인 얼굴 영역 추출방법
CN109803172B (zh) 一种直播视频的处理方法、装置及电子设备
WO2017088479A1 (zh) 台标识别方法及装置
US20230177801A1 (en) Method of salient object detection in images
US9552531B2 (en) Fast color-brightness-based methods for image segmentation
RU2607415C2 (ru) Способ идентификации кадров потока мультимедийных данных на основе корреляционного анализа гистограмм изображений кадров
Nugroho et al. Negative content filtering for video application
Azad et al. A robust and adaptable method for face detection based on color probabilistic estimation technique
CN111815733A (zh) 一种视频着色的方法及系统
TWI536280B (zh) 街景影像之文字區域偵測系統及裝置
EP1402463A1 (en) Automatic natural content detection in video information
Kim et al. Color modification for color-blind viewers using the dynamic color transformation
KR100488014B1 (ko) ＹＣｒＣｂ 칼라 기반 얼굴 영역 추출 방법
Woo et al. Deep dichromatic guided learning for illuminant estimation
RU2506640C2 (ru) Способ идентификации кадров-вставок в потоке мультимедийных данных
RU2673966C1 (ru) Способ идентификации кадров в потоке мультимедийных данных
CN108268533A (zh) 一种用于图像检索的图像特征匹配方法
Kar et al. Statistical approach for color image detection
CN107085828B (zh) 基于人眼视觉特性的图像拼接融合方法
Devi et al. Active facial tracking
Togban et al. Identifying color space for improved image display
Lee et al. A new Similarity measurer for color-texture and its clustering for apple
Hussain et al. Automatic Colorization and Restoring of gray scale images using Deep Learning

Legal Events

Date Code Title Description
FZ9A Application not withdrawn (correction of the notice of withdrawal)

Effective date: 20161108

MM4A The patent is invalid due to non-payment of fees

Effective date: 20170422