专利名称：一种基于支持向量机和遗传算法的镜头边界检测方法
技术领域：
本发明 涉及一种镜头边界检测方法，特别地，涉及一种基于支持向量机和遗传算法的镜头边界检测方法
背景技术：
在视频检索的过程中，镜头边界检测是整个系统的第一步，镜头边界检测的准确度和效率的高低，关系到整个视频检索系统的成败，是视频检索系统中至关重要的一步。镜头边界检测的任务就是通过比较视频序列帧的差异来寻找镜头边界，确定镜头变化类型和位置。目前，该领域内解决镜头边界检测的方法主要是基于阈值和基于机器学习的。基于阈值的方法由于阈值选取的好坏对检测效果有较大的影响；而且不同的视频阈值差异很大。这些都限制了阈值方法更进一步提高效果。近年来，基于机器学习的镜头边界检测方法得到了深入研究。文献[1] (Y Qi,Hauptmann A T Liu. Supervised classification for video shot segmentation[A]. Proc. IEEEICME 03[C]. Baltimore, MD, USA,2003, vol.2, 689-692。)采用k最近邻域分类、Naive Bayes可能性分类法和支持向量机将视频序列帧分成切变帧和非切变帧；对非切变帧，又采用小波光滑去噪的方法来检测渐变帧，从而完成镜头边界的分害1K 文献[2] (Li Xiuqiang, Xiao Guoqiang, JiangJianmin, Du Kuiran, Qiu Kaijin. Shot Boundary Detection Based onSVMs via Visual Attention Features 2009 International Forum onlnformation Technology and Applications 2009 IEEE D0I10. 1109/IFITA. 2009. 233)提出了一种符合人类视觉注意的特征，并用以组成一定维数的特征向量，采用支持向量机完成突变和渐变的检测。为了增强对运动和噪音的鲁棒性，提取亮度帧差来辅助检测。文献[3] (Jian-Rong Cao and An-Ni Cai. Algorithm for shot boundary detectionbased on support vector machine in compressed domain. Tien Tzu HsuehPao/Acta Electronica Sinica，36(l) :203_208，2008.)利用滑动窗口的方法将提取到的压缩域特征组成一个多维的特征向量，对SVM(support vector machine，支持向量机。)进行训练，使用训练好的SVM模型对视频帧进行分类，从而得到镜头的边界。但是支持向量机参数的选取至今仍然没有一个统一的标准，参数选取大多依靠经验采取试凑的方法，这样不仅费时而且很难得到满意的结果。
发明内容
本发明为了克服上述缺点，使用遗传算法对支持向量机的参数进行优化，首次使用支持向量机和遗传算法进行镜头边界检测，对支持向量机的分类模型进行了优化，降低了参数选择的盲目性和不准确。本发明的技术方案是使用一种基于支持向量机和遗传算法的镜头边界检测算法，原始数据是需要进行镜头边界检测的视频数据。首先提取视频数据的底层特征，本方法主要提取像素域上的颜色一阶矩和颜色二阶矩、颜色直方图、角点、DC系数等特征，这些特征是经过反复实验和论证，确定用于镜头分割效果较好的一些特征，将他们用于本专利得到的性能指标较好。各种特征的具体提取如下颜色一阶矩颜色一阶矩在镜头发生切变时会有剧烈变化，对于检测切变有着较好的效果；另夕卜，还可以和二阶矩结合起来检测是否发生渐变。一阶矩的提取如下式所示
权利要求
1.一种基于支持向量机和遗传算法的镜头边界检测方法，其特征在于包括以下步骤 第一步，提取视频序列帧的特征，并组成一定维数的特征矢量；第二步，使用遗传算法对支持向量机的RBF核函数参数进行优化； 第三步，利用得到的近似最优参数训练得到最优分类模型，并以此为基础对视频序列帧进行分类，最终完成镜头分割。
2.根据权利要求1所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于，所述的第一步包括提取压缩域上的DC系数，首先将图像分割成NXN块，进行DCT变换，DCT系数的第一个值是直流分量，即为DC系数，数量上等于该块的平均值，直接提取每一个块的DC分量，以该分量的值代表整个块，在此基础上得到相邻两帧对应宏块位置上DC系数之差大于某个阈值的数量，把它作为DC系数这个特征的帧间差异，对不同类型视频设定对应的相应的阈值。
3.根据权利要求1所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于，所述的第二步包括步骤A，对待优化的参数惩罚因子c和核函数参数g进行编码， 分别用14位和17位长度的二进制数字串来表示这两个参数； 步骤B，初始化种群和适应度值计算，种群规模设定为20，适应度值的计算按照下式进行f(c, y) = accuracy，其中，accuracy是SVM训练样本集上的交叉验证准确率，该准确率和适应度值呈正相关关系；步骤C，基于遗传算法的SVM核函数参数优化算法，对参数进行迭代寻优。
4.根据权利要求3所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于，所述的步骤C中所述的基于遗传算法的SVM核函数参数优化算法进一步包括以下步骤c. 1>设定初始代数和进化代数初始代数，gen = 0, gen表示进化代数，maxgen表示最大进化代数，设定优化目标的最优值为bestfitness，用以存放最高的适应度；c. 2>训练参数的初始编码设定变量c和g的取值范围，然后进行编码，对应31位二进制编码串；c. 3>种群初始化在各变量取值范围之内，随机生成规模为ChroPop的初始种群， 将单个染色体初始为Chromosome，种群规模ChroPop值取20，种群中染色体的长度记为 Chromosome_len ；c. 4>确定适应度函数值以参数c和g为基础，运用SVM对训练集进行交叉验证，从而根据适应度函数计算得到适应度值；c. 5>迭代寻优对种群中各染色体进行解码，进而计算相应的适应度值，每次迭代都进行适应度值的比较，并将得到的最优的适应度值存储。 c. 6>进行选择、交叉、变异的迭代遗传操作。
5.根据权利要求3所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于，所述的惩罚因子c和径向基函数g，选取整数c e
, g e
。
6.根据权利要求4所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于所述的C. 6>中，选择操作使用的是选择算子，它是基于一个个体相对于整个群体的适度值，根据个体的适应值确定选择的系数，按比例复制生成新个体加入新种群中。
7.根据权利要求6所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于，所述的选择操作的实施步骤为①顺序累加群体中各个体的适应值fi，得到适应度的累计值
8.根据权利要求4所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于，所述的步骤c. 6>中交叉操作为将群体内的各个个体随机搭配成对，对每一个个体， 以某个交叉概率交换个体之间的部分染色体，所述的交叉策略是点式交叉Pc，Pc取值0. 4 < Pc < 0. 5，首先随机地在两个父体串上选择一个或多个交叉点，然后交换父体串对应的子串。
9.根据权利要求4所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于，所述的步骤c. 6>中变异操作为在群体中随机地选择一个个体，对于选中的个体以变异概率Pm，改变基因串中某一位上的值，得到新的个体。
10.根据权利要求9所述的基于支持向量机和遗传算法的镜头边界检测方法，其特征在于，所述的变异概率值Pm，可以设定Pm取0. 05。
全文摘要
本发明涉及基于支持向量机和遗传算法的镜头边界检测算法，包括第一步提取视频序列帧的特征，并组成一定维数的特征矢量；第二步，使用遗传算法对支持向量机的RBF核函数参数进行优化；第三步，利用得到的近似最优参数训练得到最优分类模型，并以此为基础对视频序列帧进行分类，最终完成镜头分割。本发明针对现有镜头边界检测技术的不足，提出一种基于支持向量机和遗传算法的镜头边界检测算法。能够更加有目的和针对性的选取支持向量机的参数，进而得到近似最优参数，而且使得镜头分割的效果也得到一定程度上的提升；同时，使用遗传算法选择支持向量机的参数，避免了传统支持向量机选取参数时的盲目性和低效率。
文档编号G06N3/12GK102324037SQ201110260238
公开日2012年1月18日 申请日期2011年9月6日 优先权日2011年9月6日
发明者孙学梅, 孙宝山, 张晶, 李媛媛, 赵龙 申请人:天津工业大学