基于VC++的視頻字幕自動提取系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)*

季麗琴

（蘇州健雄職業(yè)技術(shù)學(xué)院 電氣工程學(xué)院，江蘇 太倉 215411）

0 引言

隨著計(jì)算機(jī)科學(xué)的飛速發(fā)展，海量的視頻出現(xiàn)在數(shù)字圖書館、電視廣播和互聯(lián)網(wǎng)上。在這些視頻中，大多數(shù)都嵌入了一些解說性的、含有豐富語義信息的文字，例如：說話者姓名、電視節(jié)目介紹、節(jié)目名稱、滾動文字新聞、實(shí)時(shí)比分、運(yùn)動員號碼、時(shí)間等信息[1-3]。如果能將這些文字自動提取出來，將對視頻的索引起到關(guān)鍵的作用，有利于用戶迅速準(zhǔn)確地從海量視頻中找到自己感興趣的內(nèi)容[4]，在信息化的時(shí)代背景下，視頻字幕自動定位與提取的應(yīng)用價(jià)值越來越高。本系統(tǒng)的開發(fā)是基于Windows環(huán)境下的MFC平臺，利用Visual C++[5-7]面向?qū)ο蟮木幊陶Z言而完成的。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)具有文字提取較精準(zhǔn)、運(yùn)行穩(wěn)定等優(yōu)點(diǎn)。

1 系統(tǒng)總體設(shè)計(jì)

1.1 系統(tǒng)實(shí)現(xiàn)目標(biāo)

該系統(tǒng)實(shí)現(xiàn)的基本目標(biāo)是基于Visual C++6.0開發(fā)環(huán)境，對一個(gè)含有字幕信息的24位真彩色的JPEG文件，通過文字提取算法的處理來實(shí)現(xiàn)視頻圖像中字幕的自動定位與提取。

在文字提取方面，國內(nèi)外學(xué)者都做了一定的研究，大致可以分為基于邊緣、基于紋理和基于連通區(qū)域三類方法。KEECHUL J等人[8]提出一種綜合運(yùn)用紋理和連通組元分析的方法來定位文字，組建基于多層感知器（MLP）的紋理分類器和基于連通分量（CC）的濾波器，整個(gè)算法復(fù)雜，且需要足夠的訓(xùn)練樣本。KIM K I等[9]人提出用支持向量機(jī)（SVM）的紋理分類器來檢測視頻中的文字，該方法的檢測結(jié)果雖然較好，但是計(jì)算量大。ADRIAN C R等人[10]提出基于顏色聚類的方法進(jìn)行文字定位，其主要針對手機(jī)上的視頻圖像有一定的局限性。本文在分析以上文字提取算法的基礎(chǔ)上，提出一個(gè)新的、有效的文字提取算法，即利用垂直、水平、對角3個(gè)方向的邊緣檢測算子檢測出3個(gè)方向的文字邊緣信息；在此基礎(chǔ)上，利用形態(tài)學(xué)對3個(gè)方向的邊緣圖像進(jìn)行處理，最終，將3個(gè)方向的圖像進(jìn)行與融合，消除大量的噪聲，從而定位并提取出字幕區(qū)域。實(shí)驗(yàn)驗(yàn)證，該算法能較好地提取出視頻中的字幕信息。

1.2 系統(tǒng)的體系結(jié)構(gòu)設(shè)計(jì)實(shí)現(xiàn)

該系統(tǒng)采用MFC單文檔單視圖的結(jié)構(gòu)設(shè)計(jì)，通過文件→打開的方式讀取圖像文件，并判斷文件是否滿足處理要求（24位真彩色的JPEG文件）。該系統(tǒng)的處理流程如圖1所示。該工程的工程名為“ViewDIB”，圖像文件打開與數(shù)據(jù)讀取在類CViewDIBDoc中的CViewDIBDoc：：OnOpenDocument（LPCTSTR lpszPathName）函數(shù)中實(shí)現(xiàn)，而圖像的顯示及對各種處理算法菜單命令的響應(yīng)在類CViewDIBView中實(shí)現(xiàn)。系統(tǒng)的主界面如圖2所示。

圖1 系統(tǒng)的處理流程圖

圖2 系統(tǒng)界面圖

2 垂直、水平、對角方向的邊緣提取

圖3 3個(gè)方向的彩色邊緣檢測算子

在編寫程序時(shí)，在視類CViewDIBView中建立3個(gè)消息響應(yīng)函數(shù)OnVertedge（）、OnHorzedge（）和OnVerthorzedge（），分別提取垂直、水平和對角方向的邊緣信息。以垂直方向?yàn)槔?，其函?shù)具體實(shí)現(xiàn)代碼如下：

完成代碼的編寫、編譯和鏈接后，即可在調(diào)試出的系統(tǒng)界面中的工具欄中點(diǎn)擊“VE”、“HE”、“DE”輕松獲取3個(gè)方向的邊緣圖像。圖4給出了3個(gè)方向的邊緣檢測結(jié)果。

圖4 3個(gè)方向的邊緣圖像

3 形態(tài)學(xué)處理

數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有4個(gè)：膨脹、腐蝕、開啟和閉合[11-12]。本文利用這4個(gè)運(yùn)算設(shè)計(jì)了一個(gè)針對3個(gè)方向邊緣圖像的形態(tài)學(xué)處理方案，每個(gè)方向的邊緣圖像都經(jīng)過下面的處理，具體實(shí)施如下：（1）利用一次閉合運(yùn)算，填補(bǔ)字幕區(qū)域內(nèi)的空洞；（2）利用一次開啟運(yùn)算，刪除字幕區(qū)域以外的噪聲；（3）利用6次水平方向的膨脹與3次水平方向的腐蝕擴(kuò)大和縮小字幕區(qū)域，此處采用水平方向的結(jié)構(gòu)元素B={1，1，1，1，1}。實(shí)驗(yàn)證明此結(jié)構(gòu)大小適中，且能有效地形成文字連通域，如圖5所示。

在編程時(shí)，視類CViewDIBView中建立OnCloseOperate（）、OnOpenOperate（）、OnHDilation（）、OnHErosion（）4個(gè)消息響應(yīng)函數(shù)，它們分別代表閉合、開啟、水平膨脹、水平腐蝕運(yùn)算。在系統(tǒng)界面中，只需在工具欄中點(diǎn)擊與上面4個(gè)函數(shù)對應(yīng)的圖標(biāo)“C”、“O”、“HD”、“HE”即可完成以上4個(gè)運(yùn)算。其中閉合運(yùn)算“C”的代碼實(shí)現(xiàn)如下：

圖5 三個(gè)方向的連通域圖

4 與融合

為了較精準(zhǔn)地判斷出字幕區(qū)域，在得到了垂直、水平、對角3個(gè)方向的文字連通域圖TV（x，y）、TH（x，y）、TD（x，y）后，本系統(tǒng)采用“與”融合的方法，將3個(gè)方向的文字連通域圖進(jìn)行相與運(yùn)算。

MFC編程實(shí)現(xiàn)時(shí)，在系統(tǒng)界面中添加“AND”圖標(biāo)，同時(shí)在視類CViewDIBView中建立起與之對應(yīng)的消息響應(yīng)函數(shù)OnTextVerify（），其程序代碼實(shí)現(xiàn)如下：

實(shí)驗(yàn)證明，采用與融合方法能去除很大部分的噪聲區(qū)域，能較準(zhǔn)確地定位出字幕區(qū)域TI（x，y）。但也發(fā)現(xiàn)在TI（x，y）中仍存在小部分的偽字幕區(qū)域，因此，本文運(yùn)用遞歸算法[13]統(tǒng)計(jì)出各候選文字區(qū)域的白色像素總數(shù)PixelNum，若PixelNum＜areapixel（areapixel為圖像高度×圖像寬度/150），則偽字幕區(qū)域就被刪除。實(shí)驗(yàn)證明，此方法簡單且能有效地判斷出字幕區(qū)域，圖6給出了與融合的處理結(jié)果。

圖6 與融合的結(jié)果

5 字幕區(qū)域的坐標(biāo)定位與提取

在去除了偽字幕區(qū)域后，本文采用以下算法完成字幕區(qū)域的坐標(biāo)定位。

（1）判斷像素點(diǎn)（x，y）是否為白色，若不是，則算法結(jié)束；

（2）若像素點(diǎn)（x，y）是白色，則掃描（x，y）的4個(gè)鄰域，若4個(gè)鄰域內(nèi)無白色像素，則算法結(jié)束，并返回文字區(qū)域的左上角和右下角坐標(biāo)值；

（3）若（x，y）的4個(gè)鄰域仍存在白色像素點(diǎn)，則調(diào)整文字區(qū)域的左上角和右下角坐標(biāo)，并繼續(xù)判斷其他像素點(diǎn)及其鄰域是否為白色像素點(diǎn)，最終返回一個(gè)確定的左上角和右下角坐標(biāo)值。

在編寫程序時(shí)，在系統(tǒng)界面的工具欄中建立“L”和“EX”圖標(biāo)，分別代表字幕區(qū)域的坐標(biāo)定位（Location）與提?。‥xtraction），同時(shí)，在視類CViewDIBView中創(chuàng)建與兩個(gè)圖標(biāo)對應(yīng)的消息響應(yīng)函數(shù)OnTextLocate（）和OnTextExtract（）來完成字幕區(qū)域的坐標(biāo)定位與提取，其結(jié)果如圖7所示。

圖7 字幕區(qū)域的坐標(biāo)定位與提取

6 結(jié)論

本系統(tǒng)基于字幕的邊緣特征信息，利用了垂直、水平、對角方向的邊緣檢測算子獲取字幕的邊緣信息，在此基礎(chǔ)上，結(jié)合數(shù)學(xué)形態(tài)學(xué)的處理，得到3個(gè)方向的字幕連通域圖，最后將這3個(gè)不同方向的連通域圖進(jìn)行邏輯與融合，定位并提取出最終的字幕區(qū)域。實(shí)驗(yàn)結(jié)果表明，基于Visual C++6.0環(huán)境下并結(jié)合文字提取算法實(shí)現(xiàn)的字幕自動提取系統(tǒng)具有字幕定位準(zhǔn)、運(yùn)行速度快且穩(wěn)定等特點(diǎn)。

提取出字幕信息后，本系統(tǒng)下一步的研究方向?yàn)椋海?）對字幕信息進(jìn)行二值化等處理，并將其送入OCR系統(tǒng)進(jìn)行識別；（2）基于Visual C++6.0開發(fā)環(huán)境，結(jié)合開源發(fā)行的跨平臺計(jì)算機(jī)視覺庫OpenCV，進(jìn)一步優(yōu)化和完善本系統(tǒng)。

[1]張洋.電視視頻字幕文字的提取方法研究[D]．合肥：中國科學(xué)技術(shù)大學(xué)，2009.

[2]陳義，李言俊，孫小煒.利用OCR識別技術(shù)實(shí)現(xiàn)視頻中文字的提取[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（10）：180-183.

[3]姜曉希，馮靖怡，馮結(jié)青.視頻內(nèi)容敏感的動態(tài)字幕[M].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2011，23（5）：855-862.

[4]章毓晉.基于內(nèi)容的視覺信息檢索[M].北京：科學(xué)出版社，2003.

[5]王占全，徐惠.Visual C++數(shù)字圖像處理技術(shù)與工程案例[M].北京：人民郵電出版社，2009.

[6]張宏林.精通Visual C++數(shù)字圖像處理典型算法及實(shí)現(xiàn)（第2版）[M].北京：人民郵電出版社，2008.

[7]俞朝暉，龐也馳，于濤.Visual C++數(shù)字圖像處理與工程應(yīng)用實(shí)踐[M].北京：中國鐵道出版社，2012.

[8]KEECHUL J，HAN J H.Hybrid approach to efficient text extraction in complex color images[J].Pattern Recognition Letters，2004（25）：679-699.

[9]KIM K I，JUNG K C，RARK S H，et al.Support vector machines for texture classification[C].IEEE Transactions on Image Processing，2002，24：1542-1550.

[10]ADRIAN C R，KIM J H，KIM S H.Efficient text extraction algorithm using color clustering for language translation in mobile phone[J].Signal and Information Processing，2012（3）：228-237.

[11]李敏，蔣建春.基于腐蝕算法的圖像邊緣檢測的研究與實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用與軟件，2009，26（1）：82-84.

[12]范立南，李金峰，張義鑫.基于Visual C++的廣義形態(tài)圖像邊緣檢測算法[J].計(jì)算機(jī)應(yīng)用與軟件，2006，23（7）：8-10.

[13]徐慧.Visual C++數(shù)字圖像實(shí)用工程案例精選 （第1版）[M].北京：人民郵電出版社，2004.