초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 각 프레임으로부터 추출된 통계적 특성을 이용하여 동영상의 분할방법과 분할된 각 장면에 대한 대표프레임을 추출하는 방법을 제안한다. 제안된 방법은 동영상의 각 프레임에 대하여 다해상도 분석을 실시하여 저주파 부 밴드로부터 히스토그램 특징을 추출하여 급격한 장면전환을 분할하는데 이용하였으며 또한 점진적인 장면전환을 검출하기 위해서는 고주파 부 밴드로부터 계산되는 화소의 분산치를 계산하여 특징벡터로 사용하였다. 실험의 결과를 통하여 제안된 동영상의 분할방법과 대표프레임 추출에 대한 알고리즘들이 동영상 자료의 분석 및 색인을 위한 효율적인 동영상 분할을 가능하게 하며, 차후 내용기반 영상과 비디오의 색인 및 검색을 위한 전처리의 단계로 사용되어질 수 있는 매우 유용한 방법임을 보였다.

본 논문에서는 각 프레임으로부터 추출된 통계적 특성을 이용하여 동영상의 분할방법과 분할된 각 장면에 대한 대표프레임을 추출하는 방법을 제안한다. 제안된 방법은 동영상의 각 프레임에 대하여 다해상도 분석을 실시하여 저주파 부 밴드로부터 히스토그램 특징을 추출하여 급격한 장면전환을 분할하는데 이용하였으며 또한 점진적인 장면전환을 검출하기 위해서는 고주파 부 밴드로부터 계산되는 화소의 분산치를 계산하여 특징벡터로 사용하였다. 실험의 결과를 통하여 제안된 동영상의 분할방법과 대표프레임 추출에 대한 알고리즘들이 동영상 자료의 분석 및 색인을 위한 효율적인 동영상 분할을 가능하게 하며, 차후 내용기반 영상과 비디오의 색인 및 검색을 위한 전처리의 단계로 사용되어질 수 있는 매우 유용한 방법임을 보였다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 본 논문에서는 동영상에 대한 시간적인 분할로써 통계적인 특징을 이용한 셧 경계 검출 및 대표프레임 의 추출을 목적으로 한다. 먼저 급격한 장면전환인 컷 검출를 위해서는 주어진 각 영상에 대하여 다행상도 분석을 실시하고, 저주파 무밴드로부터 히스토그램 특징을 추출하여 컷 검출에 사용하였으며 점진적인 장면전환인 페이드와 디졸브를 검출하기 위해서는 고주파 부밴드에 위치한 웨이블렛 계수들은 수직, 수평, 대각 방향의 에지 정보로부터 계산되는 화소값의 분산의 특징벡터를 이용하여 宣율적으로 검출하였다.
• 본 논문에서는 통계적인 특징에 기반을 둔 동영상의 셧 경계 검출 및 대표 프레임 추출에 관하여 연구하였다. 컷인 경우에는 인접한 프레임간에 히스토그램의 차이를 이용하였으며, 페이드, 디졸브인 경우에는 화소에 의한 분산치를 이용하여 셧 경계를 분할하게 하였다.

제안 방법

• 먼저 동영상의 각 프레임에 대하여 웨이블렛 변환을 적용하여 다 해상도분석을 실시하고, 저해역 부 밴드로부터 히스토그램특징을 추출하고, 고대역부 밴드로부터는 화소 값들 의 분산특징을 추출한다. 다음으로 인접한 두 프레임들에 대하여 히스토그램 특징 값들 차와 분산특징 값들의 차룔 계산하여 급격한 장면전환과 점진적인 장몀전환을 탐지한다. 그리고 분할된 각 샷으로부터 대표프레임을 추출한다.
• 대표프레임의 선정은 영상내용에 의한 검색의 정확성에 직접적으로 영향을 미칠 수 있는 중요한 문제이다. 따라서 본 논문의 컷, 페이딩, 디졸브의 경우 히스토그램 정보 및 셧 경계 검출에서 이미 추출된 화소 값 차이의 변화 패턴을 이용하여 대표프레임을 선정하는 방법을 소개하였다. 이 방식은 이미 계산되어 있는 특징량을 사용하므로 추가적인 처리부담이 거의 없이 기존의 단순한 방식에 비하여 훨씬 합리적인 프레임의 선정이 가능하다는 장점을 가지고 있다.
• 본 논문에서는 동영상에 대한 시간적인 분할로써 통계적인 특징을 이용한 셧 경계 검출 및 대표프레임 의 추출을 목적으로 한다. 먼저 급격한 장면전환인 컷 검출를 위해서는 주어진 각 영상에 대하여 다행상도 분석을 실시하고, 저주파 무밴드로부터 히스토그램 특징을 추출하여 컷 검출에 사용하였으며 점진적인 장면전환인 페이드와 디졸브를 검출하기 위해서는 고주파 부밴드에 위치한 웨이블렛 계수들은 수직, 수평, 대각 방향의 에지 정보로부터 계산되는 화소값의 분산의 특징벡터를 이용하여 宣율적으로 검출하였다.
• 본 논문에서 제안된 동영상의 장면전환에서 발생하는 샷의 경계검출과 각 샷에 대한 대표프레임의 추출에 대 한 알고리즘의 구성도는 다음 그림과 같다. 먼저 동영상의 각 프레임에 대하여 웨이블렛 변환을 적용하여 다 해상도분석을 실시하고, 저해역 부 밴드로부터 히스토그램특징을 추출하고, 고대역부 밴드로부터는 화소 값들 의 분산특징을 추출한다. 다음으로 인접한 두 프레임들에 대하여 히스토그램 특징 값들 차와 분산특징 값들의 차룔 계산하여 급격한 장면전환과 점진적인 장몀전환을 탐지한다.
• 점진적 장면전환 검출을 위한 특징 값으로 주어진 동영상 자료에 대하여 웨이블렛 변환율 실시하고, 고대역부 밴드에 위치한 웨이블렛 계수들에 대하여 수직, 수평, 대각 방향의 화소값뜰에 대한 분산특징을 계산한다.
• 본 논문에서는 통계적인 특징에 기반을 둔 동영상의 셧 경계 검출 및 대표 프레임 추출에 관하여 연구하였다. 컷인 경우에는 인접한 프레임간에 히스토그램의 차이를 이용하였으며, 페이드, 디졸브인 경우에는 화소에 의한 분산치를 이용하여 셧 경계를 분할하게 하였다. 셧 경계검출에 있어서 컷, 페이드, 디졸브등의 처리를 따로 하여 보다 더 정확한 셧 경계를 검출할 수 있었다.

대상 데이터

• CF, CNN , TV 드라마, 애니메이션, 자연영상 등을 대상으로 실험을 실시하였으며, 각 프레임의 m 기는 352x240 화소이다. 사용된 동영상은 다양한 형태의 컷, 페이드, 디졸브를 포함하고 있으며 정확한 장면전환 검출을 위하여 주관적으로 판단 가능한 장면전환을 포함하는 동영상을 사용하였다. 다음의 [표1]은 본 논문에서 제안된 장면전환 검출방법에 대한 5가지 동영상에 대한 실험결과를 보여주고 있다.
• 실험데이터는 MPEG포맷의 디지털 동영상으로 500-600 프레임으로 구성되어 있으며, 이 데이터에는 주로 간략한 TV.CF, CNN , TV 드라마, 애니메이션, 자연영상 등을 대상으로 실험을 실시하였으며, 각 프레임의 m 기는 352x240 화소이다. 사용된 동영상은 다양한 형태의 컷, 페이드, 디졸브를 포함하고 있으며 정확한 장면전환 검출을 위하여 주관적으로 판단 가능한 장면전환을 포함하는 동영상을 사용하였다.

이론/모형

• 본 논문에서는 다양한 동영상 자료들을 대상으로 급격한 장면전환의 검출을 위하여 히스토그램의 차이에 의한 탐샊방법을 사용하였다. 동영상의 자료를 다 해상도 분석을 실시한 후 저 대역 부 밴드로부터 히스토그램의 차이에 대한 특징 값은 다음의 수식에 의하여 계산된다.

성능/효과

• 컷인 경우에는 인접한 프레임간에 히스토그램의 차이를 이용하였으며, 페이드, 디졸브인 경우에는 화소에 의한 분산치를 이용하여 셧 경계를 분할하게 하였다. 셧 경계검출에 있어서 컷, 페이드, 디졸브등의 처리를 따로 하여 보다 더 정확한 셧 경계를 검출할 수 있었다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기