基于梯度向量角-模值二维直方图的镜头边界检测

《基于梯度向量角-模值二维直方图的镜头边界检测》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于梯度向量角-模值二维直方图的镜头边界检测葛宝1，祝轩1，谢明华1，彭进业1,2(1.西北大学电子科学系，陕西西安710069；2.西安电子科技大学电子工程学院，陕西西安710071)摘要：提出一种新的基于梯度向量角-模值二维直方图的镜头边界检测方法。该方法采用反对称双正交小波分解系数计算视频帧的方向梯度向量，再统计由梯度向量角和模值构成的联合空间二维直方图，然后计算连续帧直方图之间的距离，得到两帧之间的不连续值，最后采用自适应阈值分割，检测出镜头边界。初步实验结果表明，在保持检出率相同时，所提出方法的正确率比HSV空间颜色直方图方法高出8%左右。关键

2、词：镜头边界检测；梯度向量角-模值二维直方图；HSV空间颜色直方图；基于内容的视频检索；反对称双正交小波中图分类号：TP391文献标识码：A文章编号：1000-274X(2004)0069-06镜头是一组连续的相互关联的帧，是相机的一次连续拍摄，代表时间或空间上连续的一组动作。镜头的切换形成镜头边界，镜头边界检测是进行视频内容分析的首要步骤，是基于内容的视频检索中更高一级的语义、内容分析的基础。镜头边界的类型一般可以分为突变型和渐变型两种。目前，针对这两种边界类型的检测方法主要有：像素亮度匹配、颜色直方图（RGB、YUV或HSV空间）比较、边缘比较等方法

3、。基于像素亮度匹配的方法由于它对运动、光照很敏感，所以它的检测效果不理想[1]。由于颜色直方图可以克服对物体运动的敏感性，而边缘对光照变化具有稳定性，因此基于颜色直方图和边缘的检测方法优于基于像素亮度匹配的方法。进一步，从文献[2]中给出的基于边缘变化率和基于颜色（YUV空间）直方图的镜头边界检测实验结果可以看出，基于颜色直方图的方法在某些方面比基于边缘变化率的方法更好一些。颜色直方图可以在3种不同的颜色空间（即RGB、YUV和HSV空间）中统计。HSV（Hue-　Saturation-Value）空间与RGB、YUV比较，具有两个重要特点：一是人眼可独

4、立感知该空间各颜色分量的变化；二是在这种颜色空间上的颜色三元组之间的欧几里德距离与人眼感觉到的相应的颜色差具有线性关系，是一种符合人类视觉感知特性的颜色模型。因此，基于HSV颜色空间的测度能够更好地逼近人眼的感觉，其中H(Hue，色调)分量又较好地克服了一般光照变化对颜色直方图所带来的影响。这是因为H在光照发生变化时能保持相对稳定，这可以从下面H与R,G,B之间的变换关系表达式[3]中看出(1)其中(2)6所以采用HSV空间颜色直方图进行镜头边界检测比RGB、YUV为优，并且常常加重H分量对颜色直方图的贡献。本文提出基于梯度向量角与模值联合空间二维直方图

5、（我们将其简称为AM直方图）的镜头边界检测方法，并与HSV空间的颜色直方图方法进行比较，初步实验结果表明本文方法的性能优于HSV空间的颜色直方图方法。1基于梯度向量角-模值二维直方图的镜头边界检测方法1.1　视频帧梯度向量角和模值的计算由于视频帧图像中不可避免地含有一定的噪声干扰，直接利用像素的差分来计算梯度向量是不可取的，因此在计算梯度向量之前对图像作某种平滑处理是必要的。Mallat等人提出了基于二进小波分解系数的多尺度边缘提取方法[4]，该方法计算工作量较大，且其变换系数不利于直接用于编码压缩。文献[5]中基于反对称双正交小波的多尺度边缘提取算法克

6、服了这两方面的缺点，本文采用这一方法计算图像多尺度方向梯度，下面简述其算法。将图像用反对称双正交小波作J级小波分解，设分解后的第j（j=1,…,J）级的近似系数为，水平方向、垂直方向及对角方向的细节系数分别为。模糊图像上的任意一点记为p(x,y)。则-j尺度下p位置处的梯度向量的模值为(3)而其对应的向量角为(4)其中:是和按行先“半重构”再作下采样后在p(x,y)位置的值；是和按列先作“半重构”再作下采样后在p(x,y)位置的值。更详细的算法请参考文献[5]。1.2　梯度向量角-模值二维直方图设A为向量角空间，M为模值空间，现将向量角A的分布区间（0，

7、2π]分成L等分，每等分宽度为，记为，。将M分成K等分，每等分宽度为，记为，。现在统计A处于，同时M处于内的像素点数，记为，然后对其进行归一化(5)即为梯度向量角-模值二维直方图。为了增强直方图特征的有效性，模值太小的像素点不参与直方图统计，即只选取个M取最大值的像素点参与统计，这里6(6)是全部像素点数。取值可在30%左右选取。显然，如果K=1，则二维直方图退化为单纯的向量角直方图，向量角直方图可以应用于具有明显结构特征的图像相似性的检测，详细讨论可以参考文献[6]。反之，如果L=1，则退化为单纯的模值直方图。因此，选取L愈大，向量角分布的信息量愈大，

8、而K愈大，模值分布的信息量愈大。因此，选取合适的K、L值也是值得考虑的因素，通过