【技术实现步骤摘要】
本专利技术涉及视频处理，具体是一种应用于视频内容分析的智能分类算法，通过结合支持向量机(support vector machines,svm)的高效分类能力和运动特征的精确提取，实现对视频帧的自动分类，主要针对镜头固定、镜头切换、镜头跟随和大幅运动四种典型场景。
技术介绍
1、随着视频内容的爆炸性增长，如何高效准确地对视频进行分类和分析成为了一个亟待解决的问题。传统方法往往依赖于人工标注或简单的图像特征匹配，效率低下且准确性受限。因此，开发一种能够自动识别并分类视频中不同运动模式的算法显得尤为重要。
2、支持向量机(support vector machine，简称svm)是一种常用的分类算法。其基本思想是将数据映射到高维特征空间中，在该空间中找到一个最优超平面，使得不同类别的样本能够被最大化地分开。svm通过寻找支持向量(位于超平面上的样本点)来确定最优超平面，并利用这些支持向量进行分类。在高维特征空间中表现良好，svm在处理少量的支持向量时仍能保持较好的分类性能，对于大规模数据集具有较高的效率。
技术实现思路
1、本专利技术旨在提供一种基于svm及运动提取的视频帧分类方法，通过智能化分析视频帧中的运动特征，实现对镜头固定、镜头切换、镜头跟随和大幅运动等场景的高精度自动分类，提高视频处理的效率和准确性。
2、本专利技术提供了一种基于svm及运动提取的视频帧分类方法，具体步骤如下：
3、s1：视频预处理：首先，对原始视频及上一帧图像进行预处理，
4、s2：运动特征提取：对每个关键帧，运用帧差法、光流法等技术提取运动矢量，计算运动强度、方向等特征，为镜头固定、镜头切换、镜头跟随和大幅运动分类提供依据，其物理意义为：镜头固定场景下的运动幅度较小；镜头切换时像素突变，运动幅度较大且方向一致性弱。镜头跟随运动方向一致性较强；以及大幅运动的运动分布较集中。
5、s3：特征向量构建：根据提取的运动特征，构建用于分类的特征矢量。
6、s4：支持向量机模型训练：使用已标注的视频帧数据集，根据构建的特征矢量，训练svm分类器。通过核函数的选择和参数优化，确保模型能够有效划分不同类别的边界；
7、s5：新帧分类：对于输入的新视频帧，重复上述特征提取过程，然后将得到的特征向量输入训练好的svm模型中，实现对其所属场景类型的自动分类。
8、进一步地，所述步骤s1的视频预处理与关键帧提取具体包括以下步骤，
9、s1.1：对输入到程序的视频帧及上一帧图像首先进行噪声的处理；
10、s1.2：将视频帧转成灰度图。
11、进一步地，所述步骤s2的运动特征提取具体包括以下步骤，
12、s2.1：运动特征提取：对每个关键帧，运用帧差法、光流法等计算得到帧差图、光流图；
13、s2.2：对帧差图分为若干子块，统计每个块内的帧差强度，并归一化处理，得到运动幅度矢量；
14、s2.3：对光流图分成若干子块，统计每个块内的光流主方向，并按0-15编码，得到运动方向矢量。
15、进一步地，所述步骤s3的特征向量构建具体包括以下步骤，
16、s3.1：根据提取的运动特征，构建用于分类的特征向量。
17、进一步地，所述步骤s4的支持向量机模型训练具体包括以下步骤，
18、s4.1：支持向量机模型训练：使用已标注的视频帧数据集，根据构建的特征向量，训练svm分类器；
19、s4.2通过核函数的选择和参数优化，确保模型能够有效划分不同类别的边界。
20、进一步地，所述步骤s5新帧分类具体包括以下步骤，
21、s5.1：对于输入的新视频帧，重复上述特征提取过程，然后将得到的特征向量输入训练好的svm模型中，实现对其所属场景类型的自动分类。
22、本专利技术提供一种基于svm及运动提取的视频帧分类系统，包括：
23、预处理模块，用于将视频当前帧及上一帧图像转成灰度图，并计算帧差图和光流图；
24、运动矢量计算模块，用于从帧差图中计算运动幅度矢量，从光流图中计算运动方向矢量；
25、运动矢量构建模块，用于将运动幅度矢量和运动方向矢量拼接得到运动特征矢量，构建用于分类的特征矢量；
26、svm模型训练模块，用于利用已标注帧类别的视频帧数据集作为训练样本，将构建好的特征向量作为输入，训练svm模型；
27、视频帧分类模块，用于利用训练好的svm模型对视频帧所属场景类型的自动分类。
28、本专利技术还提供一种基于svm及运动提取的视频帧分类装置，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述一种基于svm及运动提取的视频帧分类方法的步骤。
29、有益效果：本专利技术创新地将视频帧划分为四大类别：镜头固定、镜头切换、镜头跟随和大幅运动，通过复杂的运动特征向量构建与svm模型的集成应用，实现了对新视频帧的分类。首先对视频进行预处理，随后利用先进的运动分析技术，如帧间差异检测、光流检测，从关键帧中提取出反映镜头动态特性的特征，如运动强度、方向变化及连续性等。将这些特征组织成特征向量，作为支持向量机分类的输入。通过svm模型训练过程，能够迅速而准确地判断其所属类别。本专利技术提高了视频处理的自动化水平和分类精度，为视频内容分析、监控系统、智能编辑等领域提供了强大的技术支持。
本文档来自技高网...【技术保护点】
1.一种基于SVM及运动提取的视频帧分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于SVM及运动提取的视频帧分类方法，其特征在于，通过帧差法，计算相邻帧图像帧差，将图像按坐标划分为若干子块，统计每个子块内帧差和，构成运动幅度矢量，并归一化。
3.根据权利要求1所述的一种基于SVM及运动提取的视频帧分类方法，其特征在于，通过光流法，计算相邻帧图像光流图，将图像按坐标划分为若干子块，统计每个子块内光流方向直方图，确定每个子块的光流主方向，按0-15编码，得到运动方向矢量。
4.根据权利要求1所述的一种基于SVM及运动提取的视频帧分类方法，其特征在于，将运动幅度矢量与运动方向矢量拼接成一维矢量，即用于SVM分类的运动特征矢量。
5.根据权利要求1所述的一种基于SVM及运动提取的视频帧分类方法，其特征在于，帧类别包括镜头固定、镜头切换、镜头跟随和大幅运动。
6.根据权利要求1所述的一种基于SVM及运动提取的视频帧分类方法，其特征在于，步骤S3中构建用于分类的特征矢量具体包括：为每个视频帧赋予一个特征表示；将
7.一种基于SVM及运动提取的视频帧分类系统，其特征在于，包括：
8.根据权利要求7所述的一种基于SVM及运动提取的视频帧分类系统，其特征在于，所述运动矢量计算模块通过帧差法，计算相邻帧图像帧差，将图像按坐标划分为若干子块，统计每个子块内帧差和，构成运动幅度矢量，并归一化。
9.根据权利要求7所述的一种基于SVM及运动提取的视频帧分类系统，其特征在于，所述运动矢量计算模块通过光流法，计算相邻帧图像光流图，将图像按坐标划分为若干子块，统计每个子块内光流方向直方图，确定每个子块的光流主方向，按0-15编码，得到运动方向矢量。
10.一种基于SVM及运动提取的视频帧分类装置，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述一种基于SVM及运动提取的视频帧分类方法的步骤。
...【技术特征摘要】
1.一种基于svm及运动提取的视频帧分类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于svm及运动提取的视频帧分类方法，其特征在于，通过帧差法，计算相邻帧图像帧差，将图像按坐标划分为若干子块，统计每个子块内帧差和，构成运动幅度矢量，并归一化。
3.根据权利要求1所述的一种基于svm及运动提取的视频帧分类方法，其特征在于，通过光流法，计算相邻帧图像光流图，将图像按坐标划分为若干子块，统计每个子块内光流方向直方图，确定每个子块的光流主方向，按0-15编码，得到运动方向矢量。
4.根据权利要求1所述的一种基于svm及运动提取的视频帧分类方法，其特征在于，将运动幅度矢量与运动方向矢量拼接成一维矢量，即用于svm分类的运动特征矢量。
5.根据权利要求1所述的一种基于svm及运动提取的视频帧分类方法，其特征在于，帧类别包括镜头固定、镜头切换、镜头跟随和大幅运动。
6.根据权利要求1所述的一种基于svm及运动提取的视频帧分类方法，其特征在于，步骤s3中...
【专利技术属性】
技术研发人员：胡轶宁，梅剑平，袁旭稚，张洁怡，苏玉民，李晓华，邓皓，
申请(专利权)人：新型显示与视觉感知石城实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。