專利名稱：一種基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明 涉及一種鏡頭邊界檢測(cè)方法，特別地，涉及一種基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法
背景技術(shù)：
在視頻檢索的過(guò)程中，鏡頭邊界檢測(cè)是整個(gè)系統(tǒng)的第一步，鏡頭邊界檢測(cè)的準(zhǔn)確度和效率的高低，關(guān)系到整個(gè)視頻檢索系統(tǒng)的成敗，是視頻檢索系統(tǒng)中至關(guān)重要的一步。鏡頭邊界檢測(cè)的任務(wù)就是通過(guò)比較視頻序列幀的差異來(lái)尋找鏡頭邊界，確定鏡頭變化類型和位置。目前，該領(lǐng)域內(nèi)解決鏡頭邊界檢測(cè)的方法主要是基于閾值和基于機(jī)器學(xué)習(xí)的?；陂撝档姆椒ㄓ捎陂撝颠x取的好壞對(duì)檢測(cè)效果有較大的影響；而且不同的視頻閾值差異很大。這些都限制了閾值方法更進(jìn)一步提高效果。近年來(lái)，基于機(jī)器學(xué)習(xí)的鏡頭邊界檢測(cè)方法得到了深入研究。文獻(xiàn)[1] (Y Qi,Hauptmann A T Liu. Supervised classification for video shot segmentation[A]. Proc. IEEEICME 03[C]. Baltimore, MD, USA,2003, vol.2, 689-692。)采用k最近鄰域分類、Naive Bayes可能性分類法和支持向量機(jī)將視頻序列幀分成切變幀和非切變幀；對(duì)非切變幀，又采用小波光滑去噪的方法來(lái)檢測(cè)漸變幀，從而完成鏡頭邊界的分害1K 文獻(xiàn)[2] (Li Xiuqiang, Xiao Guoqiang, JiangJianmin, Du Kuiran, Qiu Kaijin. Shot Boundary Detection Based onSVMs via Visual Attention Features 2009 International Forum onlnformation Technology and Applications 2009 IEEE D0I10. 1109/IFITA. 2009. 233)提出了一種符合人類視覺(jué)注意的特征，并用以組成一定維數(shù)的特征向量，采用支持向量機(jī)完成突變和漸變的檢測(cè)。為了增強(qiáng)對(duì)運(yùn)動(dòng)和噪音的魯棒性，提取亮度幀差來(lái)輔助檢測(cè)。文獻(xiàn)[3] (Jian-Rong Cao and An-Ni Cai. Algorithm for shot boundary detectionbased on support vector machine in compressed domain. Tien Tzu HsuehPao/Acta Electronica Sinica，36(l) :203_208，2008.)利用滑動(dòng)窗口的方法將提取到的壓縮域特征組成一個(gè)多維的特征向量，對(duì)SVM(support vector machine，支持向量機(jī)。)進(jìn)行訓(xùn)練，使用訓(xùn)練好的SVM模型對(duì)視頻幀進(jìn)行分類，從而得到鏡頭的邊界。但是支持向量機(jī)參數(shù)的選取至今仍然沒(méi)有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，參數(shù)選取大多依靠經(jīng)驗(yàn)采取試湊的方法，這樣不僅費(fèi)時(shí)而且很難得到滿意的結(jié)果。

發(fā)明內(nèi)容
本發(fā)明為了克服上述缺點(diǎn)，使用遺傳算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，首次使用支持向量機(jī)和遺傳算法進(jìn)行鏡頭邊界檢測(cè)，對(duì)支持向量機(jī)的分類模型進(jìn)行了優(yōu)化，降低了參數(shù)選擇的盲目性和不準(zhǔn)確。本發(fā)明的技術(shù)方案是使用一種基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)算法，原始數(shù)據(jù)是需要進(jìn)行鏡頭邊界檢測(cè)的視頻數(shù)據(jù)。首先提取視頻數(shù)據(jù)的底層特征，本方法主要提取像素域上的顏色一階矩和顏色二階矩、顏色直方圖、角點(diǎn)、DC系數(shù)等特征，這些特征是經(jīng)過(guò)反復(fù)實(shí)驗(yàn)和論證，確定用于鏡頭分割效果較好的一些特征，將他們用于本專利得到的性能指標(biāo)較好。各種特征的具體提取如下顏色一階矩顏色一階矩在鏡頭發(fā)生切變時(shí)會(huì)有劇烈變化，對(duì)于檢測(cè)切變有著較好的效果；另夕卜，還可以和二階矩結(jié)合起來(lái)檢測(cè)是否發(fā)生漸變。一階矩的提取如下式所示
權(quán)利要求
1.一種基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于包括以下步驟 第一步，提取視頻序列幀的特征，并組成一定維數(shù)的特征矢量；第二步，使用遺傳算法對(duì)支持向量機(jī)的RBF核函數(shù)參數(shù)進(jìn)行優(yōu)化； 第三步，利用得到的近似最優(yōu)參數(shù)訓(xùn)練得到最優(yōu)分類模型，并以此為基礎(chǔ)對(duì)視頻序列幀進(jìn)行分類，最終完成鏡頭分割。
2.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于，所述的第一步包括提取壓縮域上的DC系數(shù)，首先將圖像分割成NXN塊，進(jìn)行DCT變換，DCT系數(shù)的第一個(gè)值是直流分量，即為DC系數(shù)，數(shù)量上等于該塊的平均值，直接提取每一個(gè)塊的DC分量，以該分量的值代表整個(gè)塊，在此基礎(chǔ)上得到相鄰兩幀對(duì)應(yīng)宏塊位置上DC系數(shù)之差大于某個(gè)閾值的數(shù)量，把它作為DC系數(shù)這個(gè)特征的幀間差異，對(duì)不同類型視頻設(shè)定對(duì)應(yīng)的相應(yīng)的閾值。
3.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于，所述的第二步包括步驟A，對(duì)待優(yōu)化的參數(shù)懲罰因子c和核函數(shù)參數(shù)g進(jìn)行編碼， 分別用14位和17位長(zhǎng)度的二進(jìn)制數(shù)字串來(lái)表示這兩個(gè)參數(shù)； 步驟B，初始化種群和適應(yīng)度值計(jì)算，種群規(guī)模設(shè)定為20，適應(yīng)度值的計(jì)算按照下式進(jìn)行f(c, y) = accuracy，其中，accuracy是SVM訓(xùn)練樣本集上的交叉驗(yàn)證準(zhǔn)確率，該準(zhǔn)確率和適應(yīng)度值呈正相關(guān)關(guān)系；步驟C，基于遺傳算法的SVM核函數(shù)參數(shù)優(yōu)化算法，對(duì)參數(shù)進(jìn)行迭代尋優(yōu)。
4.根據(jù)權(quán)利要求3所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于，所述的步驟C中所述的基于遺傳算法的SVM核函數(shù)參數(shù)優(yōu)化算法進(jìn)一步包括以下步驟c. 1>設(shè)定初始代數(shù)和進(jìn)化代數(shù)初始代數(shù)，gen = 0, gen表示進(jìn)化代數(shù)，maxgen表示最大進(jìn)化代數(shù)，設(shè)定優(yōu)化目標(biāo)的最優(yōu)值為bestfitness，用以存放最高的適應(yīng)度；c. 2>訓(xùn)練參數(shù)的初始編碼設(shè)定變量c和g的取值范圍，然后進(jìn)行編碼，對(duì)應(yīng)31位二進(jìn)制編碼串；c. 3>種群初始化在各變量取值范圍之內(nèi)，隨機(jī)生成規(guī)模為ChroPop的初始種群， 將單個(gè)染色體初始為Chromosome，種群規(guī)模ChroPop值取20，種群中染色體的長(zhǎng)度記為 Chromosome_len ；c. 4>確定適應(yīng)度函數(shù)值以參數(shù)c和g為基礎(chǔ)，運(yùn)用SVM對(duì)訓(xùn)練集進(jìn)行交叉驗(yàn)證，從而根據(jù)適應(yīng)度函數(shù)計(jì)算得到適應(yīng)度值；c. 5>迭代尋優(yōu)對(duì)種群中各染色體進(jìn)行解碼，進(jìn)而計(jì)算相應(yīng)的適應(yīng)度值，每次迭代都進(jìn)行適應(yīng)度值的比較，并將得到的最優(yōu)的適應(yīng)度值存儲(chǔ)。 c. 6>進(jìn)行選擇、交叉、變異的迭代遺傳操作。
5.根據(jù)權(quán)利要求3所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于，所述的懲罰因子c和徑向基函數(shù)g，選取整數(shù)c e
, g e
。
6.根據(jù)權(quán)利要求4所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于所述的C. 6>中，選擇操作使用的是選擇算子，它是基于一個(gè)個(gè)體相對(duì)于整個(gè)群體的適度值，根據(jù)個(gè)體的適應(yīng)值確定選擇的系數(shù)，按比例復(fù)制生成新個(gè)體加入新種群中。
7.根據(jù)權(quán)利要求6所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于，所述的選擇操作的實(shí)施步驟為①順序累加群體中各個(gè)體的適應(yīng)值fi，得到適應(yīng)度的累計(jì)值
8.根據(jù)權(quán)利要求4所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于，所述的步驟c. 6>中交叉操作為將群體內(nèi)的各個(gè)個(gè)體隨機(jī)搭配成對(duì)，對(duì)每一個(gè)個(gè)體， 以某個(gè)交叉概率交換個(gè)體之間的部分染色體，所述的交叉策略是點(diǎn)式交叉Pc，Pc取值0. 4 < Pc < 0. 5，首先隨機(jī)地在兩個(gè)父體串上選擇一個(gè)或多個(gè)交叉點(diǎn)，然后交換父體串對(duì)應(yīng)的子串。
9.根據(jù)權(quán)利要求4所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于，所述的步驟c. 6>中變異操作為在群體中隨機(jī)地選擇一個(gè)個(gè)體，對(duì)于選中的個(gè)體以變異概率Pm，改變基因串中某一位上的值，得到新的個(gè)體。
10.根據(jù)權(quán)利要求9所述的基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)方法，其特征在于，所述的變異概率值Pm，可以設(shè)定Pm取0. 05。
全文摘要
本發(fā)明涉及基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)算法，包括第一步提取視頻序列幀的特征，并組成一定維數(shù)的特征矢量；第二步，使用遺傳算法對(duì)支持向量機(jī)的RBF核函數(shù)參數(shù)進(jìn)行優(yōu)化；第三步，利用得到的近似最優(yōu)參數(shù)訓(xùn)練得到最優(yōu)分類模型，并以此為基礎(chǔ)對(duì)視頻序列幀進(jìn)行分類，最終完成鏡頭分割。本發(fā)明針對(duì)現(xiàn)有鏡頭邊界檢測(cè)技術(shù)的不足，提出一種基于支持向量機(jī)和遺傳算法的鏡頭邊界檢測(cè)算法。能夠更加有目的和針對(duì)性的選取支持向量機(jī)的參數(shù)，進(jìn)而得到近似最優(yōu)參數(shù)，而且使得鏡頭分割的效果也得到一定程度上的提升；同時(shí)，使用遺傳算法選擇支持向量機(jī)的參數(shù)，避免了傳統(tǒng)支持向量機(jī)選取參數(shù)時(shí)的盲目性和低效率。
文檔編號(hào)G06N3/12GK102324037SQ201110260238
公開日2012年1月18日 申請(qǐng)日期2011年9月6日 優(yōu)先權(quán)日2011年9月6日
發(fā)明者孫學(xué)梅, 孫寶山, 張晶, 李媛媛, 趙龍 申請(qǐng)人:天津工業(yè)大學(xué)