【关键帧提取】基于运动信息(续2)

参考文献　Summarisation of Surveillance Videos by Key-frame Selection ICDSC 2011

该文的思路与前面二篇思路大致相同，该文没有分段处理这一步，而直接在运动信特征的基础按一定的选取策略，选取关键帧．

提取运动信息特征：EHD Edge Histogram Descriptor，LFE Localised Foreground Entropy.

EHD特征提取步骤如下：

1).将图像转换为灰度图像，划分为4*4的图像子块．

2).计算每个图像子块，5个方向对应m_f(i,j)．

3).将每个图子块各个方向的m_f(i,j)组合成一个向量．(5*4*4)80的向量．

具体计算细节参考文献　Efficient use of local edge histogram descriptor

LFE特征提取步骤如下：

1).将检测的前景结果图像，划分成n*n的图像子块．

2).计算每个图像子块的熵值．

3).求n*n个图像子块的平均熵值，得到最终图像的熵值信息．

m = n * n.

关键帧选择策略　选择EHD和LFE对应的局部最大值作为关键帧．

具本处理方法是迭代处理，每次迭代时，针对每一对相连关键帧，删除其特征值较小的关键帧，直到最终选取关键帧达到一定的数目时，停止迭代处理．

思考点：

1).EHD的计算是针对原始图像序列，还是检测的前景结果图像序列．(需要进一步阅读文献Efficient use of local edge histogram descriptor)

2).LFE中对块划分是均匀划分，以及求图像子块熵的平均值时各个图像子块的权值相同．

没有考虑人的视频特点，人可能对图像中心的区域更感兴趣，图像中心的内容，所占权重应该大些．

可以参用不等划分策略，以及给各块分配不同的权值．

3).关键帧的选择策略，过于简单，选取关键帧不一定准确．