发明名称 视频播放次数统计方法
摘要 本发明涉及图像处理技术和模式识别技术领域,公开了一种视频播放次数统计方法,包括以下步骤:S1、定义视频图像序列F={f<sub>1</sub>,f<sub>2</sub>,f<sub>3</sub>,…,f<sub>N</sub>},抽取其中的关键帧的特征向量,并得到特征向量集合adv={V<sub>1</sub>,V<sub>2</sub>,…,V<sub>M</sub>}以及得到特征数据库adv_db={adv<sub>1</sub>,adv<sub>2</sub>,…,adv<sub>L</sub>};S2、对一定数量的视频进行检测并根据所述特征数据库统计视频播放次数。本发明采用一组关键特征来表述一段视频,利用多尺度网格与haar特征相结合的方法实现了视频自动提取关键特征的功能,从而实现了实时视频与模板视频的图像内容匹配,且利用关键特征频率直方图累计积分的方法统计视频广告播放次数,这种方法由于关键帧特征向量长度短,匹配快,非常适合大规模的视频库搜索比对,适用于统计视频播放次数。
申请公布号 CN103020094B 申请公布日期 2016.03.16
申请号 CN201110427829.6 申请日期 2011.12.19
申请人 北京捷成世纪科技股份有限公司 发明人 苏鹏宇;徐洪伟
分类号 G06F17/30(2006.01)I 主分类号 G06F17/30(2006.01)I
代理机构 北京路浩知识产权代理有限公司 11002 代理人 王莹
主权项 一种视频播放次数统计方法,其特征在于,包括以下步骤:S1、定义视频图像序列F={f<sub>1</sub>,f<sub>2</sub>,f<sub>3</sub>,…,f<sub>N</sub>},抽取其中的关键帧的特征向量,并得到特征向量集合adv={V<sub>1</sub>,V<sub>2</sub>,…,V<sub>M</sub>}以及得到特征数据库adv_db={adv<sub>1</sub>,adv<sub>2</sub>,…,adv<sub>L</sub>},L为视频总个数,M、N均为正整数;S2、对一定数量的视频进行检测并根据所述特征数据库统计视频播放次数;步骤S1具体包括:1.0,设视频图像序号为n;1.1,对视频图像f<sub>n</sub>作网格划分,定义<img file="FDA0000805204090000015.GIF" wi="168" he="76" />为划分后的子图像,k代表分割的尺寸,k=2,4,8,i代表网格行坐标,j代表网格列坐标;1.2,利用积分图方法对子图像<img file="FDA0000805204090000016.GIF" wi="168" he="74" />提取8个haar特征,得到特征向量<img file="FDA0000805204090000018.GIF" wi="386" he="80" />表示<img file="FDA0000805204090000017.GIF" wi="168" he="80" />对应子块的特征向量;1.3,若n=1,则保存<img file="FDA0000805204090000019.GIF" wi="186" he="79" />转到步骤1.1;若n&gt;1,则转到步骤1.4;1.4,对连续两帧视频图像计算相似度S(f<sub>n</sub>,f<sub>n+1</sub>);<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>S</mi><mrow><mo>(</mo><msub><mi>f</mi><mi>n</mi></msub><mo>,</mo><msub><mi>f</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow><mo>=</mo><munder><mo>&Sigma;</mo><mrow><mi>k</mi><mo>=</mo><mn>2</mn><mo>,</mo><mn>4</mn><mo>,</mo><mn>8</mn></mrow></munder><mrow><mo>(</mo><munderover><mo>&Sigma;</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>k</mi></munderover><munderover><mo>&Sigma;</mo><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>k</mi></munderover><mi>S</mi><mo>(</mo><mrow><msubsup><mi>V</mi><mi>n</mi><mi>k</mi></msubsup><mrow><mo>(</mo><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mo>)</mo></mrow><mo>,</mo><msubsup><mi>V</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow><mi>k</mi></msubsup><mrow><mo>(</mo><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mo>)</mo></mrow></mrow><mo>)</mo><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000805204090000011.GIF" wi="1111" he="185" /></maths>其中,<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>S</mi><mrow><mo>(</mo><msubsup><mi>V</mi><mi>n</mi><mi>k</mi></msubsup><mo>(</mo><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mo>)</mo><mo>,</mo><msubsup><mi>V</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow><mi>k</mi></msubsup><mo>(</mo><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mo>)</mo><mo>)</mo></mrow><mo>=</mo><mi>a</mi><mi>c</mi><mi>o</mi><mi>s</mi><mrow><mo>(</mo><mfrac><mrow><msubsup><mi>V</mi><mi>n</mi><mi>k</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>&CenterDot;</mo><msubsup><mi>V</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow><mi>k</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow><mrow><mo>|</mo><msubsup><mi>V</mi><mi>n</mi><mi>k</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>|</mo><mo>|</mo><msubsup><mi>V</mi><mrow><mi>n</mi><mo>+</mo><mn>1</mn></mrow><mi>k</mi></msubsup><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>|</mo></mrow></mfrac><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000805204090000012.GIF" wi="1182" he="196" /></maths>acos表示反余弦函数;1.5,对连续两帧视频图像进行判别,若S(f<sub>n</sub>,f<sub>n+1</sub>)&gt;S<sub>0</sub>,将当前图像的特征向量V<sub>n</sub>加入特征集合adv,S<sub>0</sub>为预设的阈值;1.6,将n加1,若n&lt;N,则将<img file="FDA0000805204090000013.GIF" wi="164" he="78" />赋值给<img file="FDA0000805204090000014.GIF" wi="219" he="81" />转步骤1.1,否则,直接得到视频对应的特征向量集合adv;对每一段视频重复步骤1.1~1.6,得到特征数据库:adv_db={adv<sub>1</sub>,adv<sub>2</sub>,…,adv<sub>L</sub>};步骤S2具体包括:2.0,定义adv_stat={freq<sub>i</sub>|i=1,2,3,…,L},freq<sub>i</sub>为第i个视频的播放次数,L为视频总个数;2.1,对于任一视频t时刻的一帧图像f<sub>t</sub>,利用步骤1.1和1.2计算图像特征向量V<sub>t</sub>;2.2,判断f<sub>t</sub>是否在特征数据库adv_db中,并统计f<sub>t</sub>的播放次数;2.3,将t加1,若t≤T,则转至步骤2.1;否则转至步骤2.4,T表示连续视频帧总数;2.4,统计所有视频播放次数;步骤2.2具体包括:2.2.0,定义adv_freq={freq<sub>i,j</sub>|i=1,2,3,…,L;j=1,2,3,…,M},freq<sub>i,j</sub>表示第i个视频的第j个关键帧f<sub>i,j</sub>出现的次数,M为视频的特征向量个数;2.2.1,初始化集合adv_freq为零,即freq<sub>i,j</sub>=0;2.2.2,令i=1;2.2.3,令j=1;2.2.4,利用步骤1.4计算两帧图像相似度S(f<sub>t</sub>,f<sub>i,j</sub>);2.2.5,若S(f<sub>t</sub>,f<sub>i,j</sub>)&lt;T<sub>1</sub>,则将freq<sub>i,j</sub>加1;2.2.6,将j加1,若j≤M,则转至步骤2.2.4;否则转至步骤2.2.7;2.2.7,将i加1,若i≤L,则转至步骤2.2.3;否则转至步骤2.3;步骤2.4具体包括:2.4.1,令i=1;2.4.2,求{freq<sub>i,j</sub>|j=1,2,3,…,M}的最大值freq_max;2.4.3,计算频率直方图Freq_Hist={h(0),h(1),…,h(freq_max)},h(l)表示第i个视频出现次数为l的关键帧数,l=0,……,freq_max;2.4.4,求频率直方图累计积分;2.4.5,根据频率直方图累计积分结果求得视频的最多播放次数;2.4.6,将i加1,转步骤2.4.2计算下一个视频的播放次数;步骤2.4.4具体包括:2.4.4.1,令r=freq_max‑1;2.4.4.2,计算h(r‑1)=h(r)+h(r‑1);2.4.4.3,将r减1,若r&gt;=2,转至步骤2.4.4.1;否则转至步骤2.4.5。
地址 100191 北京市海淀区知春路1号学院国际大厦七层