基于ap聚类算法的视频调节技术研究

基于ap聚类算法的视频调节技术研究

0基于改进的ap聚类算法的关键帧提取随着视频采集、存储和分发技术的进步，学生日常访问视频的数量显著增加。如何帮助学生有效地浏览及检索其感兴趣的视频,将具有重要的理论意义和实用价值。作为基于内容的视频检索多年来,各种聚类算法被应用于关键帧提取。通常来说,当聚类完成后,在每个类别中选择一幅图像作为关键帧。这种聚类算法的性能在很大程度上依赖于用户输入值的大小或设置阈值参数值高低(例如,簇的数目)。此外,用于测量帧之间的相似度的标准也显著地影响了关键帧设置。并且,许多现有的视频检索方法在预处理阶段使用均匀采样方法会导致一些信息帧的排斥。本文描述了一种新型的有效利用改进的AP聚类提取视频关键帧的方法。该方法按照图像帧颜色信息分布不均匀特征对AP聚类的输入矩阵(也称为相似度矩阵)增加权重且自适应调整阻尼系数,避免了提取关键帧的不可靠和用户手动设置阻尼系数的随机性的影响,提高了关键帧的准确性和有效性。1视频的分割和相关图像的形成视频根据其自身的结构特征,被划分为场景、镜头和视频帧三个层次,镜头边缘检测(也称为镜头分割)是视频检索和视频摘要的第一步,主要是将视频进行有效地分割先把视频转化为m个帧,然后将m个帧分为B(3×3)个区域,接着计算每一个区域的灰度直方图,最后通过对B个区域中进行加权得到最后的相似度。根据m个帧之间的相似度和高低阈值系数可以对镜头进行突变检测和渐变检测。1.1分块直方图的改进YUV颜色空间是一种颜色编码方法,该方法经常被用于电视系统,其特点是可以隔离亮度信号Y和色度信号U、VYUV颜色空间可以通过RGB空间转换得到,具体情况如公式⑴。在对帧进行直方图统计时,会丢失位于帧中像素点的位置信息,导致反映视频的空间信息困难,所以本文采用分块直方图作为解决方案从图2可以看出,将m个帧不均匀分为M×N(文中为3×3)大小的子块,A区域位于帧的中心,它包含了一幅帧的主要信息,赋予较大的权重;相对于A而言,B、C、D、E区域中所包含的帧信息量较少,则赋予较小的权重;F、G、H、I区域含有的帧信息量最小,赋予最小的权重。计算m个相邻帧之间对应子块的直方图差值为:公式⑵中的变量Y_value相邻两个视频帧之间对应的Y分量的直方图差值FramDiff1.2镜头的渐变与镜头的渐变在一个视频中,同一组镜头内各个帧表示的信息相似,而镜头间的帧表示的信息差别较大。镜头的突变是根据帧之间的Y分量直方图帧差值较大形成的,而镜头的渐变则是根据帧的亮度不断变化来实现的。计算当前检测镜头的帧差值总和FramDiffAll为:其中i的初始值取视频中首帧编号,n表示镜头当前位置帧到第一帧直接的帧数目突变镜头检测的自适应高阈值为:渐变镜头检测的自适应低阈值为:其中公式⑺和公式⑻中的高阈值系数μ值和低阈值系数υ值对镜头检测准确度影响很大,经过大量的实验对比,这里取μ的值为3.5,υ的值为1.6。1.3相似度矩阵d的检测由公式⑺和公式⑻的高阈值和低阈值与相邻帧之间的相似度矩阵D中的相似度做比较,进行镜头的切变检测和渐变检测。如果相似度比低阈值小,表明两个帧之间存在突变;反之则表明两个帧之间存在渐变。2关键组件的提取2.1基于ap算法的聚类更新迭代算法AP(affinitypropagationclustering)算法是由Frey等人于2007年提出的一种新型无监督聚类算法算法以n个数据点两两之间的相似度组成的相似度矩阵S初始r(i,k)和a(i,k)均为0,r(i,k)和a(i,k)的值的大小与k点成为聚类中心的可能性正相关。AP算法的核心是吸引度和归属度两个消息的更新迭代过程,具体过程如下:公式⑼中是计算相似度矩阵S(i,j)的大小,其中p(i)称之为参考度p(preference),它影响着AP聚类的数目。假设潜在的聚类中心都是由每个数据点组成,那么参考度的取值相等;如若参考度的取值为相似度矩阵S(i,j),则迭代后的聚类数目相等;如若参考度取值最小,则迭代生成的聚类数目最少公式⑿和⒀中λ为收敛系数,可以通过调节收敛系数的大小控制算法的收敛速度及稳定性。聚类中心在迭代次数范围内不发生变化或者迭代次数超过预期设置的最大阈值条件下,程序停止计算,并确定各类的样本点以及聚类中心,否则在其他条件下,程序继续迭代2.2改进的ap算法2.2.1基于ap聚类的聚类分析方法传统的AP聚类算法对不同帧之间的相似度矩阵S的值是通过计算两个不同帧之间的平方欧式距离,并且对一个帧的相似度矩阵S(k,k)的值参考度p取值为S的均值。采用该方法计算简便、时间复杂度低,但是容易导致在最后聚类之后得到的关键帧类别不精确(也就是说本应该在该类中的关键帧却在另外一类中),查准率不高;也忽略了帧与帧之间的相互关联关系。为了减小不同帧之间的相似度矩阵的误差和精确地找出关键帧并提高聚类的精度,本文在传统的AP聚类算法上对相似度矩阵增加了权重。在各帧之间计算视频帧的相似度的时候,帧和帧之间会存在关联关系,具体计算方式如公式⒂和⒃公式。公式⒂和⒃中,S(i,j)是输入数据2.2.2调整选集系数传统的AP聚类算法收敛系数固定不变,文献假设共有n个数据点,两两之间的相似度组成相似度矩阵S公式⒄中λ3结果与分析3.1实验环境及硬件环境实验在Windows764位操作系统下进行,软件测试环境为MATLABR2010b,实验的硬件环境为CPU:Intel(R)Core(TM)2Duo,内存:4G。3.2聚类效果保证本研究通过两个指标衡量聚类算法的性能:F-度量值假设n对应的F-度量值F(i,j)的定义如下:全局聚类的F-度量值的定义为:其中n为帧总数和,F值越高,证明聚类效果越好。3.3算法收敛效果对比为了衡量文中提出的在关键帧提取中所用改进AP算法与传统的AP算法之间的优劣性,从C语言程序设计、机器学习、Web智能与大数据和数据挖掘四个教学视频中抽取了部分视频进行测试,其中视频序列从1500多帧到8000帧之间,每一帧为640×360像素。四类视频提取的关键帧的结果如表1。表2中通过AP算法收敛情况对比图给出了各种系数所对应的收敛次数。由表2可知,本文提出的自适应动态调整阻尼系数方法的收敛次数比手动设置的收敛系数的收敛次数要少,同时能提升视频聚类的精度和效率。图4中反映了AP算法在各收敛系数下的收敛情况,X轴为迭代次数,Y轴为每次迭代过后E矩阵对角线上数据之和。可以看出,收敛系数越大,收敛速度越慢,而本文提出的收敛系数自动调整算法在收敛刚开始时能够较快的接近稳定状态,之后快速进入稳定状态。本文从C语言程序设计、机器学习、Web智能与大数据和数据挖掘四个教学视频中选取视频,并且通过F-度量值评价指标,把传统的AP聚类算法与改进的AP聚类算法做对比实验,通过考虑相邻帧之间的相似性,聚类实验中把增加了权重的相似度矩阵作为输入,得到各视频流所对应的F-度量值,其结果如表3。从表3可以看出,分别在四个不同的层次视频中,改进的AP聚类算法的F-度量值要比传统的AP聚类算法的F-度量值高,因此改进后的算法的聚类效果要比传统的算法好。从影视中选取一部视频教程《数据挖掘》中的某一段视频,分别利用传统的方法与改进的方法来提取该教学视频中的关键帧,最后得出实验结果如图5和图6中所示。从图5和图6中的对比实验结果图中可以看出,利用本文提出的方法提取出来的关键帧的数目要比传统算法的关键帧数目少,并且本文方法的聚类精度比传统的AP算法的高。4实验验证与分析本文通过考虑视频帧之间的区域相关性和人工设置阻尼系数的偶然性,提出了一种新型且有效的利用区域相关和自适应阈值的AP聚类方法。该方法根据视频帧中的颜色信息分布不均匀特征对AP聚类的输入矩阵增加权重并且根