视频摘要视频浓缩

视频摘要 视频浓缩(一）

视频摘要又称视频浓缩，是对视频内容的一个简单概括，以自动或半自动的方式，先通过运动目标分析，提取运动目标，然后对各个目标的运动轨迹进行分析，将不同的目标拼接到一个共同的背景场景中，并将它们以某种方式进行组合。视频摘要在视频分析和基于内容的视频检索中扮演着重要角色。

视频录像存在存储数据量大，存储时间长等特点，通过录像寻找线索，获取证据传统的做法是要耗费大量人力、物力以及时间，效率极其低下，以至于错过最佳破案时机。因此在视频监控系统中，对原始视频进行浓缩，可以快速浏览，锁定检索对象，对于公安加快破案速度，提高大案、要案的破案效率具有重要指导意义。（1）

对于企业应用来说，视频摘要与压缩技术可以使企业管理人员在短时间内浏览完视频。在智能手机大行其道的今天，使用视频摘要技术对监控视频进行处理，供手机浏览，既可以节约管理者的时间，又可以节约大量的流量。（2）

对于我来说，现在存在监控录像查阅的实际需求，更重要的是这个问题是“图像处理”的一个典型运用，非常值得研究探索。所以在这里进行研究和实现 一、行业背景和划分      97年CMU的informedia是针对新闻视频的，而MoCA是针对电影的。在监控视频方面以色列briefcam是行业领导者，此外还有哥伦比亚大学的VideoQ和IBM的CueVideo。国内这块处于初级发展状态。      视频摘要可以继续划分为       1、图片关键帧（提取一些视频截图）；       2、剪胶片(机器去除静止画面，只显示有目标的画面）；       3、空间换时间（不同时间的事件显示在同一画面）。       第3基本上就是能够用于商业运用的视频摘要项目，类似提供这样效果。（注意图上的两组人是不同时间的人）。       当然了，真实的视频可能是这样的
       我这里实验的背景，首先以768那个avi,然后以营区监控来做（opencv3.0自带视频 768x576.avi)二、关键技术和算法流程       （一）背景建模       背景建模的基(you)本(xiao)方法是“背景建模”。能够找到的方法包括(1)均值法(2)中值法(3)滑动平均滤波(4）单高斯(5)混合高斯模型(6)codebook方法。我这里实现(1)均值法(3）滑动滤波法和(5)混合高斯法       （1）均值法      对于768*576.avi这个视频来说，是比较经典的监控视频，其特点是主要背景景物、光照等是不变的，前景人物来回走动。处理这种问题，如果想把背景取出来，最直接的方法就是统计一个阶段的帧（比如1到100）中，图像中每个像素在绝大多数时间里面的颜色。       如果直接求平均值，结果是这样的       应该说这种方法是有一定效果的，特别对于背景都是远景，或者变化不是很大的情况，处理的效果比较好。       但是对于前进的图像晃动，效果就不是很理想。       使用第0帧和平均值求absdiff,可以看到那个标识牌是很明显地被认为是前景了。这个效果应该不是太好。

void GoBgModeling(const char * videoFilePath, const int frame_num_used, Mat* bgMat, 
    const int size1, const int size2, const int sigma1, const int sigma2 ){
    //声明
    int frame_no = 0;
    Mat frame;
    Mat tmp;
    VideoCapture pCapture(videoFilePath);//自己选取一段avi视频
    if(!pCapture.isOpened()){
        printf("Unable to open video file for background modeling! ");
        return;
    }
    printf("Background Modeling... ");
    //逐帧读取视频
    Mat matTmp;
    while(frame_no < frame_num_used){
        pCapture>>frame;
        frame.convertTo(frame,CV_32FC3);
        frame_no += 1;
        if(frame_no == 1){
            //初始化
            tmp = Mat::zeros(frame.rows,frame.cols,CV_32FC3);
            matTmp = frame.clone();
        }
        tmp = tmp + frame/frame_num_used;
        *bgMat = tmp;
    }
    bgMat->convertTo(*bgMat,CV_8UC3);
    matTmp.convertTo(matTmp,CV_8UC3);
    absdiff(matTmp,*bgMat,matTmp);   
    printf("Background Model has been achieved! ");
}

          （2）滑动滤波法      /* Adds image to accumulator with weights: acc = acc*(1-alpha) + image*alpha */      这种方法的原理我搞的不是很清楚，如果采用这种方法计算背景的话，越是在前面的图片，其权重被设定的越大。同样的视频结果如下这个结果我看还不如均值。

/**
 *背景建模
 */
void bgModeling(const char * videoFilePath, const int frame_num_used, IplImage ** bgImg, 
    const int size1, const int size2, const int sigma1, const int sigma2){
    //声明
    IplImage * frame = NULL;
    CvMat * frameMat = NULL;
    CvMat * bgMat = NULL;
    CvCapture* pCapture = NULL;
    IplImage  * framtmp = NULL;
    CvMat * mattmp = NULL;
    int frame_no = 0;
    pCapture = cvCaptureFromFile(videoFilePath);//自己选取一段avi视频
    if(!pCapture){
        printf("Unable to open video file for background modeling! ");
        return;
    }
    if(*bgImg != NULL){//非空需先清空*bgImg指向的内存
        cvReleaseImage(bgImg);
    }
    printf("Background Modeling... ");
    //逐帧读取视频
    while(frame_no < frame_num_used){
        frame = cvQueryFrame(pCapture);
        frame_no += 1;
        if(frame_no == 1){
            //初始化
            framtmp = cvCreateImage(cvSize(frame->width, frame->height), frame->depth, frame->nChannels);
            cvCopy(frame,framtmp);
            *bgImg = cvCreateImage(cvSize(frame->width, frame->height), frame->depth, frame->nChannels);
            cvCopy(frame, *bgImg);
            frameMat = cvCreateMat(frame->height, frame->width, CV_32FC3);
            bgMat = cvCreateMat((*bgImg)->height, (*bgImg)->width, CV_32FC3);
            cvConvert(frame, frameMat);
            cvConvert(*bgImg, bgMat);
            continue;
        }
        //视频帧IplImage转CvMat
        cvConvert(frame, frameMat);
        //高斯滤波先，以平滑图像
        cvSmooth(frame, frame, CV_GAUSSIAN, size1, size2, sigma1, sigma2);
        //滑动平均更新背景(求平均)
        cvRunningAvg(frameMat, bgMat, (double)1/frame_num_used);
    
    }
    
    cvConvert(bgMat, *bgImg);
    printf("Background Model has been achieved! ");
    //释放内存
    cvReleaseCapture(&pCapture);
    cvReleaseMat(&frameMat);
    cvReleaseMat(&bgMat);
}

      （3）混合高斯模型      int _tmain(int argc, _TCHAR* argv[])

{    
    Mat bgMat;
//    GoBgModeling("1.avi",100,&bgMat);
    cv::VideoCapture capture;  
    capture.open("1.avi");  
  
    if (!capture.isOpened())  
    {  
        std::cout<<"read video failure"<<std::endl;  
        return -1;  
    }  
    cv::BackgroundSubtractorMOG2 mog;  
  
    cv::Mat foreground;  
    cv::Mat background;  
  
    cv::Mat frame;  
    long frameNo = 0;  
    while (capture.read(frame))  
    {  
        ++frameNo;  
        std::cout<<frameNo<<std::endl;  
        // 运动前景检测，并更新背景  
        mog(frame, foreground, 0.001);         
        // 腐蚀  
        cv::erode(foreground, foreground, cv::Mat());         
        // 膨胀  
        cv::dilate(foreground, foreground, cv::Mat());  
        mog.getBackgroundImage(background);   // 返回当前背景图像  
        cv::imshow("video", foreground);  
        cv::imshow("background", background);  
        if (cv::waitKey(25) > 0)  
        {  
            break;  
        }  
    }  
    return 0;
}

       这里虽然是直接使用了opencv提供的Mog模块，应该说效果相当不错。但是也需要对mog的基本原理进行理清和理解，并且对opencv的实现进行整理，这样才算吃透知识。        

来自为知笔记(Wiz)