基于雙重檢測(cè)模型的農(nóng)業(yè)氣象科普視頻鏡頭分割算法

徐迎春，豐洪才，劉 立

（1.武漢市氣象臺(tái)；2.武漢輕工大學(xué)網(wǎng)絡(luò)與信息中心；3.武漢市東西湖職業(yè)技術(shù)學(xué)校信息技術(shù)系，湖北武漢 430023）

0 引言

農(nóng)業(yè)被認(rèn)為是人類的“母親產(chǎn)業(yè)”，而我國(guó)傳統(tǒng)農(nóng)業(yè)大多都是依靠經(jīng)驗(yàn)進(jìn)行種植的，且各地自然條件復(fù)雜多變，很多農(nóng)民依然需要靠天吃飯，尤其缺乏專業(yè)化、系統(tǒng)化的培訓(xùn)。此種形勢(shì)輕則影響糧食產(chǎn)量，重則危害生態(tài)與社會(huì)安全［1］。氣象災(zāi)害對(duì)于農(nóng)業(yè)生產(chǎn)會(huì)造成重要影響。在鄉(xiāng)村振興的背景下，新媒體開(kāi)啟了新時(shí)代的農(nóng)村發(fā)展之路，其在信息傳播等方面的優(yōu)勢(shì)顯得尤為突出［2］。目前許多網(wǎng)絡(luò)平臺(tái)為農(nóng)業(yè)從業(yè)者免費(fèi)提供氣象科普視頻，氣象科普視頻的發(fā)展是國(guó)家防災(zāi)減災(zāi)政策引導(dǎo)的結(jié)果。借助視頻推廣農(nóng)業(yè)氣象知識(shí)，可讓農(nóng)戶了解氣象與農(nóng)事的關(guān)系，從而掌握不同類型氣象災(zāi)害的應(yīng)對(duì)方法，以適應(yīng)現(xiàn)代農(nóng)業(yè)發(fā)展的需要、降低務(wù)農(nóng)風(fēng)險(xiǎn)，從而獲得更好的經(jīng)濟(jì)效益［3］。但現(xiàn)有的農(nóng)業(yè)氣象科普視頻種類繁多，且很多內(nèi)容冗長(zhǎng)，農(nóng)民很難快速找到自己需要的內(nèi)容。因此，了解農(nóng)民用戶的個(gè)性化需求，并利用先進(jìn)的視頻分割技術(shù)幫助其快速獲取信息，是當(dāng)代技術(shù)人員的奮斗方向。

在農(nóng)業(yè)生產(chǎn)過(guò)程中，氣象災(zāi)害的影響尤為突出，因此廣大農(nóng)民用戶有必要學(xué)習(xí)氣象災(zāi)害防治知識(shí)，以便掌握相應(yīng)防護(hù)措施，保障農(nóng)業(yè)生產(chǎn)穩(wěn)步進(jìn)行。但如何高效地對(duì)海量農(nóng)業(yè)氣象科普視頻進(jìn)行組織、表達(dá)、存儲(chǔ)和管理，提高農(nóng)業(yè)氣象科普視頻檢索效率，同時(shí)幫助農(nóng)民朋友找出視頻中感興趣的鏡頭，促進(jìn)其更充分地利用農(nóng)業(yè)氣象科普視頻，從而推動(dòng)農(nóng)業(yè)信息化的發(fā)展，是亟需解決的難題。

一個(gè)完整的視頻由幀、鏡頭、場(chǎng)景等組成，鏡頭是視頻的基本組成單位，也是視頻的最小語(yǔ)義單元，其包含一次連續(xù)拍攝的幀序列。開(kāi)始幀號(hào)、幀數(shù)量、結(jié)束幀號(hào)等是鏡頭屬性。在結(jié)構(gòu)化的視頻流中對(duì)鏡頭邊界進(jìn)行檢測(cè)是許多視頻后續(xù)處理的基礎(chǔ)［4］，在同一組鏡頭內(nèi)視頻幀的特征保持穩(wěn)定，而一旦相鄰的圖像幀特征出現(xiàn)明顯變化，即可判斷鏡頭發(fā)生了變化，而發(fā)生變化的幀就是鏡頭分割點(diǎn)。視頻序列中兩個(gè)不同鏡頭間的銜接點(diǎn)稱為分割點(diǎn)。視頻中鏡頭的變化主要分為突變和漸變兩種。突變（切變）是視頻中最常見(jiàn)的鏡頭轉(zhuǎn)換方式，是指一個(gè)鏡頭沒(méi)有使用任何編輯手段直接切換到下一個(gè)鏡頭，該過(guò)程一般在兩幀之間完成。漸變（緩變）是指鏡頭之間通過(guò)某種過(guò)渡方式，從一個(gè)鏡頭逐漸切換到另一個(gè)鏡頭，該變化過(guò)程可能在幾幀或幾十幀之間完成。漸變鏡頭邊界又可劃分成溶解、淡入淡出、擦變等。

鏡頭邊界檢測(cè)是基于內(nèi)容的視頻分析檢索（Content Based Video Retrieval，CBVR）的關(guān)鍵和基礎(chǔ)［5］，其研究與應(yīng)用一直受到人們關(guān)注。曾凡鋒等［6］提出一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）的漸變鏡頭檢測(cè)方法，該方法首先使用深度神經(jīng)網(wǎng)絡(luò)技術(shù)提取特征，然后將特征融入幀間差得到初選視頻鏡頭序列，最后運(yùn)用循環(huán)神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行二次復(fù)檢，通過(guò)雙重檢驗(yàn)的方式進(jìn)一步提高視頻鏡頭邊界的檢測(cè)精度；王瑞佳等［7］提出一種基于改進(jìn)互信息量的鏡頭檢測(cè)算法，該算法通過(guò)定位視頻中的字幕區(qū)域，計(jì)算非四角區(qū)域的HSV 直方圖信息量差異度；來(lái)毅等［8］通過(guò)融合空間差異度和感知哈希度量構(gòu)建一種鏡頭邊界特征，再結(jié)合直方圖差異度，判斷鏡頭是否發(fā)生了切換；Chakraborty 等［9］提出一種將梯度與顏色相結(jié)合的鏡頭邊界檢測(cè)技術(shù)，該技術(shù)通過(guò)計(jì)算梯度相似度和亮度失真，以測(cè)量包括亮度變化在內(nèi)的每一幀對(duì)比度和結(jié)構(gòu)變化，從而判斷鏡頭是否發(fā)生了轉(zhuǎn)變。

以上方法大多針對(duì)綜合平臺(tái)，或面向特定場(chǎng)景，但并未涉及針對(duì)農(nóng)業(yè)氣象科普視頻的鏡頭分割方法。本文針對(duì)農(nóng)業(yè)氣象科普視頻的特點(diǎn)，設(shè)計(jì)了一種雙重檢驗(yàn)?zāi)Ｐ?，將冗長(zhǎng)的農(nóng)業(yè)氣象科普視頻鏡頭進(jìn)行分割。該算法可滿足農(nóng)民個(gè)性化的信息需求，提高農(nóng)民對(duì)農(nóng)業(yè)氣象知識(shí)的檢索效率，從而推進(jìn)農(nóng)業(yè)氣象科普事業(yè)的發(fā)展，因此具有重要的研究意義。

1 基于雙重檢驗(yàn)?zāi)Ｐ偷溺R頭分割算法

氣象科普視頻的選題、拍攝內(nèi)容及拍攝角度都是經(jīng)過(guò)精心策劃的，視頻畫面生動(dòng)形象，內(nèi)容清晰明了、通俗易懂，且傳播速度快、覆蓋面廣。其具有以下特點(diǎn)：

（1）農(nóng)業(yè)氣象科普視頻的鏡頭變化以突變?yōu)橹鳎泊嬖谝曨l鏡頭漸變的現(xiàn)象，在視頻鏡頭邊界的檢測(cè)方案中，兩種變化都需要考慮。

（2）在農(nóng)業(yè)氣象科普視頻節(jié)目中，通常以一種天氣現(xiàn)象為主（如暴雨、雷電、大風(fēng)、強(qiáng)對(duì)流天氣等），講述此種天氣現(xiàn)象形成過(guò)程、發(fā)生時(shí)的表現(xiàn)形式以及帶來(lái)的危害，最后提出應(yīng)對(duì)措施。這類視頻節(jié)目具有較強(qiáng)的邏輯性、科普性。

本文針對(duì)農(nóng)業(yè)氣象視頻的特點(diǎn)，提出一種基于雙重檢驗(yàn)?zāi)Ｐ停ǔ鯔z和復(fù)檢）的農(nóng)業(yè)氣象鏡頭分割算法。初檢階段利用等面積矩形環(huán)方法提取視頻流的顏色特征，突出每一幀圖像的主體內(nèi)容。為避免人工設(shè)定閾值，采用自適應(yīng)雙閾值方法對(duì)鏡頭進(jìn)行初次檢測(cè)。復(fù)檢階段采用改進(jìn)的sobel-sift 算法對(duì)初次檢測(cè)的結(jié)果再次進(jìn)行檢測(cè)，從而進(jìn)一步提高準(zhǔn)確率，如圖1所示。

Fig.1 Dual detection model圖1 雙重檢測(cè)模型

1.1 改進(jìn)分塊顏色特征提取

視頻具有靜態(tài)特性和動(dòng)態(tài)特性，靜態(tài)特性是指圖像幀的原始屬性，主要是由顏色、紋理、形狀大小等視覺(jué)特征來(lái)體現(xiàn)的。通過(guò)分析視頻的靜態(tài)特征，可提取出區(qū)別于其他視頻幀的特征。動(dòng)態(tài)特征是視頻獨(dú)有的屬性，主要是由視頻中的物體或攝像機(jī)的運(yùn)動(dòng)引起的，反映了視頻動(dòng)態(tài)的時(shí)域變化。

特征提取是指對(duì)視頻特征屬性進(jìn)行數(shù)值化處理，通常是利用一些簡(jiǎn)單的值或矩陣（數(shù)值）來(lái)識(shí)別視頻。顏色特征作為一種全局特征，是視頻圖像的重要屬性之一［10］。彩色圖像的表示與所采用的彩色模型有關(guān)，同一幅彩色圖像如果采用不同的彩色模型（顏色空間）加以表示，對(duì)其的描述可能會(huì)有很大不同。常用的顏色空間有RGB（紅red、綠green、藍(lán)blue）、CMY（青色cyan、品紅magenta、黃色yellow）、HSV（色調(diào)hue、飽和度saturation、亮度value）等。

HSV 顏色空間包含3 個(gè)通道，且各個(gè)通道可獨(dú)立感知各種顏色分量的變化。HSV 空間有兩個(gè)重要特點(diǎn)：①人眼能獨(dú)立感知該空間各顏色分量的變化；②在HSV 顏色空間中，顏色三元組之間的歐式距離與人眼感覺(jué)到的相應(yīng)顏色差具有線性關(guān)系，且符合人類的視覺(jué)特性［11］。但在現(xiàn)實(shí)生活中，人們?nèi)庋鬯芸吹降念伾蒖GB 3 種基本顏色構(gòu)成，因此需要進(jìn)行顏色空間的轉(zhuǎn)換。

設(shè)定RGB 顏色空間中的值（r，g，b），r，g，b∈［0，255］，設(shè)v′=max（r，g，b），定義r′、g′、b′為：

則RGB 空間到HSV 空間的轉(zhuǎn)換為：

對(duì)HSV 顏色空間進(jìn)行非均勻量化，不但能夠表達(dá)圖像內(nèi)容，而且能有效降低高維數(shù)據(jù)計(jì)算量。本文采用劉華詠等［12］提出的等面積矩形環(huán)量化HSV 顏色特征，先按照式（4）將3 個(gè)顏色分量轉(zhuǎn)換為1 個(gè)分量，從而將視頻圖像的顏色劃分為36個(gè)等級(jí)。

根據(jù)心理學(xué)研究表明，人的注意力主要集中在圖像中心部分。顏色直方圖只對(duì)視頻圖像的顏色進(jìn)行統(tǒng)計(jì)，而忽略了顏色的空間分布信息。傳統(tǒng)分塊方法是將幀圖像平均分成a×b 塊，而沒(méi)有突出幀圖像的中心主體部分。本文采用一種基于等面積矩形環(huán)的劃分方法，突出視頻圖像的中心內(nèi)容，排除了視頻圖像中其他無(wú)關(guān)內(nèi)容的干擾，即在矩形環(huán)上進(jìn)行顏色特征提取，步驟如下：

Step1：確定每一幀圖像的中心點(diǎn)O，按等面積矩形環(huán)分塊原則，計(jì)算以O(shè)為中心的每個(gè)矩形環(huán)的邊長(zhǎng)m、n。假設(shè)從中心開(kāi)始向外，依次標(biāo)記出每個(gè)矩形環(huán)（R1，R2，…，Rn），如圖2所示。

Fig.2 Equal area rectangular ring圖2 等面積矩形環(huán)

則劃分后每個(gè)矩形環(huán)的邊長(zhǎng)為：

式中，a、b為幀圖像的邊長(zhǎng)，n為劃分的矩形環(huán)數(shù)。

Step2：對(duì)于每一幀圖像按照上述方法提取36個(gè)維度的顏色直方圖特征，中心由內(nèi)向外依次標(biāo)記為L(zhǎng)i（i=1，2，…，n）。

Step3：對(duì)每一幀圖像的矩形環(huán)賦予不同權(quán)重值ωi，目的為在突出圖像主體部分的同時(shí)，減弱邊緣部分帶來(lái)的影響，且各權(quán)重值大小按照幀圖像中心點(diǎn)由內(nèi)向外的順序依次減小。

式中，n為劃分的矩形環(huán)數(shù)。

Step4：利用式（7）得到幀圖像特征向量F：

式中，F(xiàn)為從視頻幀中提取的36維顏色特征向量。

Step5：計(jì)算幀間差Dij：

式中，F(xiàn)i，k、Fj，k分別表示第i 幀和第j 幀在第k 維的特征值。

1.2 基于自適應(yīng)雙閾值的初檢

鏡頭是視頻的基本組成單位，也是視頻的最小語(yǔ)義單元，包含了一次連續(xù)拍攝的幀序列［5］。視頻鏡頭分割的主要目標(biāo)是檢測(cè)出鏡頭邊緣，將一段視頻分割成若干個(gè)獨(dú)立鏡頭，這也是CBVR 的基礎(chǔ)技術(shù)和關(guān)鍵步驟。基于鏡頭的視頻分割是利用鏡頭之間的明顯特征差異確定鏡頭邊界，如果某相鄰兩幀的差異度超出了設(shè)定閾值，則說(shuō)明鏡頭發(fā)生了變化，下一個(gè)視頻幀屬于新鏡頭，否則屬于同一個(gè)鏡頭。視頻鏡頭發(fā)生突變時(shí)，幀間差異值較大，表現(xiàn)明顯；而若是漸變，幀間差異值沒(méi)有突變那么大，所以如何找到漸變的起始點(diǎn)成為鏡頭檢測(cè)研究的重點(diǎn)。目前，學(xué)者們對(duì)鏡頭突變檢測(cè)的研究已經(jīng)取得了不錯(cuò)的成果，而針對(duì)鏡頭漸變的檢測(cè)一直以來(lái)都是視頻分割的難點(diǎn)所在。

很多學(xué)者在該領(lǐng)域進(jìn)行了大量研究工作，其中最具代表性是雙閾值法。雙閾值法雖然能同時(shí)檢測(cè)鏡頭突變和漸變，但此方法采用的是全局固定閾值，易導(dǎo)致鏡頭漸變起始點(diǎn)與結(jié)束點(diǎn)的誤判。此外，采用全局閾值的鏡頭檢測(cè)方法普適性差，不同視頻的閾值不一定相同，極易導(dǎo)致檢測(cè)性能不穩(wěn)定［13］。為了改進(jìn)閾值不易確定的問(wèn)題，本文采用全局閾值與局部閾值相結(jié)合的方法進(jìn)行鏡頭檢測(cè)，以提高檢測(cè)精度。具體流程如下：

高閾值為：

低閾值為：

在式（9）中，取一個(gè)長(zhǎng)度為w 的滑動(dòng)窗口，avg 為滑動(dòng)窗口w 內(nèi)的平均幀間差，Dij表示某兩幀之間顏色的幀間差。在式（10）-式（11）中，α和β 為修正參數(shù)，當(dāng)Dij＞TH 時(shí)，即當(dāng)某兩幀的幀間差大于高閾值時(shí)，則判定第i 幀與第j 幀之間發(fā)生了鏡頭突變；當(dāng)TL ＜Dij＜TH 時(shí)，即當(dāng)某兩幀的幀間差落在高低閾值之間時(shí)，則判定第i 幀為漸變的起始幀，然后計(jì)算第i 幀與之后每一幀（i+1，i+2……）的累計(jì)幀間差，直到出現(xiàn)第j 幀的累計(jì)幀間差大于高閾值時(shí)，則第i+j 幀為漸變過(guò)程的結(jié)束幀。為避免初檢階段鏡頭分得過(guò)細(xì)或分割不夠的結(jié)果，本文采用經(jīng)驗(yàn)值α為5，β為3。

1.3 改進(jìn)sift算子

1.3.1 sift算法

尺度不變特征變換（scale-invariant feature transform，sift）可幫助定位圖像中的局部特征，其對(duì)于圖像的尺度和旋轉(zhuǎn)能夠保持不變性，對(duì)于視頻圖像噪聲和拍攝視角的微小變化也能保持一定的穩(wěn)定性與魯棒性［14］。

1.3.2 多方向模板sobel算子

sobel 算子是一種將方向差分運(yùn)算與局部平均相結(jié)合的方法。sobel算子認(rèn)為，鄰域像素對(duì)當(dāng)前像素的影響不是等價(jià)的，距離不同的像素具有不同權(quán)值。一般來(lái)說(shuō)，距離越近，產(chǎn)生的影響越大，反之亦然。但傳統(tǒng)的sobel 算子只包含水平和垂直兩個(gè)方向的模板，為更精準(zhǔn)地提取圖像邊緣信息，本文采用李備備等［15］提出的多方向模板提取sobel 算子，此方法在原始的sobel 方向模板上，按逆時(shí)針旋轉(zhuǎn)，每隔30 度增加一個(gè)模板，由此可得到12 個(gè)模板，并按各方向模板梯度求和，通過(guò)此種改進(jìn)提高了sobel 算子的魯棒性。多方向模板的sobel算子示意圖如圖3所示。

Fig.3 Schematic diagram of the sobel operator of the multi-directional template圖3 多方向模板的sobel算子示意圖

圖3（a）是原始的sobel 算子模板，將此模板依次按逆時(shí)針旋轉(zhuǎn)30°，即可得到12 個(gè)方向模板。通過(guò)該操作完善了視頻幀各個(gè)方向的邊緣信息，彌補(bǔ)了傳統(tǒng)sobel 算子對(duì)于方向信息缺失的問(wèn)題，同時(shí)擴(kuò)展后的模板可提高視頻幀邊緣的檢測(cè)精度。

為更好地細(xì)化視頻幀邊緣信息，需要對(duì)12 個(gè)方向模板進(jìn)行加權(quán)求和，如式（12）所示：

2 算法描述

2.1 初次檢驗(yàn)

以MP4 格式視頻為例，輸入一段視頻序列V，設(shè)該視頻序列包含N 個(gè)視頻幀。首先，利用式（1）-式（3）將每一幀視頻圖像從RGB 顏色空間轉(zhuǎn)化為HSV 顏色空間，用式（4）將HSV 的3 個(gè)顏色分量轉(zhuǎn)換為1 個(gè)分量，從而將視頻幀的顏色劃分為36 個(gè)等級(jí)；然后，根據(jù)式（5）-式（7）對(duì)每個(gè)視頻幀按等面積環(huán)進(jìn)行不均勻分塊，并結(jié)合式（8）計(jì)算出第i 幀與第j 幀之間的幀間差；最后，采用局部滑動(dòng)窗口法實(shí)現(xiàn)鏡頭檢測(cè)，改善了全局閾值法的短板，進(jìn)而獲得初次檢測(cè)的漸變鏡頭序列g(shù)rab、切變鏡頭序列cut。

2.2 二次檢驗(yàn)（復(fù)檢）

為提高鏡頭檢測(cè)精度，本文采用改進(jìn)sift 特征匹配的視頻鏡頭邊緣復(fù)檢算法，具體流程如下：

Step1：提取圖像幀邊緣信息。將初次得到的鏡頭序列進(jìn)行灰度化處理（見(jiàn)式（13）-式（14）），灰度化是指替彩色圖像的R、G、B 3 個(gè)分量找到一個(gè)合適、等效的值，以便將其轉(zhuǎn)化為灰度圖像的過(guò)程。假設(shè)彩色圖像的三基色分量分別表示為R0、G0和B0，經(jīng)過(guò)灰度化處理后所得的灰度值為Gnew，根據(jù)原始彩色圖像中RGB 3 種顏色分量的相對(duì)重要性或其他指標(biāo)，賦予三分量不同的權(quán)值，并取其加權(quán)平均值作為灰度化圖像的灰度值。計(jì)算公式為：

其中，WR、WG、WB分別代表R、B、G 的權(quán)重值。

實(shí)驗(yàn)結(jié)果證明，當(dāng)WR=0.299，WG=0.587，WB=0.114時(shí)，所得到的灰度圖像比較合適。用公式表示為：

Step2：提取視頻幀的sift 特征。采用多方向模板的sobel算子（見(jiàn)式（12））提取圖像幀的邊緣信息。sift特征提取流程如圖4所示。

Step3：基于sift算法的圖像匹配，將初檢得到的視頻序列集合進(jìn)行二次復(fù)檢，即比較初次提取某一鏡頭序列首尾幀sift特征點(diǎn)的匹配變化情況［16］。假設(shè)該鏡頭第一幀匹配的特征點(diǎn)數(shù)為m，最后一幀匹配的特征點(diǎn)數(shù)為n，如果m 與n 相差很大，說(shuō)明存在鏡頭邊界，否則進(jìn)行sift 特征點(diǎn)匹配。假設(shè)s 為匹配點(diǎn)數(shù)，計(jì)算第i 幀與第i+1 幀的sift 特征匹配率為：

若Rm＜2%，則說(shuō)明第i 幀與第i+1 幀之間存在鏡頭邊界，反之亦然，可將其從初檢序列剔除。按此方法依次檢測(cè)在初檢過(guò)程中所提取的鏡頭集合cut 和grab 中的幀，并剔除匹配率低于2%的視頻鏡頭序列，如圖5所示。

Step4：輸出二次復(fù)檢后的鏡頭集合cut′和grab′。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)視頻素材來(lái)源于云上智農(nóng)，云上智農(nóng)是國(guó)內(nèi)領(lǐng)先的農(nóng)業(yè)教育服務(wù)平臺(tái)（實(shí)驗(yàn)素材見(jiàn)圖6），擁有最新的農(nóng)業(yè)技能在線培訓(xùn)課程，同時(shí)也發(fā)布了有關(guān)農(nóng)業(yè)知識(shí)的科普文章和視頻。該平臺(tái)在農(nóng)業(yè)領(lǐng)域具有一定影響力。

Fig.4 Flow of sift feature extraction圖4 sift特征提取流程

Fig.5 Recheck based on improved sift algorithm圖5 基于改進(jìn)sift算法的復(fù)檢

Fig.6 Experimental material display圖6 實(shí)驗(yàn)素材展示

美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院為鏡頭邊界檢測(cè)給出了一種標(biāo)準(zhǔn)的估計(jì)方案，主要以鏡頭變換的查全率（Recall）和查準(zhǔn)率（Precision）兩個(gè)評(píng)價(jià)指標(biāo)來(lái)檢驗(yàn)視頻鏡頭邊界的檢測(cè)結(jié)果，定義如下：

采用配置為i7 芯片、32GB 內(nèi)存、1TB 固態(tài)硬盤的電腦進(jìn)行實(shí)驗(yàn)，并采用MATLAB2019a 仿真軟件對(duì)3 段視頻進(jìn)行鏡頭邊界檢測(cè)的仿真實(shí)驗(yàn)，結(jié)果如表1、表2 和圖7-圖9所示。

Table 1 Analysis of experimental results表1 實(shí)驗(yàn)結(jié)果分析

Table 2 Comparative experiment with other literatures表2 與其他文獻(xiàn)對(duì)比實(shí)驗(yàn) %

Fig.7 Lens gradient effect display圖7 鏡頭漸變效果展示

以上實(shí)驗(yàn)結(jié)果表明，該算法對(duì)于鏡頭切變的檢測(cè)效果較好，3 段視頻切變的查全率分別為94.2%、89.3%、92.2%，查準(zhǔn)率分別為91.7%、92.6%、94.0%。由于視頻漸變種類較多，因而加大了鏡頭檢測(cè)難度，因此本文算法對(duì)于鏡頭的漸變檢測(cè)效果較為一般，其中平均查準(zhǔn)率為84.03%，平均查全率為88.13%。本文算法與雙閾值法相比，檢測(cè)效果有所提升，其原因?yàn)榻?jīng)過(guò)sobel-sift 復(fù)檢進(jìn)一步提高了鏡頭檢測(cè)精度。本文算法與文獻(xiàn)［16］的算法相比，因?yàn)槲墨I(xiàn)［16］的算法采用sift 提取每一幀圖像特征，而提取sift 點(diǎn)的過(guò)程復(fù)雜，需要花費(fèi)大量時(shí)間，因此該算法并不適合直接應(yīng)用于視頻這類數(shù)據(jù)量大的場(chǎng)景。從圖7 可以看出，同一組鏡頭畫面具有極高的相似性，每一幀圖像的變化很小。圖8 展示了從閃電鏡頭畫面逐漸切換到下一個(gè)介紹暴雨的鏡頭畫面，圖9 展示了暴雨科普視頻經(jīng)過(guò)鏡頭分割后的部分鏡頭畫面。

4 結(jié)語(yǔ)

本文在現(xiàn)有視頻分割算法的基礎(chǔ)上，結(jié)合農(nóng)業(yè)氣象科普視頻的特點(diǎn)，將先進(jìn)的視頻分割技術(shù)應(yīng)用于農(nóng)業(yè)氣象科普視頻中，運(yùn)用一種雙重檢驗(yàn)方式。實(shí)驗(yàn)結(jié)果表明，該算法較好地實(shí)現(xiàn)了農(nóng)業(yè)氣象科普視頻分割，減少了鏡頭的漏檢數(shù)和誤檢數(shù)，平均查全率為88.13%，平均查準(zhǔn)率為84.03%。本文立足于農(nóng)民對(duì)氣象科普視頻的需求，創(chuàng)新性地融合視頻的內(nèi)容和表現(xiàn)形式，充分發(fā)揮視頻傳播速度快、覆蓋面廣、表現(xiàn)形式多樣化的特點(diǎn)。本文算法滿足了農(nóng)民個(gè)性化與專業(yè)化的檢索需求，提升了農(nóng)民對(duì)農(nóng)業(yè)氣象科普視頻的利用率，同時(shí)也促進(jìn)了多媒體技術(shù)與氣象科普工作的融合。在可預(yù)見(jiàn)的未來(lái)，基于內(nèi)容的視頻檢索技術(shù)還將為氣象科普事業(yè)的發(fā)展提供更多新思路和新方法，從而不斷提升農(nóng)業(yè)氣象科普的社會(huì)影響力。

Fig.8 Lens switching effect display圖8 鏡頭切換效果展示

Fig.9 Partial lens segmentation effect display圖9 部分鏡頭分割效果展示