留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于重叠区域相关系数的视频影像关键帧提取算法

卢小平 卢遥 焦金龙 童小华 张继贤

卢小平, 卢遥, 焦金龙, 童小华, 张继贤. 基于重叠区域相关系数的视频影像关键帧提取算法[J]. 武汉大学学报 ● 信息科学版, 2019, 44(2): 260-267. doi: 10.13203/j.whugis20170038
引用本文: 卢小平, 卢遥, 焦金龙, 童小华, 张继贤. 基于重叠区域相关系数的视频影像关键帧提取算法[J]. 武汉大学学报 ● 信息科学版, 2019, 44(2): 260-267. doi: 10.13203/j.whugis20170038
LU Xiaoping, LU Yao, JIAO Jinlong, TONG Xiaohua, ZHANG Jixian. Key Frame Extraction Algorithm for Video Images Based on Correlation Coefficient of Overlap Regions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(2): 260-267. doi: 10.13203/j.whugis20170038
Citation: LU Xiaoping, LU Yao, JIAO Jinlong, TONG Xiaohua, ZHANG Jixian. Key Frame Extraction Algorithm for Video Images Based on Correlation Coefficient of Overlap Regions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(2): 260-267. doi: 10.13203/j.whugis20170038

基于重叠区域相关系数的视频影像关键帧提取算法

doi: 10.13203/j.whugis20170038
基金项目: 

国家重点研发计划 2016YFC0803103

航空遥感技术国家测绘地理信息局重点实验室开放课题 2016B12

详细信息
    作者简介:

    卢小平, 博士, 教授, 博士生导师, 主要研究方向为摄影测量与遥感。hpuluxp@163.com

    通讯作者: 卢遥, 博士生, 工程师。156291029@qq.com
  • 中图分类号: P231;TP37

Key Frame Extraction Algorithm for Video Images Based on Correlation Coefficient of Overlap Regions

Funds: 

The National Key Research and Development Program 2016YFC0803103

the Key Laboratory for Aerial Remote Sensing Technology of NASG 2016B12

More Information
    Author Bio:

    LU Xiaoping, PhD, professor, specializes in photogrammetry and remote sensing.E-mail: hpuluxp@163.com

    Corresponding author: LU Yao, PhD candidate, engineer, E-mail: 156291029@qq.com
图(8) / 表(3)
计量
  • 文章访问数:  922
  • HTML全文浏览量:  75
  • PDF下载量:  255
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-04-11
  • 刊出日期:  2019-02-05

基于重叠区域相关系数的视频影像关键帧提取算法

doi: 10.13203/j.whugis20170038
    基金项目:

    国家重点研发计划 2016YFC0803103

    航空遥感技术国家测绘地理信息局重点实验室开放课题 2016B12

    作者简介:

    卢小平, 博士, 教授, 博士生导师, 主要研究方向为摄影测量与遥感。hpuluxp@163.com

    通讯作者: 卢遥, 博士生, 工程师。156291029@qq.com
  • 中图分类号: P231;TP37

摘要: 提出了3种基于影像重叠区相关系数的视频影像关键帧快速提取算法。该算法首先采用多项式快速、准确地拟合出视频影像相关系数的变化趋势,然后利用相邻关键帧影像重叠区的高相关特性实现关键帧帧位的快速、准确提取,并通过实例与基于重叠度计算关键帧算法的时效性进行对比。结果表明,该算法单次计算相关系数的时间相对于单次重叠度计算时间缩短了近4倍,准确度达到88%,且针对不同拍摄手段下的视频影像,提取的关键帧影像精度较高。同时,还对基于视频提取的关键帧影像进行全景图拼接,结果显示未出现明显场景缺失,且可靠性高,适用性强。

English Abstract

卢小平, 卢遥, 焦金龙, 童小华, 张继贤. 基于重叠区域相关系数的视频影像关键帧提取算法[J]. 武汉大学学报 ● 信息科学版, 2019, 44(2): 260-267. doi: 10.13203/j.whugis20170038
引用本文: 卢小平, 卢遥, 焦金龙, 童小华, 张继贤. 基于重叠区域相关系数的视频影像关键帧提取算法[J]. 武汉大学学报 ● 信息科学版, 2019, 44(2): 260-267. doi: 10.13203/j.whugis20170038
LU Xiaoping, LU Yao, JIAO Jinlong, TONG Xiaohua, ZHANG Jixian. Key Frame Extraction Algorithm for Video Images Based on Correlation Coefficient of Overlap Regions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(2): 260-267. doi: 10.13203/j.whugis20170038
Citation: LU Xiaoping, LU Yao, JIAO Jinlong, TONG Xiaohua, ZHANG Jixian. Key Frame Extraction Algorithm for Video Images Based on Correlation Coefficient of Overlap Regions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(2): 260-267. doi: 10.13203/j.whugis20170038
  • 近年来,视频数据在诸多领域得到了广泛应用,尤其是随着视频监控技术及搭载平台的快速发展,视频监视已成为应急指挥的主要技术手段。但由于视频影像相邻帧间重叠度大、存在大量数据冗余,将所有视频数据作为处理对象会显著增加数据处理的工作量,从而降低数据的处理效率。因此,将视频影像中满足一定重叠度要求的部分帧(称为关键帧)作为处理对象,是减少数据的处理量、提高计算效率的重要技术手段。

    目前,视频影像的关键帧提取方法大多是基于视频内容的检索[1-7],即首先建立当前关键帧的特征(聚类)空间,然后计算下一帧与当前关键帧的特征距离,并通过设置特征距离阈值对关键帧进行筛选提取,计算效率较高。但如果将视频影像用于测绘方面,相邻关键帧之间就必须满足一定的重叠度要求,而采用上述算法获取的关键帧影像之间的重叠度浮动差异较大,无法满足测绘精度要求。针对上述问题,许多学者提出了新的关键帧提取算法,如Li等[8]、Szeliski[9]、De Haan等[10]、张剑清等[11]利用同名点匹配方法,通过逐帧计算并筛选关键帧,准确得到了满足重叠度要求的关键帧,但这些算法由于采用逐帧计算,处理效率低,难以满足对时效性要求较高的应用领域。刘永等提出了一种分层式自适应帧采样的关键帧提取算法,对关键帧进行二次筛选,提高了拼接的效率[12]。Fadaeieslam等[13]、林宗坚等[14]通过Kalman滤波预测影像4个角点的运行轨迹,实现计算相邻帧图像之间的重叠度,但由于受飞行姿态不稳定的影响,该方法难以通过数学模型进行准确预测。李朝奎等[15]提出基于POS(positioning and orientation system)的关键帧选取算法,但其仅适应于飞行姿态相对稳定的视频影像。刘善磊等根据摄像机的规格参数、飞行平台速度、地面相对高程等先验知识,计算出相邻帧之间的理论重叠度,并按照固定的帧幅间隔筛选关键帧,但该方法在地形起伏较大地区难以保证达到对重叠度的要求。邢诚[17]提出了一种简化SIFT(scale-invariant feature transform)计算重叠度的方法,提高了关键帧提取的效率。柳长安等[18]提出一种基于影像空间地理位置的快速提取算法。

    上述关键帧提取算法均是通过计算当前关键帧与上一帧之间的重叠度来提取关键帧,即设置初始关键帧及重叠度的阈值,如果当前帧符合重叠度阈值要求,则将其视为关键帧;否则,递归到下一帧继续进行计算。上述算法虽然都能较为准确地提取出关键帧,但必须循环计算上一关键帧影像与后续每一帧影像的航向重叠度,直至满足重叠度要求的下一关键帧出现。由于重叠度无法直接量测,只能通过同名点计算得出,而提取同名点并进行匹配需要大量的计算工作,从而降低了数据处理的效率。因此,本文提出一种基于重叠区域相关系数的关键帧快速提取算法,该算法依据相邻关键帧重叠区域的高相关性计算相关系数,并采用多项式拟合的方法拟合出视频影像的相关系数变化趋势,实现对关键帧帧位的准确定位,从而快速准确地提取出关键帧。

    • 视频影像相邻视频帧之间的重叠度通常高达90%,相邻帧之间存在较大的相关性(两幅影像的重叠区域越大,其相关性就越大),因此可以利用相邻视频帧之间的相关系数替代重叠度进行关键帧提取。

      相关系数是标准化的协方差函数,协方差函数除以两个信号的方差即得相关系数。当目标影像的灰度与搜索影像的灰度之间存在线性畸变时,仍然能较好地评价其相似性程度。相关系数可通过两幅影像的灰度矩阵直接计算求解,即:

      $$ r = \frac{{{\mathit{\boldsymbol{D}}_{{I_1}{I_2}}}}}{{\sqrt {{\mathit{\boldsymbol{D}}_{{I_1}}} \times {\mathit{\boldsymbol{D}}_{{I_2}}}} }} $$ (1)

      式中,r为相关系数;参数DI1DI2DI1I2的计算式为:

      $$ \left\{ \begin{array}{l} {\mathit{\boldsymbol{D}}_{{I_1}}} = \frac{{\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {{{\left( {{\mathit{\boldsymbol{I}}_1}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{I_1}} \right)} \right)}^2}} } }}{{m \times n}}\\ {\mathit{\boldsymbol{D}}_{{I_2}}} = \frac{{\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {{{\left( {{\mathit{\boldsymbol{I}}_2}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{I_2}} \right)} \right)}^2}} } }}{{m \times n}}\\ {\mathit{\boldsymbol{D}}_{{I_1}{I_2}}} = \\ \frac{{\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {\left( {{\mathit{\boldsymbol{I}}_1}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{I_1}} \right)} \right) \times \left( {{\mathit{\boldsymbol{I}}_2}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{I_2}} \right)} \right)} } }}{{m \times n}} \end{array} \right. $$ (2)

      式中,mn为灰度矩阵的总行数、总列数;E(I)为灰度矩阵灰度均值;I(i, j)为灰度矩阵ij列的灰度值。

      将式(2)代入式(1),可得到相关系数的计算公式:

      $$ r = \frac{{\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {\left( {{\mathit{\boldsymbol{I}}_1}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{I_1}} \right)} \right) \times \left( {{\mathit{\boldsymbol{I}}_2}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{I_2}} \right)} \right)} } }}{{\sqrt {\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {{{\left( {{\mathit{\boldsymbol{I}}_1}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{I_1}} \right)} \right)}^2}} } \times \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {{{\left( {{\mathit{\boldsymbol{I}}_2}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{I_2}} \right)} \right)}^2}} } } }} $$ (3)

      由式(3)可以看出,解算相关系数r实质上就是两幅灰度图像的矩阵运算。由于图像的灰度矩阵可以通过计算机直接读取,避免了对重叠度进行点特征提取及影像匹配,从而减少了计算量,提高了数据处理的效率。在视频帧图像处理过程中,考虑到相邻关键帧之间的不相关区域(非重叠区域)约占整幅影像的40%(本文以60%作为对相邻关键帧的重叠度要求),如果将相邻两幅帧图像直接进行相关性计算,势必会增加算法的错判率,降低处理结果的准确性。为提高计算精度,本文将相邻两幅图像的相关区域作为处理对象,并对式(1)进行了改进和优化,即:

      $$ r = \frac{{\mathit{\boldsymbol{D}}\left( {{{\left( {{\mathit{\boldsymbol{I}}_1} \cap {\mathit{\boldsymbol{I}}_2}} \right)}_1},{{\left( {{\mathit{\boldsymbol{I}}_1} \cap {\mathit{\boldsymbol{I}}_2}} \right)}_2}} \right)}}{{\sqrt {\mathit{\boldsymbol{D}}{{\left( {{\mathit{\boldsymbol{I}}_1} \cap {\mathit{\boldsymbol{I}}_2}} \right)}_1} \times \mathit{\boldsymbol{D}}{{\left( {{\mathit{\boldsymbol{I}}_1} \cap {\mathit{\boldsymbol{I}}_2}} \right)}_2}} }} $$ (4)

      式中,(I1I2)1、(I1I2)2为左右影像重叠区域的灰度矩阵(如图 1中黑色区域),分别用I1I2替换,其计算公式如下:

      图  1  左右相邻影像的重叠区域

      Figure 1.  Overlapping Region of Left-Right Adjacent Images

      $$ \left\{ \begin{array}{l} {{\mathit{\boldsymbol{I'}}}_1}\left( {i,j} \right) = {\mathit{\boldsymbol{I}}_1}\left( {i,j + n \times \left( {1 - P} \right) + 1} \right)\\ {{\mathit{\boldsymbol{I'}}}_2}\left( {i,j} \right) = {\mathit{\boldsymbol{I}}_2}\left( {i,j} \right)\\ \;\;\;\left( {i = 1,2 \cdots m;j = 1,2 \cdots n \times P} \right) \end{array} \right. $$ (5)

      式中,I1(i, j)、I2(i, j)为影像重叠区域灰度矩阵;P为影像重叠度。

      结合式(2)可将式(4)变换为如下形式:

      $$ r = \frac{{\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^{n \times P} {\left( {{{\mathit{\boldsymbol{I'}}}_1}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{{\mathit{\boldsymbol{I'}}}_1}} \right)} \right) \times \left( {{{\mathit{\boldsymbol{I'}}}_2}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{{\mathit{\boldsymbol{I'}}}_2}} \right)} \right)} } }}{{\sqrt {\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^{n \times P} {{{\left( {{{\mathit{\boldsymbol{I'}}}_1}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{{\mathit{\boldsymbol{I'}}}_1}} \right)} \right)}^2}} } \times \sum\limits_{i = 1}^m {\sum\limits_{j = 1}^{n \times P} {{{\left( {{{\mathit{\boldsymbol{I'}}}_2}\left( {i,j} \right) - \mathit{\boldsymbol{E}}\left( {{{\mathit{\boldsymbol{I'}}}_2}} \right)} \right)}^2}} } } }} $$ (6)

      改进后的式(6)虽然与式(3)结构相似,但实际参与计算的数据仅为影像重叠区域,数据量压缩为原数据的P倍,显著提高了计算效率。同时,由于该算法仅有重叠区域参与计算,在一定程度上抑制了不相关区域的影响,提高了相关系数法判别重叠区域的准确性。

    • 本文提出的关键帧提取算法是以相关系数作为判断准则,建立当前帧与上一关键帧之间相关系数的算法模型,无需逐帧检测影像之间的相关系数,从而提高计算效率。在计算相关系数时,若将当前关键帧中的重叠区域视为运动目标,像幅视为静止对象,就会发现重叠区域范围会随着拍摄时间的延续逐渐向像幅后方移动,直至完全离开。由图 1可以看出,当像幅重叠区域从图 1(a)移动到图 1(b)位置时,左右相邻影像的重叠度达到60%,此时相关系数最大,即随着重叠区域的移动,相关系数呈先增大、后减小的变化趋势,而最大值对应的影像则为下一关键帧影像。

      将少量影像作为实验数据进行多项式拟合,能够近似拟合出影像相关系数变化趋势,尤其是当数据量大且具有一定规律时,多项式拟合能够快速、真实地呈现数据的动态变化趋势,具有计算效率高、拟合真实度高、定位准确等特点。因此,如何选择最佳的多项式拟合形式以及最优的数据采样间隔,能准确反映结果的细微变化(即曲线拟合函数返回的极值位置与实际位置差值较小),实现数据极值位置的快速定位,是本文重点研究的问题。

      多项式拟合就是利用实验数据A=(x, y)求取近似函数y=f(x),反映离散数据的分布规律,从而实现对数据的分析与预测。其一般形式为:

      $$ y = f\left( x \right) = {a_1}{x^m} + {a_2}{x^{m - 1}} + \cdots + {a_m}x + {a_{m + 1}} $$ (7)

      式中,x为输出量;y为被测物理量;a1, a2an为多项式系数。

      为保证近似函数的准确性,以最小二乘法为约束条件,使实验数据的y值与函数f(x)差值的平方和最小,则数学表达式为:

      $$ \varphi = \varphi \left( {{a_1},{a_2} \cdots {a_{m + 1}}} \right) = \sum\limits_{i = 1}^{m + 1} {{{\left( {\sum\limits_{k = 0}^m {{a_{m - k + 1}}x_i^k} - {y_i}} \right)}^2}} $$ (8)

      式中,m为多项式的阶数。为筛选出相关系数最大值所在的帧位,需要尽量多的影像参与解算,以反映出相关系数的变化趋势,但参与解算的影像过多会降低计算效率。因此,本文通过设定关键帧位置,并在该关键帧设定的邻域内按照一定的采样间隔选取出4帧影像,将这4帧影像、理论关键帧与初始关键帧联合解算相关系数,得到离散点分布图,然后通过曲线拟合获得关键帧的准确帧位。

      为了真实描述视频流影像的变化趋势,本文结合参与拟合的影像数量采用4次多项式对参与拟合影像的相关系数进行曲线拟合, 则式(7)可化简为:

      $$ y = {a_1}{x^4} + {a_2}{x^3} + {a_3}{x^2} + {a_4}x + {a_5} $$ (9)
    • 为了验证本文算法的适用性及准确性,分别对水平拍摄、垂直拍摄以及航拍正视获取的视频影像进行关键帧提取,其中视频帧率为30帧/s,水平拍摄视频影像像幅为1 080×1 920,垂直拍摄视频影像像幅为1 280×720,航拍正视视频影像像幅为1 920×1 080。基于帧率、像幅及拍摄状态等先验知识,将获取初始关键帧与第2关键帧的理论帧间距T作为本文关键帧提取算法的初始帧间距。然后以最佳的采样间隔Δ进行多项式拟合,得到当前关键帧帧位,并将当前帧间距作为与下一关键帧的理论帧间距,直至所有关键帧提取完毕。其中参与实验的视频影像如图 2所示。

      图  2  视频影像

      Figure 2.  Video Images

      采用Matlab编程实现对视频数据进行分割并获取序列影像,得到与初始关键帧帧间距为T的帧影像,在其设定邻域内以特定的采样间隔Δ选取4帧影像,分别与初始关键帧计算相关系数,直至所有相关系数计算完毕;利用多项式对相关系数进行拟合,将拟合函数最大值处的影像帧设为关键帧;计算与初始关键帧的实际帧间距,将该帧间距作为与下一关键帧的初始帧间距,重复上述过程直至关键帧选取完成。本文总体技术流程如图 3所示。

      图  3  相关系数法关键帧提取流程

      Figure 3.  The Process of Key Frame Extraction Based on Correlation Coefficient Algorithm

    • 为验证本文所提算法的适用性,将本文算法选取的关键帧影像进行重叠度计算,并对关键帧影像选取的正确性进行判定;然后与基于重叠度的关键帧选取算法的计算效率、准确性两项指标进行对比;最后将关键帧拼接的全景影像与视频全景拼接影像进行对比,作为判断场景信息是否缺失的依据。

    • 多项式拟合精度取决于拟合曲线能否近似地反映出视频流的实际变化趋势。拟合曲线是由5个离散点(按照设定的采样间隔)通过式(9)拟合得到,因此采样间隔的确定是多项式拟合准确性的重要前提。

      为确定最佳采样间隔Δ,分析不同采样间隔的多项式拟合精度,本文采用一组总数为200帧的序列影像进行实例验证。设第1帧影像为关键帧,第100帧预选为下一理论关键帧,并由该帧位向左右两侧分别以Δ=5、10、15、20、30为采样间隔各获取5幅帧影像,分别计算每张帧影像与关键帧的相关系数,以确定不同采样间隔的关键帧最佳帧位。得到的离散点分布与拟合的曲线如图 4所示,不同采样间隔选取的关键帧帧位如表 1所示。

      图  4  离散点分布与拟合曲线

      Figure 4.  Distribution of Discrete Points and Fitting Curves

      表 1  曲线拟合帧位对应表

      Table 1.  Correspondence Table of Frame Positions Based on Curve Fitting

      采样间隔Δ 关键帧帧位 拟合值(峰值) 实际值 重叠度/%
      5 97 0.903 6 0.912 4 61.1
      10 98 0.894 4 0.913 2 60.4
      15 99 0.892 7 0.904 5 59.6
      20 103 0.893 7 0.859 1 58.3
      30 107 0.898 1 0.836 3 57.6

      表 1可以看出,采样间隔Δ分别为5、10、15时,关键帧帧位相差很小;当采样间隔Δ分别为20、30时,关键帧帧位变化明显。多项式拟合时,较小的采样间隔对局部变化趋势拟合效果最佳。由于相机在拍摄过程中难以持续保持平稳,骤然抖动或倾斜造成影像序列重叠度的陡增或骤减,都会对较小采样间隔的拟合结果造成影响,如出现峰值前移、后退甚至丢失等情况,因此在确保拟合精度的同时,应尽量加大采样间隔。由表 1可知,采样间隔Δ分别为5和10的拟合结果相似,本文以Δ=10进行多项式拟合,图 5为拟合出的关键帧影像与初始关键帧影像重叠区域,由此看出,多项式拟合选取的帧影像与关键帧影像重叠区域相似度高,具有较高的定位精度。

      图  5  关键帧影像与提取影像的重叠区域

      Figure 5.  The Overlapping Region of Key Frame Image and Selected Images

    • 利用本文算法分别筛选出关键帧影像8帧、3帧、26帧,对应序列影像数分别为366帧、310帧以及340帧,显著减少了参与计算的数据量。为验证本算法的有效性,以准确度、时效性及信息量3个指标对关键帧选取结果进行对比分析。

      1) 准确度。准确度是指提取的关键帧之间的重叠度能够满足规定重叠度的比例,为验证本算法提取的准确度及对不同拍摄方式下的视频影像的适用性,依次进行关键帧提取。受拍摄过程中设备及环境影响,实际的影像重叠度不可能完全达到理论值,而是在该值附近摆动。因此,将计算重叠度与理论重叠度差值在2%内的关键帧视为准确提取,不同重叠度的提取结果准确度如表 2所示。

      表 2  不同拍摄方式下相关系数法提取的准确度

      Table 2.  The Accuracy Extracted by Coefficient Correlation Algorithm of Different Shooting Modes

      拍摄方式 最大值 最小值 平均值 关键帧帧数 准确度
      水平 62.9% 60.3% 61.6% 8 88.0%
      垂直 61.2% 60.2% 60.7% 3 100.0%
      航拍 63.4% 57.3% 60.0% 26 84.5%

      表 2可知,不同拍摄方式下提取的关键帧均在60%上下浮动,其中垂直拍摄准确度最高,水平拍摄次之,航拍最低。经分析发现,其主要因素在于拍摄过程中速度大小不一,随着拍摄速度的增大,姿态变化对相邻影像的重叠度也增大,而航拍无人机飞行速度较快,使得拍摄瞬间的轻微抖动也能造成影像之间重叠度的显著变化。此外,从表 2中还可以发现,本文算法针对不同拍摄方式的视频影像,关键帧提取准确度均优于80%,具有较高适应性。

      2) 时效性。本算法以相关系数作为判别关键帧影像依据,与基于重叠度的提取算法相比,缩短了提取关键帧的时间进度,如表 3所示。

      表 3  相关系数法与其他算法对比结果

      Table 3.  The Comparison of Correlation Coefficient Algorithm and Other Algorithms

      关键帧提取算法 平均单次相关系数(重叠度)计算时间/s 总计算时间/s 准确率/%
      相关系数法 1.892 83.52 88
      逐帧重叠度算法 7.423 1 723 100
      先验知识重叠度算法 7.423 103.79 53

      表 3可以看出,相关系数与逐帧重叠度算法相比,虽准确率降低至88%,但单次计算相关系数的时间相对于单次重叠度计算时间缩短了近4倍,整体时效性提高近21倍;与先验知识重叠度算法相比,准确度及时效性均显著提高。

      3) 全景拼接效果对比。将关键帧影像拼接效果与逐帧影像拼接的效果进行对比,检查场景信息有无损失。二者对比结果如图 6图 7图 8所示。

      图  6  近景拍摄视频影像①拼接图

      Figure 6.  The Panchromatic Image① After Mosaic with Close-Range Photography

      图  7  近景拍摄视频影像②拼接图

      Figure 7.  The Panchromatic Image② After Mosaic with Close-Range Photography

      图  8  航拍视频影像拼接图

      Figure 8.  The Panchromatic Image After Mosaic with Aerial Photography

      图 6图 7图 8可以看出,关键帧影像与逐帧影像拼接结果基本一致,信息量缺失并不明显,能够满足后续数据的处理需要。

    • 针对视频影像信息冗余度高、处理效率低等问题,本文算法在实验中取得了比较满意的结果,在技术路线上主要作出以下创新。

      1) 提出了基于重叠区域相关系数的关键帧提取算法,以相邻帧的相关系数替代重叠度作为选取关键帧的依据。

      2) 通过多项式拟合实现关键帧位置快速、准确定位。在提高了视频影像关键帧提取的计算速度的同时,利用少量关键帧有效保留了视频数据的大量场景信息,能够满足后续的数据处理。

参考文献 (18)

目录

    /

    返回文章
    返回