一种视频特征提取和检索方法与流程

本发明涉及视频版权保护领域，具体涉及一种视频特征提取和检索方法。

背景技术

随着计算机技术的快速发展和互联网网络传输速率的快速提升，人们获取信息的方式发生了日新月异的变化，视频已经成了人们获取信息的主要来源。视频的制作和传播的得到了前所未有的发展，与之而来的是视频版权侵权的问题也越来越突出。因此，为保障视频市场的良性发展和视频版权保护出发，亟需视频溯源的高效方法。

技术实现要素：

本发明为了克服以上技术的不足，提供了一种对视频图像帧的特征进行提取进行唯一性计算的视频特征提取和检索方法。

本发明克服其技术问题所采用的技术方案是：

一种视频特征提取和检索方法，包括如下步骤：

a)获取验证视频，对验证视频的帧图像建立积分图像，建立积分图像后构建图像的尺度空间，之后检测特征点；

b)基于特征点进行特征矢量的计算，得到整个图像的特征矢量集V；

c)将特征矢量集V进行聚类，得到不同的聚类类簇，将每一个聚类类簇的中心信息作为每一个关键帧的信息；

d)对关键帧的信息进行词频量化编码处理，得到处理后的视频的特征值V′；

e)获取目标视频，将目标视频执行步骤a)至步骤d)得到目标视频的特征值Vmod；

f)计算特征值Vmod与特征值V′的欧氏距离，将计算得到的欧氏距离与设定阈值相比较，如果计算得到的欧氏距离大于阈值，则认定为目标视频与验证视频不相同，如果计算得到的欧氏距离小于等于阈值，则认定为目标视频与验证视频相同。进一步的，步骤b)包括如下步骤：

b-1)以特征点为中心，构建圆形窗口，将圆形窗口分成4个同心圆环子区域；b-2)对每一个同心圆环所覆盖的范围在其所在的二维坐标系的X方向和Y方向上进行哈尔小波值计算，分别获取X方向的响应值dx以及Y方向的响应值dy；b-3)在每个子区域中以特征点为中心，对X方向的响应值dx以及Y方向的响应值dy进行高斯加权计算，分别得到∑dx及∑dy，统计每个子区域内响应值dx、响应值dy的绝对值之和，分别记为∑|dx|及∑|dy|；

b-4)将各个子区域的特征点的特征矢量排列，通过公式V＝(∑dx,∑dy,∑|dx|,∑|dy)得到整个图像的特征矢量V。

进一步的，步骤c)中使用K-means算法将特征矢量集V进行聚类。

进一步的，步骤d)包括如下步骤：

d-1)通过公式计算得到量化系数式中MAX为关键帧中词频的最大值，MIN为关键帧中词频的最小值；

d-2)通过公式计算得到视频关键帧特征统计信息β，式中m为关键帧分类的中心数；

d-3)将视频关键帧特征统计信息β使用2×N位的二进制序列来标识，整个视频的特征值通过2×N×L位的二进制序列来标识，得到处理后的视频的特征值V′，L为视频关键帧的个数，N为聚类类簇的数量。

本发明的有益效果是：通过对视频中图像帧进行视频特征向量计算，然后基于这些特征信息通过变换得到一个与视频唯一对应的数字序列。内容不相同的视频一般会得到不相同的特征点集合，而内容相似的视频会得到相近的特征点集合，通过这一数字序列进行视频的追踪溯源。这种方法不需要在视频内嵌入任何信息，保持了视频的完整性，且能唯一标识该视频。在保证追溯准确性的同时，还具备一定的实时性，较传统的方式有很大的提高。

附图说明

图1为本发明的视频特征提取流程图。

具体实施方式

下面结合附图1对本发明做进一步说明。

一种视频特征提取和检索方法，需要对视频图像帧的特征进行提取进行唯一性计算，具体包括如下步骤：

a)获取验证视频，对验证视频的帧图像建立积分图像，建立积分图像后构建图像的尺度空间，之后检测特征点。

b)视频的基本元素是视频帧，视频帧相当于图像，对视频进行预处理使之成为固定帧率的视频，然后选取视频的关键帧集合作为特征提取的视频帧图像，因此基于特征点进行特征矢量的计算，得到整个图像的特征矢量集V。

c)将特征矢量集V进行聚类，得到不同的聚类类簇，将每一个聚类类簇的中心信息作为每一个关键帧的信息。

d)对关键帧的信息进行词频量化编码处理，得到处理后的视频的特征值V′。每段视频都有自己独特的视觉词汇集合，因而生成的视频特征值也是唯一的。同时，内容相似的视频拥有相近的特征集合，其生成的特征值也有较高的相似性。

e)获取目标视频，将目标视频执行步骤a)至步骤d)得到目标视频的特征值Vmod。

f)计算特征值Vmod与特征值V′的欧氏距离，将计算得到的欧氏距离与设定阈值相比较，如果计算得到的欧氏距离大于阈值，则认定为目标视频与验证视频不相同，如果计算得到的欧氏距离小于等于阈值，则认定为目标视频与验证视频相同。通过对视频中图像帧进行视频特征向量计算，然后基于这些特征信息通过变换得到一个与视频唯一对应的数字序列。内容不相同的视频一般会得到不相同的特征点集合，而内容相似的视频会得到相近的特征点集合，通过这一数字序列进行视频的追踪溯源。这种方法不需要在视频内嵌入任何信息，保持了视频的完整性，且能唯一标识该视频。在保证追溯准确性的同时，还具备一定的实时性，较传统的方式有很大的提高。

实施例1：

步骤b)包括如下步骤：

b-1)以特征点为中心，构建圆形窗口，将圆形窗口分成4个同心圆环子区域；

b-2)对每一个同心圆环所覆盖的范围在其所在的二维坐标系的X方向和Y方向上进行哈尔小波值计算，分别获取X方向的响应值dx以及Y方向的响应值dy；

b-3)在每个子区域中以特征点为中心，对X方向的响应值dx以及Y方向的响应值dy进行高斯加权计算，分别得到∑dx及∑dy，统计每个子区域内响应值dx、响应值dy的绝对值之和，分别记为∑|dx|及∑|dy|；

b-4)将各个子区域的特征点的特征矢量排列，通过公式V＝(∑dx,∑dy,∑|dx|,∑|dy|)得到整个图像的特征矢量V。

实施例2：

步骤c)中使用K-means算法将特征矢量集V进行聚类。

实施例3：

步骤d)包括如下步骤：

d-1)通过公式计算得到量化系数式中MAX为关键帧中词频的最大值，MIN为关键帧中词频的最小值；

d-2)通过公式计算得到视频关键帧特征统计信息β，式中m为关键帧分类的中心数；

d-3)将视频关键帧特征统计信息β使用2×N位的二进制序列来标识，整个视频的特征值通过2×N×L位的二进制序列来标识，得到处理后的视频的特征值V′，L为视频关键帧的个数，N为聚类类簇的数量。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。