本發(fā)明涉及一種視頻分析技術(shù)，特別涉及一種用于檢測(cè)視頻序列異常段落的電子裝置及其方法。

背景技術(shù)：
隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展，數(shù)字視頻監(jiān)控技術(shù)已經(jīng)開始應(yīng)用于很多公共場(chǎng)合。由于監(jiān)控系統(tǒng)工作的連續(xù)性，所以會(huì)產(chǎn)生很多視頻序列數(shù)據(jù)。視頻序列中包含大量的視頻幀，但并不是每個(gè)時(shí)間段內(nèi)都包含我們感興趣的事件。目前人們?cè)谝曨l監(jiān)控段落中查找特定事件內(nèi)容或奇異性信息是通過(guò)人工回放的方式檢索。然而，這種檢索的方式效率低下。奇異性是指在特定的應(yīng)用背景中，某一段視頻序列的內(nèi)容在時(shí)空聯(lián)合分布上和整個(gè)視頻序列統(tǒng)計(jì)特征的明顯不一致。目前，怎樣從視頻序列中自動(dòng)檢測(cè)異常已逐漸成為視頻監(jiān)控技術(shù)的發(fā)展方向。目前視頻異常自動(dòng)檢測(cè)技術(shù)中，通常的做法是先分別提取顏色變化特征和運(yùn)動(dòng)變化特征，然后將兩種特征線性加權(quán)組合，最后經(jīng)計(jì)算分析得出視頻異常信息。但是，由于在實(shí)際檢測(cè)過(guò)程中加權(quán)系數(shù)比較難以確定，很難在基于靜態(tài)背景變化和動(dòng)態(tài)背景變化的視頻段落中應(yīng)用上述自動(dòng)檢測(cè)視頻異常的方法均達(dá)到較為理想的檢測(cè)效果。

技術(shù)實(shí)現(xiàn)要素：
鑒于此，有必要提供一種用于檢測(cè)視頻序列異常段落的電子裝置及其方法，其能夠基于動(dòng)態(tài)和靜態(tài)背景變化中均具有較好的檢測(cè)效果。一種視頻序列異常段落檢測(cè)的電子裝置，包括：分割單元，用于將一視頻段落分割為包含獨(dú)立事件的多個(gè)子視頻段落，子視頻段落中包括若干視頻幀；特征信息提取單元，用于分別提取每一子視頻段落中的顏色變化特征、運(yùn)動(dòng)變化特征及背景信息變化特征；及特征信息處理單元，用于根據(jù)每一子視頻段落中顏色變化特征、運(yùn)動(dòng)變化特征及背景信息變化特征，分析處理得出異常的視頻段落，該特征信息處理單元包括：距離度量模塊，用于計(jì)算包括多個(gè)子視頻段落的整個(gè)視頻段落的每種變化特征的變化特征均值，進(jìn)一步得出每種變化特征與該種變化特征均值的變化距離，并將該每種變化距離歸一化；異常性度量模塊，用于計(jì)算每一段視頻段落中背景變化率，根據(jù)該背景變化率及一參考值確定權(quán)重系數(shù)大小，根據(jù)確定的權(quán)重系數(shù)以及多種變化距離進(jìn)一步計(jì)算得出子視頻段落中的異常因子，并判斷每一子視頻段落中異常因子大??；及輸出模塊，用于根據(jù)異常因子比較結(jié)果輸出異常子視頻段落。一種視頻序列異常段落檢測(cè)的方法，包括：輸入一視頻段落；將該視頻段落分割為包含獨(dú)立事件的多個(gè)子視頻段落，每個(gè)子視頻段落中包括若干個(gè)視頻幀；提取每一子視頻段落中顏色變化特征、運(yùn)動(dòng)變化特征及背景信息變化特征；計(jì)算包括多個(gè)子視頻段落的整個(gè)視頻段落的每種變化特征的變化特征均值，進(jìn)一步得出每一子視頻段落的每種變化特征與對(duì)應(yīng)該種變化特征均值的變化距離,并將每種變化距離歸一化；計(jì)算每一子視頻段落中背景變化率；判斷背景變化率與一參考值大小，進(jìn)而確定權(quán)重系數(shù)和大?。桓鶕?jù)確定的權(quán)重系數(shù)以及多種變化距離計(jì)算每一子視頻段落中異常因子，并比較各個(gè)視頻段落異常因子大小；及根據(jù)異常因子比較結(jié)果輸出異常子視頻段落。該視頻序列異常段落檢測(cè)的電子裝置中，通過(guò)將視頻段落均等化分后提取顏色變化特征、運(yùn)動(dòng)變化特征及背景變化信息后進(jìn)行耦合，來(lái)定義更為一般的異常因子，使得在動(dòng)態(tài)背景時(shí)顏色信息對(duì)異常因子的貢獻(xiàn)度較大，靜態(tài)背景時(shí)運(yùn)動(dòng)信息對(duì)異常因子的貢獻(xiàn)度較大，使得該電子裝置可以適應(yīng)于各種背景類型的視頻段落異常檢測(cè)。附圖說(shuō)明圖1為一較佳實(shí)施方式視頻序列異常段落檢測(cè)電子裝置的模塊圖。圖2為一較佳實(shí)施方式視頻序列異常段落的方法流程圖。主要元件符號(hào)說(shuō)明電子裝置100轉(zhuǎn)換單元10分割單元20特征信息提取單元30背景信息提取模塊31顏色信息提取模塊33運(yùn)動(dòng)信息提取模塊35特征信息處理單元40距離度量模塊41異常性度量模塊43背景變化率計(jì)算模塊431異常因子計(jì)算模塊433輸出模塊435方法300如下具體實(shí)施方式將結(jié)合上述附圖進(jìn)一步說(shuō)明本發(fā)明。具體實(shí)施方式請(qǐng)參照?qǐng)D1，為一較佳實(shí)施方式中視頻序列異常段落檢測(cè)電子裝置100的模塊圖。該電子裝置100包括轉(zhuǎn)換單元10、分割單元20、特征信息提取單元30及特征信息處理單元40。該電子裝置100提取一段視頻段落，并通過(guò)轉(zhuǎn)換單元10將該視頻段落轉(zhuǎn)換為數(shù)字信號(hào)，以便于對(duì)該視頻段落進(jìn)一步進(jìn)行數(shù)字信號(hào)處理。在其他實(shí)施方式中，該視頻段落也可以直接是一種基于數(shù)字信號(hào)的視頻段落，不必進(jìn)行格式轉(zhuǎn)換。該電子裝置100可以從該視頻段落中識(shí)別并提取異常信息。該分割單元20對(duì)該視頻段落按照等長(zhǎng)的時(shí)間窗口劃分或進(jìn)行分割為多個(gè)子視頻段落，每個(gè)子視頻段落中包括有m個(gè)視頻幀。本實(shí)施方式中，每個(gè)子視頻段落中都包含一相對(duì)獨(dú)立的事件，例如，某人出現(xiàn)并進(jìn)入電梯的完整過(guò)程。本實(shí)施方式中，若一個(gè)分割后的子視頻段落中包含多個(gè)獨(dú)立的事件，可以對(duì)分割后的子視頻段落進(jìn)一步分割；若該分割后的子視頻段落中未包含獨(dú)立的事件，可以將此段落同相鄰的子視頻段落合并，以得到上述包含相對(duì)獨(dú)立事件的視頻段落。其他實(shí)施方式中，該視頻段落也可以按照非等長(zhǎng)的時(shí)間窗口分割為多個(gè)子視頻段落。本實(shí)施方式中，將由m個(gè)視頻幀Im組成的第n個(gè)子視頻段vn表示為：vn＝{In1,In2,...,Inm}。該特征信息提取單元30用于分別提取每一子視頻段落中的顏色變化特征、運(yùn)動(dòng)變化特征及背景信息變化特征。該特征信息提取單元30包括背景信息提取模塊31、顏色信息提取模塊33和運(yùn)動(dòng)信息提取模塊35。該背景信息提取模塊31用于根據(jù)混合高斯模型提取該每一子視頻段落中各視頻幀的背景信息。該顏色信息提取模塊33用于提取該每一子視頻段落中的顏色變化特征FPM。本實(shí)施方式中，該子視頻段落中每一幀的圖像是以RGB顏色空間模式來(lái)進(jìn)行存儲(chǔ)的，其他實(shí)施方式中，視頻段落的圖像也可以采用HSV和Nrgb等顏色空間存儲(chǔ)。一實(shí)施方式中，假設(shè)圖像中的像素總數(shù)為M，第k種顏色分布hk的像素總數(shù)為nk，則hk出現(xiàn)的頻率為：hk＝nk/M(k＝0,1,2,...,255)。進(jìn)一步地，根據(jù)累加直方圖原理，如果從一段子視頻中選取n幀，則這段子視頻的直方圖可以通過(guò)累加得到：本實(shí)施方式中RGB顏色空間一共有2563＝1.68*107種顏色，運(yùn)算復(fù)雜度很高。一替代實(shí)施方式中，為了減少運(yùn)算量，可預(yù)先將該彩色圖像灰度化，然后基于該灰度化圖像求直方圖。最后，利用主成分分析法進(jìn)一步求得每一子視頻段的顏色變化特征FPM。其中，主成分分析也稱主分量分析，旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)。該運(yùn)動(dòng)信息提取模塊35用于提取每一子視頻段落中運(yùn)動(dòng)特征，包括運(yùn)動(dòng)變化特征Avesum和段內(nèi)運(yùn)動(dòng)變化率特征AllTwisum。本實(shí)施方式中，采用視頻幀的差分信息來(lái)描述某一子視頻段落中圖像的變化和圖像中背景的變化。那么，對(duì)于一子視頻段落中兩幀圖像fm和fn進(jìn)行差分運(yùn)算，圖像差分結(jié)果為：Δf(i,j)＝|fm(i,j)-fn(i,j)|，其中，在選取兩幀圖像fm和fn時(shí)，如果子視頻段落中包括較少的視頻幀圖像時(shí)，可采用逐幀選取的方式選擇；如果子視頻段落中包括較多的視頻幀圖像時(shí)，可采用按照特定規(guī)律的方式選擇。同樣，對(duì)于圖像fm的背景bm和圖像fn的背景bn，背景差分結(jié)果為：Δb(i,j)＝|bm(i,j)-bn(i,j)|。其中，0≤i≤FR，0≤j≤FC(FR為圖像行數(shù)，F(xiàn)C為圖像列數(shù))。圖像差分結(jié)果表明兩幀之間的變化程度，Δf(i,j)灰度值越高，兩幀圖像間的變化越大。相似地，背景差分結(jié)果顯示了兩幀圖像的背景的變化程度，Δb(i,j)灰度值越高，背景變化越大。然而，圖像差分結(jié)果中常因存在噪聲而引起結(jié)果發(fā)生變化，因此引入一閾值以減小該噪聲存在影響圖像差分結(jié)果。本實(shí)施方式中，以圖像差分結(jié)果中大于一第一閾值的像素?cái)?shù)Sumi,j作為第i幀和第j幀之間的運(yùn)動(dòng)變化特征Avesum，以該子視頻段內(nèi)幀間變化超過(guò)一第二閾值的次數(shù)作為運(yùn)動(dòng)變化率特征AllTwisum，從而可以得出該子視頻段中的運(yùn)動(dòng)特征。其中，該第一閾值和第二閾值可根據(jù)具體圖像差分去噪的實(shí)驗(yàn)中具體設(shè)定，通常做法是：選取一段視頻，先通過(guò)人工的方式分析得出視頻段落中的運(yùn)動(dòng)特征；假設(shè)存在若干第一閾值和第二閾值，再通過(guò)自動(dòng)檢測(cè)的方式，分別依次從預(yù)設(shè)的若干第一閾值和第二閾值中選取數(shù)值進(jìn)行多次實(shí)驗(yàn)，分析得出應(yīng)用假設(shè)存在第一閾值和第二閾值的運(yùn)動(dòng)特征，并通過(guò)與人工方式分析得出視頻段落中運(yùn)動(dòng)特征比較后得出最為接近一組實(shí)驗(yàn)，該組實(shí)驗(yàn)中所用用第一閾值和第二閾值即為圖像差分去噪實(shí)驗(yàn)中的最佳設(shè)定值。同樣，基于背景信息提取模塊31提取的子視頻段落中每個(gè)視頻幀的背景信息中，可以得到兩楨圖像的背景差分結(jié)果中大于第三閾值的像素總數(shù)，從而得到子視頻段落中背景信息的總體變化特征Avesum_back。綜上，每一子視頻段落中的特征變化信息，可以用特征矢量Vn表示為：vn＝[FPM,Avesum,AllTwisum,Avesum_back]該特征信息處理單元40包括距離度量模塊41和異常性度量模塊43。該距離度量模塊41用于計(jì)算包括多個(gè)子視頻段落的整個(gè)視頻段落的特征均值C，進(jìn)一步得出每一子視頻段落變化特征與該特征均值C的距離并將距離值歸一化。本實(shí)施方式中，假設(shè)一整個(gè)視頻段落被均等分割為D個(gè)子視頻段落，那么整個(gè)視頻段落的顏色變化特征的特征均值可以表示為：C＝∑FPM/D；其中每個(gè)子視頻段落的顏色變化特征與該顏色變化特征均值的距離可以表示為：最后將dF歸一化得到顏色變化距離DF。其他實(shí)施方式中，還可以進(jìn)一步計(jì)算得到子視頻段落中運(yùn)動(dòng)變化特征Avesum與運(yùn)動(dòng)變化特征均值Ca的運(yùn)動(dòng)變化距離DAvesum；運(yùn)動(dòng)變化率特征AllTwisum與運(yùn)動(dòng)變化率特征均值Cb的運(yùn)動(dòng)變化率距離DAllTwisum；及背景信息的總體變化特征Avesum_back與背景信息的總體變化特征均值Cc的背景變化距離DAvesum_back。該異常性度量模塊43用于計(jì)算每一子視頻段落中的異常因子，并通過(guò)比較所有子視頻段落的異常因子大小，判斷輸出異常因子最大的子視頻段落。該異常性度量模塊43進(jìn)一步包括背景變化率計(jì)算模塊431、異常因子計(jì)算模塊433及輸出模塊435。背景變化率計(jì)算模塊431用于計(jì)算每一子視頻段落中的背景變化率和確定異常因子權(quán)重系數(shù)。本實(shí)施方式中，定義該背景變化率且其中，αi1,αi2是權(quán)重系數(shù)。那么，根據(jù)前述該子視頻段落中計(jì)算得出的背景變化距離DAvesum_back和運(yùn)動(dòng)變化距離DAvesum得出該段子視頻段落中背景變化率λ，然后判斷λ與一參考值τ'的大小，進(jìn)一步計(jì)算得出權(quán)重系數(shù)αi1。其中，參考值τ'的選取與該第一閾值和第二閾值的選取方式類似，優(yōu)選地，參考值τ'可以選取0.1≤τ'≤0.2中任一數(shù)值。該異常因子計(jì)算模塊433用于計(jì)算每一子視頻段落中異常因子的大小。每一子視頻段落中異常因子可以表示為：Fi＝αi1DF+αi2(DAvesum+DAllTwisum)，根據(jù)前述權(quán)重系數(shù)αi1和αi2計(jì)算得出子視頻段落中的異常因子。例如，如果λ<τ'，則Fi＝αi1DF+(1-λ)×αi2(DAvesum+DAllTwisum)；如果λ≥τ'，則Fi＝λ×αi1DF+αi2(DAvesum+DAllTwisum)。最后根據(jù)計(jì)算得出的每一子視頻段落中異常因子，綜合比較判斷后，通過(guò)輸出模塊435根據(jù)異常因子比較結(jié)果輸出異常子視頻段落，該異常子視頻段落，可以是異常因子最大的子視頻段落，也可以是異常因子較大的幾個(gè)子視頻段落，且如果是相鄰的多個(gè)異常因子較大子視頻段落，將通過(guò)輸出模塊435將其合并輸出。其中，異常因子較大的幾個(gè)子視頻段落可以認(rèn)為是各子視頻段落計(jì)算所得異常因子由大到小依次排列后，根據(jù)需求選取包含有按照從大到小的順序選取的幾個(gè)異常因子所對(duì)應(yīng)的幾個(gè)子視頻段落。本實(shí)施方式中，視頻異常自動(dòng)檢測(cè)分析過(guò)程中，被分割的子視頻段落背景如果是動(dòng)態(tài)的，則采用顏色變化特征來(lái)反映異常信息；如果子視頻段落的背景是靜態(tài)的，則采用運(yùn)動(dòng)變化特征來(lái)反映視頻段落中異常信息的效果較好。本發(fā)明的一較佳實(shí)施方式中，使用背景的變化信息作為參考，將顏色變化距離DF，背景變化距離DAvesum_back，及運(yùn)動(dòng)變化距離DAvesum通過(guò)背景信息進(jìn)行耦合，來(lái)定義更為一般的異常因子，使得在動(dòng)態(tài)背景時(shí)顏色變化距離DF對(duì)異常因子的貢獻(xiàn)度較大，靜態(tài)背景時(shí)運(yùn)動(dòng)變化距離DAvesum對(duì)異常因子的貢獻(xiàn)度較大，使得該電子裝置100可以適應(yīng)于各種背景類型的視頻段落異常信息檢測(cè)。請(qǐng)同時(shí)參照?qǐng)D2，為一較佳實(shí)施方式的視頻序列異常段落檢測(cè)的方法流程圖300。該方法300應(yīng)用于電子裝置100中，具體包括以下步驟：步驟S301，輸入一段視頻，并通過(guò)轉(zhuǎn)換單元10將該視頻由視頻信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)。在其他實(shí)施方式中，該視頻段落也可以直接是一種基于數(shù)字信號(hào)的視頻段落，不必進(jìn)行格式轉(zhuǎn)換。步驟S302，將該視頻段落分割為多個(gè)子視頻段落，每個(gè)子視頻段落中包括若干個(gè)視頻幀。本實(shí)施方式中，視頻段落按照等長(zhǎng)的時(shí)間窗口分割為多個(gè)子視頻段落。另，每個(gè)子視頻段落中包含一相對(duì)獨(dú)立的的事件，例如，某人出現(xiàn)并進(jìn)入電梯的完整過(guò)程。在其他實(shí)施方式中，若該分割后的子視頻段落中包含多個(gè)或未包含一相對(duì)獨(dú)立的事件，可以將分割后的段落進(jìn)一步分割或者合并，以得到上述包含相對(duì)獨(dú)立事件的多個(gè)子視頻段落。其他實(shí)施方式中，該視頻段落也可以按照非等長(zhǎng)的時(shí)間窗口分割為多個(gè)子視頻段落。本實(shí)施方式中，將由m個(gè)視頻幀Im組成的第n個(gè)子視頻段vn表示為：vn＝{In1,In2,...,Inm}。步驟S303，提取該每一子視頻段落中的顏色變化特征FPM。本實(shí)施方式中，該子視頻段落中每一幀的圖像是以RGB顏色空間模式來(lái)進(jìn)行存儲(chǔ)的，其他實(shí)施方式中，視頻段落的圖像也可以采用HSV和Nrgb等顏色空間存儲(chǔ)。一實(shí)施方式中，假設(shè)圖像中的像素總數(shù)為M，第k種顏色分布hk的像素總數(shù)為nk，則hk出現(xiàn)的頻率為：hk＝nk/M(k＝0,1,2,...,255)。進(jìn)一步地，根據(jù)累加直方圖原理，如果從一段子視頻中選取n幀，則這段子視頻的直方圖可以通過(guò)累加得到：本實(shí)施方式中RGB顏色空間一共有2563＝1.68*107種顏色，運(yùn)算復(fù)雜度很高。一替代實(shí)施方式中，為了減少運(yùn)算量，可預(yù)先將該彩色圖像灰度化，然后基于該灰度化圖像求直方圖。最后，利用主成分分析法進(jìn)一步求得每一子視頻段的顏色變化特征FPM。步驟S304，提取每一子視頻段落中運(yùn)動(dòng)特征，包括運(yùn)動(dòng)變化特征Avesum和段內(nèi)運(yùn)動(dòng)變化率特征AllTwisum。本實(shí)施方式中，采用視頻幀的差分信息來(lái)描述某一子視頻段落中圖像的變化和圖像中背景的變化。那么，對(duì)于一子視頻段落中兩幀圖像fm和fn進(jìn)行差分運(yùn)算，圖像差分結(jié)果為：Δf(i,j)＝|fm(i,j)-fn(i,j)|；同樣，對(duì)于圖像fm的背景bm和圖像fn的背景bn，背景差分結(jié)果為：Δb(i,j)＝|bm(i,j)-bn(i,j)|。其中，0≤i≤FR，0≤j≤FC(FR為圖像行數(shù)，F(xiàn)C為圖像列數(shù))。圖像差分結(jié)果表明兩幀之間的變化程度，Δf(i,j)灰度值越高，兩幀圖像間的變化越大。相似地，背景差分結(jié)果顯示了兩幀圖像的背景的變化程度，Δb(i,j)灰度值越高，背景變化越大。然而，圖像差分結(jié)果中常因存在噪聲而引起結(jié)果發(fā)生變化，因此引入閾值以減小該噪聲存在影響圖像差分結(jié)果。本實(shí)施方式中，以圖像差分結(jié)果中大于一第一閾值的像素?cái)?shù)Sumi,j作為第i幀和第j幀之間的運(yùn)動(dòng)變化特征Avesum，以該子視頻段內(nèi)幀間變化超過(guò)一第二閾值的次數(shù)作為運(yùn)動(dòng)變化率特征AllTwisum，從而可以得出該子視頻段中的運(yùn)動(dòng)特征。其中，該第一閾值和第二閾值可根據(jù)具體圖像差分去噪的實(shí)驗(yàn)中具體設(shè)定，具體做法前面已經(jīng)介紹，這里不再贅述。步驟S305，根據(jù)混合高斯模型提取每一子視頻段落中各視頻幀的背景信息，并利用差分圖像計(jì)算得出子視頻段落中背景信息的總體變化特征Avesum_back。利用混合高斯模型提取視頻段落中各視頻幀背景信息的過(guò)程為現(xiàn)有技術(shù)，這里不再贅述。在提取子視頻段落中各視頻幀背景信息后，基于步驟S304的差分原理，可以得到兩楨圖像的背景差值圖像中大于閾值的像素總數(shù)，從而得到子視頻段落中背景信息的總體變化特征Avesum_back。那么，每一子視頻段落中的特征變化信息，可以用特征矢量表示為：vn＝[FPM,Avesum,AllTwisum,Avesum_back]步驟S306，計(jì)算包括多個(gè)子視頻段落的整個(gè)視頻段落的變化特征均值C，進(jìn)一步得出每一子視頻段落變化特征與該變化特征均值C的距離并將距離值歸一化。本實(shí)施方式中，假設(shè)一整個(gè)視頻段落被均等分割為D個(gè)子視頻段落，那么整個(gè)視頻段落的顏色變化特征的特征均值可以表示為：C＝∑FPM/D；其中每個(gè)子視頻段落的顏色變化特征與該顏色變化特征均值的距離可以表示為：最后將dF歸一化得到顏色變化距離DF。替代實(shí)施方式中，還可以進(jìn)一步計(jì)算得到子視頻段落中運(yùn)動(dòng)變化特征Avesum與運(yùn)動(dòng)變化特征均值Ca的運(yùn)動(dòng)變化距離DAvesum；運(yùn)動(dòng)變化率特征AllTwisum與運(yùn)動(dòng)變化率特征均值Cb的運(yùn)動(dòng)變化率距離DAllTwisum；及背景信息的總體變化特征Avesum_back與背景信息的總體變化特征均值Cc的背景變化距離DAvesum_back。步驟S307，計(jì)算每一子視頻段落中背景變化率λ。本實(shí)施方式中，定義該背景變化率根據(jù)歸一化背景變化距離DAvesum_back和運(yùn)動(dòng)變化距離DAvesum可以計(jì)算得到子視頻段落中背景變化率λ。進(jìn)一步，每一子視頻段落中異常因子可以表示為：Fi＝αi1DF+αi2(DAvesum+DAllTwisum)，其中，αi1和αi2是權(quán)重系數(shù)，且它們?cè)谒惴ㄓ?jì)算過(guò)程中始終滿足歸一化條件：αi1+αi2＝1。步驟S308，判斷背景變化率λ與一參考值τ'大小，進(jìn)而確定權(quán)重系數(shù)αi1和αi2大小。本實(shí)施方式中，背景變化率λ、參考值τ'和權(quán)重系數(shù)αi1和αi2的關(guān)系表示為：則通過(guò)判斷λ與τ'的大小關(guān)系，可以確定權(quán)重系數(shù)αi1和αi2，其中，參考值τ'可以選取0.1≤τ'≤0.2中任一數(shù)值。步驟S309，計(jì)算每一子視頻段落中異常因子，并比較各個(gè)視頻段落異常因子大小。根據(jù)異常因子Fi＝αi1DF+αi2(DAvesum+DAllTwisum)可知：如果λ<τ'，則Fi＝αi1DF+(1-λ)×αi2(DAvesum+DAllTwisum)；如果λ≥τ'，F(xiàn)i＝λ×αi1DF+αi2(DAvesum+DAllTwisum)。步驟S310，根據(jù)異常因子比較結(jié)果輸出異常子視頻段落。該異常子視頻段落，可以是異常因子最大的子視頻段落，也可以是異常因子較大的幾個(gè)子視頻段落，且如果是相鄰的多個(gè)異常因子較大子視頻段落，將多個(gè)異常因子較大子視頻段落合并輸出。其中，異常因子較大的幾個(gè)子視頻段落可以認(rèn)為是各子視頻段落計(jì)算所得異常因子由大到小依次排列后，根據(jù)需求選取包含有按照從大到小的順序選取的幾個(gè)異常因子所對(duì)應(yīng)的幾個(gè)子視頻段落。