專利名稱：一種快速魯棒的近相同視頻檢測和排除方法
技術領域：
本發(fā)明屬于信息挖掘技術領域，涉及一種在大規(guī)模網絡視頻數據庫中進行近相同視 頻的檢測和排除的方法。
背景技術：
近年來，隨著互聯網技術的發(fā)展，特別是普通用戶可以訪問的帶寬快速增長，越來 越多的以視頻為主的多媒體應用成為互聯網的熱點。它們在信息檢索，數字娛樂方面有 著極好的交互特性，大大豐富了人們的互聯網體驗。現在，人們可以輕松地從互聯網上 得到大量的視頻信息，網絡視頻內容在變得豐富多彩的同時，同時也存在大量的冗余信 息，特別是熱點視頻的重復上傳，很多網絡視頻包含的內容基本一致，但是由于編碼率， 編碼質量，顏色變換，后期人工編輯以及幀率的不同，需要用基于內容的方法來比較排 除，這些視頻被稱為近相同視頻。近相同視頻的存在給網絡存儲帶來了極大的浪費，以 往解決這一的方法大致有三類，分別是基于全局特征，鏡頭(shot)級特征，是基于特征
點的圖像區(qū)域級特征的檢測方法?？偠灾?，全局特征如利用視頻顏色直方圖等，具有 特征簡單，計算量較少的優(yōu)點，但只適用于檢測內容幾乎相同的視頻。鏡頭級特征可以
檢測到經過較多編輯的視頻，最近出現了以特征點檢測比如SIFT等匹配方法，可以更 準確得進行相似度衡量。但是這些方法不是生成特征的計算量過高，匹配方法過于復雜。 由于網絡視頻數量龐大，這些大量存在的近相同內容對視頻檢測和排除算法具有較高的 性能要求，因此設計快速魯棒的方法來進行近相同視頻的檢測排除變得勢在必行。

發(fā)明內容
本發(fā)明的目的是為克服已有技術的不足之處，設計出一種快速魯棒的近相同視頻檢 測和排除方法，本方法在分析視頻特征的基礎上先給每個視頻生成相應的基于關鍵幀的 準確魯棒的簽名信息，然后通過對抽象出來的簽名信息進行匹配，用于大規(guī)模網絡視頻 數據庫中的近相同視頻的檢測和排除取，具有更高的速度和理想的結果。
本發(fā)明提出的一種快速魯棒的近相同視頻檢測和排除方法，包括對待檢測視頻的關 鍵幀特征進行提取，生成的視頻全局特征的視頻特征生成階段，比較待檢測視頻的全局 特征向量和已有視頻的全局特征向量完成近相同視頻的檢測的模式匹配階段，所述視頻 特征生成階段，包括對關鍵幀圖像分塊，提取出各塊平均灰度作為關鍵幀特征，并用主分量分析方法(PCA)對關鍵幀特征進行二值化量化，基于量化后的關鍵幀特征，生成
全局特征。
上述方法，主要包括以下步驟 (1)生成待檢測視頻的關鍵幀；
(2) 對該關鍵幀進行分塊，得到該關鍵幀的平均灰度特征向量；
(3) 對得到的平均灰度特征向量利用主分量分析方法降低該灰度特征向量的維
度；
(4) 利用海量圖片的統計結果得到的平均值作為閾值對該降維后的平均灰度特 征向量進行二值化量化；
(5) 利用二值化量化后的基于關鍵幀平均灰度特征向量，生成待檢測視頻的全局 特征向量；
(6) 比較待檢測視頻的全局特征向量和已有視頻的全局特征向量，排除數據庫中 與該待檢測視頻特征差異較大的已有視頻；
(7) 對數據庫中用全局特征不能排除的視頻，利用基于視頻關鍵幀級特征向量間 的相似度建立二分(8) 用最大匹配近似算法計算該二分圖最大匹配值，將該最大匹配值與閾值Th 比較，再次排除數據庫中與該待檢測視頻差異較大的已有視頻；
(9) 將不能排除的視頻的二分圖修改為帶有源結點、匯結點的一般圖，用圖切分 算法計算得到該圖的最大匹配值，并用該匹配值作為閾值完成近相同視頻的檢測。
本發(fā)明的特點及效果
本發(fā)明提出的在大規(guī)模網絡視頻數據庫中進行近相同視頻排除的方法，用于對大規(guī) 模網絡視頻的內容監(jiān)控。本方法對視頻進行特征重構，維度約減的有效表示。簡單的灰 度特征能有效保留圖片的大部分信息，相同的分塊方式能給不同解析度的關鍵幀帶來比 較的統一度量。主成分分析的方法進一步地保留了關鍵幀的主要特征，保持了最大部分 的相fel性，同時由于采用了從大量圖片進行統計量化的方法，直接提取出最能代表關鍵 幀級特性的二進制特征，極大地方便了后期計算機處理，保證了高效的處理速度。同時 本發(fā)明采取了關鍵幀級特征生成全局特征，這樣全局和局部特征并用的分層檢測方法， 能夠快速發(fā)現非近相同視頻，避免了后期較大的計算負擔?？梢灶A見，這種方法可以廣 泛地應用于網絡視頻存儲，索引并可以用于搜索引擎搜索結果重排序的后處理階段，同 時本發(fā)明的方法也為近相同視頻的檢測提供了一個實際可行的框架，便于融合具有更少 計算復雜度，更高區(qū)分度的圖像特征。
具體實施例方式
4本發(fā)明提出的一種快速魯棒的近相同視頻檢測和排除方法，結合實施例詳細說明如
下
本發(fā)明提出的一種快速魯棒的近相同視頻檢測和排除方法，包括對待檢測視頻的關 鍵幀特征進行提取，生成的視頻全局特征的視頻特征生成階段，化較待檢測視頻的全局 特征向量和已有視頻的全局特征向量完成近相同視頻的檢測的模式匹配階段，所述視頻 特征生成階段，包括對關鍵幀圖像分塊，提取出各塊平均灰度作為關鍵幀特征，并用主 分量分析方法(PCA)對關鍵幀特征進行二值化量化，基于量化后的關鍵幀特征，生成 全局特征。
本發(fā)明的方法主要包括以下步驟
(1) 生成待檢測視頻的關鍵幀；
(2) 對該關鍵幀進行分塊，得到該關鍵幀的平均灰度特征向量；
(3) 對得到的平均灰度特征向量利用主分量分析方法降低該灰度特征向量的維
度；
(4) 利用海量圖片的統計結果得到的平均值作為閾值對該降維后的平均灰度特 征向量進行二值化量化；
(5) 利用二值化量化后的基于關鍵幀平均灰度特征向量，生成待檢測視頻的全局 特征向量；
(6) 比較待檢測視頻的全局特征向量和已有視頻的全局特征向量，排除數據庫中 與該待檢測視頻特征差異較大的已有視頻；
(7) 對數據庫中用全局特征不能排除的視頻，利用基于視頻關鍵幀級特征向量間 的相似度建立二分(8) 用最大匹配近似算法計算該二分圖最大匹配值，將該最大匹配值與閾值Th 比較，再次排除數據庫中與該待檢測視頻差異較大的已有視頻；
(9) 將不能排除的視頻的二分圖修改為帶有源結點、匯結點的一般圖，用圖切分 算法計算得到該圖的最大匹配值，并用該匹配值作為閾值完成近相同視頻的檢測。
上述步驟(1) - (5)為視頻特征生成階段，步驟(6) - (9)為模式匹配階段 上述方法中，步驟(8)中最大匹配近似算法為己知算法。 上述方法的實施例，具體包括以下步驟
(1) 采用每隔20幀采樣的方法生成視頻的關鍵幀；
(2) 將關鍵幀進行分塊，分塊數目分別為8*8和7*7 (每個分塊大小相同)；對于每 一塊計算塊內平均灰度，將各塊的灰度值串接成一個113 (64+49)維的特征向量作為該
關鍵幀的平均灰度特征向量；
(3) 通過統計海量圖片的均值向量作為PCA所需的均值向量，獲得主成分分析所需
5的協方差矩陣；通過計算協方差矩陣的特征向量和特征值，然后選取具有最大特征值的 前64維特征向量構成一個新的投影矩陣A.利用該協方差矩陣對(2)生成的關鍵幀的平 均灰度特征向量進行主成分分析(PCA)降維，即將關鍵幀的平均灰度特征向量通過矩陣A 投影,得到了一個新的64維特征向量；
(4) 將(3)生成的64維特征向量的每一維數值與用海量圖片統計得到的主分量分析 后的均值向量作為閾值進行比較，如果大于等于均值向量，則該維置為l,否則置為0;
通過這種方式將每個特征向量量化轉變?yōu)?4位的二進制數值作為哈希值；
(5) 對一個視頻所有的關鍵幀通過前面所述步驟生成64維特征向量，通過逐位比較 該視頻所有關鍵幀的特征向量的對應位，如果對應位為1的數量比對應位為0的數量多，
全局特征向量的該位置為1，否則置為0;得到關于該視頻的64維全局特征向量；
(6) 將待檢視頻的全局特征向量和視頻數據庫中每個視頻的全局特征向量做比較，
不匹配則認為這兩個視頻不是近相似視頻，予以排除，接著比較下一個視頻；否則轉(7)
(7) 將待比較的兩個視頻的所有關鍵幀抽象成結點，根據特征向量設置對應的邊最 終建立起二分(8) 用最大匹配近似算法計算步驟(7)建立的二分圖，如果該算法的結果大于給定閾 值Th (預先設定，大小與關鍵幀數目相關，關鍵幀數目越多，取值越大)，認為這兩個 視頻為近相同視頻，如果該算法的結果小于Th/2，則認為這兩個視頻不同，否則轉步驟 (9);
(9) 在二分圖的基礎上，新增兩個結點，分別為源結點(SOURCE)和匯結點(SINK)， 將所有的待比較結點(代表特定視頻關鍵幀的結點)與源結點連一條邊，其余結點分別 和匯結點連一條邊，從而得到一般圖；利用一般圖上的圖切分算法得到的最大匹配值， 將結果與給定閾值Th比較，如果大于Th則為近相同視頻，否則認為這兩個視頻不同， 比較下一個視頻。
權利要求
1、一種快速魯棒的近相同視頻檢測和排除方法，其特征在于，該方法包括對待檢測視頻的關鍵幀特征進行提取，生成的視頻全局特征的視頻特征生成階段，比較待檢測視頻的全局特征向量和已有視頻的全局特征向量完成近相同視頻的檢測的模式匹配階段，所述視頻特征生成階段，包括對關鍵幀圖像分塊，提取出各塊平均灰度作為關鍵幀特征，并用主分量分析方法對關鍵幀特征進行二值化量化，基于量化后的關鍵幀特征，生成全局特征。
2、 如權利要求l所述方法，其特征在于，主要包括以下步驟(1) 生成待檢測視頻的關鍵幀；(2) 對該關鍵幀進行分塊，得到該關鍵幀的平均灰度特征向量；(3) 對得到的平均灰度特征向量利用主分量分析方法降低該灰度特征向量的維度；(4) 利用海量圖片的統計結果得到的平均值作為閾值對該降維后的平均灰度特征向 量進行二值化量化；(5) 利用二值化量化后的基于關鍵幀平均灰度特征向量，生成待檢測視頻的全局特征 向量；(6) 比較待檢測視頻的全局特征向量和已有視頻的全局特征向量，排除數據庫中與該 待檢測視頻特征差異較大的已有視頻；(7) 對數據庫中用全局特征不能排除的視頻，利用基于視頻關鍵幀級特征向量間的相 似度建立二分圖；(8) 用最大匹配近似算法計算該二分圖最大匹配值，將該最大匹配值與閾值Th比較， 再次排除數據庫中與該待檢測視頻差異較大的已有視頻；(9) 將不能排除的視頻的二分圖修改為帶有源結點、匯結點的一般圖，用圖切分算法 計算得到該圖的最大匹配值，并用該匹配值作為閾值完成近相同視頻的檢測。
全文摘要
本發(fā)明涉及一種快速魯棒的近相同視頻檢測和排除方法，本發(fā)明屬于信息挖掘技術領域，該方法包括對待檢測視頻的關鍵幀特征進行提取，生成的視頻全局特征的視頻特征生成階段，比較待檢測視頻的全局特征向量和已有視頻的全局特征向量完成近相同視頻的檢測的模式匹配階段，所述視頻特征生成階段，包括對關鍵幀圖像分塊，提取出各塊平均灰度作為關鍵幀特征，并用主分量分析方法對關鍵幀特征進行二值化量化，基于量化后的關鍵幀特征，生成全局特征。本發(fā)明用于大規(guī)模網絡視頻數據庫中的近相同視頻的檢測和排除，具有更高的速度和理想的結果。
文檔編號G06F17/30GK101464909SQ20091007718
公開日2009年6月24日 申請日期2009年1月20日 優(yōu)先權日2009年1月20日
發(fā)明者璐 劉, 孫立峰, 輝 徐, 楊士強 申請人:清華大學