李想

（武漢郵電科學研究院湖北武漢430000）

隨著互聯(lián)網(wǎng)技術的快速發(fā)展，數(shù)據(jù)量呈指數(shù)式的增長，伴隨著移動互聯(lián)網(wǎng)的浪潮，我們真正進入了大數(shù)據(jù)時代。于此同時，視頻作為網(wǎng)絡數(shù)據(jù)的重要組成部分，其數(shù)目也在飛速增長，如何管理這些視頻信息，已成為很棘手的問題。視頻檢索技術的出現(xiàn)使得我們能提取視頻關鍵信息，而深度學習的出現(xiàn)使得我們能對視頻中敏感信息進行高效準確的分類，從而能得到敏感信息。

第二部分是基于深度學習的分類模型，該模型用于將得到的關鍵幀進行分類，檢索我們需要的信息。本文設計了一種基于深度學習的網(wǎng)絡模型VGG16，它是一種卷積神經(jīng)網(wǎng)絡。由一系列的偏置項和權重項的神經(jīng)元組成，每個神經(jīng)元都接受若干輸入，并進行點積計算。將結果進行非線性處理，最后通過分數(shù)函數(shù)進行預測。整體設計流程圖如圖1所示。

1 總體設計

圖1 總體設計流程圖

本文設計分為兩部分，第一部分為視頻關鍵幀提取部分，設計一種算法從一段視頻中提取一段關鍵幀序列，用來代表整段視頻的主要內容。該算法對整段視頻進行鏡頭邊界檢測，對于任何一個鏡頭，我們將第n/2作為其關鍵幀，然后生成一個視頻關鍵幀候選的序列，對該段序列進行K-Means聚類，通過聚類的有效性分析方法選取最佳的聚類數(shù)量。最后對于每一類選取聚類中心的幀作為視頻的關鍵幀[1-4]。

2 視頻關鍵幀提取部分的實現(xiàn)

本文設計的關鍵幀提取算法分為3部分：視頻特征的提取、視頻邊界檢測、關鍵幀序列的聚類。

2.1 視頻特征提取

特征，即對應某一對象某些可量化的屬性。對于視頻來說，主要分為通用性特征和針對特定領域的特征[5-6]。針對視頻的多樣性，本文考慮的是通用性特征?？偨Y考慮到關鍵幀提取速度、圖像特征提取的高效性，圖像特征選為顏色直方圖和顏色分部描述子。

一般來說圖像顏色的表示都是基于顏色空間的，例如 RGB、HSV、YCbCr等[7-8]。本文設計的算法是在HSV顏色空間中生成的顏色直方圖，其中H分為16份，S和V分為4份，所以生成了256個直方圖索引。首先對直方圖索引進行初始化即：Hist（h，s，v）=0，直方圖的兩幀fi和fj的相似度可以定義為：

其中0表示兩圖的顏色直方圖差距最大，1表示相同。對于顏色分部描述子，它是用來描述圖像中顏色的空間分部該特征提取過程分為：圖像分塊，即屬于圖像分為64個等大的區(qū)域；主導顏色選擇，即每一塊選取一個主導顏色并生成一個8*8的微縮圖；對64個像素的Y、Cb、Cr分量進行離散余弦變換，得到3組系數(shù)；最后對得到的離散余弦洗漱進行Zigzag掃描，從中選取少量的低頻系數(shù)構成改頭像的分部描述子。分別記為Dy、DCb、DCr.此時定義幀fi和幀fj之間的距離為

其中DYik表示幀fi的Y分量的離散余弦系數(shù)的第k項，wYK對應其權重；越接近0表示兩幀圖像越相似，圖像描述子方便在不進行視頻切割的情況下，對圖像進行快速檢索。

2.2 視頻邊界檢測

本文的邊界檢測基于突變型的鏡頭切換，根據(jù)視頻領域變換的特點，給出了鏡頭邊界系數(shù)的定義，該系數(shù)抗噪能力強。設鄰域窗的寬度為2N+1，所以第i幀的鄰域窗幀差為：

其中K=N（N+1）/2。相對而言，鏡頭內的變化比鏡頭間的變化小的多；若鏡頭內任意兩幀距離為Ds，鏡頭間為Db，顯然Ds＜＜Db，若此時N取3，切第K幀和第K+1幀發(fā)生鏡頭突變，則可得去常數(shù)序列Osw（j）為（1，3，6，6，3，1），定義第i幀鏡頭邊界相似系數(shù)：

根據(jù)前面所得，當相鄰幀之間切換時，鏡頭邊界相似系數(shù)接近1，其余情況下為0與1之間一個較小的值。圖2為某段視頻的視頻邊界系數(shù)。

圖2 視頻邊界系數(shù)圖

圖中的峰值點對應于鏡頭切換，非邊界處鏡頭邊界系數(shù)較小，這使我們更好的選取閾值，本文中取0.85，當且僅當鏡頭邊界系數(shù)大于該值時，我們認為檢測到了鏡頭邊界。

2.3 關鍵幀序列的聚類

由于同一鏡頭可能重復出現(xiàn)，這將導致我們得到的關鍵幀序列出現(xiàn)重復，為了降低最終得到的關鍵幀序列的重復性，我們對關鍵幀序列進行了聚類操作：即K均值聚類，最后通過聚類的有效性方法確定K值[9-10]。

本文的評價方案是M.Halkidi提出的，定義了聚類性能指標SD(c)=aScat(c)+dis(c)，其中Scat（c）為單一類的類內距離，a為Dis（c）表示類之間的距離，由于此兩項的取值范圍相差較大，故設置一個權重因數(shù)a，也就是Dis（cmax），其中cmax為最大預設聚類數(shù)量。當且僅當該值最小時取得的c，為最優(yōu)聚類數(shù)量。

3 基于深度學習的網(wǎng)絡架構的實現(xiàn)

文中用到的神經(jīng)網(wǎng)絡是基于卷積神經(jīng)網(wǎng)絡，它是由一系列的偏置項和權重向的神經(jīng)元組成[11-15]。具體結構如圖3所示。

VGG16模型是一種卷積神經(jīng)網(wǎng)絡模型，數(shù)據(jù)通過帶有偏置項和權重項的神經(jīng)元輸入，然后進行點積，對結果進行非線性處理和分數(shù)函數(shù)預測。本文應用的VGG16模型采用BP算法來求解目標函數(shù)，采用將輸出的算是函數(shù)誤差反向傳播到各層的輸出單元上，求解權重梯度，之后更新權重參數(shù)。利用BP算法反復迭代減少誤差，以此來完成整個模型的訓練。

圖3 VGG16模型結構圖

訓練過程中學習率為0.01，動量為0.9，權值衰減為0.000 5，每迭代10個epoch學習率衰減10倍，每迭代100次顯示一次，最大迭代次數(shù)為30個epoch。

4 實驗

本部分主要對上文中設計的網(wǎng)絡模型進行測試和并通過對比選出最優(yōu)結果。選取如表1所示的樣本集。

表1 各類訓練集和測試集樣本數(shù)一覽表

針對Others類（安全類，負樣本）非常多，其它不安全類所占比例非常小（250：1）的問題，提出在訓練分類模型時，增大Others類訓練樣本在整個訓練集中所占的比例。這里我們實驗了3個模型，其它不安全類訓練樣本數(shù)不變，Others類樣本數(shù)分別為25 000、50 000、100 000。并通過我們設計的模型進行訓練，結果如表2～4所示。

其中，TP為系統(tǒng)檢索到的相關文件數(shù)，TP+FN為系統(tǒng)所有相關的文件總數(shù)，TP+FP為系統(tǒng)所有檢索到的文件總數(shù)，Recall為系統(tǒng)召回率，Precision為系統(tǒng)準確率。

把表格結果各個類的召回率和準確率用折線圖表示出來如圖4所示，橫坐標表示Others類樣本數(shù)增加：

表2 訓練集Others類樣本數(shù)為25 000

表3 訓練集Others類樣本數(shù)為50 000

表4 訓練集Others類樣本數(shù)為10 0000

由圖表實驗結果可以看出，隨著Others類訓練集樣本數(shù)增加，系統(tǒng)平均Recall（召回率）下降，Precision（準確率）上升。當Others類訓練集樣本數(shù)為50 000時，系統(tǒng)平均召回率為0.793 158，準確率為0.719 958。當Others類訓練集樣本數(shù)為100 000時，系統(tǒng)平均召回率為0.755 652，準確率為0.723 318。兩個模型都滿足要求。從折線圖可以看出，隨Others類訓練集樣本數(shù)增加，系統(tǒng)召回率下降較快，并且有一半以上的類在Others類訓練集樣本數(shù)為50 000時，準確率最高。所以我們認為當Others類訓練樣本數(shù)為50 000時，模型分類效果最好。

圖4 Others類增加時類召回率（圖a）與類準確率（圖b）曲線圖

5 結束語

本文針對視頻中如何快速檢索敏感信息的問題，首先通過基于邊界相似系數(shù)的關鍵幀提取算法提取能表示視頻主要內容的關鍵幀，然后可以通過應用的VGG16模型進行敏感信息快速檢索。為了驗證該模型的有效性及最優(yōu)性，文章最后對該模型進行測試驗證，并通過改變Others類的數(shù)目對比試驗，確定了最優(yōu)模型。

[1]曹長青.基于內容的視頻檢索中關鍵幀提取算法研究[D].太原：太原理工大學，2013.

[2]汪翔.基于內容的視頻檢索關鍵技術研究[D].合肥：安徽大學，2012.

[3]惠雯，趙海英，林闖，等.基于內容的視頻取證研究[J].計算機科學，2012，39（1）：27-31.

[4]夏潔，吳健，陳建明，等.基于虛擬檢測線的交通視頻關鍵幀提取[J].蘇州大學學報：工科版.2010，30（2）：1-5.

[5]Jia Y，Shelhamer E，Donahue J，et al.Caffe：Convolutional architecture for fast feature embedding[C].ACM Multimedia，2014.

[6]Ross Girshick，Jeff Donahue，Trevor Darrell，et al.Rich feature hierarchies for accurate object detection and semantic segmentation[J].Computer Science，2013：580-587.

[7]Pass G，Zabih R.Histogram refinement for content-based image retrieval[C]//IEEE Workshop on Applications ofComputer Vision.IEEE Computer Society，2012：96-102.

[8]He K，Zhang X，Ren S，et al.Deep residual learning for image recognition[J]. Computer Science，2015.

[9]Angadi S，Naik V.Entropy based fuzzy c means clustering and key frame extraction for sports video summarization[C]//Signal and Image Processing（ICSIP），2014 Fifth International Conference on.IEEE，2014：271-279.

[10]Charikar M S.Similarity estimation techniques from rounding algorithms[C]//Thiry-Fourth ACM Symposium on Theory of Computing.ACM，2010：380-388.

[11]Yoo D，Park S，Lee J Y，et al.Multi-scale pyramid pooling for deep convolutional representation[C]//Computer Vision and Pattern Recognition Workshops.IEEE，2015：71-80.

[12]Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[J].Advances in Neural Information Processing Systems，2012，25（2）：2012.

[13]Simonyan K， Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition[J].Eprint Arxiv，2014.

[14]Yoo D，Park S，Lee J Y，et al.Multi-scale pyramid pooling for deep convolutional representation[C]//Computer Vision and Pattern Recognition Workshops.IEEE，2015：71-80.

[15]Szegedy C，Liu W，Jia Y，et al.Going deeper with convolutions[C].ComputerVision and Pattern Recognition，2015.