留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

结合SIFT算法的视频场景突变检测

李枫 赵岩 王世刚 陈贺新

李枫, 赵岩, 王世刚, 陈贺新. 结合SIFT算法的视频场景突变检测[J]. 中国光学(中英文), 2016, 9(1): 74-80. doi: 10.3788/CO.20160901.0074
引用本文: 李枫, 赵岩, 王世刚, 陈贺新. 结合SIFT算法的视频场景突变检测[J]. 中国光学(中英文), 2016, 9(1): 74-80. doi: 10.3788/CO.20160901.0074
LI Feng, ZHAO Yan, WANG Shi-gang, CHEN He-xin. Video scene mutation change detection combined with SIFT algorithm[J]. Chinese Optics, 2016, 9(1): 74-80. doi: 10.3788/CO.20160901.0074
Citation: LI Feng, ZHAO Yan, WANG Shi-gang, CHEN He-xin. Video scene mutation change detection combined with SIFT algorithm[J]. Chinese Optics, 2016, 9(1): 74-80. doi: 10.3788/CO.20160901.0074

结合SIFT算法的视频场景突变检测

doi: 10.3788/CO.20160901.0074
基金项目: 国家自然科学基金资助项目(No.61271315,No.61171078)
详细信息
    通讯作者:

    李枫(1990-),女,黑龙江佳木斯人,硕士研究生,主要从事场景变化检测方面的研究。E-mail:1006407131@qq.com

    赵岩(1971-),女,吉林辽源人,教授,博士生导师,2003年于吉林大学获得博士学位,主要从事图像与视频编码、立体视频处理方面的研究。E-mail:zhao_y@jlu.edu.cn

  • 中图分类号: TN919.8

Video scene mutation change detection combined with SIFT algorithm

  • 摘要: 视频场景变化检测对于视频的标注以及语义检索具有非常重要的作用。本文提出了一种结合SIFT(Scale Invariant Feature Transformation)特征点提取的场景变化检测算法。首先利用SIFT算法分别提取出视频前后帧的特征点并分别统计其数量,然后对视频前后帧进行图像匹配,统计匹配上的特征点数量,最后将该帧的匹配特征点数量与该帧前一帧的特征点数量做比值,从而通过该比值判断场景变化情况。实验结果表明,视频场景突变检测率平均可以达到95.79%。本算法可以在视频帧进行图像匹配的过程中对场景的变化情况进行判断,因此该算法不仅应用范围较广,还可以保证场景变化检测的精度,仿真结果证明了算法的有效性。

     

  • 图 1  本文算法流程图

    Figure 1.  Flow chart of the algorithm proposed in this paper

    图 2  无场景突变举例(115、116帧)

    Figure 2.  Examples of no scene mutation change(the 115th and 116th frames)

    图 3  场景突变举例(114、115帧)

    Figure 3.  Examples of scene mutation change(the 114th and 115th frames)

    表  1  实验数据举例

    Table  1.   Examples of experimental data

    视频帧特征点数量与前一帧匹配的特征点数量与前一帧特征点匹配率/% 是否发生场景突变
    11427623885.9
    115299269.42
    11629819966.56
    下载: 导出CSV

    表  2  SIFT特征点提取耗时统计

    Table  2.   Time consumption of SIFT feature point extraction

    视频片段总帧数SIFT特征点提取所用时间/s平均1 s完成特征点提取的视频帧数/s
    动画(哆啦A梦)1 92272.717 626.431 0
    下载: 导出CSV

    表  3  视频中场景突变点

    Table  3.   Scene change points of videos in our experiments

    视频片段总帧数场景突变点数目
    电影3 479117
    动画1 922100
    新闻2 18039
    MV3 022147
    下载: 导出CSV

    表  4  本算法实验结果

    Table  4.   Results obtained using the algorithm proposed in this paper

    视频片段NcNmNfPre/%Ppre/%
    电影11251095.7391.80
    动画982798.0093.33
    新闻372094.87100.00
    MV13881194.5692.67
    下载: 导出CSV

    表  5  视频ishop的比较结果

    Table  5.   Comparison results of ishop video

    方法NcNmNfPre/%Ppre/%
    本文512796.2387.93
    文献[17]4941092.4583.05
    下载: 导出CSV

    表  6  视频探索《北极熊》的比较结果

    Table  6.   Comparison results of ‘Exploring Arctic Bear’

    方法NcNmNfPre/%Ppre/%
    本文1216595.2896.03
    文献[18]1198693.7095.20
    下载: 导出CSV
  • [1]
    [2]

    [3]

    [4]

    [5]

    [6]

    [7]

    [8]

    [9]

    [10]

    [11]
    [12]

    [13]

    [14]

    [15]

    [16]

    [17]

    [18]
  • 加载中
图(3) / 表(6)
计量
  • 文章访问数:  1233
  • HTML全文浏览量:  174
  • PDF下载量:  1038
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-09-11
  • 录用日期:  2015-11-13
  • 刊出日期:  2016-01-25

目录

    /

    返回文章
    返回