![](https://csdnimg.cn/release/download_crawler_static/18268432/bg1.jpg)
收稿日期:20180622;修回日期:20180807 基金项目:国家自然科学基金资助项目(61403302);西安交通大学科研业务基金资助项
目(XJJ2016029)
作者简介:田丽华(1978),女,陕西西安人,高级工程师,博士,主要研究方向为多媒体技术;张咪(1992),女,陕西西安人,硕士研究生,主要
研究方向为关键帧提取;李晨(1981),女(通信作者),陕西西安人,讲师,博士,主要研究方向为多媒体技术(lhtian@xjtu.edu.cn).
基于运动目标特征的关键帧提取算法
田丽华,张 咪,李 晨
(西安交通大学 软件学院,西安 710049)
摘 要:针对运动类视频特征不易提取且其关键帧结果中易产生较多漏检帧的问题,提出基于运动目标特征的关
键帧提取算法。该算法在强调运动目标特征的同时弱化背景特征,从而防止由于运动目标过小而背景占据视频画
面主要内容所导致的漏检和冗余现象。根据视频帧熵值将颜色变化明显的帧作为部分关键帧,对颜色未发生突变
的帧根据运动物体的尺度不变特征变换(SIFT)获得帧内运动目标的特征点;最后分别根据帧熵值及运动物体
SIFT点分布提取视频关键帧。实验表明该算法所得关键帧结果集不仅漏检率较低且能够准确地表达原视频内容。
关键词:关键帧提取;混合高斯检测;SIFT;感知哈希
中图分类号:TP391.41 文献标志码:A 文章编号:10013695(2019)10068318304
doi:10.19734/j.issn.10013695.2018.06.0363
Keyframeextractionalgorithmbasedonfeatureofmovingtarget
TianLihua,ZhangMi,LiChen
(SchoolofSoftwareEngineering,Xi’anJiaotongUniversity,Xi’an710049,China)
Abstract:Motionfeaturesaredifficulttoextractwhicheasilyleadstomissedandredundantframesintheresult.Inorderto
solvethisproblem
,thispaperproposedamethodofkeyframesextractionbasedonfeatureofmovingtarget.Themethodreduced
redundantrateandmissedrateoftheresultsetbyemphasizingthefeaturesofthemovingtargetandweakeningthebackground
featuresoftheframe.Thismethodtookaframewithaburstentropychangeistakenaspartofthekeyframefirstly.Then
,itex
tractedtheSIFTpointsofthemovingtargetfromtheframeofwhichtheentropyvaluehadnotsuddenlychanged.Finally,itex
tractedkeyframesaccordingtotheentropyandSIFTdistributionrespectively.Experimentalresultsshowthatthemissrateofthis
algorithmislow.Atthesametime
,keyframeresultscanaccuratelyandcompletelydescribethemaincontentofthevideo.
Keywords:keyframeextraction;Gaussianmixedmodeldetection;SIFT(scaleinvariantfeaturetransform);perceptual
hashing
关键帧提取是视频检索的重要步骤,其提取结果质量直接
影响视频检索的效率。由于运动类视频中场景切换频繁,其关
键帧结果中存在较多漏检帧。运动类视频的关键帧提取方法
多种多样。文献[1,2]提出通过分析光流场实现对运动场的
分析从而提取关键帧;
Ma等人
[3]
提出在运动对象状态发生变
化处提取关键帧;
Li等人
[4]
提出了一种聚焦物体运动的关键
帧提取算法,该方法将匀速运动的物体作为参照物,从而获得
视频中运动目标并提取关键帧;针对视频中由于摄像机移动造
成的物体运动,Guironnet等人
[5]
提出通过检测摄像机运动提
取关键帧,根据镜头运动方式排列顺序不同灵活地调整关键帧
提取方法。以上方法对运动类视频的关键帧提取能力有限,当
视频中存在快速运动的物体时,关键帧结果中易产生漏检帧。
由于局部特征能更好地保留帧语义,所以目前存在较多根
据局部特征提取关键帧的算法。其中 Hannane等人
[6]
提出根
据帧
SIFT分布直方图提取关键帧;Barbieri等人
[7]
提出根据固
定大小窗口提取候选帧,再根据候选帧间
SIFT特征距离提取
关键帧,然而该方法所得候选帧无法准确地描述运动目标的变
化过程。结合运动类视频特点,本文提出基于运动目标特征的
关键帧提取算法。
1 理论基础
11 混合高斯模型
混合高斯建模(GMM)适用于对背景复杂的视频进行建
模,从而检测出视频中的运动目标
[8,9]
。根据混合高斯模型检
测运动物体,首先计算出帧中像素点在某时间段内样本值的概
率密度等信息,然后根据统计差分中常见原则判定各像素点是
否为帧背景内容。每读取新的视频帧时,首先根据当前帧更新
模型,再遍历待处理帧中的各像素点判断其是否为背景点;完
成帧各像素点的处理后即能够得到该帧背景模型,然后根据背
景得到帧前景。混合高斯模型能够很好地对内容复杂的视频
进行背景建模。
12 SIFT特征
SIFT特征点是一种稳定的局部特征。选取物体表面具有
代表性的点来描述物体,这些点通常称为兴趣点
[10]
,如较暗区
域亮度较高的点、明亮区域中亮度较低的点、物体边缘的特殊
点等都可能成为兴趣点。兴趣点不会因为图像缩放或者旋转
而产生较大变化,同时对于光线改变以及噪声干扰都具有一定
鲁棒性。
13 感知哈希
图像感知哈希技术也称为数字指纹,是对多媒体信息的总
结。感知哈希是一类从多媒体表示到哈希值的单向映射,各图
像都有其对应的指纹。感知哈希算法首先去掉图片细节,忽略
图像尺寸和比例差异,仅保留结构、阴影等基本信息;接着计算
各帧灰度图的离散余弦变换(
DCT)系数矩阵,仅保留左上角的
8×8矩阵。计算所有像素灰度均值,比较矩阵各像素点与均
第 36卷第 10期
2019年 10月
计 算 机 应 用 研 究
ApplicationResearchofComputers
Vol36No10
Oct.2019