尹芳　鄭亮　陳田田

摘要：提出了一種基于Adaboost的視頻文本定位的新方法。首先我們提取視頻圖像中的連通域，經(jīng)過(guò)對(duì)視頻文本區(qū)域分析，提取了視頻文本的5類特征，然后利用這5類特征經(jīng)過(guò)分類與回歸決策樹(shù)構(gòu)造了Adaboost強(qiáng)分類器，最后將候選文本區(qū)域送入強(qiáng)分類器，得到正確的文本區(qū)域。實(shí)驗(yàn)結(jié)果表明本方法不僅對(duì)視頻幀圖像中字體、大小和顏色多變的文本具有很好的定位效果而且還實(shí)現(xiàn)了視頻文本定位要求的快速性和準(zhǔn)確性的特點(diǎn)。

關(guān)鍵詞：文本定位；文本識(shí)別；連通域；強(qiáng)分類器；分類與回歸決策樹(shù)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1007-2683（2017）01-0103-06

0 引言

隨著多媒體網(wǎng)絡(luò)技術(shù)的發(fā)展，大量的視頻進(jìn)入了人們的學(xué)習(xí)、生活和工作當(dāng)中。然而視頻中的文本信息作為一種重要的語(yǔ)義信息，對(duì)視頻的理解、分析和檢索有著重要的作用。視頻文本識(shí)別主要包括兩步。第一步，對(duì)視頻幀中的文本進(jìn)行定位；第二步，獲取文本定位區(qū)域中的文本信息。然后將獲取的文本信息送入到OCR或利用其他的文本識(shí)別技

最近幾年，不少視頻文本提取的相關(guān)算法應(yīng)運(yùn)而生。Li等通過(guò)利用混合小波神經(jīng)網(wǎng)絡(luò)對(duì)16×16像素塊的視頻幀進(jìn)行檢測(cè)；Zhong和Crandall利用文本圖像在垂直和水平方向亮度的變化規(guī)律在8×8的DCT壓縮域直接實(shí)現(xiàn)了文本檢測(cè)。但是基于塊的方法在文本定位不夠精確。數(shù)學(xué)形態(tài)學(xué)，角點(diǎn)檢測(cè)和邊緣檢測(cè)也是大多學(xué)者經(jīng)常采用的方法。工作人員在制作視頻時(shí)，對(duì)于具有文本的區(qū)域，往往使其前景與背景具有鮮明的對(duì)比度，在頻域上這種對(duì)比度表現(xiàn)為高頻特征，而在空域上可以通過(guò)角點(diǎn)和邊緣點(diǎn)來(lái)表現(xiàn)，因此角點(diǎn)和邊緣檢測(cè)經(jīng)常是文本定位采用的方法。例如，Hua等人先利用SUSAN角點(diǎn)檢測(cè)算子獲得視頻幀的角點(diǎn)圖，然后對(duì)角點(diǎn)按照一定的規(guī)律進(jìn)行合并和過(guò)濾最終定位文本區(qū)域。這種方法應(yīng)用起來(lái)比較簡(jiǎn)單，速度較快，但是對(duì)噪聲比較敏感，只能處理背景簡(jiǎn)單的視頻文本。

近幾年基于Adaboost的學(xué)習(xí)方法也被大量應(yīng)用于文本識(shí)別，并且取得了良好的效果。例如，Chen和Yuille利用文本圖像的X和Y偏導(dǎo)數(shù)、灰度直方圖和邊緣連接特征進(jìn)行Adaboost學(xué)習(xí)實(shí)現(xiàn)文本定位。

以上方法雖然可以實(shí)現(xiàn)文本定位，但是效果并不理想。由于視頻文本本身的低分辨率，復(fù)雜的背景，文本的顏色，字體以及大小多變性等因素使視頻文本定位存在不小的難度。

1 Adaboost算法

AdaBoost算法通過(guò)將大量分類能力一般的弱分類器按照一定方法組合起來(lái)，構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器。Keams和Valiant已經(jīng)證明，只要有足夠的分類能力比隨機(jī)猜測(cè)好的分類器，就能將組合成誤分率趨于0的強(qiáng)分類器。Adaboost算法根據(jù)每次訓(xùn)練集中各樣本的分類是否正確以及上一次的總體分類準(zhǔn)確率來(lái)確定每個(gè)樣本的權(quán)值，將修改權(quán)值的新數(shù)據(jù)送給下層分類器進(jìn)行訓(xùn)練，然后將每次訓(xùn)練得到的分類器融合起來(lái)，作為最后的決策分類器，實(shí)現(xiàn)對(duì)目標(biāo)的搜索檢測(cè)。

假設(shè)輸入n個(gè)訓(xùn)練樣本：{x₁，y₁}，{x₂，y₂}，…，{x_{2n/sub>，yn}，其中yi={0，1}，i=1，2，…，n；0表示假樣本，1表示真樣本。已知訓(xùn)練樣本中有a個(gè)假樣本和b個(gè)真樣本，則第.j個(gè)生成的簡(jiǎn)單分類器如式（1）所示。}

（1）其中：h_i表示簡(jiǎn)單分類器的值；θ_i表示閾值；p_i表示不等號(hào)的方向，只能取±1；f_i表示特征值，j=1，2，…，n。

步驟1：初始化誤差權(quán)值，對(duì)于y_i=0的假樣本，W₁，i=1/2a；對(duì)于y_i=1的真樣本，W_1，i=1/2b；

步驟2：For t=1，2，…，T，其中T為訓(xùn)練的次數(shù)；

2）對(duì)每個(gè)特征j，循環(huán)生成相應(yīng)的弱分類器h_j，計(jì)算相對(duì)于當(dāng)前權(quán)重的誤差：

（2）

3）選擇具有最小誤差ε_j的弱分類器h_t加入到強(qiáng)分類器中去；

4）更新每個(gè)樣本所對(duì)應(yīng)的權(quán)重；

（3）

步驟3：形成強(qiáng)分類器為

（4）

Adaboost算法相比于其他機(jī)器學(xué)習(xí)算法所具備的優(yōu)點(diǎn)：第一，構(gòu)造一個(gè)弱分類器比直接構(gòu)造一個(gè)高精度的強(qiáng)分類器簡(jiǎn)單的多；第二，不會(huì)過(guò)度擬合，不會(huì)隨著迭代次數(shù)的增加而降低其泛化能力。

2 候選區(qū)域檢測(cè)

候選區(qū)域生成的主要任務(wù)是提取圖像中的連通區(qū)域。其中包括文本區(qū)域和非文本區(qū)域。然后將這些連通域送入利用Adaboost生成的強(qiáng)分類器。從而將連通區(qū)域中的非文本區(qū)域剔除，最終得到準(zhǔn)確的文本區(qū)域。

2.1 灰度化處理

文進(jìn)行邊緣檢測(cè)，首先將彩色的視頻幀圖像灰度化，以減少后續(xù)圖像處理計(jì)算量。

灰度化處理的方法有，最大值法、平均值法和加權(quán)平均值法，最大值法產(chǎn)生的灰度圖像亮度過(guò)高，平均值法產(chǎn)生的灰度圖像過(guò)于柔和，所以本文采用加權(quán)平均值法將視頻幀圖像灰度化，首先如式（5）給每個(gè)像素的R、G、B分量賦予權(quán)值，然后取得3個(gè)分量的加權(quán)平均值

R=G=B=（W_R×R+W_G×G+W_B×B）/3 （5）其中W_R、W_G、W_B分別是R、G、B的權(quán)值，根據(jù)先驗(yàn)知識(shí)，其中W_R=0.30、W_G=0.59、W_B=0.11得到的灰度圖像較為合理，即：

V_gray=R=G=B

=（0.30R+0.59G+0.11B）/3 （6）

實(shí)驗(yàn)結(jié)果比較如圖1所示。

2.2 邊緣檢測(cè)

為了能給讀者提供有關(guān)視頻的信息及幫助理解，視頻文本大多是疊加的，而且一般會(huì)與背景有較大的對(duì)比度。因此本文根據(jù)梯度特征來(lái)獲得文本區(qū)域邊緣。

依賴于圖像梯度的邊緣檢測(cè)方法根據(jù)X、Y方向?yàn)V波器計(jì)算梯度估計(jì)的不同分為不同類型，例如Robeas算子、Sobel算子和Prewitt算子等。本文通過(guò)實(shí)驗(yàn)比較，選擇Sobel算子。

Sobel算子是一種離散性差分算子，與Roberts算子相比，它能夠在噪聲情況下精確定位圖像邊緣方向的差分。它利用水平卷積因子和垂直卷積因子（8），在橫向x和縱向y方向上對(duì)圖像G（x，y）做平面卷積，得到亮度差分：

（7）

（9）設(shè)定閾值T，提取大于閾值T的點(diǎn)作為邊緣點(diǎn)。

實(shí)驗(yàn)結(jié)果如圖2所示。

3 基于Adaboost的視頻文本定位

3.1 總體系統(tǒng)設(shè)計(jì)

整個(gè)系統(tǒng)分為預(yù)處理，特征提取和基于Ada-boost強(qiáng)分類器3部分，如圖3所示。

其中CART（classification and regression trees）即分類與回歸決策樹(shù)，是運(yùn)用二元遞歸分割的過(guò)程來(lái)分析大數(shù)據(jù)集。因具有具有分類速度快、精度高、較其他模型更容易理解等優(yōu)點(diǎn)，被選為本系統(tǒng)Ada-boost的基本弱分類器（即Adaboost with CART）。

3.2 預(yù)處理

現(xiàn)有視頻類型及播放工具多種多樣，因此所采集的視頻圖像也是大小不一。本系統(tǒng)為了將大小不同的數(shù)字圖像縮放到統(tǒng)一標(biāo)準(zhǔn)，首先進(jìn)行邊界掃描，確定圖像的大小，然后利用差值算法，將圖像縮放為64×32，為分類做好準(zhǔn)備。圖像尺寸選擇主要考慮圖像的變化關(guān)系為2ⁿ，n為正整數(shù)；同時(shí)由于文字形狀一般為長(zhǎng)方形結(jié)構(gòu)，因此在保證形狀不失真的情況下盡可能縮小尺寸，以減少計(jì)算量，提高處理速度。

3.3 特征提取

特征提取是視頻定位系統(tǒng)的重要部分，本文為構(gòu)建分類與回歸決策樹(shù)的Adaboost強(qiáng)分類器提供了5類特征。

3.3.1 Gabor特征

視頻文本的筆畫(huà)特征豐富且表現(xiàn)出一定的周期性，本文將視頻文本看作一種特殊的紋理，利用Gabor濾波器提取文本特征。本文利用二位Ga-bor濾波器進(jìn)行分析，其函數(shù)如下定義：

（10）

3.3.2 連通性分析

1）文本尺寸特征。文本區(qū)域在整幅圖像中通常占有一定的比例，文本區(qū)域的大小通常通過(guò)文本區(qū)的寬高信息來(lái)表示。設(shè)S（cc）表示連通區(qū)面積，S（pic）表示整個(gè)圖像區(qū)域的面積，w（cc）和h（cc）分別表示區(qū)域的寬高，MinWH表示最小長(zhǎng)寬，S_Ratio表示面積比，其中：

（11）

（12）

2）文本區(qū)域的邊緣密度特征。筆畫(huà)是構(gòu)成文本的單位元素，因此文本區(qū)域具有很強(qiáng)的邊緣密度（Edge_Density）。假設(shè)P（cc）為邊緣像素點(diǎn)的數(shù)量，則：

（13）

結(jié)合先驗(yàn)知識(shí)，實(shí)驗(yàn)時(shí)閾值定義為MinWH>8，0.050.2。

3.3.3 筆畫(huà)密度

文本筆畫(huà)以，π/2，π/2，3π/4，π4個(gè)方向?yàn)橹鳎仪熬芭c背景間存在較大差異。根據(jù)此特性，在亮底暗字的正向文中，利用式（14）計(jì)算筆畫(huà)強(qiáng)度，而對(duì)于暗底亮字的負(fù)向文本將其進(jìn)行反色，統(tǒng)一為正向文本進(jìn)行處理。

（14）

（15）式中：p=0，1，2，3表示π/4，π/2，3π/4，π這4個(gè)方向；W表示筆畫(huà)寬度上限；f_p（q+1）表示p方向上與點(diǎn)q距離為j的像素點(diǎn)的灰度值。

筆畫(huà)特征表示4個(gè)方向上筆畫(huà)特征的最大值，用式（16）表示：

DE_p（q）=max_（op3）{DE_p（q）}

（16）

對(duì)筆畫(huà)特征圖做二值化處理，采用Otsu求得閾值，即：

（17）這種方法對(duì)筆畫(huà)均勻的文字區(qū)域具有較好效果。

3.3.4 紋理統(tǒng)計(jì)特征

紋理統(tǒng)計(jì)是文本定位的常用方法，本文使用4種紋理特征來(lái)區(qū)分文本區(qū)域和非文本區(qū)域。設(shè)p（i，d，j，θ）為特征圖像中點(diǎn)（i，j）關(guān)于距離d和方向θ分離的聯(lián)合概率，則能量、熵、對(duì)比度和逆差距4種紋理統(tǒng)計(jì)特征定義如下：

能量：E（d，θ）=E_i，jp²（d，θ）

熵：H（d，θ）=E_i，jP²（d，θ）logp（d，θ）

對(duì)比度：I（d，θ）=E_i，j（i-j）²p（d，θ）

3.3.5 圖像的X，Y導(dǎo)數(shù)的方差和期望

Chen和YuiHe使用X-Y導(dǎo)數(shù)的平均值和標(biāo)準(zhǔn)差提取文本特征。對(duì)于文本圖像，X方向的偏導(dǎo)數(shù)具有極小值，而Y方向的偏導(dǎo)數(shù)具有極大值，根據(jù)X偏導(dǎo)數(shù)的極大值和極小值來(lái)進(jìn)行區(qū)域分割，然后計(jì)算被分割區(qū)域的方差和期望作為特征。

本文利用這5類特征生成弱分類器，通過(guò)Ada-boost進(jìn)行結(jié)合，生成一個(gè)精度較高的強(qiáng)分類器。

3.4 基于Adaboost的強(qiáng)分類器構(gòu)建和實(shí)驗(yàn)結(jié)果分析

3.4.1 數(shù)據(jù)庫(kù)的構(gòu)建

目前還沒(méi)有統(tǒng)一標(biāo)準(zhǔn)的視頻文本數(shù)據(jù)庫(kù)，本文在自建視頻文本數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)。在網(wǎng)絡(luò)上共搜集了300幅圖像，其中包括新聞、電影和廣告等視頻文本圖像，圖像中的文本大多數(shù)為中文，還有少量的英文和數(shù)字，并且這些文本在尺寸，顏色，對(duì)比度以及字體方面都有所不同。從300幅圖像中選出200幅圖像作為訓(xùn)練樣本，其余100幅圖像作為測(cè)試樣本測(cè)試本文提出的文本定位方法的效果及泛化能力。訓(xùn)練中的正樣本是通過(guò)手動(dòng)標(biāo)記圖像中的文本區(qū)域獲得的，負(fù)樣本是通過(guò)程序?qū)Ρ尘皥D像隨機(jī)抽取得到的。實(shí)驗(yàn)過(guò)程中共采集1 860個(gè)正樣本和8 000個(gè)負(fù)樣本作為Adaboost分類器的訓(xùn)練樣本，正、負(fù)樣本的部分圖像如圖4。

3.4.2 基于Adaboost的強(qiáng)分類器構(gòu)建

為了給正負(fù)樣本分配恰當(dāng)?shù)臋?quán)值，我們使用了非對(duì)稱Adaboost的方法，通過(guò)改進(jìn)經(jīng)典Adaboost算法，定義弱分類器為

（18）其中m=1…M，M為迭代的次數(shù)。設(shè)置迭代次數(shù)M為100。

從1 860個(gè)正樣本和8 000個(gè)負(fù)樣中提取5類特征集，并利用這些特征集構(gòu)建了一個(gè)最大深度為4的分類與回歸決策樹(shù)。樹(shù)的每個(gè)節(jié)點(diǎn)都是Ada—boost弱分類器，而節(jié)點(diǎn)后繼分支表示文本區(qū)域和非文本區(qū)域?qū)傩缘目赡苤怠Ｗ罱K結(jié)果是由最終的Ad—aboost強(qiáng)分類器輸出。

利用正確率p（提取出的正確文本區(qū)域/提取出的區(qū)域）、召回率r（提取出的正確文本區(qū)域/總文本區(qū)域）及其兩者的調(diào)和平均數(shù)f（正確率×召回率×2/（正確率+召回率））作為評(píng)價(jià)的性能指標(biāo)。利用100幅檢測(cè)樣本圖像，對(duì)5類特征集的分類性能作了比較，如圖5所示。

盡管每個(gè)分類器的分類性能并不佳，但是經(jīng)過(guò)分類與回歸樹(shù)的Adaboost算法合并后，表現(xiàn)出了強(qiáng)大的分類性能。

3.4.3 實(shí)驗(yàn)結(jié)果分析

為了體現(xiàn)方法的優(yōu)越性，采用同樣的訓(xùn)練樣本訓(xùn)練了SVM（支持向量機(jī)），并利用同組測(cè)試樣本進(jìn)行兩者分類性能的比較。兩者對(duì)同一圖像的實(shí)驗(yàn)結(jié)果部分圖像如圖6，結(jié)果比較如表1。所用100幅測(cè)試樣本包括視頻疊加文本和場(chǎng)景文本，在這100個(gè)樣本中，人工標(biāo)注197個(gè)文本行。

通過(guò)表1可以看出本文提出的方法不管在準(zhǔn)確率還是召回率上都是優(yōu)于使用基于SVM分類器的效果的。并且在實(shí)驗(yàn)過(guò)程中，在同樣的機(jī)器上本文方法的執(zhí)行效率也比基于SVM方法的分類器的執(zhí)行效率高。這也恰恰滿足了視頻文本定位快速性的特別要求要求。

本文使用100幅圖像作為測(cè)試樣本，測(cè)試結(jié)果準(zhǔn)確率達(dá)到73%。由于訓(xùn)練樣本有限，通過(guò)增加訓(xùn)練的次數(shù)，提高文本定位的準(zhǔn)確率和召回率。

4 結(jié)論

本文基于Adaboost算法將視頻文本定位問(wèn)題轉(zhuǎn)化為二分類問(wèn)題，將多個(gè)弱分類器組合成一個(gè)強(qiáng)分類器，實(shí)現(xiàn)了對(duì)視頻文本的定位。并且在視頻文本定位的正確率、實(shí)時(shí)性和泛化能力上取得了良好的效果。但是，在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)系統(tǒng)對(duì)噪聲比較敏感，所以在訓(xùn)練的后期階段對(duì)去噪方面集中了不少注意力，因此我們?cè)谶x取樣本時(shí)，應(yīng)該選取更加全面的樣本，以解決這一問(wèn)題。

（編輯：溫澤宇）