劉 立，豐洪才，黃 清

（1.武漢輕工大學(xué)，a.數(shù)學(xué)與計(jì)算機(jī)學(xué)院；b.網(wǎng)絡(luò)與信息中心，武漢 430023；2.武漢市東西湖職業(yè)技術(shù)學(xué)校信息技術(shù)系，武漢 430023）

水果種植是現(xiàn)代農(nóng)業(yè)生產(chǎn)的重要組成部分。在鄉(xiāng)村振興背景下，新媒體開啟了新時(shí)代的農(nóng)村發(fā)展之路［1］，新媒體使得視頻傳播農(nóng)作物種植技術(shù)以及病蟲害防治技術(shù)成為可能。如何高效地從海量的涉農(nóng)視頻中找出感興趣的視頻鏡頭，是一個(gè)亟待解決的問題。

鏡頭是視頻的基本組成單位，也是視頻的最小語義單元，包含了一次連續(xù)拍攝的幀序列。視頻鏡頭分割的主要目標(biāo)是檢測(cè)出鏡頭的邊緣，將一段視頻分割成若干個(gè)獨(dú)立的鏡頭。視頻鏡頭的邊界檢測(cè)是基于內(nèi)容的視頻檢索（Content-based video retrieval，CBVR）的基礎(chǔ)技術(shù)和關(guān)鍵步驟。因此，視頻鏡頭邊界檢測(cè)的研究與應(yīng)用一直受到人們的關(guān)注，也是視頻領(lǐng)域的研究熱點(diǎn)之一。視頻中鏡頭的變化主要有突變和漸變兩種，突變（切變）是視頻中鏡頭最常見的轉(zhuǎn)換方式，是指一個(gè)鏡頭不采用任何編輯效果直接切換到下一個(gè)鏡頭的切換方式，該過程一般在兩幀之間完成。漸變（緩變）是鏡頭之間通過某種過渡方式，從一個(gè)鏡頭逐漸切換到另一個(gè)鏡頭的轉(zhuǎn)換方式，該變化過程可能在幾幀或幾十幀之間完成。

視頻鏡頭邊界檢測(cè)通常根據(jù)視頻相鄰幀的物理特征差異來實(shí)現(xiàn)，因此需要檢測(cè)、提取視頻幀的物理特征并對(duì)他們進(jìn)行比較。在實(shí)際應(yīng)用中，視頻幀的物理特征檢測(cè)和提取通常可以分為壓縮視頻域和非壓縮視頻域兩大類方法。非壓縮域方法是基于視覺特征的算法，如基于直方圖法［2］、像素法［3］、邊緣形狀［4］、運(yùn)動(dòng)［5］以及正交多項(xiàng)式［6］的方法。而基于壓縮編碼算法主要包括離散余弦變換（Discrete cosine transform，DCT）［7］、宏塊編碼［8］、HEVC（High efficiency video coding）編碼［9］。此外，還有一些融合了壓縮域和非壓縮域的多種特征［10，11］的算法。鏡頭邊界檢測(cè)的方法主要有基于模型的方法［12］、基于距離相似度的方法［13］、基于機(jī)器學(xué)習(xí)的方法［14］、基于深度學(xué)習(xí)方法［15］等，這些鏡頭邊界檢測(cè)方法都有各自不同的研究角度，并面向特定場(chǎng)景應(yīng)用領(lǐng)域，但面向涉農(nóng)領(lǐng)域內(nèi)的視頻鏡頭分割算法研究甚少。本研究根據(jù)農(nóng)業(yè)知識(shí)視頻的特點(diǎn)，以水果病蟲害知識(shí)視頻為例，提出了一種農(nóng)業(yè)知識(shí)視頻鏡頭分割方法。

1 水果病蟲害知識(shí)視頻鏡頭檢測(cè)算法的總體方案設(shè)計(jì)

農(nóng)業(yè)知識(shí)視頻無論是從選題、拍攝內(nèi)容、拍攝環(huán)境以及角度都是由人們精心策劃的，生動(dòng)形象真實(shí)、貼近農(nóng)業(yè)生產(chǎn)活動(dòng)，且具有傳播速度快、覆蓋面廣等特點(diǎn)。對(duì)于水果病蟲害知識(shí)視頻來說，具有以下特點(diǎn)：

1）視頻拍攝對(duì)象主要為受到病蟲侵害的水果作物。水果作物發(fā)生病蟲害，最早可以追溯到果樹病蟲害，具有一定突發(fā)性，雖然增加了識(shí)別病蟲害的難度，但是果樹在發(fā)病初期，一般會(huì)出現(xiàn)早期癥狀，如患輪斑病的蘋果，初期果葉呈現(xiàn)褐黑色小斑點(diǎn)，后期病斑中間部位呈褐白色，最終造成果葉穿孔侵害果實(shí)，果葉的顏色特征和紋理特征可以作為水果是否發(fā)生病蟲害的重要標(biāo)識(shí)，為通過農(nóng)業(yè)知識(shí)視頻識(shí)別水果是否發(fā)生病蟲害提供了依據(jù)。

2）水果病蟲害知識(shí)視頻鏡頭變化以突變?yōu)橹?，但也存在視頻鏡頭漸變的現(xiàn)象，在視頻鏡頭邊界檢測(cè)方案中，兩種變化都需要考慮。

3）水果病蟲害知識(shí)視頻幀具有高度的重復(fù)性和時(shí)間冗余性。為檢測(cè)水果病蟲害知識(shí)視頻是否發(fā)生病蟲害，若直接對(duì)視頻中連續(xù)幀比較其差異性，需要花費(fèi)大量重復(fù)的計(jì)算時(shí)間。

本研究以水果病蟲害知識(shí)視頻為例，使用了雙重檢驗(yàn)的方法（圖1）進(jìn)行視頻鏡頭檢測(cè)。該方法的初檢階段采用改進(jìn)分塊的方法提取顏色特征，并結(jié)合自適應(yīng)跳略方法篩選出視頻鏡頭邊界候選幀，進(jìn)而由其構(gòu)成新的視頻幀序列；復(fù)檢過程使用HSV（Hue，Saturation，Value）顏色空間特征和局部二值模式LBP（Local binary pattern）紋理特征融合的方法計(jì)算幀間差，然后將幀間差值與采用自適應(yīng)方法確定的閾值進(jìn)行比較，檢測(cè)出視頻鏡頭中的突變鏡頭和漸變鏡頭。

圖1 視頻鏡頭檢測(cè)框架

1.1 改進(jìn)分塊顏色特征的提取

1.1.1 顏色空間 顏色特征作為一種全局特征，描述了水果視頻幀對(duì)應(yīng)的景物表面性質(zhì)［16］。如成熟的蘋果多為紅色且色澤光亮，而患褐腐病的蘋果果面呈灰褐色。因此，顏色可以作為識(shí)別水果成熟度以及發(fā)生病蟲害的依據(jù)之一。顏色特征的描述通常是建立在顏色空間的基礎(chǔ)上，常用的顏色空間有RGB（Red，Green，Blue）、HSV（Hue，Saturation，Value）、LAB（Hue，Saturation，Intensity）等。

水果病蟲害知識(shí)視頻以色度影響為主，基于HSV顏色空間符合人眼視覺感知［17］，HSV顏色空間包含：色調(diào)（Hue）、飽和度（Saturation）和亮度（Value）3個(gè)通道，且各通道可以獨(dú)立感知各顏色分量的變化。但在現(xiàn)實(shí)生活中，人們?nèi)庋鬯芸吹降念伾蒖GB3種基本顏色構(gòu)成，因此需要將RGB顏色空間轉(zhuǎn)換到HSV顏色空間，如式（1）、式（2）、式（3）所示：

由于一幅視頻幀的顏色非常多，顏色直方圖的維度也較高。為減少計(jì)算量，本研究采用式（4）的非等間隔量化技術(shù)，將色調(diào)H分為8份，飽和度S和亮度V各分為3份，對(duì)HSV顏色空間非均勻量化。

將非均勻量化后HSV顏色空間的3個(gè)顏色分量合成一個(gè)72維的顏色特征向量P，如式（5）所示：

1.1.2 非均勻分塊 根據(jù)心理學(xué)認(rèn)知規(guī)律，人們?cè)趯?duì)物體進(jìn)行觀察時(shí)，人眼對(duì)圖像各區(qū)域的識(shí)別是非均勻的。當(dāng)視網(wǎng)膜在采樣信息時(shí)，其中心區(qū)域的分辨率較高，而除此之外的區(qū)域分辨率較低。本研究采用優(yōu)化分塊方法（圖2），視頻幀被不均勻地劃分為3×3大小的子塊，且塊的水平和垂直尺寸分割比均為1∶3∶1，非均勻分塊加權(quán)直方圖方法可以有效地抑制視頻四周插入字幕對(duì)視頻鏡頭檢測(cè)產(chǎn)生的影響，考慮到本研究對(duì)象是與水果相關(guān)的視頻，且水果主要呈現(xiàn)在視頻鏡頭中央，包含了一幅幀圖像的主要信息。因此，本研究將視頻幀中心區(qū)域的權(quán)重設(shè)置為6，視頻幀4個(gè)角對(duì)于整個(gè)視頻鏡頭邊界檢測(cè)影響不大，因此將視頻幀4個(gè)角點(diǎn)的權(quán)重設(shè)置為0，四周的權(quán)重設(shè)置為1。

圖2 視頻幀直方圖分塊優(yōu)化

本研究使用絕對(duì)距離來度量不同幀對(duì)應(yīng)子塊的直方圖差異，分別用Hi，k（P）、Hj，k（P）表示第i幀和第j幀在子塊k上的顏色直方圖，其中，P表示亮度區(qū)間，P∈［0，71］，因此兩個(gè)子塊的直方圖距離可以表示：

分別用w1,w2，w3，…，w9表示每幀圖像的9個(gè)子塊，設(shè)加權(quán)矩陣為W，可以用式（7）來表示：

則從式（6）和式（7）可以計(jì)算出第i幀與第j幀的分塊加權(quán)直方圖差值為：

1.2 自適應(yīng)跳略的初次檢驗(yàn)

視頻鏡頭檢測(cè)算法通常采用逐幀計(jì)算幀間差并研究其變化值（圖3），該方法最大的缺點(diǎn)是算法的時(shí)間復(fù)雜度和空間復(fù)雜度較高，尤其在視頻鏡頭邊界幀數(shù)遠(yuǎn)小于視頻總幀數(shù)的情況下，算法效率極低。為提高鏡頭檢測(cè)算法的總體效率，本研究算法在鏡頭邊界檢測(cè)初始階段，就將視頻幀進(jìn)行初次檢驗(yàn)的處理，除去冗余的視頻幀，篩選出包含鏡頭邊界的視頻幀序列。采用Hua等［18］提出的自適應(yīng)跳略算法對(duì)鏡頭進(jìn)行初次檢驗(yàn)，利用同一個(gè)視頻鏡頭內(nèi)幀間特征具有連續(xù)性和相似性及不同鏡頭特征明顯不相似的特點(diǎn)，忽視不必要的比較計(jì)算，減少算法執(zhí)行時(shí)間。第一種方法采用固定間隔d幀進(jìn)行比較計(jì)算，該方法雖然簡(jiǎn)單易行，但是每個(gè)視頻最優(yōu)值d可能不同，固定間隔的幀數(shù)難以適用于所有的視頻；第二種方法是采用動(dòng)態(tài)確定d值的自適應(yīng)跳略方法，在自適應(yīng)跳略規(guī)則中，每次迭代計(jì)算時(shí)，算法通過比較當(dāng)前d值和上一次d值來確定下一次的d值。如果當(dāng)前d值與上一次d值相似，則增大d值；如果不相似，則減少d值。此外，如果某輪比較中兩幀的幀間差值較大變化時(shí)，說明兩幀圖像越不相似，則表明兩幀處于兩個(gè)不同鏡頭中，就使用逆向自適應(yīng)跳略方法查找計(jì)算視頻鏡頭邊界。一旦確定了鏡頭邊界，可以再次使用相同的方法繼續(xù)向前查找。

圖3 鏡頭邊界檢測(cè)方法

對(duì)長為N幀的視頻V進(jìn)行檢測(cè)，預(yù)選出所有可能發(fā)生鏡頭變換的視頻幀位置的集合，記為視頻序列V。采用自適應(yīng)跳略方法進(jìn)行鏡頭檢測(cè)的時(shí)間復(fù)雜度為O（N/d），其中N為待檢測(cè)視頻的長度，d為動(dòng)態(tài)變化間隔幀數(shù)，而傳統(tǒng)的逐幀比較算法的復(fù)雜度為O（N）。自適應(yīng)跳略方法降低了初次檢驗(yàn)的運(yùn)算量，有利于提高視頻鏡頭檢測(cè)的效率。

1.3 提取LBP特征

除了顏色可以作為水果表征外，紋理也是水果的重要特征之一。紋理是指視頻幀像素灰度呈空間分布特性，其中包含大量信息。紋理反映水果果面是否有傷痕以及缺陷的程度。患炭疽病的蘋果，發(fā)病初期果面上出現(xiàn)淡褐色小斑點(diǎn)，后逐漸擴(kuò)大成深淺相間的同心輪紋狀排列。常用的紋理特征提取方法有基于局部二值模式（LBP，Local binary patterns）、基于灰度共生矩陣（GLCM，Gray-level co-occurrence matrix）、基于小波變化方法等。

LBP局部二值模式是一種用來描述圖像局部紋理特征的算子，具有灰度不變性和旋轉(zhuǎn)不變性等優(yōu)點(diǎn)［19］，該算法因其簡(jiǎn)單高效，被廣泛使用。原始的LBP算子被定義在3×3的窗口內(nèi)，將中心像素點(diǎn)的灰度值作為該鄰域的閾值，再對(duì)鄰域內(nèi)各像素點(diǎn)的值進(jìn)行二值化操作處理。即將周圍鄰域內(nèi)各像素點(diǎn)灰度值與閾值進(jìn)行比較，如果鄰域內(nèi)某像素點(diǎn)值大于等于中心像素點(diǎn)的值，則該像素點(diǎn)的位置被標(biāo)記為1，否則標(biāo)記為0。得到的二進(jìn)制的值，按順時(shí)針方向，再對(duì)不同位置像素點(diǎn)的值與對(duì)應(yīng)像素的權(quán)重先相乘再相加的結(jié)果為該區(qū)域中心像素點(diǎn)的LBP值，并用該LBP值來代表該3×3區(qū)域的紋理信息（圖4）。

圖4 原始LBP值的定義

原始的LBP算子僅對(duì)比了范圍內(nèi)中心點(diǎn)與鄰域內(nèi)其他點(diǎn)的灰度變化，在該計(jì)算過程中沒有考慮到中心像素點(diǎn)的灰度值，造成一定的信息丟失，且無法表示更廣區(qū)域。為了使LBP特征不再局限于3×3的鄰接區(qū)域，對(duì)原始LBP進(jìn)行了擴(kuò)展，假設(shè)一個(gè)半徑為R（R>0）的圓形鄰域內(nèi)有P（P>0）個(gè)像素點(diǎn)，以圓心為中心點(diǎn)，在半徑為R的圓上等間隔地采樣P個(gè)點(diǎn)，用P個(gè)點(diǎn)的灰度值與中心點(diǎn)的灰度值進(jìn)行二值化比較（圖5）。

圖5 不同取值的P、R對(duì)應(yīng)的圓形鄰域

其公式可以表示為：

式中，P代表半徑為R的圓形鄰域內(nèi)像素點(diǎn)的個(gè)數(shù)，中心像素點(diǎn)的灰度值用bc表示，bi為以bc為中心點(diǎn)且半徑為R的圓上第i個(gè)像素點(diǎn)的灰度值。s(x)用來判斷bi-bc的值，如果bi-bc值大于0，則s(x)為1，否則s(x)為0。

與國際先進(jìn)水平相比，我國的碳會(huì)計(jì)披露理論尚處于初步發(fā)展階段，知識(shí)技術(shù)大多停留在概念外延及書面上，缺乏對(duì)實(shí)際工作的指導(dǎo)性和應(yīng)用性。理論研究成果無法實(shí)際應(yīng)用到現(xiàn)實(shí)案例中，也是碳會(huì)計(jì)信息披露面臨的巨大挑戰(zhàn)。

隨著半徑的增大，各像素的相關(guān)性逐步減小，即在較小的鄰域中獲得大部分的紋理信息。對(duì)應(yīng)的LBP（P，R）會(huì)產(chǎn)生2p種模式，以R=1，P=8為例，此鄰域內(nèi)會(huì)產(chǎn)生28=256種二進(jìn)制模式。隨著采樣點(diǎn)的增加，模式種類也會(huì)隨之增加。在特征提取的過程中形成冗余，也會(huì)消耗大量的計(jì)算時(shí)間。

為了解決這一問題，優(yōu)化等價(jià)模式（Uniform pattern）來對(duì)擴(kuò)展的LBP算子進(jìn)行降維處理，當(dāng)某種LBP模式對(duì)應(yīng)的循環(huán)二進(jìn)制數(shù)在0到1或1到0之間，且最多進(jìn)行兩次跳變，那么該LBP模式所對(duì)應(yīng)的二進(jìn)制稱為一個(gè)等價(jià)LBP模式。如：000 111 11（1位跳變）、110 011 11（2位跳變）它們屬于統(tǒng)一模式，而010 100 10（6位跳變）不是統(tǒng)一LBP模式，這種模式被歸為混合模式類。用式（11）可以表示為：

式中，u表示循環(huán)二進(jìn)制數(shù)在0到1之間跳變的次數(shù)。

在不丟失任何信息的情況下，二進(jìn)制模式的數(shù)量大大減少，從2p種減少到p×（p-1）+2種，其中p表示鄰域集內(nèi)的采樣點(diǎn)數(shù)，假設(shè)半徑R為1，采樣點(diǎn)為8，由此計(jì)算得出LBP直方圖維度數(shù)目為58。58個(gè)Uniform Pattern為一類，其他所有值為第59類，等價(jià)LBP模式不僅減少了紋理特征向量的維度數(shù)量，還減少了高頻噪聲帶來的影響。

1.4 多特征融合

針對(duì)視頻幀序列N’，構(gòu)建HSV特征空間和LBP特征空間，并根據(jù)HSV顏色特征提取法和LBP紋理特征提取法，針對(duì)單幀圖像按圖2優(yōu)化分塊，分別提取其HSV特征向量P和LBP特征向量Q。

1.4.1 特征向量的歸一化 由于提取的兩種特征向量表示范圍可能不同，需要對(duì)各特征向量進(jìn)行歸一化操作［20］，如式（12）所示：

式中，ui為初始特征向量，Ui為歸一化的特征向量，n為特征向量個(gè)數(shù)，m為初始特征向量的均值，σ為初始特征向量的標(biāo)準(zhǔn)差，σ2為方差。

1.4.2 特征融合 為突顯視頻幀的主要信息，將歸一化后的兩種特征向量，以一定的比例融合，得到該塊特征直方圖，如式（13）所示：

圖6 多特征融合直方圖

采用X2直方圖匹配法計(jì)算相鄰兩幀中對(duì)應(yīng)塊相似度，如式（14）所示：

式中，h（a，b，i）表示第i幀圖像中第a行第b列的特征直方圖，L表示視頻幀的灰度級(jí)。

根據(jù)各分塊權(quán)重系數(shù)wn，加權(quán)計(jì)算各塊的特征向量，使其構(gòu)成一個(gè)復(fù)合向量作為整個(gè)視頻幀的特征，并用式（15）計(jì)算相鄰兩幀圖像之間的相似度（即相鄰兩幀直方圖距離），并形成視頻相鄰幀間差集合為S=｛S1，S2，S3，…，Sn｝（用Si表示第i幀與第i+1幀的幀間差）。

2 算法流程

以MP4格式視頻為例，輸入一段視頻序列V，設(shè)該序列中包含有N個(gè)視頻幀。首先，用式（1）、式（2）、式（3）將視頻序列從RGB顏色空間轉(zhuǎn)換為HSV顏色空間，然后利用式（4）對(duì)HSV顏色特征分量進(jìn)行非均勻量化，再將量化后的HSV顏色空間的3個(gè)分量，用式（5）構(gòu)成一個(gè)72維的顏色特征向量P。

2.1 初次檢驗(yàn)

采用優(yōu)化分塊的方法分塊加權(quán)，用式（6）分別計(jì)算不同視頻幀在子塊k上的顏色直方圖距離dijk，結(jié)合式（7）中wn值代入到式（8）中得出，整個(gè)視頻序列中第i幀與第j幀的幀間差Dij。根據(jù)同一個(gè)鏡頭內(nèi)幀間差具有相似性的原則，采用自適應(yīng)跳略方法，忽略鏡頭內(nèi)幀間一些不必要相似性的計(jì)算，進(jìn)而獲得新的視頻幀序列V’，包含了視頻幀數(shù)為N’。

2.2 多特征融合

對(duì)于新視頻幀序列V’中的每一幀圖像，結(jié)合式（4）、式（5）中的HSV顏色特征提取法及式（9）、式（10）、式（11）中提取LBP特征紋理法，針對(duì)單幀圖像采用優(yōu)化分塊，分別提取其HSV特征向量P和LBP特征向量Q。由于以上兩種特征向量的取值范圍有可能不同，因此需按式（12）分別對(duì)各特征向量進(jìn)行歸一化處理。將歸一化處理后的顏色特征向量P和紋理特征向量Q以6∶4的比例融合，按式（13）得到子塊的特征直方圖。結(jié)合式（7）和式（14）加權(quán)計(jì)算各塊的特征向量，使其構(gòu)成一個(gè)復(fù)合特征向量，再利用式（15）計(jì)算出新視頻序列N’中相鄰幀幀間差集合S。

2.3 二次檢驗(yàn)

采用雙閾值法能同時(shí)檢測(cè)視頻鏡頭中的突變鏡頭和漸變鏡頭，并結(jié)合活動(dòng)窗口調(diào)節(jié)自適應(yīng)的局部閾值，具體復(fù)檢過程如下：

假設(shè)：高閾值系數(shù)為λH，低閾值系數(shù)為λL，初始窗口為W，二次檢測(cè)窗口為w，相鄰幀幀間差為Si，平均幀間差savg=,幀間差函數(shù)為Dif(i,j)。則低閾值為TL=λLsavg，高閾值為TH=λHsavg，令突變集合為cut，漸變開始幀的集合為grab，漸變終止幀的集合為grae，作如下判斷比較：

Step 1：如果Si≥TH，則在第i+1幀處有可能發(fā)生鏡頭的突變，但也有可能是閃光燈引起的誤判，所以還需進(jìn)一步判斷；通過對(duì)大量視頻鏡頭檢測(cè)試驗(yàn)，表明閃光幀長一般維持在4～10幀間［21］。針對(duì)這一特點(diǎn)，從第i+2幀開始，取一個(gè)長度為w的小窗口，再判斷此窗口內(nèi)平均幀間差值是否大于高閾值，如果s＇avg≥TH，則第i+1幀為突變幀，并將其寫入到集合cut中，否則說明沒有發(fā)生鏡頭突變，該步驟完成突變鏡頭和閃光的判斷（圖7）。

圖7 鏡頭突變檢測(cè)

Step 2：如果TLi+1）為止。再判斷累計(jì)幀間差Dif_sum，如果Dif_sum

圖8 鏡頭漸變檢測(cè)

Step4：結(jié)束運(yùn)算，輸出集合cut、grab、grae的值，從而得出突變幀和漸變序列。

3 結(jié)果與分析

3.1 試驗(yàn)素材

試驗(yàn)視頻素材均來源于《農(nóng)廣天地》節(jié)目，從欄目中選取5段不同水果病蟲害知識(shí)視頻作為試驗(yàn)素材。每期節(jié)目大約25 min，幀速率為25幀/s，視頻的格式為MP4（圖9至圖11）。

圖9 視頻素材展示

圖11 芒果病蟲害防治視頻中鏡頭漸變

3.2 結(jié)果分析

美國國家標(biāo)準(zhǔn)與技術(shù)研究院（National institute of standards and technology，NIST）為鏡頭邊界檢測(cè)給出了一種標(biāo)準(zhǔn)的估計(jì)方案，主要以鏡頭變換的查全率（Recall）和查準(zhǔn)率（Precision）2個(gè)評(píng)價(jià)指標(biāo)來檢驗(yàn)視頻鏡頭邊界的結(jié)果，定義如下：

用MATLAB2020a仿真軟件對(duì)5段視頻進(jìn)行鏡頭邊界檢測(cè)的仿真試驗(yàn)，試驗(yàn)前對(duì)每段視頻的鏡頭進(jìn)行人工標(biāo)注，與試驗(yàn)分割效果進(jìn)行對(duì)比，試驗(yàn)結(jié)果如表1所示。

圖10 芒果病蟲害防治視頻中部分鏡頭

從表1可以看出，5段水果病蟲害知識(shí)視頻鏡頭分割查全率分別高達(dá)95.5%、93.4%、93.1%、93.0%、92.7%，查準(zhǔn)率分別達(dá)到93.9%、92.5%、94.7%、92.3%、93.4%。查全率平均大于93.5%，查準(zhǔn)率平均大于93.4%，較好地兼顧了視頻鏡頭分割的實(shí)時(shí)性和準(zhǔn)確性。

表1 不同水果病蟲害視頻片段的仿真試驗(yàn)結(jié)果

4 結(jié)論

借助視頻分割技術(shù)，著力拓寬農(nóng)業(yè)科教知識(shí)的傳播渠道，針對(duì)水果病蟲害知識(shí)視頻特點(diǎn)，運(yùn)用雙重檢驗(yàn)的視頻鏡頭分割方法。將視頻序列中幀間差的變化值作為自適應(yīng)跳略方法中跳幀值的依據(jù)，提高了算法的整體檢測(cè)效率。復(fù)檢階段采用顏色特征和紋理特征的融合，突出顯示視頻幀的主要內(nèi)容，同時(shí)采用了自適應(yīng)雙閾值選取方式，避免了人工設(shè)定閾值存在的誤差。該方法分割速度較快，效果較為理想（查準(zhǔn)率高于93.4%），提高了水果病蟲害知識(shí)視頻鏡頭檢索效率，使得廣大農(nóng)友掌握病蟲害防治技術(shù)，進(jìn)而提高水果作物的產(chǎn)量和質(zhì)量。視頻鏡頭分割技術(shù)也可推廣到其他農(nóng)作物的視頻處理上，進(jìn)一步加大視頻分割技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用，從而推動(dòng)農(nóng)業(yè)信息化。