简介:大学硕士与本科运动矢量毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载,关于免费教你怎么写运动矢量方面论文范文。
基于运动特征的不良视频检测算法
安红心
刘艳民
(兰州大学信息科学与工程学院兰州730000)
摘 要:提出了一种适用于流媒体中的不良视频检测算法.首先从MPEC压缩视频流中提取运动矢量,然后对运动矢量进行预处理,剔除噪声干扰,从而提取出不良视频中的运动特征,通过设定阈值实现整段视频的判别.实验表明,该算法识别率达到80%,鲁棒性较好,适用于各类不良视频的过滤与检测.
关键词:运动矢量运动特征不良视频检测
1. 引言
近年来,随着互联网与多媒体技术的发展,越来越多的视频内容在网络上传播,因此,如何阻止网络中不良视频的传播引起了人们的高度重视.与此同时,许多机构也推出了大量的研究成果,譬如MIMEsweeper公司开发的PORNsweeper系统、法国Look - That - Up公司研发的图像过滤与检索系统ImageFilter等,可以在一定程度上阻止不良图片信息在网上的传播.D.A.Forsyth、M. M. Fleck [2]等人通过分析人体结构不同区域的肤色和文理特性,从而判断图片中是否包含*,并以此识别论文范文图片.Jeong,Kim&Hong [3]利用基于区域肤色检测、纹理分析、身形信息以及特征向量分类未识别*图片.段立娟、崔国勤[4]等人则提出基于人类视觉的图像分析机理和肤色模型检验、支持向量机( SVM)分类以及最近邻方法检验的综合图像处理方法,对论文范文图片进行识别.以上方法在论文范文图片的识别方面取得了较好的效果,但是只适用于图片检测.吕丽、杨树堂[5]等人利用局部光流信息提取关键帧,然后通过对关键帧肤色检测来达到对整段不良视频进行检测.但是该方法是以关键帧为基础,依然属于论文范文图片的检测,方法中没有运用视频自身的特性,因此,在不良视频检测方面存在着不足.为了有效杜绝论文范文信息泛滥、净化网络,对流媒体中不良视频的检测就变得十分重要,如何有效识别、阻止不良视频信息在网上的传播日益成为研究热点.
通过对MPEG压缩视频流的分析发现,码流中的运动矢量代表了视频编码时相邻图像间的运动信息,是视频的主要特性,并且,运动矢量的获取具有直观性以及方便性,使得它在有关运动对象的研究中有着极为重要的应用.通过运动矢量研究运动对象的规律,避开了动态背景、物体颜色、形状等难点.以运动矢量为研究对象,本文提出了基于运动特征的不良视频检测算法.
2. 基于运动特征的不良视频检测算法
该算法通过提取MPEG视频流的运动矢量,经过噪声滤波获得运动特征,最后,根据运动特征判断整段视频是否为不良视频.
2.1算法结构
本文提出的不良视频检测算法包括4个步骤:
(1)首先从MPEG压缩视频流中提取运动矢量;
(2)对运动矢量进行预处理,采用矢量中值滤波器滤除干扰矢量,通过平均值法消除摄像头运动引入的矢量;
(3)提取运动特征,通过分析方向直方图和幅度值获取运动特征;
(4)设定检测阈值,判断一段视频是否为不良视频.
流程图如图1所示.
2.2运动矢量提取
运动矢量( Motion Vector,MV)是本算法的基础,在MPEG视频码流中提取运动矢量是关键技术之一.依据MPEG标准[6],MPEG视频流由三类不同的帧组成,即I-帧(内帧)、P-帧(前向预测帧)、B-帧(双向预测帧),如图2所示.其中,I-帧采用的是帧内编码方式,重构时不需要参照任何其他帧;为减少空间、时间的冗余,P-帧的数据则由前面的I-帧或P-帧进行前向预测得到,只需要前面的一个I-帧或者P-帧即可重构;B-帧的数据则由前面与后面的I-帧和P-帧或者P-帧和P-帧进行双向预测才能得到,需要两个帧才能重构.
运动矢量是前后帧之间运动对象的位移量,如图3所示,分为水平位移量和垂直位移量两部分.运动矢量代表了运动对象在帧间的简单位移,存在一定的误差,称为运动补偿.有了运动矢量和运动补偿就可以实现P-帧、B-帧的解码.但是,将运动矢量应用于整个帧并不合适,于是,在编码时将每一帧分成多个16x16像素的宏块(macro block),每个宏块再进一步划分为4个8x8像素的基本块.每一个基本块的原始数据经过DCT( Discrete Cosine Tran论文范文orm)变换量化处理,按照Zig - Zag顺序得到存储序列.P-帧是I-帧的预测,根据时间冗余度进行运动补偿,其数据流仅是一些与-I帧颜色对比的差值和预测运动矢量,压缩比很高.而B-帧由已知的I-帧和后面的P-帧数据经过时间、空间冗余的预测而得到.因此本文提取出P一帧和B-帧帧的运动矢量做为后面处理的数据.
运动矢量素材:流体速度和运动矢量026高精度灰体辐射
2.3运动矢量预处理
压缩码流中的运动矢量通过运动估计获得,但MPEG采用的基于宏块匹配的运动估计技术,主要考虑的是码流的压缩效率而非估计的准确性,因此,运动矢量并不能代表真实的运动情况.此外,外界环境变化,摄像头移动,以及噪声的进入都可能在码流中产生相应的运动矢量.鉴于此,在进行运动检测之前,必需考虑尽可能的将这些不利于运动检测结果的运动矢量滤除.本文提出了一种运动矢量预处理办法.
2.3.1 归一化运动矢量
通过对帧序列结构( GOP)的理解,对从不同类型的帧中提取出的运动矢量进行归一化.这里对经过MPEG压缩的视频流序列结构都被认为是IBiB2P等这样的形式,且每种结构中有12帧.根据B帧的参考帧P帧,从B帧中提取出的运动矢量被归一化.尽管B帧中既有前向又有后向运动矢量,这里仅考虑其中的任何一个,可以提高运动矢量的可靠性.在GOP序列结构中,前向运动矢量仅考虑为B.,后向运动矢量仅考虑为B2.根据它们的参考帧P帧量化这些运动矢量.假设B帧的所有的运动矢量在I和P帧之间是线性的,这使得运动矢量和帧类型是独立的.上面提到的GOP结构,P帧的运动矢量是从它之前的I或者P帧预测的,这两者之间的时间间隔被认为三个单位(每任意两个序列帧之间的距离被认为是一个单位).由于Bi帧的前向预测运动矢量都是从前一个I或者P帧中得到的,它们之间的时间间隔是一个单位.通过上面的讨论,对B.帧量化后的运动矢量在x方向的位移mx等于mxm×3,其中mxg1是从B1帧中得到的运动矢量,对B2帧量化后的运动矢量mx等于mxr2×(-3),mxg2是从B2帧中得到的运动矢量.计算y方向的运动矢量用相同的方法.
2.3.2 向量中值滤波
一般来说,一个物体内部的运动应该是一致的,因此组成运动对象的宏块的运动矢量也应当是一致的.但事实上,运动估计考虑的是压缩编码的效率,从而导致运动对象内部的运动矢量并不平滑,如图4(a)所示.为此我们采用了向量中值滤波器在空域上对运动矢量进行平滑.
2.3.2平均值法
经过滤波后的矢量图依然存在一些小的运动矢量,是由于摄像头的移动引起的.本文再通过平均值法来滤除.
其中N为一帧图像中运动矢量2-范数不为O的矢量总数.MV(i,j)为坐标(i,j)处的运动矢量.||-||表示矢量的范数运算.通过阈值判决,小于阈值的点被认为小运动矢量,进行滤除.下一步只对大于阈值的点进行检测.实验表明,经过上述处理后的运动矢量,在一定程度上反应了视频中运动物体的实际运动情况,符合下一步检测的要求.
2.4方向直方图
对于P-帧和B-帧数据提取出的二维运动矢量场,矢量场中包含强度和方向两类运动信息,运动矢量的强度信息反应了运动的空间幅度,矢量的方向反映了运动的趋势,基于以上信息,通过对矢量的强度和方向分别进行分析.对强度分析采取求取均值的方法,对方向通过方向直方图进行分析.将运动矢量的方向量化为8个等间隔的间距,对于每一个运动像素,根据它的运动矢量方向找到对应的方向量化间隔,然后把该量化间隔的计数器加l,这样获得的运动矢量直方图提供了运动矢量图的一个统计信息,如图5所示.
在图5的运动矢量方向直方图中,横坐标代表了量化的8个方向,纵坐标代表了各个方向的统计数.从图中可以看出,统计数最大的方向反应了物体运动的主要趋势.
2.5运动特征
通过对大量不良视频的试验观察,发现不良视频在运动矢量图上表现的特征为运动幅度较大,即Aver-age较大,且在帧速率一定的情况下,在帧速率的1/2帧处都会在方向属性方面存在着明显的向相反方向变化的趋势.如图6所示.
综合这两个特征,本文设定阈值的方法如下:
(1)输入视频,提取每一帧的运动矢量图,计算出每一帧的幅度均值,以及每一帧的方向直方图的统计信息;
(2)对每一帧的方向直方图的主方向进行统计;
(3)对每100帧进行判定,求取100帧的幅度均值,以及这100帧主方向的统计数;
(4)设定阈值进行判决,如果满足这个阈值特性,则输出为不良视频,否则,检测下一个100帧.
3.实验结果
3.1 实验环境与实验结果
为了测试本算法的有效性,选取了不同光照、背景下的70段色论文范文和50段正常视频片段作为训练样本,视频速率都为30fps左右,时间在20s一6min不等.实验环境为一台PIV 2.OGHz、512MB内存的PC机,操作系统为Microsoft Windows Server 2003,将判别准则定为如果100帧内平均阈值为大于4.5,且每100帧内有两个主方向之和超过85,则判别视频为不良视频.对样本数据进行检测,结果如表一所示.最后选取60段色论文范文和60段正常视频对算法进行检测,不良视频检测耗时24min,正常视频耗时30min.算法识别率为85 010,误判率为8.3%.实验结果表明,本算法对不良视频判别比较有效.
对测试集中的60段不良视频,用时为25 min,其中12段视频判别有误,识别率为80 010;又对测试集的60段正常视频进行测试,用时30min,其中10段视频误判为不良视频,误判率为16. 67%.
3.2实验结果分析
传统的方法为基于光流法的不良视频检测算法,它通过利用局部光流信息提取关键帧,然后对关键帧进行肤色检测,来实现对整段视频的判别,该方法面对的难点为很多视频背景色都接近肤色,容易造成误判,而且光照不足也是造成误判的一个主要因素.
通过对比,所提出的基于运动特征的不良视频检测算法利用提取的运动矢量作为判别的依据,不受背景、光照等因素的干扰,具有较好的鲁棒性;检测不良视频耗时较短,且不用考虑肤色检测里面的光照等因素,识别率较高,误判率较低,适应大多数视频检测环境.
4.结束语
本文提出的不良视频检测算法,利用运动矢量的特征提取,避免了不良视频信息检测中常见的肤色、姿态等运算量较大的问题,减少了视频信息检测的运算量以及背景的影响.实验表明,该算法适用于流媒体视频检测环境,具有较高实用价值,对净化网络环境,提高网络健康性和合法性起到良好促进作用.
参考文献
[1] Pornsweeper, http://www. dansdata. com/pomsweeper. htm
[2] Forsyth D A,Fleck M M.Dec. 1996 - Dec.ldentifying Nude Pictures. 1996. in Proceedings of the 3rd IEEE Workshop on Appli-cations of Computer Vision( WACV 96). 1996[C].
[3] Jeong C Y,Kim J S,Hong K S.Appearance - based Nude Image Detection. 2004. Volume 4,P 467 - 470. in Proceedings of the 17th Intemational Conference on Pattern Recognition (ICPR04). 2004[C]
[4]段立娟,崔国勤,高文,张洪明.多层次特定类型图像过滤方法.2002,14(5):404 - 409.计算机辅助设计与图形学学报.2002[J].
[5]吕丽,杨树堂,陆橙年,李建华.基于光流法的不良视频检测算法.2007,33(12):220 - 221,227.计算机工程.2007 [J].
[6] Moving Picture Expert Croup. MPEG Standard ,ISO/IEC. 13818 -4. 2004. Switzerland, Cenevese: ISO Standards ISOTC PortalCompany. 2004[S].
[7]陈杉,于鸿洋,基于MPEG压缩域的运动对象检测方法.2004,20(6):628 - 631.信号处理.2004 [J].
作者简介
安红心,女,1969年生,工程师,主要研究方向为图像处理、数据挖掘.
刘艳民,女,1984年生,硕士研究生,主要研究方向为图像处理、模式识别.
总结:关于免费运动矢量论文范文在这里免费下载与阅读,为您的运动矢量相关论文写作提供资料。
运动矢量素材引用文献:
[1] 运动论文范文 关于运动类论文范文素材8000字
[2] 运动自考开题报告范文 运动相关论文范文素材5000字
[3] 户外运动论文范文素材 关于户外运动类参考文献格式范文2000字