賈玉福，伍丁紅，胡勝紅

(湖北經(jīng)濟學院 計算機應用技術中心，湖北 武漢 430205)

鏡頭邊界檢測與分割是進行基于內(nèi)容的足球視頻查詢、檢索與精彩度分析的重要環(huán)節(jié)，其目的是將輸入的視頻流分割成基本視頻單元的集合，最終提取出關鍵幀和運動信息。相比于模板匹配、邊緣輪廓特征和聚類算法[1-2]，基于直方圖比較的算法[3]效率較高，應用普遍。但利用直方圖進行視頻分割的效果與直方圖相似度算法的選取、門限值的設置有很大關系。

1 閾值對足球視頻分割的影響

圖1 門限、直方圖距離與鏡頭檢測的關系

2 基于雙閾值的視頻分割算法

2.1 基于直方圖鏡頭檢測與分割的足球視頻的特點

利用直方圖進行足球視頻鏡頭檢測與分割，可能造成過高的誤檢率，這主要有以下幾方面原因：(1)足球視頻近景鏡頭中人物離鏡頭過近，人物的運動造成視頻幀直方圖突變而形成誤檢；(2)中遠景中，為了跟蹤比賽節(jié)奏，鏡頭運動速度過快，造成視頻幀直方圖突變而形成誤檢；(3)視頻中大量回放鏡頭的開始與結束是以漸變而不是切變發(fā)生的，在漸變的過程中如果檢測閾值較低，就會造成單幀鏡頭分割的現(xiàn)象。另外，由于足球視頻一般是在某一個時間段內(nèi)(比如下午)連續(xù)錄制的，亮度和飽和度的影響可以忽略，直方圖距離的計算應以色度直方圖為主，但在球場局部區(qū)域形成大面積陰影時，要適當提高亮度直方圖相似度的影響因子。

2.2 基于雙閾值的分割算法

基于雙閾值的分割算法的基本思想是：設置一個較大的閾值Tb和一個較小的閾值Ts，當直方圖的相似度小于Ts時，分割鏡頭出現(xiàn)；當相似度大于 Tb時，沒有分割鏡頭出現(xiàn)；當相似度介于Tb與Ts之間時，表明閾值設置不合理，若是漏檢，則應降低Tb，若是誤檢，則應加大Ts。算法的關鍵是判斷漏檢還是誤檢以及動態(tài)調(diào)整閾值的策略。為了消除上述原因形成的誤檢鏡頭，分割算法引入了鏡頭長度(shotlength，即鏡頭內(nèi)幀數(shù))sl，當檢測到鏡頭變換時，首先判斷sl是否小于某一臨界值，如果小于則認為是誤檢，不進行鏡頭分割。具體的算法步驟如圖2所示。

圖2 自適應雙閾值算法N-S圖

閾值常量TU與TD的設置應滿足如下條件：當stt＞TU時，不應發(fā)生誤檢；當stt＜TD時，不應發(fā)生漏檢。因此，應設置極大的TU與極小的 TD。當 stt＞(Tb+Ts)/2時，說明 Ts不合理，應提高 Ts，從圖 2可以看出，stt越大，Ts提高得越快；當 stt＜(Tb+Ts)/2時，說明 Tb不合理，應降低 Tb，從圖 2可以看出，stt越小，Tb下降得越快。當 stt在[TU，Tb]、[Tb，Ts]和[Ts，TD]各區(qū)間時，算法通過前后兩個相似度差值的絕對值來判斷是否發(fā)生漏檢或誤檢，當漏檢發(fā)生時，適當提高Tb，當誤檢發(fā)生時，適當降低 Ts；sl的最小值選取 50，即當幀頻為 25幀/s時，忽略時長小于2 s的鏡頭。

3 實驗結果與分析

本文在Visual C++開發(fā)平臺上利用OpenCV視覺庫實現(xiàn)了上述算法。選取2010南非世界杯足球比賽的兩個視頻片斷進行分析，實驗視頻中包括近景、中景、遠景以及切變與漸變等鏡頭變換。鏡頭中，人、球和攝像機自身運動較大。首先將視頻從RGB空間轉(zhuǎn)換到HSV空間，再對H通道的直方圖單獨進行分析，直方圖相似度采用相交算法和B算法。閾值常量TU、TD分別取1和0。實驗結果如表1、表2所示。

表1 視頻片段1各檢測算法漏檢誤檢分布

表2 視頻片段2各檢測算法漏檢誤檢分布

從表1和表2的檢測結果可以看出，采用雙閾值的檢測方法對B算法和相交算法均適用，檢測的誤檢數(shù)與漏檢數(shù)之和均小于(視頻片段 1)或逼近(視頻片段 2)采用固定閾值的檢測方案得出的最佳結果。比較可知，采用雙閾值檢測能夠得到較少的漏檢數(shù)。由于視頻2片段在開始時并沒有太大的相似度波動，閾值收斂速度降低，在開始時易造成誤檢和漏檢，因此采用雙閾值B算法得到的誤檢數(shù)與漏檢數(shù)之和略高于固定閾值方案。采用固定閾值B檢測算法在閾值為0.9時檢測的漏檢偏高，主要是因為鏡頭長度略大于50的誤檢太多，導致后續(xù)視頻漏檢的產(chǎn)生。該雙閾值檢測算法可用于在檢測算法的最佳閾值未知的情況下，要求盡量降低漏檢時的情況。各種算法所需的時間如表3所示。

表3 各種算法所需時間比較

表3的數(shù)據(jù)是在各算法運行在相同的系統(tǒng)環(huán)境下得到的，計算所需時間時不考慮分割后的單鏡頭視頻的存儲時間，只考慮分割算法的計算時間。從表3可看出，各個算法所需的計算時間大體相當。這主要是由于雙閾值算法只是引入了一些簡單的比較和算術運算，并沒有增加算法的復雜度，算法計算簡單。

本文提出了利用雙閾值自適應變化動態(tài)跟蹤視頻分割中最佳閾值的方法。從實驗結果可以看出，本算法能夠得到較低的檢測誤差，同固定閾值相比，算法的漏檢數(shù)少。但算法在判斷漏檢和誤檢時，根據(jù)相似度差值分別采用了固定的參數(shù)0.08、0.12和0.2，針對足球視頻的特點自適應改變上述參數(shù)，對于算法結果有很大改善。因此，下一步的工作是對上述參數(shù)的設置展開研究。

[1]Zhu Ce， LinXiao， ChauL P.Hexagon-basedsearch pattern for fast block motion estimation [J]. IEEE Transactions on Circuits and Systems for Video Technology，2002， 12(5)： 349-355.

[2]CHENG W G， XU D， JIANG Y W， et al.Information theoreticmetrics in shot boundary detection[C].Proeedings of IIH-MSP， LNCS 3683， Melbourne， Australia， Sept.2005.388-394.

[3]RINSKA I K， CARRATO S.Temporal video segmentation：a survey[J].Signal Processing： Image Communication， 2001，16(5)：477-500.

[4]Jiang Xinghao， Sun Tanfeng， Fang Zhixin， et al.A video shotboundary detection method based on variable-size window [J].Journal of Shanghai Jiaotong University， 2009，43(11)：1681-1684.

[5]QI Y，HAUPTMANN A，LIU T.Supervised classification for video shot segmentation[C].Proceedings of the International Conference on Multimedia and EXPO， Washington： IEEE Computer Society，2003.

[6]MATSUMOTO K， NAITO M， HOASHI K， et al.SVM-based boundary detection with a novel feature[C].Proceedings of the International Conference on Multimedia and EXPO.Washington： IEEE Computer Society，2006.

[7]Cao Jiaorong， CaiAnni.Algorithm for shotboundary detection based on support vector machine in compressed domain[J].Acta Electronica Sinica， 2008， 36(1)：203-208.