文摘

分析篮球比赛的录像和视频拍摄的边缘检测是最活跃和快速发展主题多媒体领域的研究在世界上。视频拍摄的时间分割是基于视频图像帧提取。这是视频应用的先决条件。研究篮球比赛的时间分割视频镜头有很大的现实意义和应用前景。针对当前算法的事实一直分割时间篮球比赛的录像,深度学习模型和时序基于直方图的分割算法提出了篮球比赛的视频截图。视频数据从RGB空间转换到HSV空间的视频镜头边界检测的篮球比赛使用深度学习和处理图像帧,直方图的统计数据是用来降低视频图像的维数,和视频中的三色的组件组合成一个一维的特征向量来获取视频的量化水平。一维向量作为变量进行直方图统计和分析视频拍摄和计算连续帧差累积帧差,窗框的区别,自适应窗口的意思是,和superaverage比篮球比赛视频。计算结果结合动态阈值设置为优化时间分割视频拍摄的篮球比赛。从比较结果可以看出,该算法的有效性验证的测试了视频镜头的检出率。根据测试结果分裂的时间,时间分割的优化算法有效地实现了机器人的篮球比赛的录像。

1。介绍

新计算机技术的发展,视频包含更加丰富和生动的信息,已成为重要的信息载体之一,在互联网1]。移动终端的普及,视频网站的兴起使它容易获取并分享视频。的流行视频解决需要处理,分析和深入理解大量的视频数据资源(2,3]。每天都有各种篮球活动举行,有很多视频记录在竞争。其中,NBA正在影响世界各地的篮球迷的心(4]。一年一度的常规赛和季后赛不仅吸引了世界各地的观众,但即使是让球迷们达到水平的不眠之夜。但正常的工作和生活不能满足观看每一场比赛(5),因此需要做必要的检查,以选择球迷享受激动人心的片段。手动筛选满足球迷们的需求在一定程度上,但这样的工作量将会很大,人们的偏好将是不同的6,7]。因此,人们试图研究机制自动提取篮球比赛的精彩场面,摆脱依赖劳动,并试图为每个风扇提供个性化服务(8]。所有的工作必须从视频分割。镜头分割的质量直接影响后续的研究。这是一个关键的一步。专注于优化时间分割的篮球视频镜头可以为后续研究和获益更多篮球视频研究[9]。

在[10),时域分割算法基于帧间差异分布和渐进模型提出了。检测阈值的局部突变帧通过评估视频的帧间差分序列,然后,整个帧间差分序列分段。重复相同的步骤来获得突然的帧的视频截图。在检测方面的层次框架,根据分级过程的二阶差分的特点和层次模型,获得正确的层次框架优化分割的视频镜头,但错过了算法的检测率高。视频的时间分割算法在篮球比赛中提出了基于边界分类(11]。视图镜头边界的算法是候选边界。与沉默的特性相结合,确定了边界从声音和视频,和最终的优化结果。然而,该算法错过检出率高,这样镜头分割优化精度低。在[12),视频拍摄的时间分割算法的优化提出了基于MapReduce模型。大量的数据处理工作分为若干个独立可执行映射任务视频解码和特征提取,并结合边界。候选人镜头的切换部分被进一步检测的自适应阈值过滤,从而优化分割的镜头。然而,该算法分割时间长,且效率低。优化分割算法提出了基于新的移动目标(13通过引入一种自适应内核空间。如果视频的特征轨迹属于同一刚性物体,它们映射到同一点,嵌入的多方面的去噪算法用于段刚性和非刚性的视频对象获得优化结果。算法需要长时间分割,分割优化的效率很低。

分析篮球比赛的录像和视频拍摄的边缘检测是最活跃和快速发展主题多媒体领域的研究在世界上。视频拍摄的时间分割是基于视频图像帧提取。这是视频应用的先决条件。研究篮球比赛的时间分割视频镜头有很大的现实意义和应用前景。

研究盒视频拍摄的时间分割优化算法的篮球比赛基于直方图算法如下:(1)分析的概念和转换类型视频拍摄的篮球比赛。的转换类型可分为淡入,淡出,重叠,扫描。(2)使用阈值和模型方法来检测视频镜头的边界的篮球比赛。的单帧图像视频处理,减少了视频图像的维度。量化dimensionality-reduced一维向量作为变量进行直方图统计和分析篮球比赛的视频镜头,和动态阈值设置为实现视频的时间分割优化投篮在篮球比赛。(3)的准确性和效率优化分割镜头的测试来验证该方法的有效性。(4)总结研究内容。

介绍和详细的文献提出了各种方法在当前的部分。的各种方法和技术用于检测和解释信息从图像和视频在第二节给出了标题“材料和方法。“第三节包括工作环境,所有实验的结果在这一节中描述。部分4和5代表讨论和结论部分的研究。

2。材料和方法

2.1。视频拍摄和转换类型的概念

2.1.1。视频拍摄

,作为检索的最合适的单位,是一个不断的帧序列采取相同的相机。大多数的视频连接,因为描述镜头的能力有限。这些视频镜像反映发生在不同地点或时间14]。典型的结构用于组织层视频分为4层,如图1。

2.1.2。分工的视频镜头的转换类型

篮球视频镜头的转换可以分为两类:剪切和梯度。转换成一个镜头直接转换到下一个镜头没有延迟时间;梯度包括堆积、淡入,淡出,扫描。其中,淡入和淡出可以用作堆积的特殊情况。(1)淡入:逐步加强(2)慢慢淡出:减少图片,直到消失(3)覆盖:前面的镜头逐渐减弱时,下一个镜头的形象逐渐加强(4)扫描:从屏幕的某一部分,前面的镜头逐渐取代了下一个镜头

上述四种类型是最常用和最研究篮球比赛拍摄的视频转换类型,和视频编辑经常创建一些复杂的镜头的转换类型基于主观意图。

2.2。边界检测

2.2.1。阈值方法

阈值法的基本思想是,当这个角色篮球比赛的视频在特定的时间t超过阈值或在一定范围内,认为视频镜头的变化。最简单的方法之一是使用全局阈值的表达式如下:

一般来说,全局阈值,适用于所有视频和照片转换并不存在。如果阈值设置得太大,许多错过条件会发生,并设置阈值过低会导致较高的假阳性率。因此,全局阈值(15)应该尽可能避免。提出了一种自适应阈值的方法解决阈值的适用性。的门槛可以通过以下公式计算:

当前动态阈值计算使用视频特性值的窗口组成前后帧当前帧被检查。如果检查帧的特征值最大值在窗口范围内特征值之间的比例和特征值的平均值大于阈值的窗口 ,然后帧被认为是镜头剪,它使用以下表达式:

自适应阈值表达的概率,从而最大程度减少了平均错误率。表达式如下: 在哪里和两个假设。之间的th框架和 th,游戏视频属于同一镜头和镜头的变化。 是两帧之间的nonsimilarity。和 ,分别表示镜头过渡的可能性意味着的概率年代在当前形势下是正确的。

在某个时间点上,镜头剪切的出现显示了非常突出的nonsimilarity特性,而射级配发生在一段时间内,和每个帧的特征并不明显。使用双门限方法用于判断剪切和级配的镜头。的表达式是

设置两个阈值,阈值就越高用于检测剪切视频拍摄的篮球比赛。如果特征值大于视频帧在特定的时间,它被认为是剪切发生在这个时间;期间从来 ,如果所有的视频帧的特征值大于阈值越低和它们的特征值大于的总和 ,然后认为视频镜头渐变在这个时期。

2.2.2。模型的方法

消失的过程中黑屏幕,视频变暗,变黑了,颜色逐渐变成了黑色的。它可以被描述为 在哪里 颜色属性的方法时刻在 在淡出的过程和位置 代表屏幕的颜色属性的图片是淡出 当时的位置 ;褪色的照片时, 是固定值。代表了一个函数,它描述了视频拍摄屏幕的颜色消失在篮球比赛。在淡出的过程中, 。拍摄的淡入过程由以下公式表示: 在哪里 。

在线性淡入过程中,视频拍摄的堆积过程可以被视为淡出,淡入的结合过程:

为了检测变化模型的篮球比赛录像,一个常数图定义描述的颜色变化对每一帧视频拍摄: 在哪里 ,这是一个时间函数,是独立于位置的 。它可以探测到篮球比赛的循序渐进的过程的视频截图基于恒图曲线。上面的两个方法可以完整的视频镜头边界检测的篮球比赛。

2.3。视频图像帧的处理

视频的帧图像边界检测的基础上进行进一步处理。单帧的图像的处理大致分为以下步骤:

一个是减少源视频图像;第二个是提取精明的边界;三是优化边界去除杂质;第四个是搜索优化的曲线边界和记录坐标点在曲线上的价值。

2.3.1。切割

通过以上研究,可以发现,每一帧的图像包含了观众的照片。衣服颜色和肤色等因素影响,精明的边界非常混乱,严重影响了后续研究[16]。因此,在进一步的研究开始之前,源视频图像剪裁,可以减少计算量,提高后续工作的准确性。

大津算法用于binarize提取视频帧图像的篮球比赛。具体的种植规模更适合保留源的低端视频图像的7/10。篮球比赛的减少视频视频显示在图2。

2.3.2。精明的边界

精明的经营者不仅决定一个像素是一个边缘点的梯度操作。在确定一个像素是否边缘点,有必要考虑在同一时间其他像素的影响。它也不是一个简单的边界跟踪。寻找边缘点时,需要判断基于当前和先前处理的像素17]。它将边缘检测问题转换为最大值的检测功能。基本思想是先平滑图像与高斯滤波器,然后使用一阶偏导的有限差分来计算梯度的幅值和方向。精明的边界从图中提取2如图3。

2.3.3。优化的边界

精明的边缘指标是一个边缘位置管理员,利用多级计算区分边缘的宽范围的照片。它是1986年由约翰·f·精明。精明的另外创建了一个边缘位置的计算假设澄清战略工作的原因。精明的边缘检测是一个战略从图像中提取有用的基础数据,并且大大降低了信息的需求,因此处理。它已经被广泛的应用于不同的电脑视觉框架。警惕的追踪,先决条件利用各种视觉上边缘识别框架有些类似。通过这种方式,边缘识别回答解决这些生活必需品可以在大范围的情况下执行。

精明的边界图3包含目标边界如三分线和禁线,但有许多干扰边界点同时,所以它需要进一步优化。所需的边界都是两条线的形式,并有相对固定的两条线之间的距离,这是其他任何点在水平方向上的正面和背面18]。优化干扰精明的边界提取和保存新数据在一个新的结果图。

在图3遍历从第一个像素的最后一个像素有以下步骤:(1)确定当前点的像素值大于零。如果大于0,进入步骤2;否则,左边的距离d增加了1,对应点在结果图设置为0。(2)如果左边的距离d大于阈值的距离,进入步骤3;否则,重置左边的距离为0,并设置在结果图像对应点为0。(3)第一组左侧的距离d为0,然后,确定非零的点左边边界的数量小于5。如果是的,进入步骤4;否则,设置值对应点的结果图的右边的点左边界为0,并设置当前点图3到下一个点的右边的点左边界。(4)它是判断是否双行之间的零数量小于6和大于2。如果是的,转到步骤5。否则,设置值的右边的点对应点的零点序列图结果为0,并设置当前点图3到下一个点的右边的点的零点序列。(5)确定数量的非零的点右边边界小于5。如果是少,流程步骤6。否则,该值对应点的结果图的右边的点右边界设置为0,和当前点在图3设置到下一个点的右边的点右边界。(6)确定后续零分的数量大于阈值的距离。如果是这样的话,当前的价值点在图3分配给当前的结果图。然后,设置下一个点的值的当前点到最右边的点后续零序为0,并设置当前点图3到下一个点的右边的点的后续零序。最后,左边的距离d随后的零的数量;否则,该值对应点的结果图的右边的点后续零序设置为0,和当前点在图3设置到下一个点的右边的点的后续零序。结果图是精明的边界优化和decomplexation后,记录 。

2.3.4。搜索曲线

优化边界的篮球比赛视频拍摄是比较理想的,它有两个特点:(1)三分线的整体形状类似于抛物线(2)三分线的边界点相对集中和相对较长,而大多数其他的边界点非常分散

根据这两个特征,这两种方法,分别设计了精确定位边界曲线,满足需求,并记录曲线上的点的坐标以后使用(19]。

(1)霍夫变换。霍夫变换是一个组件提取方法用于调查图片,电脑视觉、和先进的图像处理。使用这种技术的原因是,它有助于发现有瑕疵的情况下的文章在一个特定的类的形状。这d技术是在一个边界空间,从这篇文章分派附近得到极大值在一个传说的收集器空间明确建造的计算处理的脚腕变化。使用霍夫变换,根据特性(1),介绍了改进抛物线霍夫变换能够检测中包含的抛物线,如图4。

抛物型方程是

衍生后,它可以写成

采取任何点 抛物线,然后,此时的切向方向抛物线 。让抛物线的切线的夹角和轴是 ;然后,有 。根据上述分析,可以得到以下表达式:

改进抛物线霍夫变换步骤如下:将一个三维的累加器数组 ;对于任何边缘点 在篮球比赛视频图像,它是使用边缘梯度方向的预测价值和改变的值计算 由公式(12累加器数组),通过投票。以这种方式在遍历所有边缘点,它是寻找峰值点的蓄电池抛物线的顶点和曲率(20.,21]。

(2)扫描方法。根据拟议的功能(2),采用扫描方法如下:初始化一个篮球比赛视频标记图像和一个新的图像大小相同的结果,然后,初始化一个三维的零矩阵,用来记录边界曲线上的点的坐标。第一个像素点的开始遍历整个视频图像。②根据对应点的值在篮球比赛视频标签图像确定当前标记点,如果是,然后遍历下一个点;否则,③。③确定当前点的值是否大于0。如果是的,那么输入④;否则,它将穿过下一个点。④确定是否存在一个非零的区域直接低于当前的点。如果有,垂直长度增加1,并将当前点非零的点,继续⑤;否则,退出④,和恢复当前指向原来的当前点位置。再次去⑤。⑤确定纵向长度从当前点大于阈值的长度。如果大于该值,去⑥;否则,它将穿过下一个点。

确定是否存在一个非零的点在该地区直接在当前点。如果有,将当前点的值分配给新的结果视频图像中的对应点,然后,记录点的三维坐标价值矩阵(第一个维度表示固定在视频图像的边界曲线,第二维度对当前边界曲线,代表了不动点和第三维度代表当前的坐标点),标志着视频图像中的对应点的值重置为1,最后,设置当前点非零的点;去⑥;否则,退出⑥和恢复当前点到最初的当前点位置,然后,继续遍历下一个点。

最后,结果的篮球比赛视频地图边界曲线提取 ,这可以作为后续视频镜头分割优化的基础。

2.4。直方图算法基于时间分割算法的优化篮球比赛的录像

基于上述分析,整体框架建立了视频分割的篮球比赛。视频数据从RGB空间转换到HSV空间的视频镜头边界检测的篮球比赛和图像帧的处理,直方图的统计数据是用来降低视频图像的维数,和视频中的三种颜色组件组合成一个一维的特征向量来获取视频的量化水平。一维向量作为变量进行直方图统计和分析视频拍摄和计算连续帧差累积帧差,窗框的区别,自适应窗口的意思是,和superaverage比篮球比赛视频。计算结果结合动态阈值设置为优化时间分割视频拍摄的篮球比赛。

总体框架的篮球比赛的时间分割如图所拍摄的视频5。

篮球比赛视频通常是由RGB值,这需要从RGB空间转换到HSV空间。当执行直方图统计,计算量太大,所以需要dimension-reduced。根据人类视觉分辨率、颜色分为8个部分,饱和和亮度空间分别分为三部分,并获得以下表达式:

根据上面的量化水平,篮球比赛视频中的三色的组件组合成一维特征向量,表达式如下: 在哪里和代表组件的量化水平和 ,分别为, ,和 。它可以转换成

而三个组成部分 , ,和分布的一维向量 ,的价值范围从 。使用一维向量量化作为变量降维后,篮球比赛视频拍摄的直方图统计分析还需要计算连续帧差的篮球比赛视频,累积帧差,窗框的区别,自适应窗口的意思是,和superaverage比率。

2.4.1。连续帧差异

提供 作为一个篮球比赛视频的视频帧序列,对应的直方图 。篮球比赛视频的连续帧差的差值直方图计算连续相邻帧。计算公式是

的公式,代表了直方图的视频帧之间的区别和框架篮球比赛的称为连续帧框架的差异 。

2.4.2。累积帧差异

累积帧差指的是篮球比赛的视频th帧的图像在视频序列作为参照系,直方图差值计算每一帧和参考系之间。因此,获得不同的价值系列的累积帧差th框架在篮球比赛的视频图像如下: 在哪里代表了直方图差值之间的篮球比赛视频帧和框架 , 。

2.4.3。窗框的区别

它指的比例连续每一帧的帧差连续帧差的第一窗口框架窗口,和的最大值比窗口的框架不同。它的表达式是 在哪里是视频,窗框的区别窗口的大小,窗口的开始帧,窗口内的帧序列, 。

2.4.4。自适应窗口的平均值

它指的是自适应地打开一个窗口帧大小认为梯度开始帧位置,每个连续帧的平均值不同窗口。其计算公式如下: 在哪里的均值自适应窗口的窗口框架。

2.4.5。Supermean比率

这意味着,在设置窗口中,每一帧图像的连续帧差大于自适应窗口的平均值。获得的比例与窗口大小的superaverage比窗口。计算公式是 在哪里代表了superaverage比率和窗口代表了比例因子。通过计算连续帧差累积帧差,窗框的区别,自适应窗口的意思是,和superaverage比篮球比赛视频,视频的时间分割了篮球比赛,篮球比赛的视频和截图进行了分析,为了做到细分优化。

之间切换镜头的变化指的是一个镜头,另一枪。通过方程的计算(16),连续帧差篮球比赛的视频序列可以反过来,和两个动态阈值和设置, 和 , 系数。结合动态阈值与上面的计算结果可以优化时域分割的视频拍摄的篮球比赛。表达式是

最优解,以及视频的时间分割的优化在篮球比赛完成后拍摄的。

3所示。结果

实验选择CPU处理器、2 GB内存,运行软件MATLAB, Windows7多运行系统。为了验证该算法的有效性,时间分割优化算法基于直方图算法,基于帧间差异分布的时间分割优化算法和渐进模型,和基于边界分类的时间分割优化算法用于测试错过的检出率(忽略比率的影响因素和表达的比例系数是常数μ),结果如图6。

对图的分析6(一)显示的漏检率视频拍摄对应视频拍摄数字1到6之间的篮球比赛是0和40%,波动不大。从图可以看出6 (b)的视频检测率视频拍摄的视频拍摄数字1到6号的篮球比赛是相对较高的,从60%到100%不等,最高的漏检率接近100%。在图6 (c),最高的漏检率的篮球视频拍摄接近80%。基于数据中提供的数据6(一)- - - - - -6 (c),很清楚地看到,错过了第三方法检出率低。因此,它可能表示的检出率篮球比赛的视频截图算法较低,这表明该算法在优化时间分割精度高的篮球比赛视频拍摄。

使用视频镜头的分割时间进一步研究视频拍摄时间分割的效率优化,分割时间越短,效率越高,测试结果如图7。

在图7,方法1代表算法本文方法4代表了优化基于MapReduce的分割算法,和方法5代表优化分割算法的基础上,新的移动对象。从图可以看出7(一),12个迭代的镜头分割时间小于0.6秒。在数据7 (b)和7 (c),12次迭代的镜头分割时间0.5 - -0.9和0.5 - -1.0年代之间,分别。图的分割时间最长7 (c)接近1。比较结果表明,该算法具有最短的时间片段视频拍摄的篮球比赛,这表明该算法更高效的优化时间分割的篮球比赛视频拍摄。

4所示。讨论

通过测试错过检出率的篮球比赛视频,视频拍摄时间分割的准确性验证该算法的优化。图6代表错过的检出率(百分比)三种方法,建议和其他两种方法。结果表明,该方法具有较小的错过了检测时间比其他方法。另外,图7表明该方法的分割时间最短。在此基础上,用于拍摄的时间分割进一步比较。上述两个实验不仅验证时间分割的准确性的优化算法的篮球比赛视频截图也有效地完成篮球比赛的时间分割优化视频拍摄。

5。结论

基于直方图算法,时间分割算法的研究侧重于优化篮球比赛的录像。它分为两个阶段:使用的漏检率篮球比赛录像测试时间分割的准确性优化,验证该算法可以准确地优化视频分割。使用的分割时间篮球比赛的视频截图测试时间分割的效率优化、验证,该算法可以有效地完成篮球比赛的时间分割优化视频拍摄。

数据可用性

使用的数据来支持这个研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

本研究工作是自筹资金。