基于时域局部线性预测的视频镜头变换检测

提出了通过时域局部线性预测，在统一框架中准确、高效地检测视频镜头的切变和叠化等镜头变换的新方法．通过理论分析和基于视频数据的线性回归，分别得到叠化预测模式和平稳镜头预测模式．通过同时比较分析两个线性预测模式的误差，在统一框架中检测切变和叠化变换．由于直接在视频流压缩域中进行分析，因此节省了视频解码的时间．采用新方法检测时仅需要对整数进行加、减、比较和移位操作，计算复杂度很低，适合在低功耗、嵌入式设备上运行．采用MPEG-7标准测试视频的实验结果显示：切变检测查全率为95．5％，查准率为93．9%；叠化变换检测查全率为82．2%，查准率为76．0％．检测一段38min的视频耗时仅3．5s．     

基于压缩感知理论的杂草种子分类识别

在农业领域,实现自动、准确、稳健的种子分类识别算法是具有重要经济意义的.由于杂草种子的类别很多,大小、形状、纹理等特征变化多样,即使一个类别的种子,不同的特征也会在数量上有所差异.另外,由于种子常常会因潮湿、病菌等因素,产生霉块或病斑即是连续遮挡或噪声的问题,而之前的算法不适合解决此问题.文中通过求解一个复合的欠定线性方程组优化问题来解决杂草种子的连续遮挡问题.文中利用压缩感知理论在机器学习领域的运用,用主成分分析、下抽样、随机取样等方法对种子图像降维,然后就把杂草种子分类问题归结为一个求解待测样本对于整体训练样本的稀疏表示问题.问题的求解通过e~1范式最小化完成.实验结果表明,利用稀疏表示算法进行分类,可以达到很好的识别效果,对于87类的杂草种子,最好的识别率是90.80%.     

摄相机运动识别及视频分割的组合检测新方法

针对视频镜头分割处理的需求，提出了一种综合运动参数曲线法．它以由压缩域视频流中运动信息估计出的摄像机运动参数为基础，对视频流进行基于内容的分析．该方法的特点是在对视频流处理中将摄像机的运动识别与视频分割问题综合考虑，在求取帧间摄像机运动参数以及判断连续帧间的摄像机运动趋势的同时，可一并实现对视频流时域上的自动分割，以及近景镜头等的识别，对各种类型视频均采用相同的技术操作和统一的门限值，具有上佳的鲁棒性，对MPEG组织专用于内容检索的10类共计284min的标准视频进行了实验，查全率达92％～100％，查准率也高达86％以上(动画及体育片段除外)，证实了所提方法的有效性。