專利名稱：視頻縮略圖智能選取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖片選取方法，特別涉及一種通過計(jì)算機(jī)圖像處理進(jìn)行的視頻縮略圖智能選取方法。
背景技術(shù)：
在視頻網(wǎng)站的日常應(yīng)用中，有一項(xiàng)重要的技術(shù)就是從視頻文件中抽取一幀圖像作 為該視頻文件的代表圖片，我們稱該圖片為視頻文件的縮略圖。目前我們的做法是從視頻 文件中抽取八張縮略圖，并設(shè)置第四張作為默認(rèn)的縮略圖。這種采用固定位置方法來默認(rèn) 而得到的縮略圖通常不是八張縮略圖中最具有代表性的縮略圖。我們采用了一些方法可以 解決這個(gè)問題，比如(1)用戶可以通過自定義的方法來確定哪張圖片作為默認(rèn)的縮略圖，賦予網(wǎng)站工作人員選擇哪張圖片作為默認(rèn)縮略圖的權(quán)利。雖然上述方法可以解決這個(gè) 問題，但是實(shí)際仍然無法滿足要求，這是因?yàn)?1)通過數(shù)據(jù)分析，我們知道用戶通常不會(huì)或 很少自定義縮略圖(2)由于每日上傳到視頻網(wǎng)站的視頻文件數(shù)量十分眾多，通過網(wǎng)站工作 人員來定義縮略圖的工作量十分繁重?；谏鲜鰞蓚€(gè)原因，我們發(fā)明一種能夠通過計(jì)算機(jī) 圖像處理的方法來自動(dòng)的選擇具有代表性的縮略圖作為默認(rèn)的縮略圖的方法。P. Viola和M. Jones等人在2001年的計(jì)算機(jī)視覺和模式識(shí)別國際會(huì)議上 (Proceedings ofComputer Vision and Pattern Recognition, 2001)提出的《米用簡(jiǎn)單 特征的層疊式提升方法進(jìn)行快速物體檢測(cè)》(Rapid Object Detection Using a Boosted Cascade of SimpleFeatures.)方法進(jìn)行檢測(cè)的。有鑒于此，本領(lǐng)域技術(shù)人員針對(duì)上述問題，提供了一種能夠通過計(jì)算機(jī)圖像處理 方法來自動(dòng)的選擇具有代表性的縮略圖作為默認(rèn)的縮略圖的視頻縮略圖智能選取方法。

發(fā)明內(nèi)容
本發(fā)明提供了一種視頻縮略圖智能選取方法，克服了現(xiàn)有技術(shù)的困難，以達(dá)到通 過計(jì)算機(jī)圖像處理方法來自動(dòng)的選擇具有代表性的縮略圖作為默認(rèn)的縮略圖的目的。本發(fā)明采用如下技術(shù)方案本發(fā)明提供了一種視頻縮略圖智能選取方法，用于從一段視頻中選出一張代表該 視頻的縮略圖，包括以下步驟(1)獲取一段視頻的N張縮略圖，其中，2100，且N是常數(shù)；(2)對(duì)每張縮略圖計(jì)算其正面人臉的位置和大小、側(cè)面人臉的位置和大小、全身人 體的位置和大小、上身的位置和大小和下身的位置和大小、灰度直方圖分布值、灰度直方圖 方差分布值、彩色RGB直方圖方差分布值、彩色RGB圖像變成灰度圖像的差異值、灰度圖像 像素點(diǎn)的方差值、彩色RGB圖像像素點(diǎn)的方差值、彩色RGB塊之間的離散距離值等等特征；(3)對(duì)每張縮略圖分別通過模糊函數(shù)求得上述各特征的分值；(4)對(duì)每張縮略圖的特征分值通過加權(quán)求值得到最終的一個(gè)分?jǐn)?shù)；(5)根據(jù)分?jǐn)?shù)的大小對(duì)N張縮略圖進(jìn)行排序；
(6)選用分?jǐn)?shù)最高的縮略圖作為代表該視頻的縮略圖。優(yōu)選地，所述步驟(1)中，采用等間隔抽取方法，根據(jù)預(yù)先得到的視頻時(shí)長，將它 平均分成N等份，然后每一等份抽取一幀作為縮略圖，且N = 8。優(yōu)選地，所述步驟(2)中包括以下步驟 (21)輸入縮略圖，檢測(cè)人臉特征，包括正面人臉的位置和大小、側(cè)面人臉的位置和 大小，并計(jì)算分?jǐn)?shù)值；(22)輸入縮略圖，檢測(cè)人體特征，包括全身人體的位置和大小、上身的位置和大小 和下身的位置和大小，并計(jì)算分?jǐn)?shù)值；(23)輸入縮略圖，計(jì)算灰度直方圖分布值；(24)輸入縮略圖，計(jì)算灰度直方圖方差分布值；(25)輸入縮略圖，計(jì)算彩色RGB直方圖方差分布值；(26)輸入縮略圖，計(jì)算彩色RGB圖像變成灰度圖像的差異值；(27)輸入縮略圖，計(jì)算灰度圖像像素點(diǎn)的方差值；(28)輸入縮略圖，計(jì)算彩色RGB圖像像素點(diǎn)的方差值；(29)輸入縮略圖，計(jì)算彩色RGB塊之間的離散距離值。優(yōu)選地，所述步驟(21)中
'0,當(dāng)η = 0則正面人臉的分值score_face_frontal = j “；
. =ι其中Wi為正面人臉的寬，η為人臉個(gè)數(shù)，設(shè)W為縮略圖的寬； 其中Wi為側(cè)面人臉的寬，η為人臉個(gè)數(shù)，設(shè)W為縮略圖的寬。優(yōu)選地，所述步驟(22)中設(shè)(Xi，yi; Wi，比)，i = 1，. . .，η，其中Xi，yi代表人臉位 置，Wi為人臉的寬，η為人臉個(gè)數(shù)，設(shè)W為縮略圖的寬， 則全身的分值 其中Wi為全身人體的寬，η為人數(shù)，設(shè)W為縮略圖的寬；上身的分值 其中Wi為全身人體上肢的寬，η為人數(shù)，設(shè)W為縮略圖的寬；下身的分值 ； 其中Wi為全身人體下肢的寬，η為人數(shù)，設(shè)W為縮略圖的寬。
優(yōu)選地，所述步驟(23)中輸入縮略圖，設(shè)其灰度直方圖為gray_hist = (gh_l, gh_2，. .，gh_n)，η為直方圖的個(gè)數(shù)，tl,t2為整數(shù)閾值，Tl和T2為直方圖和的閾值，base_ score為基準(zhǔn)分?jǐn)?shù)，則灰度直方圖分布值SCOre_hiSt_diStrib的計(jì)算公式為 其中，η = 10，tl = 2，t2 = 8，T1 = 0. 7，T1 = 0. 8，base_score = 1. 0。優(yōu)選地，所述步驟(24)中輸入縮略圖，設(shè)其灰度直方圖為gray_hist = (gh_l,
gh—2，· ·，gh—n)，η 為直方圖的個(gè)數(shù)，
max—num = max(gh—1，gh—2，· ·，gh—η)，
base—score為基準(zhǔn)分?jǐn)?shù)，則計(jì)算灰度直方圖方差分布值的score—gray—hist—std計(jì)算公式
為 其中，η = 64，base—score = 1. 0。優(yōu)選地，所述步驟(25)中分別在R平面、G平面、B平面上直方圖方差分布值，然后 求均值得到彩色RGB直方圖方差分布值score—RGB—hist—std ； ；其中，η = 64，base_score = 1. 0。
優(yōu)選地，所述步驟(26)中輸入縮略圖，設(shè)灰度圖像的像素值為Xij，i = 1，. . .，W， j = 1，. . .，H，彩色 RGB 圖像的像素值(、.，giJ, b^.)，i = 1，. . .，W，j = 1，. . .，H，其中 W，H 分別為縮略圖的寬和高，base_scorel和baSe_SCOre2為基準(zhǔn)分?jǐn)?shù)，tl為閾值，設(shè)則計(jì)算彩 色RGB圖像變成灰度圖像的差異值SCOre_rgb2gray_diff的計(jì)算公式為 其中， 優(yōu)選地，所述步驟(27)中輸入縮略圖，設(shè)灰度圖像的像素值為Xij，i = 1，. . .，W， j = 1，...，H，其中W，H分別為縮略圖的寬和高，則計(jì)算灰度圖像像素點(diǎn)的方差值的score— gray—std計(jì)算公式為
優(yōu)選地，所述步驟(28)中分別在R平面、G平面、B平面上圖像像素點(diǎn)的方差值，然 后求均值得到彩色RGB圖像像素點(diǎn)的方差值score—RGB—std ； 優(yōu)選地，所述步驟(29)中輸入縮略圖，設(shè)彩色RGB圖像的像素值gi，b,), i = 1，. . .，WXH，其中W，H分別為縮略圖的寬和高，base—score為基準(zhǔn)分?jǐn)?shù)，則計(jì)算彩色RGB塊 之間的離散距離值score—rgb—dist的計(jì)算公式為 優(yōu)選地，所述步驟(4)中最終的分值finalscore由下列公式計(jì)算得到f inal_score = W1X score_face_frontal+w2 X score_face_prof ile+w3X score_ ful l_body+w4X score_upper_body+w5X score_lower_body+w6X score_hi st_ distrib+w7X score_gray_hist_std+w8X score_RGB_hist_std+w9X score_rgb2gray_ diff+w10X score—gray—std+wnX score—RGB—std ；其中，W1 = 1. 0，W2 = 0. 5，W3 = 0. 5，W4 = 0. 5，W5 = 0. 5，W6 = 0. 5，W7 = 0. 5，W8=1. 2，W9 = 1. 2，W10 = 0. 5，W11 = 1. 2。由于采用了上述技術(shù)，與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)本發(fā)明能夠通過計(jì)算機(jī)圖像處理方法來自動(dòng)的選擇具有代表性的縮略圖作為默認(rèn)的縮略圖。以下結(jié)合附圖及實(shí)施例進(jìn)一步說明本發(fā)明。


圖1為本發(fā)明的視頻縮略圖智能選取方法的流程圖。
具體實(shí)施例方式下面通過圖1來介紹本發(fā)明的一種具體實(shí)施例。如圖1所示，一種視頻縮略圖智能選取方法，包括以下步驟(1)獲取一個(gè)視頻的N張縮略圖，N張縮略圖的獲取方法是采用等間隔抽取方法， 即根據(jù)預(yù)先得到的視頻時(shí)長，將它平均分成N等份，然后每一等份抽取一幀作為縮略圖。這 里取N = 8，但不局限于N = 8，N可以在2到100之間。(2)對(duì)每張縮略圖計(jì)算其正面人臉的位置和大小、側(cè)面人臉的位置和大小、全身人 體的位置和大小、上身的位置和大小和下身的位置和大小、灰度直方圖分布值、直方圖方差 分布值、彩色RGB直方圖方差分布值、彩色RGB圖像變成灰度圖像的差異值、灰度圖像像素 點(diǎn)的方差值、彩色RGB圖像像素點(diǎn)的方差值、彩色RGB塊之間的離散距離值等等特征。(3)分別通過模糊函數(shù)求得上述特征的分值。(4)通過加權(quán)求值得到最終的一個(gè)分?jǐn)?shù)。(5)根據(jù)分?jǐn)?shù)的大小對(duì)N張縮略圖進(jìn)行排序。(6)分值最高的縮略圖作為默認(rèn)的縮略圖。上述步驟(2)，按如下步驟進(jìn)行(21)輸入縮略圖，檢測(cè)人臉特征，包括有正面人臉的位置和大小、側(cè)面人臉的位置 和大小；計(jì)算分?jǐn)?shù)值；(22)輸入縮略圖，檢測(cè)人體特征，包括有全身人體的位置和大小、上身的位置和大 小和下身的位置和大??；計(jì)算分?jǐn)?shù)值；(23)輸入縮略圖，計(jì)算灰度直方圖分布值；(24)輸入縮略圖，計(jì)算灰度直方圖方差分布值；(25)輸入縮略圖，計(jì)算彩色RGB直方圖方差分布值；(26)輸入縮略圖，計(jì)算彩色RGB圖像變成灰度圖像的差異值；(27)輸入縮略圖，計(jì)算灰度圖像像素點(diǎn)的方差值；(28)輸入縮略圖，計(jì)算彩色RGB圖像像素點(diǎn)的方差值；(29)輸入縮略圖，計(jì)算彩色RGB塊之間的離散距離值。本發(fā)明的實(shí)施方式如下繼續(xù)參見圖1，本發(fā)明的一種視頻縮略圖智能選取方法，用于從一段視頻中選出一 張代表該視頻的縮略圖，包括以下步驟步驟(1)獲取一段視頻的N張縮略圖，其中，2 < NS 100，且N是常數(shù)，采用等間 隔抽取方法，根據(jù)預(yù)先得到的視頻時(shí)長，將它平均分成N等份，然后每一等份抽取一幀作為縮略圖，且N = 8。 步驟(2)對(duì)每張縮略圖計(jì)算其正面人臉的位置和大小、側(cè)面人臉的位置和大小、 全身人體的位置和大小、上身的位置和大小和下身的位置和大小、灰度直方圖分布值、灰度 直方圖方差分布值、彩色RGB直方圖方差分布值、彩色RGB圖像變成灰度圖像的差異值、灰 度圖像像素點(diǎn)的方差值、彩色RGB圖像像素點(diǎn)的方差值、彩色RGB塊之間的離散距離值等等 特征；其中Wi為側(cè)面人臉的寬，n為人臉個(gè)數(shù)，設(shè)W為縮略圖的寬。所述步驟(22)中設(shè)
，...，11，其中\(zhòng)，71代表人臉位置， 為 人臉的寬，n為人臉個(gè)數(shù)，設(shè)W為縮略圖的寬，
「0，當(dāng)《 = 0 則全身的分值 score_full—body =其中Wi為全身人體的寬，n為人數(shù)，設(shè)W為縮略圖的寬；
'0，當(dāng)n = 0上身的分值
. i=l其中Wi為全身人體上肢的寬，n為人數(shù)，設(shè)W為縮略圖的寬
11
下身的分值 其中Wi為全身人體下肢的寬，n為人數(shù)，設(shè)W為縮略圖的寬。所述步驟(23)中輸入縮略圖，設(shè)其灰度直方圖為gray_hist = (gh_l, gh_2,， gh_n)，n為直方圖的個(gè)數(shù)，tl，t2為整數(shù)閾值，T1和T2為直方圖和的閾值，base_score為 基準(zhǔn)分?jǐn)?shù)，則灰度直方圖分布值SCOre_hiSt_diStrib的計(jì)算公式為 其中，n = 10，tl = 2，t2 = 8，Tx = 0. 7，Tx = 0. 8，base—score = 1. 0。所述步驟(24)中輸入縮略圖，設(shè)其灰度直方圖為gray—hist = (gh—1，gh—2，..，
為直方圖的個(gè)數(shù)，
為基準(zhǔn)分?jǐn)?shù)，則計(jì)算灰度直方圖方差分布值的score—gray—hist—std計(jì)算公式為

其中，n = 64，base_score = 1. 0。所述步驟(25)中分別在R平面、G平面、B平面上直方圖方差分布值，然后求均值 得到彩色RGB直方圖方差分布值score—RGB—hist—std ； ；其中，n = 64, base_score = 1. 0。所述步驟(26)中輸入縮略圖，設(shè)灰度圖像的像素值為Xij，i = 1，...，W，j = 1，. . .，H，彩色 RGB 圖像的像素值(i^.，giJ,、)，i = 1，. . .，W，j = 1，. . .，H，其中 W，H 分 別為縮略圖的寬和高，base_scorel和baSe_SCOre2為基準(zhǔn)分?jǐn)?shù)，tl為閾值，設(shè)則計(jì)算彩色 RGB圖像變成灰度圖像的差異值SCOre_rgb2gray_diff的計(jì)算公式為 其中， 所述步驟(27)中輸入縮略圖，設(shè)灰度圖像的像素值為Xij，i = 1，...，W，j = 1，...，H，其中W，H分別為縮略圖的寬和高，則計(jì)算灰度圖像像素點(diǎn)的方差值的SCOre_ gray_std計(jì)算公式為 所述步驟(28)中分別在R平面、G平面、B平面上圖像像素點(diǎn)的方差值，然后求均 值得到彩色RGB圖像像素點(diǎn)的方差值score—RGB—std ； 所述步驟(29)中輸入縮略圖，設(shè)彩色RGB圖像的像素值gi，bi)，i = 1，...， WXH，其中W，H分別為縮略圖的寬和高，base—score為基準(zhǔn)分?jǐn)?shù)，則計(jì)算彩色RGB塊之間的 離散距離值score—rgb—dist的計(jì)算公式為 步驟(3)對(duì)每張縮略圖分別通過模糊函數(shù)求得上述各特征的分值；步驟(4)對(duì)每張縮略圖的特征分值通過加權(quán)求值得到最終的一個(gè)分?jǐn)?shù)，最終的分 值finalscore由下列公式計(jì)算得到
f inal_score = X score_face_frontal+w2X score_face_prof ile+w3X score_ ful l_body+w4X score_upper_body+w5X score_lower_body+w6X score_hi st_ distrib+w7X score_gray_hist_std+w8X score_RGB_hist_std+w9X score_rgb2gray_ diff+w10 X score_gray_std+wn X score_RGB_std ；其中，Wj = 1. 0, w2 = 0. 5, w3 = 0. 5, w4 = 0. 5, w5 = 0. 5, w6 = 0. 5, w7 = 0. 5, w8 =1. 2，ff9 = 1. 2，w10 = 0. 5，wn = 1. 2。步驟(5)根據(jù)分?jǐn)?shù)的大小對(duì)N張縮略圖進(jìn)行排序；步驟(6)選用分?jǐn)?shù)最高的縮略圖作為代表該視頻的縮略圖。綜上可知，由于采用了上述技術(shù)，本發(fā)明具有如下優(yōu)點(diǎn)本發(fā)明能夠通過計(jì)算機(jī)圖 像處理方法來自動(dòng)的選擇具有代表性的縮略圖作為默認(rèn)的縮略圖。以上所述的實(shí)施例僅用于說明本發(fā)明的技術(shù)思想及特點(diǎn)，其目的在于使本領(lǐng)域內(nèi) 的技術(shù)人員能夠了解本發(fā)明的內(nèi)容并據(jù)以實(shí)施，不能僅以本實(shí)施例來限定本發(fā)明的專利范 圍，即凡依本發(fā)明所揭示的精神所作的同等變化或修飾，仍落在本發(fā)明的專利范圍內(nèi)。
權(quán)利要求
一種視頻縮略圖智能選取方法，用于從一段視頻中選出一張代表該視頻的縮略圖，其特征在于包括以下步驟(1)獲取一段視頻的N張縮略圖，其中，2≤N≤100，且N是常數(shù)；(2)對(duì)每張縮略圖計(jì)算其正面人臉的位置和大小、側(cè)面人臉的位置和大小、全身人體的位置和大小、上身的位置和大小和下身的位置和大小、灰度直方圖分布值、灰度直方圖方差分布值、彩色RGB直方圖方差分布值、彩色RGB圖像變成灰度圖像的差異值、灰度圖像像素點(diǎn)的方差值、彩色RGB圖像像素點(diǎn)的方差值、彩色RGB塊之間的離散距離值等等特征；(3)對(duì)每張縮略圖分別通過模糊函數(shù)求得上述各特征的分值；(4)對(duì)每張縮略圖的特征分值通過加權(quán)求值得到最終的一個(gè)分?jǐn)?shù)；(5)根據(jù)分?jǐn)?shù)的大小對(duì)N張縮略圖進(jìn)行排序；(6)選用分?jǐn)?shù)最高的縮略圖作為代表該視頻的縮略圖。
2.如權(quán)利要求1所述的視頻縮略圖智能選取方法，其特征在于所述步驟(1)中，采用 等間隔抽取方法，根據(jù)預(yù)先得到的視頻時(shí)長，將它平均分成N等份，然后每一等份抽取一幀 作為縮略圖，且N = 8。
3.如權(quán)利要求2所述的視頻縮略圖智能選取方法，其特征在于所述步驟(2)中包括 以下步驟(21)輸入縮略圖，檢測(cè)人臉特征，包括正面人臉的位置和大小、側(cè)面人臉的位置和大 小，并計(jì)算分?jǐn)?shù)值；(22)輸入縮略圖，檢測(cè)人體特征，包括全身人體的位置和大小、上身的位置和大小和下 身的位置和大小，并計(jì)算分?jǐn)?shù)值；(23)輸入縮略圖，計(jì)算灰度直方圖分布值；(24)輸入縮略圖，計(jì)算灰度直方圖方差分布值；(25)輸入縮略圖，計(jì)算彩色RGB直方圖方差分布值；(26)輸入縮略圖，計(jì)算彩色RGB圖像變成灰度圖像的差異值；(27)輸入縮略圖，計(jì)算灰度圖像像素點(diǎn)的方差值；(28)輸入縮略圖，計(jì)算彩色RGB圖像像素點(diǎn)的方差值；(29)輸入縮略圖，計(jì)算彩色RGB塊之間的離散距離值。
4.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(21)中則正面人臉的分值 其中Wi為正面人臉的寬，η為人臉個(gè)數(shù)，設(shè)W為縮略圖的寬；側(cè)面人臉的分值 其中Wi為側(cè)面人臉的寬，η為人臉個(gè)數(shù)，設(shè)W為縮略圖的寬。
5.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(22)中設(shè) (Xi, Yi, W1,K),! = I,..., Π，其中Xi，Yi代表人臉位置，Wi為人臉的寬，η為人臉個(gè)數(shù)，設(shè)W為縮略圖的寬， 則全身的分值 其中Wi為全身人體的寬，η為人數(shù)，設(shè)W為縮略圖的寬； 上身的分值 其中Wi為全身人體上肢的寬，η為人數(shù)，設(shè)W為縮略圖的寬； 下身的分值 其中K為全身人體下肢的寬，η為人數(shù)，設(shè)W為縮略圖的寬。
6.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(23)中輸入 縮略圖，設(shè)其灰度直方圖為gray_hist = (gh_l, gh_2, . .，gh_n), η為直方圖的個(gè)數(shù)，tl， t2為整數(shù)閾值，Tl和T2為直方圖和的閾值，baSe_SCOre為基準(zhǔn)分?jǐn)?shù)，則灰度直方圖分布值 score_hist_distrib 的計(jì)算公式為-
7.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(24)中輸 入縮略圖，設(shè)其灰度直方圖為gray_hist = (gh_l, gh_2, ..，gh_n)，η為直方圖的個(gè)數(shù)，
8.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(25)中分別 在R平面、G平面、B平面上直方圖方差分布值，然后求均值得到彩色RGB直方圖方差分布值 score—RGB—hist—std ；
9.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(26)中輸入 縮略圖，設(shè)灰度圖像的像素值為xu，i = 1，...，W，j = 1，...，H，彩色RGB圖像的像素值 (^,gij^ij),! = 1，· · ·，W，j = 1，· · ·，H，其中 1，!1分別為縮略圖的寬和高^386_8(；0儀1和 base_score2為基準(zhǔn)分?jǐn)?shù)，tl為閾值，設(shè)則計(jì)算彩色RGB圖像變成灰度圖像的差異值sCOre_ rgb2gray_diff的計(jì)算公式為
10.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(27)中輸 入縮略圖，設(shè)灰度圖像的像素值為Xij, i = 1，...，W，j = 1，...，H，其中W，H分別為縮略圖 的寬和高，則計(jì)算灰度圖像像素點(diǎn)的方差值的SCOre_gray_Std計(jì)算公式為
11.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(28)中分 別在R平面、G平面、B平面上圖像像素點(diǎn)的方差值，然后求均值得到彩色RGB圖像像素點(diǎn)的 方差值 score—RGB—std ；
12.如權(quán)利要求3所述的視頻縮略圖智能選取方法，其特征在于所述步驟(29)中輸 入縮略圖，設(shè)彩色RGB圖像的像素值O^gpbi), i = 1，...，1父!1，其中1，!1分別為縮略圖 的寬和高，base_score為基準(zhǔn)分?jǐn)?shù)，則計(jì)算彩色RGB塊之間的離散距離值sCOre_rgb_dist 的計(jì)算公式為
13.如權(quán)利要求2所述的視頻縮略圖智能選取方法，其特征在于所述步驟(4)中最終 的分值final_SCOre由下列公式計(jì)算得到f inal_score = W1X score_face_frontal+w2 X score_face_prof i 1 e+w3 X score_ ful l_body+w4 X score_upper_body+w5X score_lower_body+w6 X score_hi st_ distrib+w7X score_gray_hist_std+w8X score_RGB_hist_std+w9X score_rgb2gray_ diff+w10X score—gray—std+wnX score—RGB—std ；其中，W1 = 1. 0,w2 = 0. 5,W3 = 0. 5,W4 = 0. 5,w5 = 0. 5,w6 = 0. 5,w7 = 0. 5,w8 = 1. 2， W9 = 1. 2，W10 = 0. 5，W11 = 1. 2。
全文摘要
本發(fā)明揭示了一種視頻縮略圖智能選取方法，包括以下步驟1)獲取一段視頻的N張縮略圖，其中，2≤N≤100，且N是常數(shù)；2)對(duì)每張縮略圖計(jì)算其正面人臉位置和大小、側(cè)面人臉位置和大小、全身人體位置和大小、上身位置和大小和下身位置和大小、灰度直方圖分布值、灰度直方圖方差分布值、彩色RGB直方圖方差分布值、彩色RGB圖像變成灰度圖像差異值、灰度圖像像素點(diǎn)的方差值、彩色RGB圖像像素點(diǎn)的方差值、彩色RGB塊之間的離散距離值等等特征；3)對(duì)每張縮略圖分別通過模糊函數(shù)求得上述各特征的分值；4)對(duì)每張縮略圖的特征分值通過加權(quán)求值得到最終的一個(gè)分?jǐn)?shù)；5)根據(jù)分?jǐn)?shù)的大小對(duì)N張縮略圖進(jìn)行排序；6)選用分?jǐn)?shù)最高的縮略圖作為代表該視頻的縮略圖。
文檔編號(hào)G06T7/00GK101853286SQ20101018015
公開日2010年10月6日 申請(qǐng)日期2010年5月20日 優(yōu)先權(quán)日2010年5月20日
發(fā)明者劉子楓, 連惠城 申請(qǐng)人:上海全土豆網(wǎng)絡(luò)科技有限公司