基于CLIP的关键帧选择策略

qq_44199605

已于 2024-10-23 14:49:32 修改

阅读量1.1k

点赞数 17

文章标签：机器学习人工智能视频编解码

于 2024-10-23 14:32:09 首次发布

本文链接：https://blog.csdn.net/qq_44199605/article/details/143183124

版权

基于CLIP的关键帧选择策略：原理

这种方法将整个视频划分为多个片段（clips），并从每个片段中提取能够代表该片段的关键帧。具体过程如下：

使用CLIP提取特征：第一步是使用CLIP模型对视频的第一帧进行编码，生成特征向量 $v_k$ ，该向量包含了该帧的高级语义信息。CLIP能够将图像的视觉内容压缩为具有语义意义的特征向量。
计算余弦相似度：为了确定帧与前一帧之间的变化程度，我们计算帧的特征向量之间的余弦相似度。余弦相似度通过比较向量之间的角度差异来测量它们的相似度，值越小表示帧之间的差异越大。因此，若新帧与前一帧的相似度较低，则认为该帧发生了较大变化，有可能成为关键帧。

两帧之间的余弦相似度计算公式如下： $D_v=\frac{v_k\cdot v_{k+i}}{\|v_k\|\|v_{k+i}\|}$

其中： $v_k$ 和 $v_{k+1}$ 是当前帧和后续帧的特征向量。 $m$ 是向量的分量数。

算法通过挑选与上一个关键帧相似度最小的帧，来作为新的关键帧。
动态选择：视频的第一帧总是被选为关键帧，然后对每一帧与前一关键帧的相似度进行计算。相似度较小的帧将被选为新的关键帧。这个动态的过程会循环进行，直到处理完整个视频。

基于CLIP的关键帧选择策略：代码

安装必要的库：

$ pip install ftfy regex tqdm
$ pip install git+https://github.com/openai/CLIP.git

处理整个视频，提取每一帧的特征，并基于余弦相似度选择关键帧：

import torch
import clip
from torchvision import transforms
from tqdm import tqdm

# 加载CLIP模型
device = "cuda" if torch.cuda.is_available() else "cpu"
model, preprocess = clip.load("ViT-B/32", device=device)

# 计算余弦相似度的函数
def cosine_similarity(a, b):
    return torch.nn.functional.cosine_similarity(a, b)

# 关键帧选择策略
def select_keyframes(video_dataset, model, device):
    keyframes = []  # 存储关键帧索引
    video_features = []  # 存储帧的特征向量
    
    with torch.no_grad():
        # 提取第一帧的特征并将其设为第一个关键帧
        first_frame_data = video_dataset[0]
        first_frame = first_frame_data['img'].unsqueeze(0).to(device)

        # 检查图像是否为RGB三通道格式
        if first_frame.shape[1] == 1:  # 如果是单通道，扩展为三通道
            first_frame = first_frame.repeat(1, 3, 1, 1)

        # 对帧进行预处理并提取特征
        first_frame_preprocessed = preprocess(transforms.ToPILImage()(first_frame.squeeze(0).cpu())).unsqueeze(0).to(device)
        first_frame_features = model.encode_image(first_frame_preprocessed)
        
        # 将第一帧设为关键帧
        keyframes.append(0)
        video_features.append(first_frame_features)

        # 遍历剩下的帧
        for idx in tqdm(range(1, len(video_dataset))):
            current_frame_data = video_dataset[idx]
            current_frame = current_frame_data['img'].unsqueeze(0).to(device)

            # 检查图像格式是否为RGB三通道
            if current_frame.shape[1] == 1:
                current_frame = current_frame.repeat(1, 3, 1, 1)

            # 预处理当前帧并提取特征
            current_frame_preprocessed = preprocess(transforms.ToPILImage()(current_frame.squeeze(0).cpu())).unsqueeze(0).to(device)
            current_frame_features = model.encode_image(current_frame_preprocessed)

            # 计算当前帧与上一关键帧的相似度
            similarity = cosine_similarity(current_frame_features, video_features[-1])

            # 如果相似度低于设定的阈值，则将当前帧设为新的关键帧
            if similarity.item() < 0.96:  # 可以调整阈值
                keyframes.append(idx)
                video_features.append(current_frame_features)

    return keyframes

参考文章：《When Video Coding Meets Multimodal Large Language Models: A Unified Paradigm for Video Coding》