一種基于surf算法的視頻指紋提取方法
【專利摘要】本發(fā)明公開(kāi)了一種基于SURF算法的視頻指紋提取方法，通過(guò)SURF算法提取視頻關(guān)鍵幀的特征點(diǎn)，生成一個(gè)特征點(diǎn)的特征矢量集合，再使用K-means聚類算法將生成的特征點(diǎn)集合進(jìn)行聚類，把每個(gè)聚類中心看作是一個(gè)視頻的視覺(jué)詞匯，從而生成視頻的視覺(jué)詞匯集合，用視頻的視覺(jué)詞匯去替代關(guān)鍵幀中原有的特征點(diǎn)的特征矢量，并統(tǒng)計(jì)視覺(jué)詞匯的詞頻信息，對(duì)每個(gè)關(guān)鍵幀視覺(jué)詞匯的詞頻信息進(jìn)行量化處理，用二進(jìn)制序列來(lái)表示，即為該關(guān)鍵幀的指紋信息，最后將所有關(guān)鍵幀的指紋信息按照時(shí)序先后串聯(lián)起來(lái)便生成視頻的指紋信息。這樣的視頻指紋提取方法具有較好的準(zhǔn)確性和魯棒性，并能在實(shí)時(shí)性方面取得到一定的平衡。
【專利說(shuō)明】一種基于SURF算法的視頻指紋提取方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于視頻指紋及數(shù)據(jù)檢索【技術(shù)領(lǐng)域】，更為具體地講，涉及一種基于SURF算 法的視頻指紋提取方法。

【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展和網(wǎng)絡(luò)傳輸速率的提升，人們?nèi)粘＋@取信息的方式正發(fā)生 著顯著的變化，其中，觀看網(wǎng)絡(luò)視頻已成為我國(guó)網(wǎng)民上網(wǎng)的主要活動(dòng)之一，然而，視頻內(nèi)容 是否安全和健康關(guān)系到廣大網(wǎng)民的切身利益。
[0003] 傳統(tǒng)的視頻內(nèi)容安全監(jiān)控手段有人工判斷和數(shù)字水印技術(shù)。在面對(duì)海量的網(wǎng)絡(luò)視 頻時(shí)，人工判斷的方式顯得力不從心且容易引入主觀性，已不能獨(dú)自完成網(wǎng)絡(luò)視頻內(nèi)容安 全監(jiān)控的需求。數(shù)字水印是信息隱藏技術(shù)的一個(gè)重要研究方向，然而在視頻中嵌入水印破 壞了視頻的完成性，且針對(duì)某些攻擊水印信息的魯棒性仍然不能滿足需求。
[0004] 斯坦福大學(xué)在1992年發(fā)表了一篇闡述"視頻指紋"技術(shù)的學(xué)術(shù)文章，所述的視 頻指紋，就是指提取視頻內(nèi)容內(nèi)在的特征信息，然后基于這些特征信息通過(guò)算法得到一 個(gè)與視頻唯一對(duì)應(yīng)且能唯一標(biāo)識(shí)視頻的數(shù)字序列，它不需要在視頻內(nèi)嵌入任何信息，保持 了視頻的完整性。隨著圖像局部特征的研究，人們可以獲得到圖像的局部不變性特征，它 們往往是代表圖像中結(jié)構(gòu)最穩(wěn)定的局部區(qū)域。目前應(yīng)用比較廣泛的有尺度不變特征轉(zhuǎn) 換 SIFT (Scale Invariant Feature Transform)和快速魯棒特征 SURF (Speeded Up Robust Features)，它們?cè)趫D像旋轉(zhuǎn)、尺度變換、仿射變換和視角變化條件下都有較好的不變性，通 過(guò)對(duì)圖像尺度不變性、仿射不變性以及局部不變性特征檢測(cè)方法的深入研究，Lowe提出了 SIFT算法并在2004年完善了該特征配準(zhǔn)算法，然而由Bay等人提出的SURF要比SIFT擁有 更高的特征提取速度。通過(guò)SURF可以提取視頻的特征點(diǎn)集合，并且內(nèi)容不相同的視頻一般 會(huì)得到不相同的特征點(diǎn)集合，而內(nèi)容相似的視頻會(huì)得到相近的特征點(diǎn)集合。利用這個(gè)特點(diǎn) 不但可以實(shí)現(xiàn)獲取視頻的指紋信息，還可以類似于生物基因一樣進(jìn)行視頻的追蹤溯源。然 而，目前基于視頻內(nèi)容的指紋提取算法往往無(wú)法同時(shí)兼顧到視頻的準(zhǔn)確性、魯棒性和實(shí)時(shí) 性。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于SURF算法的視頻指紋提 取方法，通過(guò)SURF算法和K-means算法相結(jié)合的視頻指紋提取，具有較好的準(zhǔn)確性和魯棒 性，同時(shí)又兼顧視頻的實(shí)時(shí)性。
[0006] 為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明一種基于SURF算法的視頻指紋提取方法，其特征在 于，包括以下步驟：
[0007] (1)、視頻特征提取
[0008] (1. 1)、候選關(guān)鍵幀的選?。阂圆介L(zhǎng)為At，T秒內(nèi)提取一幀的方式在視頻中選取候 選關(guān)鍵幀；
[0009] (1. 2)、使用SURF算法檢測(cè)候選關(guān)鍵幀的特征點(diǎn)并計(jì)算個(gè)數(shù)，將特征點(diǎn)個(gè)數(shù)小于Μ 的候選關(guān)鍵幀丟棄；將特征點(diǎn)個(gè)數(shù)大于或等于Μ的視頻候選關(guān)鍵幀作為視頻關(guān)鍵幀，Μ是常 數(shù)，可以根據(jù)實(shí)際情況設(shè)置；
[0010] 對(duì)于大于特征點(diǎn)個(gè)數(shù)大于Μ的視頻關(guān)鍵幀通過(guò)均分篩選，選取其中的Μ個(gè)特征點(diǎn) 并保留，其余的特征點(diǎn)去除；
[0011] (1.3)、通過(guò)SURF算法獲取各視頻關(guān)鍵幀各個(gè)特征點(diǎn)的特征矢量，具體為對(duì)于每 一視頻關(guān)鍵幀每一個(gè)特征點(diǎn)進(jìn)行以下步驟的處理：
[0012] (1.3. 1)、以視頻關(guān)鍵幀的特征點(diǎn)為中心，選取直徑為20s的圓形窗口，將圓形窗 口劃分為不等間隔的四個(gè)同心圓環(huán)，其中，s為特征點(diǎn)對(duì)應(yīng)的尺度；
[0013] (1.3. 2)、首先對(duì)四個(gè)同心圓環(huán)覆蓋的區(qū)域分別使用哈爾模板，求出它們各自在X 方向上和Y方向上的哈爾小波響應(yīng)值dxm和dym，其中，m= 1，2,表示哈爾小波響應(yīng)值的個(gè) 數(shù)；然后以視頻關(guān)鍵幀的特征點(diǎn)為中心，分別對(duì)四個(gè)覆蓋區(qū)域的哈爾小波響應(yīng)值dxm和d ym 進(jìn)行高斯加權(quán)計(jì)算，得到哈爾小波響應(yīng)值d' "和(1' ym;
[0014] (1.3. 3)、對(duì)四個(gè)覆蓋區(qū)域內(nèi)的哈爾小波響應(yīng)值cT xm、cT ym求和，分別記為： ΣοΓ ym，對(duì)四個(gè)覆蓋區(qū)域內(nèi)的哈爾小波響應(yīng)值(T ym求絕對(duì)值之和，分別 記為 Σ |d，xm| 和 Σ |d，ym| ;
[0015] 對(duì)每個(gè)覆蓋區(qū)域的哈爾特征集的對(duì)角特征響應(yīng)值Σ dzm進(jìn)行計(jì)算，然后將它們進(jìn) 行求和、求絕對(duì)值和，并分別記為Σ(1ΖΠ 、Σ|(1ΖΠ |，因此，統(tǒng)計(jì)得到每個(gè)覆蓋區(qū)域的特征矢量 可以表示為：
[0016] vsub= Xld'.J, Σ(1\ω, Σ|(1\ω|, Σ(1ζω, Σ | dZffl|)；
[0017] 最后將四個(gè)覆蓋區(qū)域排列起來(lái)，得到每個(gè)特征點(diǎn)的特征矢量；
[0018] (1. 4)、將所有視頻關(guān)鍵幀的所有特征點(diǎn)特征矢量組合為特征矢量集合；
[0019] ⑵、視頻指紋的提?。?br> [0020] (2. 1)、K-means聚類算法對(duì)特征矢量集合進(jìn)行聚類處理，得到多個(gè)聚類中心，每個(gè) 聚類中心作為一個(gè)視覺(jué)詞匯；
[0021] (2. 2)、對(duì)于每個(gè)視頻關(guān)鍵幀中各個(gè)特征點(diǎn)計(jì)算其特征矢量與各個(gè)視覺(jué)詞匯的歐 式距離，如果與某一個(gè)視覺(jué)詞匯的歐式距離最短，則特征點(diǎn)歸于該視頻詞匯；
[0022] 統(tǒng)計(jì)出每個(gè)視頻關(guān)鍵幀中，各視覺(jué)詞匯所擁有的特征點(diǎn)數(shù)量即詞頻信息；
[0023] (2. 3)、對(duì)每個(gè)視頻關(guān)鍵幀中各個(gè)視覺(jué)詞匯的詞頻信息進(jìn)行量化處理，用二進(jìn)制序 列來(lái)表示，即為該視頻關(guān)鍵幀的指紋信息，最后將所有關(guān)鍵幀的指紋信息按照時(shí)序先后串 聯(lián)起來(lái)便生成該視頻的指紋信息。
[0024] 進(jìn)一步地，所述的均分篩選過(guò)程為：
[0025] a)、根據(jù)特征點(diǎn)檢測(cè)時(shí)海森矩陣響應(yīng)值的大小對(duì)特征點(diǎn)進(jìn)行排序；
[0026] b)、計(jì)算特征點(diǎn)兩兩之間的距離；
[0027] c)、遍歷；從第一個(gè)特征點(diǎn)開(kāi)始，查找與之距離小于d的特征點(diǎn)，并刪除，同時(shí)重 新，計(jì)算特征點(diǎn)的個(gè)數(shù)是否等于M，如果特征點(diǎn)的個(gè)數(shù)等于M，則遍歷結(jié)束，否則繼續(xù)遍歷； 如果，遍歷一邊之后，特征點(diǎn)的個(gè)數(shù)仍然大于M，則增大d的大小，繼續(xù)下一輪遍歷。
[0028] 本發(fā)明的發(fā)明目的是這樣實(shí)現(xiàn)的：
[0029] 本發(fā)明基于SURF算法的視頻指紋提取方法，通過(guò)SURF算法提取視頻關(guān)鍵幀的特 征點(diǎn)，生成一個(gè)特征點(diǎn)的特征矢量集合，再使用K-means聚類算法將生成的特征點(diǎn)集合進(jìn) 行聚類，把每個(gè)聚類中心看作是一個(gè)視覺(jué)詞匯，從而生成視覺(jué)詞匯集合，用視覺(jué)詞匯去替代 視頻關(guān)鍵幀中原有的特征點(diǎn)的特征矢量，即將其歸為歐式距離最短的視覺(jué)詞匯，并統(tǒng)計(jì)視 覺(jué)詞匯的詞頻信息，對(duì)每個(gè)關(guān)鍵幀視覺(jué)詞匯的詞頻信息進(jìn)行量化處理，用二進(jìn)制序列來(lái)表 示，即為該關(guān)鍵幀的指紋信息，最后將所有關(guān)鍵幀的指紋信息按照時(shí)序先后串聯(lián)起來(lái)便生 成視頻的指紋信息。這樣的視頻指紋提取方法具有較好的準(zhǔn)確性和魯棒性，并能在實(shí)時(shí)性 方面取得到一定的平衡。
[0030] 同時(shí)，本發(fā)明基于SURF算法的視頻指紋提取方法還具有以下有益效果：
[0031] (1)、通過(guò)改進(jìn)的SURF算法獲取特征點(diǎn)的特征矢量，這樣將特征描述符的維度由 原來(lái)的64維降到24維，在面臨尺度變化、亮度變化以及添加高斯噪聲時(shí)同樣擁有較好的性 能；
[0032] (2)、通過(guò)均分篩選過(guò)程可以篩選掉一些內(nèi)容表達(dá)不強(qiáng)的視頻幀，減少了特征提取 的計(jì)算量；
[0033] (3)、本發(fā)明還具有較好的準(zhǔn)確性和魯棒性，同時(shí)又兼顧視頻的實(shí)時(shí)性。

【專利附圖】

【附圖說(shuō)明】
[0034] 圖1是本發(fā)明基于SURF算法的視頻指紋提取方法的流程圖；
[0035] 圖2是特征點(diǎn)的篩選原理圖；
[0036] 圖3是SURF算法計(jì)算特征點(diǎn)的特征矢量的原理圖；
[0037] 圖4是視頻指紋的提取流程圖；
[0038] 圖5是SURF算法改進(jìn)前后的圖像匹配實(shí)驗(yàn)對(duì)比圖；
[0039] 圖6是本發(fā)明基于SURF算法的視頻指紋提取方法的準(zhǔn)確性仿真圖；
[0040] 圖7是本發(fā)明基于SURF算法的視頻指紋提取方法的魯棒性仿真圖；
[0041] 表1不同維度的特征矢量聚類所花時(shí)間的統(tǒng)計(jì)表；
[0042] 表2是不同時(shí)長(zhǎng)視頻的指紋提取時(shí)間表。

【具體實(shí)施方式】
[0043] 下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】進(jìn)行描述，以便本領(lǐng)域的技術(shù)人員更好地 理解本發(fā)明。需要特別提醒注意的是，在以下的描述中，當(dāng)已知功能和設(shè)計(jì)的詳細(xì)描述也許 會(huì)淡化本發(fā)明的主要內(nèi)容時(shí)，這些描述在這里將被忽略。
[0044] 實(shí)施例
[0045] 圖1是本發(fā)明基于SURF算法的視頻指紋提取方法的流程圖。
[0046] 在本實(shí)施例中，如圖1所示，本發(fā)明一種基于SURF的視頻指紋提取方法，包括以下 步驟：
[0047] S1)、視頻特征提取
[0048] S1. 1)、候選關(guān)鍵幀的選取：以步長(zhǎng)為At，T秒內(nèi)提取一幀的方式在視頻中選取候 選關(guān)鍵巾貞；
[0049] 本實(shí)施例中，Δ t = lsec，T = 2sec ;即兩秒內(nèi)提取一巾貞，間隔時(shí)間為一秒；
[0050] S1. 2)、使用SURF算法檢測(cè)候選關(guān)鍵幀的特征點(diǎn)并計(jì)算個(gè)數(shù)，將特征點(diǎn)個(gè)數(shù)小于Μ =200的候選關(guān)鍵幀丟棄；將特征點(diǎn)個(gè)數(shù)大于或等于Μ = 200的視頻候選關(guān)鍵幀作為視頻 關(guān)鍵幀，Μ是常數(shù)，可以根據(jù)實(shí)際情況設(shè)置，本實(shí)施例中設(shè)置Μ = 200 ;
[0051] 對(duì)于大于特征點(diǎn)個(gè)數(shù)大于Μ = 200的視頻關(guān)鍵幀通過(guò)均分篩選，選取其中的Μ = 200個(gè)特征點(diǎn)并保留，其余的特征點(diǎn)去除；
[0052] 其中，如圖2所示，均分篩選過(guò)程為：
[0053] a)、根據(jù)特征點(diǎn)檢測(cè)時(shí)海森矩陣響應(yīng)值的大小對(duì)特征點(diǎn)進(jìn)行排序；
[0054] b)、計(jì)算特征點(diǎn)兩兩之間的距離；
[0055] c)、遍歷；從第一個(gè)特征點(diǎn)開(kāi)始，查找與之距離小于d的特征點(diǎn)，并刪除，同時(shí)重 新，計(jì)算特征點(diǎn)的個(gè)數(shù)是否等于Μ = 200,如果特征點(diǎn)的個(gè)數(shù)等于Μ = 200,則遍歷結(jié)束，否 則繼續(xù)遍歷；如果，遍歷一邊之后，特征點(diǎn)的個(gè)數(shù)仍然大于Μ = 200,則增大d的大小，繼續(xù) 下一輪遍歷；
[0056] S1. 3)、通過(guò)SURF算法獲取各視頻關(guān)鍵幀各個(gè)特征點(diǎn)的特征矢量，具體為對(duì)于每 一視頻關(guān)鍵幀每一個(gè)特征點(diǎn)進(jìn)行以下步驟的處理：
[0057] S1. 3. 1)、以視頻關(guān)鍵幀的特征點(diǎn)為中心，選取直徑為20s的圓形窗口，將圓形窗 口劃分為不等間隔的四個(gè)同心圓環(huán)，其中，s為特征點(diǎn)對(duì)應(yīng)的尺度；
[0058] S1. 3. 2)、首先對(duì)四個(gè)同心圓環(huán)覆蓋的區(qū)域分別使用哈爾模板，求出它們各自在X 方向上和Y方向上的哈爾小波響應(yīng)值dxm和dym，其中，m= 1，2,表示哈爾小波響應(yīng)值的個(gè) 數(shù)；然后以視頻關(guān)鍵幀的特征點(diǎn)為中心，分別對(duì)四個(gè)覆蓋區(qū)域的哈爾小波響應(yīng)值dxm和d ym 進(jìn)行高斯加權(quán)計(jì)算，得到哈爾小波響應(yīng)值d' "和(1' ym;
[0059] S1.3. 3)、對(duì)四個(gè)覆蓋區(qū)域內(nèi)的哈爾小波響應(yīng)值cT xm、cT ym求和，分別記為： ΣοΓ ym，對(duì)四個(gè)覆蓋區(qū)域內(nèi)的哈爾小波響應(yīng)值(T ym求絕對(duì)值之和，分別 記為 Σ |d，xm| 和 Σ |d，ym| ;
[0060] 對(duì)每個(gè)覆蓋區(qū)域的哈爾特征集的對(duì)角特征響應(yīng)值Σ dzm進(jìn)行計(jì)算，然后將它們進(jìn) 行求和、求絕對(duì)值和，并分別記為Σ(1ΖΠ 、Σ|(1ΖΠ |，因此，統(tǒng)計(jì)得到每個(gè)覆蓋區(qū)域的特征矢量 可以表示為：
[0061] Vsub= Xld'.J, Σ(1\ω, Σ|(1\ω|, Σ(1ζω, Σ | dZffl|)；
[0062] 最后將四個(gè)覆蓋區(qū)域排列起來(lái)，得到每個(gè)特征點(diǎn)的特征矢量；
[0063] 在本實(shí)施例中，如圖3所示，SURF算法計(jì)算特征點(diǎn)的特征矢量時(shí)，將原來(lái)均勻分布 的矩形區(qū)域重新轉(zhuǎn)變成直徑為20s的圓形窗口，并將它劃分為不等間隔的四個(gè)同心圓環(huán)， 在對(duì)每個(gè)覆蓋區(qū)域進(jìn)行哈爾小波響應(yīng)計(jì)算和哈爾特征集的對(duì)角特征響應(yīng)值計(jì)算，得到每個(gè) 覆蓋區(qū)域的特征矢量，再將4個(gè)覆蓋區(qū)域的特征矢量排列起來(lái)，便可得到每個(gè)特征點(diǎn)的特 征矢量，由一個(gè)24維的向量來(lái)表不；
[0064] 原SURF算法計(jì)算特征點(diǎn)的特征矢量時(shí)，首先以特征點(diǎn)為中心，選取它鄰域內(nèi)的 20sX20s大小的區(qū)域，其中，s為特征點(diǎn)對(duì)應(yīng)的尺度，并將該區(qū)域的主方向旋轉(zhuǎn)到經(jīng)計(jì)算 得到的特征點(diǎn)的主方向上，然后沿著特征點(diǎn)的主方向?qū)?0sX 20s的圖像區(qū)域劃分為4X4 共16個(gè)子區(qū)域，每個(gè)子區(qū)域覆蓋的范圍是5sX 5s，通過(guò)對(duì)每個(gè)子區(qū)域進(jìn)行哈爾小波響應(yīng)計(jì) 算，將16個(gè)子區(qū)域的特征矢量排列起來(lái)，便可生成64維的特征點(diǎn)的特征矢量；
[0065] S1. 4)、將所有視頻關(guān)鍵巾貞的所有特征點(diǎn)特征矢量組合為特征矢量集合；
[0066] S2)、視頻指紋的提?。?br> [0067] S2. 1)、K-means聚類算法對(duì)特征矢量集合進(jìn)行聚類處理，得到多個(gè)聚類中心，每個(gè) 聚類中心作為一個(gè)視覺(jué)詞匯；
[0068] 本實(shí)施例中，采用K-means聚類后，得到65個(gè)聚類；
[0069] S2. 2)、對(duì)于每個(gè)視頻關(guān)鍵幀中各個(gè)特征點(diǎn)計(jì)算其特征矢量與各個(gè)視覺(jué)詞匯的歐 式距離，如果與某一個(gè)視覺(jué)詞匯的歐式距離最短，則特征點(diǎn)歸于該視頻詞匯；統(tǒng)計(jì)出每個(gè)視 頻關(guān)鍵幀中，各視覺(jué)詞匯所擁有的特征點(diǎn)數(shù)量即詞頻信息；
[0070] S2. 3)、對(duì)每個(gè)視頻關(guān)鍵幀中各個(gè)視覺(jué)詞匯的詞頻信息進(jìn)行量化處理，用二進(jìn)制序 列來(lái)表示，即為該視頻關(guān)鍵幀的指紋信息，最后將所有關(guān)鍵幀的指紋信息按照時(shí)序先后串 聯(lián)起來(lái)便生成該視頻的指紋信息。
[0071] 本實(shí)施例中，將特征矢量集合分成65個(gè)類簇，把每個(gè)類簇的中心當(dāng)成一個(gè)視頻的 視覺(jué)詞匯，即得到65個(gè)視覺(jué)詞匯；再按照視覺(jué)詞匯的歐氏距離最接近，將特征點(diǎn)劃入到不 同的視覺(jué)詞匯，最后統(tǒng)計(jì)出每一幀中劃入到每個(gè)視覺(jué)詞匯中特征點(diǎn)的數(shù)量，并用詞頻信息 表示。如圖4所示，劃入到視覺(jué)詞匯A中的特征點(diǎn)6個(gè)，劃入到視覺(jué)詞匯B中的特征點(diǎn)4 個(gè)，劃入到視覺(jué)詞匯C中的特征點(diǎn)8個(gè)，……，而對(duì)應(yīng)的第一幀中劃入視覺(jué)詞匯A中的特征 點(diǎn)1個(gè)，第一幀中劃入視覺(jué)詞匯B中的特征點(diǎn)2個(gè)，第一幀中劃入視覺(jué)詞匯C中的特征點(diǎn)3 個(gè)，……，分別用詞頻信息表示，則得到A的詞頻信息為1，B的詞頻信息為2，C的詞頻信息 為3，......，詞頻信息經(jīng)量化處理后通過(guò)二進(jìn)制序列表示：A = 01，B = 11，C = 10,......, 即得到關(guān)鍵幀的指紋信息，最后將所有關(guān)鍵幀的指紋信息按照時(shí)序先后串聯(lián)起來(lái)便生成了 指紋信息101101 ;
[0072] 在對(duì)特征矢量集合進(jìn)行聚類處理時(shí)，通過(guò)對(duì)SURF算法改進(jìn)前、后對(duì)比發(fā)現(xiàn)，如表1 所示，維度較低的特征矢量集合聚類所話費(fèi)的時(shí)間較短。
[0073]

【權(quán)利要求】
1. 一種基于SURF算法的視頻指紋提取方法，其特征在于，包括以下步驟： (1) 、視頻特征提取 (1. 1)、候選關(guān)鍵幀的選?。阂圆介L(zhǎng)為秒內(nèi)提取一幀的方式在視頻中選取候選關(guān) 鍵幀； (1. 2)、使用SURF算法檢測(cè)候選關(guān)鍵幀的特征點(diǎn)并計(jì)算個(gè)數(shù)，將特征點(diǎn)個(gè)數(shù)小于Μ的候 選關(guān)鍵幀丟棄；將特征點(diǎn)個(gè)數(shù)大于或等于Μ的視頻候選關(guān)鍵幀作為視頻關(guān)鍵幀，Μ是常數(shù)， 可以根據(jù)實(shí)際情況設(shè)置； 對(duì)于大于特征點(diǎn)個(gè)數(shù)大于Μ的視頻關(guān)鍵幀通過(guò)均分篩選，選取其中的Μ個(gè)特征點(diǎn)并保 留，其余的特征點(diǎn)去除； (1. 3)、通過(guò)SURF算法獲取各視頻關(guān)鍵幀各個(gè)特征點(diǎn)的特征矢量，具體為對(duì)于每一視 頻關(guān)鍵幀每一個(gè)特征點(diǎn)進(jìn)行以下步驟的處理： (1. 3. 1)、以視頻關(guān)鍵幀的特征點(diǎn)為中心，選取直徑為20s的圓形窗口，將圓形窗口劃 分為不等間隔的四個(gè)圓環(huán)，其中，s為特征點(diǎn)對(duì)應(yīng)的尺度； (1. 3. 2)、首先對(duì)四個(gè)同心圓環(huán)覆蓋的區(qū)域分別使用哈爾模板，求出它們各自在X方向 上和Y方向上的哈爾小波響應(yīng)值dxm和dym，其中，m= 1，2,表示哈爾小波響應(yīng)值的個(gè)數(shù)；然 后以視頻關(guān)鍵幀的特征點(diǎn)為中心，分別對(duì)四個(gè)覆蓋區(qū)域的哈爾響應(yīng)值dxm和d ym進(jìn)行高斯加 權(quán)計(jì)算，得到哈爾小波響應(yīng)值f xm和(Γ ym; (1.3. 3)、對(duì)四個(gè)覆蓋區(qū)域內(nèi)的哈爾小波響應(yīng)值cT ym求和，分別記為：ΣοΓ xm 和ΣΥ ym，對(duì)四個(gè)覆蓋區(qū)域內(nèi)的哈爾小波響應(yīng)值cT "、(!' ym求絕對(duì)值之和，分別記為 Σ|(1，XJ 和 Σ|(1，ym| ; 對(duì)每個(gè)覆蓋區(qū)域的哈爾特征集的對(duì)角特征響應(yīng)值Σ dzm進(jìn)行計(jì)算，然后將它們進(jìn)行求 和、求絕對(duì)值和，并分別記為Σ(1ΖΠ 、Σ|(1ΖΠ |，因此，統(tǒng)計(jì)得到覆蓋區(qū)域的特征矢量可以表示 為： Vsub= Xld'.J, Σ(1\ω, Σ|(1\ω|, XdZffl, Σ|(1ζω|)； 最后將四個(gè)覆蓋區(qū)域排列起來(lái)，得到每個(gè)特征點(diǎn)的特征矢量； (1. 4)、將所有視頻關(guān)鍵幀的所有特征點(diǎn)特征矢量組合為特征矢量集合； (2) 、視頻指紋的提??； (2. 1)、K-means聚類算法對(duì)特征矢量集合進(jìn)行聚類處理，得到多個(gè)聚類中心，每個(gè)聚類 中心作為一個(gè)視覺(jué)詞匯； (2. 2)、對(duì)于每個(gè)視頻關(guān)鍵幀中各個(gè)特征點(diǎn)計(jì)算其特征矢量與各個(gè)視覺(jué)詞匯的歐式距 離，如果與某一個(gè)視覺(jué)詞匯的歐式距離最短，則特征點(diǎn)歸于該視頻詞匯； 統(tǒng)計(jì)出每個(gè)視頻關(guān)鍵幀中，各視覺(jué)詞匯所擁有的特征點(diǎn)數(shù)量即詞頻信息； (2. 3)、對(duì)每個(gè)視頻關(guān)鍵幀中各個(gè)視覺(jué)詞匯的詞頻信息進(jìn)行量化處理，用二進(jìn)制序列來(lái) 表7]^，即為該視頻關(guān)鍵巾貞的指紋信息，最后將所有關(guān)鍵巾貞的指紋信息按照時(shí)序先后串聯(lián)起 來(lái)便生成該視頻的指紋信息。
2. -種基于SURF算法的視頻指紋提取方法，其特征在于，所述的均分篩選過(guò)程為： a) 、根據(jù)特征點(diǎn)檢測(cè)時(shí)海森矩陣響應(yīng)值的大小對(duì)特征點(diǎn)進(jìn)行排序； b) 、計(jì)算特征點(diǎn)兩兩之間的距離； c) 、遍歷；從第一個(gè)特征點(diǎn)開(kāi)始，查找與之距離小于d的特征點(diǎn)，并刪除，同時(shí)重新，計(jì) 算特征點(diǎn)的個(gè)數(shù)是否等于M，如果特征點(diǎn)的個(gè)數(shù)等于M，則遍歷結(jié)束，否則繼續(xù)遍歷；如果， 遍歷一邊之后，特征點(diǎn)的個(gè)數(shù)仍然大于M，則增大d的大小，繼續(xù)下一輪遍歷。
【文檔編號(hào)】G06K9/46GK104063706SQ201410298934
【公開(kāi)日】2014年9月24日 申請(qǐng)日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】徐杰, 李乾坤, 孫健, 張毅 申請(qǐng)人:電子科技大學(xué)