基于帧差与非相邻帧差的自适应镜头检测方法

１引言

随着网络与计算机技术的迅速发展，单调的文本信息已不再满足人们的需要，多媒体内容日益进入人们的生活，数字视频得到了越来越多的应用。于是，相关的视频处理的研究也越来越多。镜头分割是视频处理的第一步，是随后的高层内容分析、分类、索引和查询的基础。镜头分割的准确性将直接影响到后续处理的效果。因此，研究镜头的边界检测具有重要的现实意义。

镜头边界的变换方式主要有突变（Ａｂｒｕｐｔｃｈａｎｇｅ）和渐变（Ｇｒａｄｕａｌｃｈａｎｇｅ）两种形式，针对突变和渐变的特点，国内外许多研究者提出了不同的镜头边界检测算法。全局单一阈值法［１］、二次差分法［２］、滑动窗口法、二次帧差法［３］等对突变镜头取得了较好的效果，但对渐变镜头的检测效果不理想。为了提高渐变镜头的检测效果，文献［４］中提出一种数字视频特技镜头检测算法，文献［５，６］中提出利用视频编辑模型检测淡入淡出和叠化等渐变效果。这些方法只对某些特殊类型的渐变效果有效。为了提高突变镜头和渐变镜头的综合检测效果，文献［７］中提出了一种双重阈值法，将突变和渐变融合到一种方法中来实现，很难做到对两种类型的镜头边界都有很好的检测效果。针对以上方案的不足，实现了一种基于帧差和非相邻帧差的自适应镜头检测方法。

２检测方法

２．１方法流程

基于帧差与非相邻帧差的自适应镜头检测方法的流程如图１。

２．２特征的选取

镜头转化边界的存在反映了视频流在时间上的不连续性，因此选取的特征应能更好的表达这种不连续性。目前用于镜头边界检测的特征主要有：直方图特征值、边缘（轮廓）特征值、运动特征值等。边缘特征值一般先从图像中计算物体的边缘，分析边缘的变化量来判断镜头转换。常用的边缘计算方法有Ｒｏｂｅｒｔｓ算子、高斯拉普拉斯（Ｌａｐｌａｃｉａｎ）算子、Ｐｒｅｗｉｔｔ算子、

基于帧差与非相邻帧差的自适应镜头检测方法

刘俊晓，孟祥增，刘旭花，吴鹏飞

ＬＩＵＪｕｎ－ｘｉａｏ，ＭＥＮＧＸｉａｎｇ－ｚｅｎｇ，ＬＩＵＸｕ－ｈｕａ，ＷＵＰｅｎｇ－ｆｅｉ

山东师范大学传播学院，济南２５００１４

ＳｃｈｏｏｌｏｆＣｏｍｍｕｎｉｃａｔｉｏｎｓ，ＳｈａｎｇｄｏｎｇＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｊｉｎａｎ２５００１４，Ｃｈｉｎａ

Ｅ－ｍａｉｌ：ｌｉｕｊｘ８１＠ｓｏｈｕ．ｃｏｍ

ＬＩＵＪｕｎ－ｘｉａｏ，ＭＥＮＧＸｉａｎｇ－ｚｅｎｇ，ＬＩＵＸｕ－ｈｕａ，ｅｔａｌ．Ｓｅｌｆ－ａｄａｐｔｉｖｅｍｅｔｈｏｄｏｆｓｈｏｔｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｎｅｉｇｈｂｏｒｆｒａｍｅｄｉｆｆｅｒｅｎｃｅａｎｄｎｏｎ－ｎｅｉｇｈｂｏｒｆｒａｍｅｄｉｆｆｅｒｅｎｃｅ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００７，４３（２４）：２１２－２１５．

Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｈａｒａｃｔｅｒｓｏｆａｂｒｕｐｔｃｈａｎｇｅａｎｄｇｒａｄｕａｌｃｈａｎｇｅ，ａｓｅｌｆ－ａｄａｐｔｉｖｅｍｅｔｈｏｄｏｆｓｈｏｔｄｅｔｅｃｔｉｏｎｂａｓｅｄｏｎｎｅｉｇｈｂｏｒｆｒａｍｅｄｉｆｆｅｒｅｎｃｅａｎｄｎｏｎ－ｎｅｉｇｈｂｏｒｆｒａｍｅｄｉｆｆｅｒｅｎｃｅｉｓｒｅａｌｉｚｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｂｙｃｏｍｐｕｔｉｎｇｎｅｉｇｈｂｏｒｆｒａｍｅｄｉｆｆｅｒｅｎｃｅ，ｔｈｉｓｍｅｔｈｏｄｃａｎｅｆｆｅｃｔｉｖｅｌｙｄｅｔｅｃｔａｂｒｕｐｕｔｃｈａｎｇｅ．Ｂｙｃｏｍｐｕｔｉｎｇｎｏｎ－ｎｅｉｇｈｂｏｒｆｒａｍｅｄｉｆｆｅｒｅｎｃｅ，ｇｒａｄｕａｌｃｈａｎｇｅｓｃａｎｂｅｅｆｆｅｃｔｉｖｅｌｙｄｅ－ｔｅｃｔｅｄ．Ｉｎｔｅｇｒａｔｉｎｇｔｈｅｔｗｏｍｅｔｈｏｄｓ，ｉｔｃａｎａｌｍｏｓｔｄｅｔｅｃｔａｌｌｓｈｏｔｂｏｕｎｄａｒｉｅｓｎｏｍａｔｔｅｒｗｈａｔｔｈｅｓｈｏｔｃｈａｎｇｅｔｙｐｅｉｓ．Ｔｈｉｓｍｅｔｈｏｄｄｏｅｓｎｏｔｎｅｅｄｔｏｓｅｔｇｌｏｂａｌｔｈｒｅｓｈｏｌｄａｎｄｈａｓｈｉｇｈａｄａｐｔａｂｉｌｉｔｙｗｉｔｈｌｏｗｃｏｍｐｕｔａｔｉｏｎｃｏｓｔ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｉｔｉｓａｄａｐｔｉｖｅａｎｄｅｆｆｉｃｉｅｎｔ．

Ｋｅｙｗｏｒｄｓ：ｎｅｉｇｈｂｏｒｆｒａｍｅｄｉｆｆｅｒｅｎｃｅ；ｎｏｎ－ｎｅｉｇｈｂｏｒｆｒａｍｅｄｉｆｆｅｒｅｎｃｅ；ｓｅｌｆ－ａｄａｐｔｉｖｅ；ｓｈｏｔｄｅｔｅｃｔｉｏｎ

摘要：针对突变和渐变的特点，实现了一种基于帧差和非相邻帧差的自适应镜头检测方法。方法通过计算相邻帧差有效地检测突变镜头，通过计算非相邻帧差实现对渐变镜头的有效检测，二者结合可检测出几乎所有的突变和渐变镜头，获得了良好的综合检测效果。该方法不用设全局阈值，适应性强且计算量小，实验结果表明了方法的通用性和有效性。

关键词：相邻帧差；非相邻帧差；自适应；镜头检测

文章编号：１００２－８３３１（２００７）２４－０２１２－０４文献标识码：Ａ中图分类号：ＴＰ３９１．４

基金项目：山东师范大学学位论文创新项目（Ｎｏ．ｙ２００５Ｇ２１）。

作者简介：刘俊晓（１９８１－），女，硕士生，研究方向为模式识别、基于内容的视频分析与检索；孟祥增（１９６２－），男，博士，教授，硕士研究生导师，主要研究方向为多媒体检索、图像识别、视频分析等。

Ｒｏｂｉｎｓｏｎ算子、Ｋｉｒｓｃｈ算子、Ｓｏｂｅｌ算子以及Ｃａｎｎｙ算子等，文献［４，７］提出的边缘改变率的概念就是利用这种特性进行镜头

的突变检测，但由于这种算法计算量巨大，一般不用于突变镜头的检测，只用于非实时的渐变镜头的检测。运动特征值计算方法有基于象素的亮度绝对帧差法、基于光流的方法、基于运动矢量或块匹配后的残差等方法，但这些基于运动特征值的方法的检测效果并不优于直方图方法。

基于以上各种特征值选择方法的特点，同时考虑到边界检测的准确性和检测效率，这里选用ＨＳＶ直方图特征值来检测镜头边界，因为ＨＳＶ模型是一种符合人类视觉感知特性的颜色模型，基于ＨＳＶ颜色空间的测度能够更好的逼近人眼的感觉。确定采用ＨＳＶ空间模型后，为了压缩直方图矢量的维数，减少计算量，对ＨＳＶ颜色空间进行了非等间隔量化［８］

。通过对颜色模型进行分析，把色调Ｈ空间分为８份，饱和度Ｓ和亮度

Ｖ空间分别分为３份，并根据色彩的不同范围进行量化，共得

到７２种最常用颜色等级。

量化后的色调，饱和度和亮度值分别为Ｈ、Ｓ和Ｖ［６］。

由于直方图特征值不能记录象素点位置信息，难以反映视频图像的空间信息，文［３，６］提出了分区直方图的概念，将整个视频帧平均分为Ｎ×Ｎ大小的子块，分别计算每个子块的直方图特征，然后再计算帧差。将视频帧平均分块考虑了象素的位置信息，但没有考虑到每一块的重要性，虽然文［９］的方案考虑到不同分块的重要性，但其方法是类似高斯加权的方法，如图２

（ａ）所示。实验表明，这种加权方法对镜头分割效果并不很好。在许多视频节目中，图像的上面或下面经常会出现广告内容，标题，或字幕等，另外由于镜头的晃动会使镜头内的四周发生内容的变化，而此时并未出现镜头切换，如果用平均分块或简单的高斯加权方式，会造成镜头边界的误检。为了解决平均分块的不足，我们采用文［３］中改进的分块方案——

—黄金分块策略，该分块方案为：将图像的长宽分别按照３：５：３的比例进行分割，而不是按１：１：１的比例进行分割，如图２（ｂ）所示。这种分块方案较好地体现了视频中主要内容的变化。为了解决屏幕上下部分出现的广告内容或字幕的干扰，修改了简单的加权方式，为了便于对照，将修改后的加权方式与简单的加权方式对照画在一起，如图２（ｂ）中的数字所示。实验证明该分块及加权方案取得了较好的检测效果。

２．３帧差与非相邻帧差的计算

在将每帧图像采用黄金分块原则不均匀分割为３＊３的子

块后，分别统计每个子块的ＨＳＶ直方图，计算对应区间的直方图差异，并对不同的区间设置不同的加权系数，以加权后的平均距离作为两帧图像之间的差值。这样计算的帧间差值，更好地体现了不同镜头的帧图像间的差别。

（１）相邻帧之间的帧差可以用对应分块之间的直方图距离的加权和表示。每个分区之间的距离为

ｄ

（Ｈｉ，Ｈｊ）＝ｎ

ｌ＝０

!｜ｈｉ（ｌ）－ｈｊ（ｌ）｜（１）

式中ｌ表示颜色的量化级数，本文中为７２。设加权矩阵为

Ｗ＝ｗ１ｗ２ｗ３

ｗ４

ｗ５ｗ６ｗ７

ｗ８

ｗ９

"

########$

%&&&&&&&&’

＝１１１２

４２１１"((((((($

%&&&&&&&’

１

（２）

式中加权值的位置和分割区间的位置相对应，通过分割区间的大小和位置体现各分割区间的重要程度，计算出相邻两帧对应区间的直方图差值，分别记为ｄ１，ｄ２，…，ｄ９。则相邻两帧差值由加权系数和区间直方图差值计算得到：

Ｄ＝

９

ｉ＝１

!ｗｉ

ｄ

ｉ

９

ｉ＝１

!ｗ

ｉ

（３）

（２）非相邻帧差的计算

对于渐变镜头，由于整个变换是一个连续的过程，相邻帧间的特征并没发生大的变化，因此无法通过相邻帧差进行镜头的识别。为了更好地检测渐变，我们提出了一种基于非相邻帧差的镜头边界检测方法，所谓非相邻帧差，就是直接计算当前帧和当前帧后面第Ｎ

（Ｎ＞１）帧的帧差：Ｄｉｊ＝｜Ｆｉ－Ｆｊ｜其中｜ｊ－ｉ｜＝Ｎ（４）

式中，Ｄｉｊ表示第ｉ帧和第ｊ帧的非相邻帧差，｜Ｆｉ－Ｆｊ｜表示对应帧之间的特征距离。因为在一个镜头内部，无论是相邻帧还是非相邻帧，镜头内容的变化都不会太大，而当一个渐变发生时，虽然相邻帧之间内容变化不大，但由于当前镜头已经渐变到另一个镜头，镜头之间的内容发生了很大的变化，因此计算的非相邻帧差会很大。通过计算非相邻帧差正好略过了具体的渐变效果，反映了实际镜头内容的变化，能更好地检测出渐变镜头边界。如图３所示为一段同时包含突变镜头和渐变镜头的视频片断的实验结果，上图为帧间距离取为６的非相邻帧差，下图为帧差，可以看出非相邻帧差能有效的突出渐变镜头的特征，如上图中箭头所指的几个位置均是渐变镜头实际发生处，下图中箭头所指的位置是可能的突变镜头发生处。

非相邻帧差具体计算方法与相邻帧差计算方法相同，可参考上述公式（１）、（２）、（３）。

２．４镜头边界检测

通常情况下，一个镜头内部的各个图像帧之间的差异不会

表１不同视频片断的镜头检测结果视频类别

名称电影片断风景片断教学片断足球片断总帧数

１０２５５

１５２５３

３１２５３

２３３８８

镜头数／突变

数／渐变数

１９８／１９８／０

２５２／０／２５２

１６５／１３０／３５

１４３／１１９／２４

正确检

出数

１９３

２３１

１６０

１４１

误检

数

３

１５

２３

２１

漏检

数

５

２１

５

２

查准

率／％

９８．４６

９３．９０

８７．４３

８６．９５

查全

率／％

９７．４７

９１．６６

９６．９６

９８．６０

太大，帧间差值相对稳定在某一个范围之内，即围绕某个均值上下波动，而当发生镜头转换时，这种稳定性将被打破。据此，自适应法在进行镜头切换识别时，只利用当前帧之前有限长度内的帧间差值信息，这个长度通常是前一镜头结束后的第１帧至当前帧的前１帧，可以认为这是一个可变长度的滑动窗口，计算这一窗口内的帧间差值的平均值，如果当前帧间差值与这一平均值之间相差达到某一系数，就认为当前帧是下一个镜头的起始帧。该方法采用局部阈值法，较好地解决了全局阈值的选取问题。

（１）基于相邻帧差的自适应突变镜头检测

镜头突变主要发生在相邻两帧之间，基于上述方法计算相邻帧差，采用自适应法检测突变镜头。算法中的主要符号规定如下：

α为一预先设定的镜头边界检测阈值系数，统计结果表明α一般取５￣６为宜［１］；

Ｄｉ为视频流相邻两帧的帧差；

Ｍｅａｎ为窗口内帧间差值的平均值；

ＳＵＭ为相邻帧差累积和；

Ｃｏｕｎｔ为帧差累积次数。

在某些特殊情况下，会出现镜头静止或几乎静止的现象，此时帧间差值极小，如果将此极小差值记入窗口内帧间差值平均值的计算中，则会显著降低这一平均值。一个极端的情况是，当镜头内静止（或几乎静止）的帧数较多时，则窗口内帧间差值平均值趋向于零。此时在应用上述方法进行判决时会出现镜头错判现象。为避免这种现象，对上述判决方法进行改进。设定一个极小的阈值，在算法中取作１０－４。在判决之前将Ｄｉ与进行比较，若Ｄｉ≤Ｖａｌｕｅ，则不进行镜头切换识别。

综上所述，算法流程描述如下：

①算法启动。读入视频流的相邻两帧图像，从第一帧和第二帧开始。如果读至最后一帧，则结束。

②分别把相邻两帧图像按文［３］中所述方法转换成ＨＳＶ模型并量化为７２个颜色空间。

③计算分区直方图及相邻两帧对应分区直方图的差值ＢｌｋＤｉｆｆ，按上述公式（２）、（３）计算相邻两帧直方图的差值Ｄｉ。

④判断Ｄｉ是否小于极小阈值，如果小于，则不进行镜头切换识别。

⑤定义Ｆｌａｇ＝０表示新镜头开始。如果新镜头开始，Ｓｕｍ＝Ｄｉ，Ｃｏｕｎｔ＝Ｃｏｕｎｔ＋１，Ｍｅａｎ＝Ｄｉ，Ｆｌａｇ＝１。转至①。

⑥判断当前是否大于α倍。如果大于，则判断为一个新的镜头边界，＝０，＝０，＝０。转至①。

⑦若当前Ｄｉ小于α倍Ｍｅａｎ，Ｓｕｍ＝Ｓｕｍ＋Ｄｉ，Ｃｏｕｎｔ＋＋，Ｍｅａｎ＝Ｓｕｍ／Ｃｏｕｎｔ。转至①。

（２）基于非相邻帧差的自适应渐变镜头检测

为了实现渐变检测，采用基于非相邻帧差的自适应检测算法，算法中的主要符号规定如下：

α为一预先设定的镜头边界检测阈值系数；

Ｄｉｊ为视频流非相邻两帧的帧差（经过实验发现，对本算法非相邻帧间距离取为６比较合适）；

Ｍｎ为非相邻帧差的局部累计平均值；

Ｍｘ为窗口内非相邻帧差的最大值；

Ｍｅａｎ为窗口内帧间差值的平均值；

Ｓｕｍ为相邻帧差累计和；

Ｃｏｕｎｔ为帧差累计次数。

其算法流程描述如下：

①算法启动。设置一滑动窗口，窗口范围设置为三个非相邻帧差。这样一个窗口的宽度为１８帧，一般不会错过渐变镜头边界。设置渐变镜头边界检测门限系数α＝３。

②计算新镜头第一个窗口内非相邻帧差的平均值Ｍｎ。

③向后滑动一个窗口，计算当前窗口内的Ｍｘ，若Ｍｘ＜αＭｎ，重新计算包括当前窗口和前面新镜头开始后所有窗口的Ｍｎ，向后滑动一个窗口。

④如果Ｍｘ＞αＭｎ，并且Ｍｘ位于窗口前半部分，则此Ｍｘ处为渐变位置，将下一窗口设为新的镜头边界。转至②。

⑤否则记录当前窗口内Ｍｘ的位置，计算下一窗口内的Ｍｘ，如果此Ｍｘ大于前面窗口的Ｍｘ，则此Ｍｘ处为渐变位置，标记此位置，将下一窗口设为新的镜头边界，转至②。否则前一窗口内Ｍｘ处为渐变位置，标记此位置，当前窗口内后半部分作为下一镜头的内容，计算非相邻帧差的平均值Ｍｎ。转至③。

第④步的目的是考虑窗口前一部分正好滑过渐变镜头边界的情况，而第⑤步是考虑前一窗口后半部分刚好滑过一个较长渐变镜头边界的初始部分的情况。

２．５综合判决方案

基于相邻帧差的自适应法能够很好地检测突变镜头，而基于非相邻帧差的自适应法能很好地检测渐变镜头，二者结合将能很好地检测各类突变和渐变镜头。为此，设计如下决策规则：Ｓｃ＝｛Ｃ１，Ｃ２，…，ＣＮ｝

Ｓｇ＝｛Ｇ１，Ｇ２，…，ＧＭ｝

Ｓ＝

ＣｉＣｉ∈Ｇｊ（ｊ＝１，２，…，Ｍ）

Ｓｃ∪Ｓｇ其

$

它

（５）式中：Ｓｃ为突变镜头集；Ｓｇ为渐变镜头集；Ｓ为总镜头集；Ｎ和Ｍ分别代表检测到的突变和渐变镜头总数。

３实验结果

实验数据中，电影片断、风景片断、教学片断均取自：ｈｔｔｐ：／／ｗｗｗ．ｏｐｅｎ－ｖｉｄｅｏ．ｏｒｇ／，足球片断为２００６德国世界杯比赛录像剪辑。视频格式为ＭＰＥＧ－１，图像大小为３５２＊２８８，每秒２５帧。实验环境为Ｐ４－２．４ＧＨｚＣＰＵ＋５１２Ｍ内存的ＰＣ机和Ｗｉｎｄｏｗｓ２０００Ｐｒｏｆｅｓｓｉｏｎａｌ操作系统。视频分割的结果位置与人工标记的精确位置进行对比以检验结果的准确性。对渐变镜头的评价标准，由于渐变镜头转换处持续帧数较多，认为误差在５帧以内都是允许的。

用查准率和查全率两个指标来评估镜头转换边界的检测结果：

查准率＝正确检出数／（正确检出数＋误检数）

查全率＝正确检出数／（正确检出数＋漏检数）

实验结果如表１。

实验结果表明，本文方法对全为突变镜头的电影序列和全为渐变镜头的风景片断，均达到了较高的查准率和查全率。对

间，并对两种方法的模拟结果进行了比较。结果显示：基于颜色时延Ｐｅｔｒｉ网及Ｌｏｏｋａｈｅａｄ的数据分发管理机制是优于区域匹配方法的。

（收稿日期：２００７年４月）参考文献：

［１］ＪｅｎｓｅｎＫ．Ｃｏｌｏｕｒｅｄｐｅｔｒｉｎｅｔｓ［Ｍ］．ＢｅｒｌｉｎＨｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒ－

ｌａｇ，１９９６．

［２］徐誉尹，吴哲辉．基于颜色Ｐｅｔｒｉ网的ＴＣＰ协议模拟和分析［Ｊ］．系统

仿真学报，２００５，１７：６２－６５．

［３］Ｐｅｔｒｉ网理论与系统模拟［Ｍ］．吴哲辉，译．徐州：中国矿业大学出版

社，１９８９．［４］ＨｙｅｔｔＭ，ＷｕｅｒｆｅｌＲ．Ｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｔｈｅｄａｔａｄｉｓｔｒｉｂｕｔｉｏｎｍａｎ－

ａｇｅｍｅｎｔｓｅｒｖｉｃｅｓｉｎｔｈｅＲＴＩ－ＮＧ［Ｃ］／／ＳｉｍｕｌａｔｉｏｎＩｎｔｅｒｏｐｅｒａｂｉｌｉｔｙＷｏｒｋ－ｓｈｏｐ，Ｍａｒｃｈ２００２．

［５］ＢａｃｈｉｎｓｋｙＳ，ＮｏｓｅｗｏｒｔｈｙＲ，ＨｏｄｕｍＦ．Ｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｔｈｅｎｅｘｔ

ｇｅｎｅｒａｔｉｏｎＲＴＩ［Ｃ］／／ＳｉｍｕｌａｔｉｏｎＩｎｔｅｒｏｐｅｒａｂｉｌｉｔｙＷｏｒｋｓｈｏｐ，Ｍａｒｃｈ１９９９．［６］张亚崇，孙国基，严海蓉，等．分布式交互仿真中一种新的数据分发

管理算法的研究［Ｊ］．系统仿真学报，２００５，１７（１）：９１－９５．

［７］ＰｅｔｔｙＭ．ＧｅｏｍｅｔｒｉｃａｎｄａｌｇｏｒｉｔｈｍｉｃｒｅｓｕｌｔｓｒｅｇａｒｄｉｎｇＨＬＡｄａｔａ

ｄｉｓｔｒｉｂｕｔｉｏｎｍａｎａｇｅｍｅｎｔｍａｔｃｈｉｎｇ［Ｃ］／／ＳｉｍｕｌａｔｉｏｎＩｎｔｅｒｏｐｅｒａｂｉｌｉｔｙＷｏｒｋｓｈｏｐ，Ｓｅｐｔｅｍｂｅｒ２０００．

［８］ＪｅｎｓｅｎＫ．Ｃｏｌｏｕｒｅｄｐｅｔｒｉｎｅｔｓ：ａｈｉｇｈ－ｌｅｖｅｌｌａｎｇｕａｇｅｆｏｒｓｙｓｔｅｍｄｅ－

ｓｉｇｎａｎｄａｎａｌｙｓｉｓ［Ｍ］．Ｂｅｒｌｉｎ：ＳｐｒｉｎｇｅｒＶｅｒｌａｇ，１９８７．

［９］方贤文，吴哲辉，刘士喜．时延ｐｅｔｒｉ网分布式模拟的先行值研究［Ｊ］．

计算机科学，２００６，３３（４）：２４０－２４３．

（上接９９页）

６结束语

本文利用ＯＮ／ＯＦＦ模型产生自相似流量，提出了一种基于

排队延迟的自相似网络可靠性分析模型。将节点和到达信息流视为Ｇ／Ｍ／１／Ｂ排队模型，利用大偏差理论得到节点平均排队延迟时间，进而得到网络各种工作状态下全网平均排队延迟时间，利用延迟阀值得到各种工作状态下的网络可靠性，进一步得到全网可靠性。

在此基础上，分析了网络可靠性、

节点缓存大小、自相似程度和ＯＮ／ＯＦＦ源数量之间的关系。例如对双工环型网络可靠性分析结果表明：随着缓存增大，各种自相似程度下的网络可靠性变化程度下降，且在缓存很大时，自相似程度越高网络可靠性越小；另外，随着缓存增大，ＯＮ／ＯＦＦ源流量数量越大，网络可靠性由平稳逐渐下降并最后趋于平稳。（收稿日期：２００７年１月）

参考文献：

［１］熊蔚明，刘有恒．一种评价通信网可靠性的新方法［Ｊ］．北京大学学

报：自然科学版，１９９２，２８（１）．

［２］ＬｅｌａｎｄＷＥ，ＴａｑｑｕＭＳ，ＷｉｌｌｉｎｇｅｒＷ，ｅｔａｌ．Ｏｎｔｈｅｓｅｌｆ－ｓｉｍｉｌａｒ

ｎａｔｕｒｅｏｆｅｔｈｅｒｎｅｔｔｒａｆｆｉｃ［Ｃ］／／ＰｒｏｃＡＣＭ／ＳＩＧＣＯＭＭ，１９９３：１８３－１９３．

［３］ＬｅｓｔｅｒＬｉｐｓｋｙ，ＰｉｅｒｒｅＦｉｏｒｉｎｉ．Ａｎａｌｙｔｉｃｍｏｄｅｌｓｏｆｔｒａｆｆｉｃｉｎｔｅｌｅｃｏｍ－

ｍｕｎｉｃａｔｉｏｎｓｙｓｔｅｍｓ，ｂａｓｅｄｏｎｍｕｌｔｉｐｌｅｏｎ－ｏｆｆｓｏｕｒｃｅｓｗｉｔｈｓｅｌｆ－ｓｉｍｉｌａｒｂｅｈａｖｉｏｒＩＩｎ－ｂｕｒｓｔｍｏｄｅｌｓａｎｄｔｈｅｉｒｐｅｒｆｏｒｍａｎｃｅ［Ｃ］／／Ｐｒｏｃｏｆ１６ｔｈＩｎｔｌＴｅｌｅｔｒａｆｆｉｃＣｏｎｇｒｅｓｓ，ＩＴＣ－１６，Ｅｄｉｎｂｕｒｇｈ，ＵＫ，Ｊｕｎｅ１９９９．［４］李景聪．自相似业务量下网络的排队性能分析［Ｊ］．北京大学学报：自

然科学版，２００２，３８（５）．

［５］ＢａｒｂｅｒｉｓＧ，ＭａｚｚｅｉＵ．Ｔｒａｆｆｉｃ－ｂａｓｅｄｃｒｉｔｅｒｉａｆｏｒｒｅｌｉａｂｉｌｉｔｙａｎｄ

ａｖａｉｌａｂｉｌｉｔｙａｎａｌｙｓｉｓｏｆｃｏｍｐｕｔｅｒｎｅｔｗｏｒｋｓ［Ｃ］／／ＰｒｏｃＩＥＥＥＩＣＣ’７７，Ｃｈｉｃａｇｏ，ＩＬ，１９７７：１３３－１３８．

［６］ＰａｒｋＹＪ，ＴａｎａｋａＳ．Ｒｅｌｉａｂｉｌｉｔｙｅｖａｌｕａｔｉｏｎｏｆａｎｅｔｗｏｒｋｗｉｔｈｄｅｌａｙ

［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＲｅｌｉａｂｉｌｉｔｙ，１９７９，２２８（４）．［７］ＴａｑｑｕＭＳ，ＷｉｌｌｉｎｇｅｒＷ，ＲｏｂｅｒｔＳ．Ｐｒｏｏｆｏｆａｆｕｎｄａｍｅｎｔａｌｒｅｓｕｌｔｉｎ

ｓｅｌｆ－ｓｉｍｉｌａｒｔｒａｆｆｉｃｍｏｄｅｌｉｎｇ［Ｊ］．ＡＣＭＣｏｍｐｕｔｅｒＣｏｍｍｕｎｉｃａｔｉｏｎＲｅ－ｖｉｅｗ，１９９７，２７

（２）：５－２３．［８］ＮｏｒｒｏｓＩ．ＯｎｔｈｅｕｓｅｏｆｆｒａｃｔｉｏｎａｌＢｒｏｗｎｉａｎｍｏｔｉｏｎｉｎｔｈｅｔｈｅｏｒｙｏｆ

ｃｏｎｎｅｃｔｉｏｎｌｅｓｓｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ／ＡＣＭＴｒａｎｓａｃｔｉｏｎｓｏｎＮｅｔｗｏｒｋｉｎｇ，１９９９，５

（６）：８３５－８４６．［９］李庆扬．现代数值分析［Ｍ］．北京：高等教育出版社，１９９５．

［１０］ＳｔａｌｌｉｎｇｓＷ．Ｈｉｇｈ－ｓｐｅｅｄｎｅｔｗｏｒｋｓ－ＴＣＰ／ＩＰａｎｄＡＴＭＤｅｓｉｇｎＰｒｉｎ－

ｃｉｐｌｅｓ［Ｍ］．［Ｓ．ｌ．］：Ｐｒｅｎｔｉｃｅ－Ｈａｌｌ，１９９８．

［１１］林啸．ＩＰ网性能分析与考评指标［Ｊ］．邮电规划，２００４．

［１２］饶云华．自相似网络通信量及高速路由结构性能研究［Ｄ］．华中科技

大学，２００４．

（上接１３７页）同时包含突变镜头和渐变镜头的教学片断和足球片断，达到了极高的查全率，但由于同时使用相邻帧差和非相邻帧差两种策略，累计误检镜头数偏多，查准率偏低。

误检镜头多来自于镜头的大幅度晃动和镜头内光照的剧烈变化，漏检多来自于渐变前后两个镜头的颜色差别极其微小的情况。

４结论

针对突变和渐变的特点，本文方法通过计算相邻帧差用自

适应法取得对突变镜头很好的检测效果；通过计算非相邻帧差用自适应法取得对渐变镜头较好的检测效果，二者结合取得了对突变镜头和渐变镜头很好的综合检测效果。但由于视频本身的复杂性，该方法还不能达到对所有的视频都有最好的检测效果，为了提高检测效果，可以加入其它的特征比如运动特征、边缘变化特征以及亮度变化特征等以增强系统的检测性能。另外，与采用ＲＧＢ直方图特征相比，本文方法采用ＨＳＶ分区直

方图，检测性能虽然得到提高，但检测效率明显下降，这也是下一步工作需要解决的问题。

（收稿日期：２００６年１２月）参考文献：

［１］ＮａｇａｓａｋａＡ，ＴａｎａｋａＹ．Ａｕｔｏｍａｔｉｃｖｉｄｅｏｉｎｄｅｘｉｎｇａｎｄｆｕｌｌ－ｍｏｔｉｏｎ

ｓｅａｒｃｈｆｏｒｏｂｊｅｃｔａｐｐｅａｒａｎｃｅ［Ｃ］／／ＳｅｃｏｎｄＷｏｒｋｉｎｇＣｏｎｆｅｒｅｎｃｅｏｎ

ＶｉｓｕａｌＤａｔａｂａｓｅＳｙｓｔｅｍ．ＮｏｒｔｈＨｏｌｌａｎｄ：ＫｌｕｗｅｒＡｃａｄｅｍｉｃＰｕｂ－ｌｉｓｈｅｒｓ，１９９１：１１３－１２７．

［２］

刘谦雷，杨绿溪，邹采荣．用于视频镜头突变切换检测的二次差分法和像素点匹配二次差分法［Ｊ］．中国图像图形学报，２００３，８（２）：１６１－１６８．

［３］周艺华，曹元大，张洪欣．一种基于二次帧差的突变镜头检测方法

［Ｊ］．计算机工程与应用，２００５，４１

（６）：２２－２５．［４］

ＺａｂｉｎＲ，ＭｉｌｌｅｒＪ，ＭａｉＫ．Ａｆｅａｔｕｒｅ－ｂａｓｅｄａｌｇｏｒｉｔｈｍｆｏｒｄｅｔｅｃｔｉｎｇａｎｄｃｌａｓｓｉｆｙｉｎｇｓｃｅｎｅｂｒｅａｋｓ［Ｃ］／／ＡＣＭＭｕｌｔｉｍｅｄｉａ９５，１９９５－１１：１８９－２００．

［５］

ＺｈｏｎｇＹｕ，ＫａｒｕＫ，ＪａｉｎＡＫ．Ｌｏｃａｔｉｎｇｔｅｘｔｉｎｃｏｍｐｌｅｘｃｏｌｏｒｉｍａｇｅｓ［Ｊ］．ＩＥＥＥＤｏｃｕｍｅｎｔＡｎａｌｙｓｉｓａｎｄＲｅｃｏｇｎｉｔｉｏｎ，１９９５：１：１４６－１４９．［６］庄越挺，潘云鹤，吴飞．网上多媒体信分析与检索［Ｍ］．北京：清华大学出版社，２００２－０９．

［７］ＺｈａｎｇＨＪ，ＳｍｏｌｉａｒＳＷ．ＤｅｖｅｌｏｐｉｎｇｐｏｗｅｒｔｏｏｌｓＩｏｒｖｉｄｅｏｉｎｄｅｘｉｎｇａｎｄｒｅｔｒｉｅｖａｌ［Ｃ］／／ＳＰＩＥＣｏｎｆｏｎＳｔｏｒａｇｅａｎｄＲｅｔｒｉｅｖａｌｆｏｒＩｍａｇｅａｎｄＶｉｄｅｏＤａｔａｂａｓｅｓ，ＳａｎＪｏｓｅｓ，ＣＡ，１９９４：１４０－１４９．

［８］彭波，李弼程．一种因果的突变镜头检测方法［Ｊ］．计算机工程与应

用，２００４，４０

（５）：９１－９３．［９］

ＺｈｏｎｇＹｕ，ＫａｒｕＫ，ＪａｉｎＡＫ．Ｌｏｃａｔｉｎｇｔｅｘｔｉｎｃｏｍｐｌｅｘｃｏｌｏｒｉｍａｇｅｓ［Ｊ］．ＩＥＥＥＤｏｃｕｍｅｎｔＡｎａｌｙｓｉｓａｎｄＲｅｃｏｇｎｉｔｉｏｎ，１９９５：１：１４６－１４９．