场景切换视频自适应帧间码率控制

针对视频帧中可能出现的大量场景切换,提出一种基于非连接点的场景切换检测算法,提高编码性能,该场景检测算法复杂度低,在运动估计的同时,完成视频场景切换检测。场景切换将导致GOP(group of pictures)长度的变化,并可能出现GOP长度太短的情况。提出改进的自适应GOP时域滤波技术,避免由于GOP太短引起的编码性能下降。针对视频场景切换检测分割出的不同长度的GOP,提出一种基于率失真模型的帧间码率控制算法,利用视频的失真与码率及视频帧复杂度的关系,对帧间码率分配进行优化,提高重构视频帧的总质量。实验结果表明,基于场景检测的自适应帧间码率控制算法能够获得较好的编码性能。     

一种新的H.264视频场景切换检测算法

H.264/AVC QCIF视频场景切换检测是视频应用中一个极具挑战性的研究课题,只利用宏块信息很难得到满意的检测效果,为此提出了一种采用动态阈值和AC相似度的H.264/AVC视频场景切换检测算法,考虑编码预测模式和DCT系数等信息,提出基于编码比特数的动态阈值和基于AC能量的AC图像相似性两个判决准则,据此进行视频场景切换检测。实验结果表明,在高速运动及场景切换频繁的视频上场景切换检测率得到提高,性能也优于现有的算法。     

适配分辨率动态变化的低复杂度视频场景切换检测方法

在数字电视图像后处理中,许多图像增强和指标检测算法模块需要参考前后帧的时域信息,因此当场景内容发生切换时,需要设计出一种准确且可靠的场景切换检测的方法,用以切断场景切换前和场景切换后的各种时域算法的前后关联性。针对网络电视播放视频节目前后帧经常出现的分辨率变化的特性以及场景切换检测中常见的问题,对数字电视图像后处理中的视频场景切换检测算法进行了优化设计,提出了一种基于动态阶数控制直方图分布的优化检测算法。实验结果表明, 相比传统算法,所提算法在场景切换检测的准确度上有显著的提升,针对暗场景下的场景切换以及网络电视中分辨率改变的情形具有较高的准确度。     

用熵阈值方法进行视频场景突变探测

场景突变探测即识别出在场景内容上和前一帧有着重大差别的帧。这就要求有一个能恰当表示两相领帧之间视频内容差异的公式,计算该公式的值,并且设定阈值来确定发生场景突变的帧。该文阐述了一个用于场景探测的新方法。该方法用到了一个差异公式,而这个公式则建立在视频序列中连续帧的颜色直方图之上。为了识别场景突变,用一个熵阈值方法来自动获取阈值,而且用一个优化过程过滤错误的探测。     

基于动态阈值的视频场景切换检测

视频场景切换检测在视频处理领域十分重要,优秀的视频场景切换检测算法对于视频的后续处理,包括信息标注与特征提取等都具有很大的意义.本文以传统的图像处理方法为基础,结合ORB (oriented FAST and rotated BRIEF)快速特征描述子,分别实现图像的相似度估计.通过动态融合因子,将多种基本算法得到的相似度在完整算法中的价值量化,并根据邻帧相似度计算动态阈值,从而提高了算法的稳定性;另外通过流程规划,减少了算法中耗时长的部分的调用次数,最终实现了高效的视频场景切换检测.实验结果表明,视频场景切换检测的准确率有一定程度地提升.     

基于自适应GOP的三维提升小波视频编码技术

在三维提升视频编码框架中,视频运动场景切换时相邻视频帧之间的时间相关性将显著减弱,使得解码视频图像在场景切换处质量急剧下降.针对这一问题,提出了一种新的基于视频亮度分量的场景切换检测方法,并根据场景切换自适应分配图像组(groupof picture GOP)大小.实验结果表明,该自适应分配GOP策略有效提高了三维提升小波视频图像的编解码质量,降低了场景切换对视频编码的影响.     

基于KVM视频的H.264预测模式选择算法

针对H.264/AVC编码器计算复杂度高,难以应用于存在大量局部场景切换的KVM视频序列编码问题,提出一种P帧宏块编码模式选择优化策略。在不采用操作系统GUI、显示驱动等获得视频变化区域的情况下,根据宏块的亮度相关性和宏块的运动信息,检测局部场景切换的发生,跳过INTER模式进入INTRA模式预测决策过程。仿真结果表明,与RDO决策过程相比,该方法可缩短KVM视频序列的P帧20%左右的编码时间。     

基于场景检测的自适应Intra帧差错掩盖算法

为了减小视频传输中的错误对解码端重建视频质量的影响,提出了一种基于场景检测的自适应Intra帧差错掩盖算法。该算法利用H.264/AVC的帧内预测模式分布差异检测Intra帧的场景切换,对非场景切换的Intra帧进行空时域掩盖的失真度估算,在此基础上进行自适应的空时域掩盖。实验结果表明,该算法充分利用了Intra帧的时域相关性,与已有的Intra帧差错掩盖算法比较,该算法恢复的视频序列平均峰值信噪比提高了1~2 dB,具有更好的差错掩盖效果。     

基于双重动态记忆网络的弱监督视频异常检测

视频异常检测需从整段视频中识别帧级别的异常行为。弱监督方法使用正常与异常视频，辅以视频级别标签训练模型，相比无监督视方法展现出了更优越的性能。然而，目前的弱监督视频异常检测方法无法记录视频长期模态，且部分方法为了获得更优的检测效果，利用了未来帧的信息，导致无法在线应用。为此，文中首次提出了一种基于双重动态记忆网络的弱监督视频异常检测方法，通过设计包含两个记忆模块的记忆网络来分别记录视频中长期的正常和异常模态。为了实现视频特征和记忆项的协同更新，采用读操作基于记忆模块中的记忆项对视频帧的特征进行增强，采用写操作基于视频帧特征对记忆项的内容进行更新，同时记忆项的数量在训练的过程中会动态调整从而适应不同视频监控场景的需求。在训练时，设计模态分离损失增加记忆项之间的区分度。在测试时，仅需要记忆项而不需要未来视频帧的参与，从而实现准确的在线检测。在两个公开的弱监督视频异常检测数据集上的实验结果表明，所提方法优于所有在线应用的方法，相比只能离线应用的方法也具有很强的竞争力。     

基于自适应分组与压缩感知的分布式视频编码方法

针对快速场景变换环境中基于压缩感知的分布式视频编码所存在的问题,提出了一种基于自适应动态分组与压缩感知的分布式视频编码方法。对采集的视频帧在基本分组的基础上插入一个自适应分组分离器,通过设定门限阈值实现能够根据视频场景变换的动态调整分组。实验表明,与基本分组方法重构效果相比,采用自适应动态分组方法的重构效果有了较大改进,其峰值信噪比也有大大改善和提高,有效地解决了视频帧中场景变化较快造成的关键信息边缘纹理损失的问题。     

一种面向动画视频的摘要方法

动画视频摘要是目前热门的动画视频处理和检索技术的重要组成部分.针对动画视频与新闻视频、体育运动视频显著不同的特点,提出了一种适合动画视频的摘要方法.首先通过对动画视频的结构分析得到动画视频的可视特征与层次结构,然后分析动画视频内容的重要度选取视频中的重要片段,最后通过缩略粒度选择,按照时序方式组合得到故事板和缩略视频形式的视频摘要.实验证明,该方法比较有效地获得了动画视频摘要,两种形式的摘要对动画视频能够很好的概括和缩略.     

基于动画特征的视频 方法*

针对动画视频与新闻视频、体育运动视频的不同特点,提出了一种适合动画视频的 技术。首先通过对动画视频的结构分析得到动画视频的可视特征与层次结构;然后根据动画视频内容的重要度来选取视频中的重要片段;最后通过粒度选择,按照时序方式组合得到故事板和缩略视频形式的视频 。实验表明该方法能有效地获得动画视频 。     

一种有效的视频场景检测方法

合理地组织视频数据对于基于内容的视频分析和应用有着重要的意义。现有的基于镜头的视频分析方法由于镜头信息粒度太小而不能反映视频语义上的联系，因此有必要将视频内容按照高层语义单元——场景进行组织。提出了一种快速有效的视频场景检测方法，根据电影编辑的原理，对视频场景内容的发展模式进行了分类，给出了场景构造的原则；提出一种新的基于滑动镜头窗的组合方法，将相似内容的镜头组织成为镜头类；定义了镜头类相关性函数来衡量镜头类之间的相关性并完成场景的生成。实验结果证明了该方法的快速有效性。     

一种基于模型的扫换检测方法

视频自动分割是实现视频数据库检索必不可少的一个过程,其基础是镜头边界检测.当前已有的算法能够较准确地检测出镜头突变,但对于镜头的渐变则常常会漏检,这是由于镜头渐变时帧间差没有一个明显的峰值,因而其检测比突变检测要困难得多.扫换是一种常用的视频空间编辑手段,用于实现多种镜头变化.通过分析各种类型的扫换,提出了一种新的基于视频空间编辑模型的扫换检测算法,其性能优于Alattar提出的基于统计特征的算法.对用AdobePremiere5.1生成的各种扫换视频进行检测.实验结果表明,这种扫换检测算法能够较好地适应     

基于DDA的碰撞检测及碰撞仿真

碰撞检测是基于物理的动画,计算机辅助没计,计算机辅助制造,计算几何,虚拟现实,机器人等领域必须解决的关键问题,目前仍是研究热点.非连续变形分析方法是一种较新的土木工程领域的数值模拟技术,可以分析不连续块体的运动.将非连续变形分析方法引入到基于物理动厕领域.在计算辅助设计软件设计的虚拟物理场景下,仿真了汽车撞墙和车辆相撞.仿真结果显示:应用非连续变形分析方法可以成功的实现精确的碰撞检测和模拟真实的碰撞响应,在不连续变形、多块体碰撞仿真方面有较大优势.     

Automatic scene detection for advanced story retrieval

Browsing video scenes is just the process to unfold the story scenarios of a long video archive, which can help users to locate their desired video segments quickly and efficiently. Automatic scene detection of a long video stream file is hence the first and crucial step toward a concise and comprehensive content-based representation for indexing, browsing and retrieval purposes. In this paper, we present a novel scene detection scheme for various video types. We first detect video shot using a coarse-to-fine algorithm. The key frames without useful information are detected and removed using template matching. Spatio-temporal coherent shots are then grouped into the same scene based on the temporal constraint of video content and visual similarity of shot activity. The proposed algorithm has been performed on various types of videos containing movie and TV program. Promising experimental results shows that the proposed method makes sense to efficient retrieval of video contents of interest.     

基于音频分析的视频场景检测

目前场景检测的研究，主要是基于图像和视频。但音频同样具有丰富的场景信息，基于音频分析的计算量是比较少的，对自动或者半自动的场景检测，基于音频分析的方法也是更为让用户接受的。可以把基于音频分析的方法作为视频场景检测的辅助手段，以获得更为准确的场景检测和分割。该文提出了一个基于内容的音频分析系统，对视频序列实现基于音频分析的场景检测和分割。该系统能有效的解决许多诸如图像变化了，而实际场景并未变化的情形。且本系统整体运算复杂度较基于视频／图像的场景检测与分割系统要低。     

Statistical sequential analysis for real-time video scene change detection on compressed multimedia bitstream

The increased availability and usage of multimedia information have created a critical need for efficient multimedia processing algorithms. These algorithms must offer capabilities related to browsing, indexing, and retrieval of relevant data. A crucial step in multimedia processing is that of reliable video segmentation into visually coherent video shots through scene change detection. Video segmentation enables subsequent processing operations on video shots, such as video indexing, semantic representation, or tracking of selected video information. Since video sequences generally contain both abrupt and gradual scene changes, video segmentation algorithms must be able to detect a large variety of changes. While existing algorithms perform relatively well for detecting abrupt transitions (video cuts), reliable detection of gradual changes is much more difficult. A novel one-pass, real-time approach to video scene change detection based on statistical sequential analysis and operating on a compressed multimedia bitstream is proposed. Our approach models video sequences as stochastic processes, with scene changes being reflected by changes in the characteristics (parameters) of the process. Statistical sequential analysis is used to provide an unified framework for the detection of both abrupt and gradual scene changes.     

一种新的基于运动矢量的MPEG VIDEO码流cut检出算法

介绍了一种对ＭＰＥＧ ＶＩＤＥＯ码流中场景切换点进行高速检出的新方法,在计算各帧相对于预测帧的类似度之后进行了类似度的归一化,降低了ｃｕｔ检出算法的复杂度,提高了检出的速度。     

Accurate video text detection through classification of low and high contrast images

Detection of both scene text and graphic text in video images is gaining popularity in the area of information retrieval for efficient indexing and understanding the video. In this paper, we explore a new idea of classifying low contrast and high contrast video images in order to detect accurate boundary of the text lines in video images. In this work, high contrast refers to sharpness while low contrast refers to dim intensity values in the video images. The method introduces heuristic rules based on combination of filters and edge analysis for the classification purpose. The heuristic rules are derived based on the fact that the number of Sobel edge components is more than the number of Canny edge components in the case of high contrast video images, and vice versa for low contrast video images. In order to demonstrate the use of this classification on video text detection, we implement a method based on Sobel edges and texture features for detecting text in video images. Experiments are conducted using video images containing both graphic text and scene text with different fonts, sizes, languages, backgrounds. The results show that the proposed method outperforms existing methods in terms of detection rate, false alarm rate, misdetection rate and inaccurate boundary rate.