[发明专利]多媒体数据分类方法及装置

权利要求书

1.一种多媒体数据分类方法，其特征在于，该方法包括：

从每个原始多媒体数据中分别提取特征，所有数据的特征组成了原始特征集，且，当所述原始多媒体数据为视频数据时，提取动态特征、编辑特征和静态特征，当所述原始多媒体数据为图像数据时，提取结构特征，以及颜色特征、纹理特征、形状特征三者之一或任意组合；

对于每个类别，从原始特征集中选取该类别的训练样本，所有训练样本组成训练集；

采用预设分类算法，对训练集进行学习训练，生成分类判决准则模型；

对于任一测试样本，采用分类判决准则模型对该测试样本进行计算，得到该测试样本所属的类别。

2.根据权利要求1所述的方法，其特征在于，当所述特征为动态特征时，

所述提取特征包括：

对于视频数据中的每两相邻帧YUV图像，分别计算每帧图像的亮度均值，计算该两帧图像的亮度均值的差值的绝对值，得到该两帧图像的亮度差，计算整个视频数据的亮度差的均值，得到整个视频数据的平均亮度变化差；

对于视频数据中的每两相邻帧RGB图像，分别计算每帧图像的r的均值、g的均值、b的均值，计算该两帧图像的r的均值的差值的绝对值、g的均值的差值的绝对值、b的均值的差值的绝对值，得到该两帧图像的r差、g差、b差，计算整个视频数据的r差的均值、g差的均值、b差的均值，得到整个视频数据的平均r变化差、平均g变化差、平均b变化差；

对于视频数据中的每两相邻帧图像，计算该两帧图像之间的运动向量均值，计算整个视频序列的平均运动向量均值；

平均亮度变化差、平均r变化差、平均g变化差、平均b变化差和平均运动向量均值构成了视频数据的动态特征。

3.根据权利要求1所述的方法，其特征在于，所述编辑特征包括：视频镜头切变率、视频镜头渐变率和静止帧率。

4.根据权利要求3所述的方法，其特征在于，当所述特征为视频镜头切变率时，

所述提取特征包括：

对于视频数据中的每两相邻帧YUV图像，分别计算每帧图像的y的均值、u的均值、v的均值，计算该两帧图像的y的均值的差值的绝对值、u的均值的差值的绝对值、v的均值的差值的绝对值，得到该两帧图像的y差、u差、v差；

判断是否满足：y差大于预设第一阈值、u差大于预设第二阈值、v差大于预设第三阈值，若是，确定该两帧图像为候选镜头切变帧，分别使用Sobel算子法对该两帧图像进行计算，分别得到两个边缘图，计算该两个边缘图中像素值的均值的差值的绝对值，若该差值的绝对值大于预设第四阈值，则计算该两帧图像之间的运动向量均值，若该运动向量均值大于预设第五阈值，则确定该两帧图像为镜头切变帧，将镜头切变数加1；

当对整个视频数据检测完毕时，计算镜头切变数与整个视频数据帧数的比率，得到镜头切变率。

5.根据权利要求3所述的方法，其特征在于，当所述特征为视频镜头渐变率时，

所述提取特征包括：

对于视频数据中任意两相隔q帧的YUV图像，计算该两帧图像的y的均值的差值的绝对值，若该差值的绝对值大于预设第六阈值，则判断是否连续M次满足：相隔q帧的图像的y的均值的差值的绝对值大于预设第六阈值，若是，判定检测到一个镜头渐变处，将镜头渐变数加1；否则，转至下一帧继续检测，其中，q、M为预设整数，且q>1；

当整个视频数据检测完毕时，计算镜头渐变数与整个视频数据帧数的比率，得到镜头渐变率。

6.根据权利要求3所述的方法，其特征在于，所述静态特征包括：平均亮度均值、平均亮度方差、平均饱和度均值和小波变换纹理特征，或者包括：平均亮度高分量比、平均饱和度高分量比和小波变换纹理特征，或者包括：

平均亮度均值、平均亮度方差、平均饱和度均值、平均亮度高分量比、平均饱和度高分量比和小波变换纹理特征。

7.根据权利要求1所述的方法，其特征在于，所述颜色特征包括：图像的一阶、二阶和三阶HSV空间颜色矩特征以及一阶、二阶和三阶矩颜色直方图矩特征。

8.根据权利要求1所述的方法，其特征在于，所述纹理特征包括：基于灰度共生矩阵的纹理特征和小波变换纹理特征。