本發(fā)明涉及視頻內(nèi)容檢索技術(shù)領(lǐng)域，具體涉及一種基于音視頻結(jié)合的內(nèi)容檢測方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，人們可以方便地獲得各種視頻資源，同時也吸引了更多的商家在視頻中投放廣告。用戶希望能夠跳過視頻中的廣告部分直接觀看自己感興趣的內(nèi)容，廣告投放方希望能夠檢測出視頻中廣告的時長以確保其投資價值。一些視頻制作方會在廣告和節(jié)目之間插入單色幀作為邊界，或者插入倒計時標(biāo)志，這樣的視頻很容易檢測出廣告。但這些并不是通用的手段，還有很多視頻的廣告與節(jié)目之間沒有明顯的邊界，因此希望找到一種能夠適用于所有片源的檢測廣告的方法。

目前，檢測電視廣告主要是基于機器學(xué)習(xí)的方法，通過訓(xùn)練樣本數(shù)據(jù)對視頻幀進(jìn)行分類，從而自動提取出廣告部分?；跈C器學(xué)習(xí)的常用檢測算法主要有支持向量機、K-means算法、決策樹等，用上述機器學(xué)習(xí)算法來檢測廣告，首先需要獲取數(shù)據(jù)庫中用于訓(xùn)練的各個待測視頻的樣本數(shù)據(jù)，而現(xiàn)在視頻來源廣，數(shù)據(jù)庫中不可能存儲所有視頻的樣本數(shù)據(jù)，所以對數(shù)據(jù)庫中沒有樣本的視頻無法進(jìn)行檢測；整個視頻數(shù)據(jù)作為上述算法的輸入，處理數(shù)據(jù)量大，算法復(fù)雜度高，并不能實現(xiàn)廣告的精確分割。

技術(shù)實現(xiàn)要素：

為解決上述問題，本發(fā)明提出了一種基于音視頻結(jié)合的內(nèi)容檢測方法，該方法結(jié)合廣告分界點分別在音頻和圖像上的特征，不依賴樣本數(shù)據(jù)即可準(zhǔn)確檢測出廣告片段。

本發(fā)明的具體技術(shù)方案如下：一種基于音視頻結(jié)合的內(nèi)容檢測方法，包括以下步驟：

1、從待測視頻中提取出與圖像同步的音頻；

2、檢測出所述音頻中的所有靜音段，具體包括：將所述音頻分割成連續(xù)的無重疊的音頻幀，計算每幀的平均能量，若平均能量小于預(yù)設(shè)能量閾值，該音頻幀為靜音幀，計算連續(xù)靜音幀的時長，時長大于預(yù)設(shè)長度閾值的為靜音段；

3、對待測視頻中與各個靜音段同步的各組連續(xù)的圖像分別進(jìn)行鏡頭切變檢測，在有鏡頭切變的兩相鄰圖像之間插入標(biāo)記，計算兩兩相鄰標(biāo)記之間的時長，從待測視頻中提取出時長小于預(yù)設(shè)時長閾值的視頻段；

4、將步驟3得到的視頻段分割成若干鏡頭，提取每個鏡頭的關(guān)鍵幀，使用無監(jiān)督神經(jīng)網(wǎng)絡(luò)算法將關(guān)鍵幀進(jìn)行分類，分類結(jié)果為廣告的關(guān)鍵幀所在的視頻段為廣告片段，計算廣告片段的時長為廣告播出時長。

作為本發(fā)明的進(jìn)一步改進(jìn)，步驟3中使用顏色直方圖法進(jìn)行鏡頭切變檢測，具體步驟為：

1)計算每幀圖像的顏色直方圖：

其中H_n(i)表示第n幀圖像的H分量直方圖，H_follow_n(i)為第n幀圖像的H值為i的像素個數(shù)，i∈[1,12]，S_n(i)表示第n幀圖像的S分量直方圖，S_follow_n(i)為第n幀圖像的S值為j的像素個數(shù)，j∈[1,5]，V_n(i)表示第n幀圖像的V分量直方圖，V_follow_n(i)為第n幀圖像的V值為k的像素個數(shù)，k∈[1,5]，M×N為第n幀圖像的總像素數(shù)；

2)計算每相鄰兩幀圖像分別在H、S、V三分量的相似性：

其中sim_H(n,n+1)為第n幀與第n+1幀在H分量的相似性，H_n(i)是第n幀的H分量直方圖，H_n+1(i)是第n+1幀的H分量直方圖，sim_S(n,n+1)為第n幀與第n+1幀在S分量的相似性，S_n(j)是第n幀的S分量直方圖，S_n+1(j)是第n+1幀的S分量直方圖，sim_V(n,n+1)為第n幀與第n+1幀在V分量的相似性，V_n(k)是第n幀的V分量直方圖，V_n+1(k)是第n+1幀的V分量直方圖；

3)計算每相鄰兩幀的總相似性：

其中sim(n,n+1)為第n幀與第n+1幀的總相似度，α、β、γ分別是H、S、V三分量的相似性系數(shù)，且α≥β，α≥γ；

4)若相鄰兩幀的總相似性大于預(yù)設(shè)相似閾值，則確定在這兩幀之間有鏡頭切變。

作為本發(fā)明的進(jìn)一步改進(jìn)，步驟4中提取每個鏡頭的關(guān)鍵幀具體包括：

1)計算每個鏡頭中每個圖像在H、S、V三個分量上的圖像熵：

其中E_H(n)是第n幀圖像在H分量上的圖像熵，h_n(i)為第n幀圖像的H值為i的像素個數(shù)與總像素數(shù)的比例，E_S(n)是第n幀圖像在S分量上的圖像熵，s_n(j)為第n幀圖像的S值為j的像素個數(shù)與總像素數(shù)的比例，E_V(n)是第n幀圖像在V分量上的圖像熵，v_n(k)為第n幀圖像的V值為k的像素個數(shù)與總像素數(shù)的比例；

2)計算每個圖像的總圖像熵為：

E(n)＝α'×E_H(n)+β'×E_S(n)+γ'×E_V(n)

其中E(n)是第n幀的總圖像熵，α'、β'、γ'分別是H、S、V三分量的圖像熵系數(shù)；

3)將每個鏡頭中總圖像熵最大的圖像作為關(guān)鍵幀提取出來。

本發(fā)明的有益效果：本發(fā)明方法結(jié)合廣告分界點分別在音頻和圖像上的特征，先通過檢測同步音頻中靜音段的位置，初步判斷可能的廣告分界點，再在可能的分界點附近進(jìn)行鏡頭切變檢測，將既有鏡頭切變又是靜音段的位置作為初級分界點，提取出相鄰初級分界點之間時長接近廣告時長的視頻段，再將這些視頻段進(jìn)行鏡頭切割，對每個鏡頭提取關(guān)鍵幀，使用無監(jiān)督神經(jīng)網(wǎng)絡(luò)算法對關(guān)鍵幀進(jìn)行分類，分類結(jié)果為廣告的關(guān)鍵幀所在的視頻段即為廣告，從而計算出廣告時長。本發(fā)明一步步縮小檢測范圍，最后通過機器學(xué)習(xí)算法進(jìn)行分類，減少了機器學(xué)習(xí)算法處理的數(shù)據(jù)量，簡化了機器學(xué)習(xí)算法的復(fù)雜度，同時還提高了檢測的準(zhǔn)確性。使用無監(jiān)督神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類，無需建立視頻的樣本數(shù)據(jù)庫，隨時可以檢查，通用性高。

附圖說明

圖1為本發(fā)明方法的流程圖。

具體實施方式

本發(fā)明提出的一種基于音視頻結(jié)合的內(nèi)容檢測方法，包括以下步驟：

1、從待測視頻中提取出與圖像同步的音頻。

2、檢測出音頻中的所有靜音段，具體為：將音頻分割成連續(xù)的無重疊的音頻幀，計算每幀的平均能量，若平均能量小于預(yù)設(shè)能量閾值，該音頻幀為靜音幀，計算連續(xù)靜音幀的時長，時長大于預(yù)設(shè)長度閾值的為靜音段。

本實施例中將音頻分割成15ms的音頻幀，能量閾值設(shè)為0.01，長度閾值設(shè)為1000ms。

3、找出與各靜音段同步的各組連續(xù)的圖像，分別將每幀圖像投影到HSV顏色空間，計算每幀圖像的顏色直方圖：

其中H_n(i)表示第n幀圖像的H分量直方圖，H_follow_n(i)為第n幀圖像的H值為i的像素個數(shù)，i∈[1,12]，S_n(i)表示第n幀圖像的S分量直方圖，S_follow_n(i)為第n幀圖像的S值為j的像素個數(shù)，j∈[1,5]，V_n(i)表示第n幀圖像的V分量直方圖，V_follow_n(i)為第n幀圖像的V值為k的像素個數(shù)，k∈[1,5]，M×N為第n幀圖像的總像素數(shù)。

計算每相鄰兩幀圖像分別在H、S、V三分量的相似性：

其中sim_H(n,n+1)為第n幀與第n+1幀在H分量的相似性，H_n(i)是第n幀的H分量直方圖，H_n+1(i)是第n+1幀的H分量直方圖，sim_S(n,n+1)為第n幀與第n+1幀在S分量的相似性，S_n(j)是第n幀的S分量直方圖，S_n+1(j)是第n+1幀的S分量直方圖，sim_V(n,n+1)為第n幀與第n+1幀在V分量的相似性，V_n(k)是第n幀的V分量直方圖，V_n+1(k)是第n+1幀的V分量直方圖。

計算每相鄰兩幀的總相似性：

其中sim(n,n+1)為第n幀與第n+1幀的總相似度，α、β、γ分別是H、S、V三分量的相似性系數(shù)，且α≥β，α≥γ。

設(shè)置相似閾值H_sim，若相鄰兩幀的總相似性大于相似閾值，則確定在這兩幀之間有鏡頭切變。

在有鏡頭切變的兩相鄰圖像之間插入標(biāo)記，計算兩兩相鄰標(biāo)記之間的時長，從待測視頻中提取出時長小于預(yù)設(shè)時長閾值的視頻段。

本實施例中設(shè)置H、S、V三分量的相似性系數(shù)α＝1.007、β＝0.995、γ＝0.993，設(shè)置相似閾值H_sim＝0.88～0.95。

4、將步驟3得到的視頻段分割成若干個鏡頭，計算每個鏡頭中所有圖像在H、S、V三個分量上的圖像熵分別為：

其中E_H(n)是第n幀圖像在H分量上的圖像熵，h_n(i)為第n幀圖像的H值為i的像素個數(shù)與總像素數(shù)的比例，E_S(n)是第n幀圖像在S分量上的圖像熵，s_n(j)為第n幀圖像的S值為j的像素個位與總像素數(shù)的比例，E_V(n)是第n幀圖像在V分量上的圖像熵，v_n(k)為第n幀圖像的V值為k的像素個數(shù)與總像素數(shù)的比例。

計算每個圖像的總圖像熵為：

E(n)＝α'×E_H(n)+β'×E_S(n)+γ'×E_V(n)

其中E(n)是第n幀的總圖像熵，α'、β'、γ'分別是H、S、V三分量的圖像熵系數(shù)。

將每個鏡頭中總圖像熵最大的圖像作為關(guān)鍵幀提取出來，再使用無監(jiān)督神經(jīng)網(wǎng)絡(luò)算法對提取出的每個鏡頭的關(guān)鍵幀進(jìn)行分類，分類結(jié)果為該關(guān)鍵幀為廣告或非廣告，屬于廣告的關(guān)鍵幀所在的視頻段判定為廣告片段，計算廣告片段的時長。