隨著日益豐富的視頻數(shù)據(jù)的出現(xiàn)，人們迫切期望能在大量視頻數(shù)據(jù)中方便、快速地檢索到自己感興趣的視頻段。而要實(shí)現(xiàn)視頻檢索，通常是先將視頻分割成獨(dú)立的視頻鏡頭。鏡頭是指一個(gè)攝像機(jī)鏡頭連續(xù)拍攝的一組內(nèi)在相關(guān)的連續(xù)幀，用來(lái)表現(xiàn)在時(shí)空上連續(xù)的一組運(yùn)動(dòng)，是視頻檢索的基本單元。鏡頭之間的變換通常分為切變（Cut）和漸變（Gradual）兩大類(lèi)，其中漸變鏡頭變換又可分為溶解（Dissolve）、掃換（Wipe）、淡入（Fade in）與淡出（Fade out）[1-3]等。檢測(cè)出不同類(lèi)型的鏡頭變換是對(duì)視頻高層內(nèi)容分析、分類(lèi)、檢索和其他應(yīng)用的基礎(chǔ)，因此，對(duì)鏡頭類(lèi)型變換檢測(cè)準(zhǔn)確性的高低將直接影響到后續(xù)處理效果。

　　視頻鏡頭邊界檢測(cè)是視頻分段、組織、索引的首要步驟。本文在總結(jié)分析現(xiàn)有的鏡頭邊界檢測(cè)技術(shù)的基礎(chǔ)上，深入研究了突變鏡頭的檢測(cè)?？偨Y(jié)了視頻鏡頭邊界檢測(cè)中的方法和評(píng)價(jià)準(zhǔn)則，并對(duì)各種方法進(jìn)行比較。對(duì)直方圖方法進(jìn)行了深入的探討，利用灰度直方圖計(jì)算出幀間不連續(xù)值的方法來(lái)檢測(cè)突變的方法，實(shí)驗(yàn)證明該方法可以準(zhǔn)確快速地定位鏡頭邊界。對(duì)漸變鏡頭檢測(cè)也作了相應(yīng)的分析，且介紹了邊緣檢測(cè)方法。鏡頭檢測(cè)是視頻分析的首要工作，綜述了當(dāng)前鏡頭邊界檢測(cè)的研究成果，并對(duì)其中具有代表性的方法進(jìn)行了分析比較。

　　由于視頻鏡頭變換的多樣性以及視頻幀高維性的特點(diǎn)，很難從高維中尋找到它們內(nèi)在的特征，但通過(guò)選擇恰當(dāng)?shù)乃惴ㄔ诒３指呔S特征的情況下，把高維降到低維，然后通過(guò)分析低維中的數(shù)據(jù)，得出高維視頻變換的特征數(shù)據(jù)。根據(jù)流形學(xué)習(xí)的特性和視頻數(shù)據(jù)的特點(diǎn)，把視頻表示成一幅幅圖像隨著時(shí)間變化而變化的一個(gè)高維空間，圖像之間在時(shí)間軸上是局部相關(guān)的，圖像之間呈現(xiàn)出特有的分布，把這種分布，看成是一個(gè)低維的流形嵌入到高維空間中進(jìn)行處理。

　　1 基于局部線性嵌入（LLE）的視頻鏡頭變換學(xué)習(xí)

　　局部線性嵌入LLE（Locally Liner Embedding）[6]是流形學(xué)習(xí)中的一種。流形學(xué)習(xí)是從觀測(cè)到的現(xiàn)象中尋找事物的本質(zhì)，找到產(chǎn)生數(shù)據(jù)的內(nèi)在規(guī)律。本文用它來(lái)提取鏡頭之間的特征，以期得到對(duì)各種鏡頭分類(lèi)的效果。

　　1.1 基于LLE特征提取

　　LLE算法操作簡(jiǎn)單，且算法中的優(yōu)化不涉及到局部化。該算法能解決非線性映射，但是，當(dāng)處理數(shù)據(jù)的維數(shù)過(guò)大，數(shù)量過(guò)多，涉及到的稀疏矩陣過(guò)大，不易于處理。在圖1中的球形面中，當(dāng)缺少北極面時(shí)，應(yīng)用LLE算法則能很好的將其映射到二維空間中，如圖1中的C所示。如果數(shù)據(jù)分布在整個(gè)封閉的球面上，LLE則不能將它映射到二維空間，且不能保持原有的數(shù)據(jù)流形。那么我們?cè)谔幚頂?shù)據(jù)中，首先假設(shè)數(shù)據(jù)不是分布在閉合的球面或者橢球面上。 LLE算法是近提出的針對(duì)非線性數(shù)據(jù)的一種新的降維方法，處理后的低維數(shù)據(jù)均能夠保持原有的拓?fù)潢P(guān)系。它已經(jīng)廣泛應(yīng)用于圖像數(shù)據(jù)的分類(lèi)與聚類(lèi)、文字識(shí)別、多維數(shù)據(jù)的可視化、以及生物信息學(xué)等領(lǐng)域中。

　　LLE算法是從流形的局部入手，一個(gè)局部鄰域上的流形可以近似看成是具有線性特征，在這個(gè)小的局部鄰域上的一個(gè)點(diǎn)就可以用它的相鄰點(diǎn)在二乘意義下的線性表示，通過(guò)連接的鄰域就可以從局部逐步擴(kuò)展到整體，處理過(guò)程如下。

　　給定視頻Video,把視頻看成是由幀序列{f1,f2,…，fn}構(gòu)成的。

　?。?）將視頻幀序列fi（i=1,…，n）轉(zhuǎn)化為M×N（M、N為視頻的行數(shù)、列數(shù)）的一維向量Fi,轉(zhuǎn)換后視頻幀變成n個(gè)f向量；

　?。?）用LLE算法提取鏡頭變換特征。

　　保存原流形中局部鄰域間的相互關(guān)系，將高維數(shù)據(jù)映射到一維全局坐標(biāo)系中，具體算法如下：

　　步驟1:鄰域點(diǎn)搜索。計(jì)算出每個(gè)向量Fi的鄰域點(diǎn)，通常取歐式距離的K個(gè)點(diǎn)為鄰域或者固定半徑ε的球狀鄰域。

　　步驟2:求重構(gòu)誤差。在Fi的鄰域中，計(jì)算能重構(gòu)每個(gè)Fi的權(quán)值Wij,使重構(gòu)誤差，即式（1）的值。

　?。?）特征提取

　　根據(jù)上面算法的步驟，把視頻中得到的n個(gè)f向量數(shù)據(jù)作為數(shù)據(jù)源，用到LLE算法中，經(jīng)過(guò)局部嵌入學(xué)習(xí)，求出一維向量Y,根據(jù)Y向量的值畫(huà)出如圖1所示的特征圖。

　　因LLE對(duì)K值敏感，不同的K值，即使特征值不同也有可能得到相同的特征曲線，圖1中算法的K值都取固定值15.對(duì)于2個(gè)鏡頭之間是切變變換，兩鏡頭變換處的2幀之間形成一個(gè)突然上升或下降的級(jí)躍，如圖1（a）所示；對(duì)于溶解型鏡頭變換，特征曲線表現(xiàn)為一個(gè)向下或向上的的光滑曲線，如圖1（b）所示；對(duì)于掃換型鏡頭變換，特征曲線表現(xiàn)為一個(gè)不光滑的鋸齒型曲線，如圖1（c）所示；對(duì)于淡入淡出型鏡頭變換，特征曲線成一個(gè)"n"形或類(lèi)似于"n"形曲線，如圖1（d）所示。

　　為了便于特征的提取并能正確地反映鏡頭變化的過(guò)程，在提取特征時(shí)需選擇合適的點(diǎn)數(shù)（即幀數(shù)），本文選擇21個(gè)數(shù)據(jù)點(diǎn)作為鏡頭之間變換的過(guò)程進(jìn)行實(shí)驗(yàn)。如果鏡頭變換過(guò)程中幀的數(shù)目多于21幀，則要對(duì)其進(jìn)行抽樣，采用等間距地抽取數(shù)據(jù)點(diǎn)，如淡入淡出鏡頭變換特征曲線，變換過(guò)程中共有71幀，如圖2中的帶星號(hào)線所示，經(jīng)過(guò)抽樣等距點(diǎn)后，變換成圖2中左邊的無(wú)星號(hào)的特征曲線，仍然保持原來(lái)漸變過(guò)程變換的特征。

　　1.2  K近鄰視頻鏡頭學(xué)習(xí)

　　有了一維流形Y向量的數(shù)據(jù)，得到了視頻幀序列的一維線性曲線。根據(jù)線性曲線的特點(diǎn)，用K近鄰法對(duì)視頻序列進(jìn)行學(xué)習(xí)，找出鏡頭變換的類(lèi)型。算法的流程如圖3所示。

　?。?）預(yù)處理鏡頭類(lèi)型檢測(cè)；

　?。?）將步驟（1）中處理的數(shù)據(jù)分為兩部分，一部分作為學(xué)習(xí)集，另一部分作為測(cè)試集；

　?。?）提取鏡頭類(lèi)型一維流形的特征，并根據(jù)預(yù)處理的鏡頭類(lèi)型作相應(yīng)類(lèi)型標(biāo)簽；

　?。?）通過(guò)K近鄰分類(lèi)器測(cè)試測(cè)試集中鏡頭類(lèi)型，并分出相應(yīng)類(lèi)別的識(shí)別率。

　　2 實(shí)驗(yàn)與分析

　　2.1 選擇數(shù)據(jù)源

　　為了驗(yàn)證本文所述方法的有效性，在開(kāi)放式視頻庫(kù)（www.open-video.org）中幾段視頻，各段視頻幀數(shù)、鏡頭類(lèi)型數(shù)和鏡頭數(shù)量如表1所示。

　　2.2 實(shí)驗(yàn)比較與分析

　　從表1中抽取每種鏡頭數(shù)各30個(gè)，共120個(gè)，然后從120個(gè)鏡頭變換中隨機(jī)抽取每種各20個(gè)作為學(xué)習(xí)數(shù)據(jù)，剩下作為測(cè)試數(shù)據(jù)。用KNN分類(lèi)器進(jìn)行分類(lèi)，驗(yàn)證上述方法的實(shí)驗(yàn)結(jié)果及其受K值的影響情況。取相應(yīng)的 K值，實(shí)驗(yàn)結(jié)果數(shù)據(jù)如表2所示，不同K值實(shí)驗(yàn)結(jié)果如圖4所示。

　　圖4縱坐標(biāo)數(shù)值表示鏡頭變換類(lèi)型的識(shí)別率，橫坐標(biāo)表示K近鄰分類(lèi)器的不同K值。當(dāng)K值為3時(shí)，除溶解的識(shí)別率為90%外，其他三種變換類(lèi)型的識(shí)別率都達(dá)到了100%.從圖4中可以看出，漸變識(shí)別率隨著K值的增加而下降。這是因?yàn)樵谔崛∏€特征，因幀數(shù)過(guò)多，間隔提取幀值時(shí)，造成漸變鏡頭特征曲線相互靠近，使?jié)u變鏡頭類(lèi)型特征曲線可能互串。從平均識(shí)別率看，在K值為3時(shí)，識(shí)別可達(dá)97.5%;在K值為9時(shí)，識(shí)別率為77.5%.

　　本文提出了一種基于流形學(xué)習(xí)和K近鄰分類(lèi)器相結(jié)合的鏡頭類(lèi)型檢測(cè)方法。通過(guò)流形學(xué)習(xí)獲得了視頻幀的原始特征，便于把高維變換到低維來(lái)分析、處理。

　　今后還要做的工作有：針對(duì)漸變或漸變中的一種采用流形實(shí)現(xiàn)鏡頭變換的檢測(cè)；實(shí)現(xiàn)一個(gè)能自動(dòng)處理視頻鏡頭分割的系統(tǒng)，為關(guān)鍵幀提取、視頻摘要做好堅(jiān)實(shí)的基礎(chǔ)。