林 彬，劉 群，王 群，聶燕柳

（重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶400065）

0 引 言

視頻語(yǔ)義分析一直是視頻處理領(lǐng)域的研究熱點(diǎn)。然而由于語(yǔ)義鴻溝的存在，限于當(dāng)前的技術(shù)水平，還難以建立底層特征與高層語(yǔ)義之間的通用模型進(jìn)行視頻分析。足球等體育項(xiàng)目由于深受人們所喜愛(ài)，具有廣泛的群眾基礎(chǔ)，因而對(duì)足球視頻語(yǔ)義內(nèi)容的研究具有廣闊的應(yīng)用前景。在一場(chǎng)90分鐘的足球比賽中，觀眾真正感興趣并可能反復(fù)觀看的往往是那些精彩鏡頭，如射門、角球、任意球、惡意犯規(guī)等。由于場(chǎng)地和攝像機(jī)數(shù)量的限制，足球視頻具有相對(duì)的結(jié)構(gòu)性和固定的鏡頭類型，且會(huì)以慢鏡頭的形式重放重要的語(yǔ)義事件。通過(guò)鏡頭的檢測(cè)與鏡頭類型的識(shí)別，結(jié)合領(lǐng)域知識(shí)，是可能建立起底層特征到高層語(yǔ)義的映射關(guān)系的。一些研究者已經(jīng)在這方面做了有益的探索。彭利民［1］基于隱馬爾科夫模型識(shí)別足球語(yǔ)義事件。全國(guó)英等［2］在分割鏡頭后生成鏡頭線索，再基于分層隱馬爾科夫模型進(jìn)行事件推理。Tong等［3］結(jié)合貝葉斯網(wǎng)絡(luò)模型，根據(jù)鏡頭語(yǔ)義單元完成事件檢測(cè)。Ekin等［4］根據(jù)草色比率實(shí)現(xiàn)了足球視頻鏡頭分類、事件檢測(cè)并生成了視頻摘要。趙丕錫等［5］以慢動(dòng)作回放鏡頭為標(biāo)志，通過(guò)分析鏡頭間的關(guān)聯(lián)規(guī)則實(shí)現(xiàn)摘要的生成。Ouazzani等［6］基于有效的鏡頭分類，結(jié)合隱馬爾科夫模型和貝葉斯理論識(shí)別精彩片斷。Eldib等［7］改進(jìn)了基于logo檢測(cè)識(shí)別慢鏡頭的算法，通過(guò)分析慢鏡頭持續(xù)時(shí)間生成摘要。

視頻數(shù)據(jù)是一種非結(jié)構(gòu)化數(shù)據(jù)，將其轉(zhuǎn)換成為以鏡頭類型為關(guān)鍵屬性的一連串標(biāo)示序列，是事件檢測(cè)、摘要生成的基礎(chǔ)。通常的做法是首先對(duì)視頻進(jìn)行預(yù)處理，以鏡頭為單位自動(dòng)切分視頻將其結(jié)構(gòu)化；在此基礎(chǔ)之上，再通過(guò)模式識(shí)別方法自動(dòng)識(shí)別出鏡頭所屬類型。在綜合分析了已有工作之后，本文提出了一種基于logo模板匹配和場(chǎng)地像素比率的鏡頭分類方法，將視頻鏡頭分為慢鏡頭、遠(yuǎn)鏡頭、中鏡頭、球員特寫或場(chǎng)外鏡頭四類。經(jīng)過(guò)實(shí)驗(yàn)證明，方法適應(yīng)性好，準(zhǔn)確性高，且實(shí)用高效。

1 鏡頭分類技術(shù)研究現(xiàn)狀

鏡頭之間的時(shí)序關(guān)系對(duì)于視頻的語(yǔ)義分析具有重要的作用。如射門事件發(fā)生前會(huì)出現(xiàn)球門區(qū)域的遠(yuǎn)鏡頭，在射門發(fā)生之后通常會(huì)有一個(gè)射門球員的特寫鏡頭，緊跟著會(huì)有回放整個(gè)射門過(guò)程的慢鏡頭，如果射門成功，還會(huì)出現(xiàn)教練歡呼的鏡頭和觀眾鏡頭。因此，如何有效地檢測(cè)并識(shí)別足球視頻中各種類型的鏡頭，受到了眾多研究者的廣泛關(guān)注。

鏡頭分類首先要進(jìn)行視頻切分，準(zhǔn)確檢測(cè)鏡頭邊界以完成視頻切分，是有效劃分鏡頭類型的保障性前提。鏡頭邊界檢測(cè)最常采用的方法是比較相鄰兩幀顏色直方圖，如其距離大于某一指定閾值即認(rèn)為這兩幀為鏡頭邊界。該方法對(duì)于突變鏡頭邊界的檢測(cè)非常有效，但對(duì)于漸變鏡頭，由于漸變過(guò)程中相鄰幀間差異并不明顯，原始的直方圖比較法很容易失效。然而，當(dāng)鏡頭漸變發(fā)生時(shí)，相鄰幀間的差異雖小于突變時(shí)的差異，卻大于同一鏡頭中相鄰幀間的差異?；诖耍琙hang等［8］提出的雙閾值比較法能夠比較有效地解決漸變鏡頭檢測(cè)的問(wèn)題。足球視頻中，大部分鏡頭邊界屬于突變類型，少部分屬于漸變。在已有的相關(guān)工作［9－12］中，分割鏡頭普遍采用雙閾值比較法或其改進(jìn)算法，雖能取得一定效果，但仍然容易產(chǎn)生誤檢，尤其是對(duì)漸變鏡頭的檢測(cè)。原因主要是足球視頻中存在大量的運(yùn)動(dòng)，以及慢鏡回放部分開始和結(jié)束時(shí)的logo掃換在不同的視頻中差異較大，這些都會(huì)導(dǎo)致算法出現(xiàn)錯(cuò)誤的判斷。而基于漸變區(qū)域獲取logo模板而后進(jìn)行l(wèi)ogo模板匹配的慢鏡頭檢測(cè)算法［7，13－14］，由于漸變檢測(cè)的效果不穩(wěn)定，其慢鏡頭定位的準(zhǔn)確性也會(huì)相應(yīng)地受到影響，這對(duì)于后續(xù)的研究工作是不利的。

根據(jù)拍攝角度與距離的不同，足球視頻中的鏡頭可分為遠(yuǎn)鏡頭、中鏡頭、特寫鏡頭、場(chǎng)外鏡頭等幾種類型。遠(yuǎn)鏡頭以鳥瞰的角度清晰地顯示出球場(chǎng)內(nèi)各球員的站位和比賽的進(jìn)行情況，通常遠(yuǎn)鏡頭的出現(xiàn)即意味著比賽的進(jìn)行；中鏡頭往往穿插于遠(yuǎn)鏡頭之間，聚焦于一名或幾名球員，并且顯示出球員的整個(gè)身體部分，而連續(xù)的中鏡頭通常在比賽中斷時(shí)出現(xiàn)；特寫鏡頭所捕捉的對(duì)象往往是某一名球員，且只顯示球員的上半身部分，一般情況下，球員特寫鏡頭即意味著比賽的中斷；場(chǎng)外鏡頭顯示的是教練、替補(bǔ)席、觀眾席或其他情況，同樣意味著比賽的中斷。基于在不同類型的鏡頭中，球場(chǎng)區(qū)域在整幅圖像幀中的比率有較大差異，Xu等［9］提出利用草地顏色比率為特征，設(shè)定閾值以劃分足球視頻鏡頭類型，將其分為遠(yuǎn)鏡頭、中鏡頭和其他鏡頭。由于存在場(chǎng)內(nèi)中鏡頭與遠(yuǎn)鏡頭草色比例相似的情況，對(duì)閾值的選取造成了一定困難，因此分類效果并不理想。Ekin等［4］應(yīng)用黃金分塊的思想，根據(jù)圖像幀中不同區(qū)域草色比率的差值為特征，利用貝葉斯分類器對(duì)遠(yuǎn)、中、特寫鏡頭進(jìn)行分類，取得了較為理想的分類效果，但是文中并沒(méi)有說(shuō)明如何選幀以確定初始草地顏色值，而是直接對(duì)幀中主色進(jìn)行了計(jì)算。

Eldib等［7］通過(guò)實(shí)驗(yàn)確定場(chǎng)地像素的RGB范圍區(qū)間，凡是各分量均落在這個(gè)區(qū)間內(nèi)的像素即認(rèn)為是場(chǎng)地顏色像素，再根據(jù)場(chǎng)地像素比例設(shè)定閾值以區(qū)分各類鏡頭，由于場(chǎng)地顏色會(huì)隨著場(chǎng)館、天氣、光線等因素而不斷變化，且RGB顏色空間與人眼視覺(jué)存在差異性，算法魯棒性不佳。于俊清等［15］則利用視頻幀中子窗口區(qū)域的場(chǎng)地顏色比例來(lái)反映鏡頭的類型，也取得了一定效果，但在統(tǒng)計(jì)球場(chǎng)色像素時(shí)同樣是只判斷場(chǎng)地像素色度分量H值是否落在事先設(shè)定好的的取值范圍內(nèi)，且算法依賴于子窗口大小與位置的選取。

綜上所述，當(dāng)前鏡頭分類方法的主要問(wèn)題是鏡頭邊界定位的準(zhǔn)確度不夠，算法的通用性不強(qiáng)，各類型鏡頭的識(shí)別準(zhǔn)確率也有待進(jìn)一步提高。

2 基于logo模板匹配和場(chǎng)地像素比率的鏡頭分類

通過(guò)觀察與分析得知，足球視頻中的鏡頭漸變?yōu)閘ogo掃換和疊化兩種。Logo掃換效果如圖1所示，出現(xiàn)于慢鏡回放部分的起始和結(jié)尾處；疊化效果如圖2所示，一般只出現(xiàn)于回放段內(nèi)的鏡頭切換處。而正常比賽部分的鏡頭切換通常為鏡頭突變。

一段慢鏡回放是通過(guò)一個(gè)或一組鏡頭對(duì)稍早前的精彩內(nèi)容的回放。考慮到一個(gè)回放段內(nèi)各鏡頭的語(yǔ)義相關(guān)性，本文的思路是將整個(gè)回放段視為一個(gè)慢鏡頭，首先通過(guò)logo模板匹配定位出視頻中所有的慢鏡頭，然后在其余的正常比賽部分做突變鏡頭檢測(cè)即可，從而有效解決足球視頻中漸變鏡頭檢測(cè)易產(chǎn)生誤檢的問(wèn)題。緊接著，本文提出了一種改進(jìn)的自適應(yīng)的場(chǎng)地色H值提取算法用于場(chǎng)地顏色區(qū)間取值范圍的確定，H值落在這個(gè)區(qū)間內(nèi)的像素即為場(chǎng)地像素，再結(jié)合黃金分塊的思想計(jì)算各塊的場(chǎng)地像素比率，并以此為特征，利用更適合視頻處理的SVM分類器將正常比賽部分鏡頭分為遠(yuǎn)鏡頭、中鏡頭、球員特寫或場(chǎng)外鏡頭三類 （鑒于球員特寫鏡頭與場(chǎng)外鏡頭在語(yǔ)義上具有相似性，本文將這兩類鏡頭歸為同一類型鏡頭）。

2.1 慢鏡頭檢測(cè)

足球視頻中，當(dāng)進(jìn)球、射門、精彩過(guò)人、惡意犯規(guī)等觀眾最感興趣的語(yǔ)義事件發(fā)生時(shí)，編導(dǎo)通常會(huì)以慢動(dòng)作回放的方式重播之前的內(nèi)容，甚至?xí)啻沃胤?、不同角度重放，供觀眾仔細(xì)觀看。因此，對(duì)慢鏡頭的準(zhǔn)確定位不僅能夠標(biāo)定比賽中精彩片斷在視頻流中所處位置，進(jìn)而生成比賽的精彩集錦，同時(shí)也是本文視頻切分方法的首要工作。

慢鏡回放通常會(huì)以一個(gè)特定的logo掃換引入，再以相同或類似的變化結(jié)束。對(duì)于同一類型的賽事，往往有其固定的logo掃換效果。因此，可以通過(guò)用戶交互的方式，讓用戶選擇比賽類型來(lái)獲取logo模板，如圖3所示；之后在視頻序列中通過(guò)對(duì)logo模板的檢測(cè)與匹配，逐一定位出慢鏡頭的開始和結(jié)束。

圖3 logo模板的選取

本文采用文獻(xiàn) ［10］中的方法計(jì)算每一幀與logo模板的距離。計(jì)算公式為

式中：d1（s，t）——模板t中l(wèi)ogo所在區(qū)域與幀s對(duì)應(yīng)區(qū)域兩者基于顏色直方圖的距離，d2（s，t）——他們基于對(duì)應(yīng)像素顏色值的距離，0＜β＜1為權(quán)重。當(dāng)前幀與與logo模板的距離小于給定閾值時(shí)，即記為一次logo匹配。

另外，由于logo掃換本身屬于鏡頭漸變，為了避免重復(fù)匹配，文獻(xiàn) ［10］中還約定：若相鄰的兩次匹配發(fā)生在最小間隔幀數(shù)以內(nèi)，則只記為一次匹配?？紤]到一次慢鏡回放從開始到結(jié)束的時(shí)間，或兩次回放之間的間隔時(shí)間通常不會(huì)低于一秒，故而對(duì)于25幀／秒的視頻，取其最小間隔幀數(shù)為25。

定位出所有的慢鏡頭后，在其余的正常比賽部分通過(guò)直方圖比較法檢測(cè)鏡頭突變，完成視頻的切分。

2.2 遠(yuǎn)、中、球員特寫或場(chǎng)外鏡頭分類

2.2.1 確定場(chǎng)地色H值范圍區(qū)間

HSV顏色空間是一種面向視覺(jué)感知的顏色模型，其中H分量 （色度，Hue）是決定顏色本質(zhì)的基本特性，因此本文采用H分量的值來(lái)度量場(chǎng)地顏色，提出了一種自適應(yīng)的確定場(chǎng)地色H值范圍區(qū)間的算法，算法步驟如下：

步驟1 得到一個(gè)場(chǎng)地色H值的初始范圍區(qū)間［low，high］（實(shí)驗(yàn)中l(wèi)ow取70，high取100）；

步驟2 從視頻序列中均勻選取n幀圖像；

步驟3 計(jì)算第一幀H分量直方圖的峰值ipeak；

步驟4 如果ipeak∈［low，high］，轉(zhuǎn)步驟6，否則轉(zhuǎn)步驟5；

步驟5 計(jì)算下一幀H分量直方圖的峰值ipeak，轉(zhuǎn)步驟4；

步驟6 按式 （2）～ （7）計(jì)算場(chǎng)地顏色均值，設(shè)定場(chǎng)地色H值取值范圍為［m－r，m＋r］，r為顏色半徑 （實(shí)驗(yàn)中r取5），算法結(jié)束。

式中：顏色區(qū)間的上下界imin，imax由式 （2）～ （6）確定，實(shí)驗(yàn)中K取0.2，m為場(chǎng)地顏色均值，將其定義為峰值ipeak左右顏色直方圖下降到K倍H［ipeak］區(qū)間內(nèi)所有顏色的均值［4］。

2.2.2 特征提取及關(guān)鍵幀選擇

黃金分塊的思想將圖像幀在每個(gè)方向按照3：5：3的比例劃分為9個(gè)分塊，如圖4所示，遠(yuǎn)鏡頭幀的第一行的三塊區(qū)域多為廣告牌區(qū)域，二、三行6塊區(qū)域中場(chǎng)地像素比率較大；中鏡頭幀往往在正中一塊區(qū)域場(chǎng)地像素比例較小；球員特寫鏡頭幀的非場(chǎng)地區(qū)域主要集中在第二列的三塊區(qū)域。分別計(jì)算圖像幀中九塊區(qū)域的場(chǎng)地像素比率值作為特征，繼而通過(guò)訓(xùn)練好的SVM分類器能夠完成對(duì)該幀的類型識(shí)別。

本文對(duì)每個(gè)比賽鏡頭選取等間隔的三幀圖像作為關(guān)鍵幀，對(duì)這3個(gè)關(guān)鍵幀進(jìn)行識(shí)別，得到三幀圖像的分類結(jié)果并以此判定鏡頭的類型。具體規(guī)則如下：若三幀的分類結(jié)果一致，則將該類型作為當(dāng)前鏡頭的類型；若有兩幀的分類結(jié)果一致，一幀為不同類型，則將相同結(jié)果的兩幀的類型作為當(dāng)前鏡頭的類型；若三幀的分類結(jié)果均不一致，則將鏡頭中間一幀的類型作為當(dāng)前鏡頭類型。

圖4 黃金分塊效果

2.2.3 SVM 分類器

支持向量機(jī) （SVM）已在圖像識(shí)別、信號(hào)處理等諸多應(yīng)用中取得了良好的效果。由于在解決小樣本領(lǐng)域分類問(wèn)題有其特有的優(yōu)勢(shì)，SVM同樣適合于應(yīng)用在視頻處理領(lǐng)域，因此本文選用SVM作為分類器。SVM的核心思想是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，構(gòu)造最優(yōu)分類超平面以最大間隔將兩類數(shù)據(jù)分開。其優(yōu)化方程為

式中：w——矢量系數(shù)，b——常量，ξi——松弛變量，C——錯(cuò)誤懲罰參數(shù)，φ（x）——x的非線 性映射，xi、yi——第i個(gè)特征矢量及其所屬類別。SVM通過(guò)函數(shù)φ（·）將輸入矢量映射到高維空間，通過(guò)最優(yōu)計(jì)算得到最優(yōu)分類，保證得到的解為全局最優(yōu)解。

決定SVM性能的是核函數(shù)的選取，式 （9）為核函數(shù)公式

本文的SVM分類器采用高斯核函數(shù)，即

3 實(shí)驗(yàn)及結(jié)果分析

為檢驗(yàn)本文方法的效果，采用MFC和DirectShow開發(fā)實(shí)驗(yàn)平臺(tái)，實(shí)驗(yàn)視頻為CCTV轉(zhuǎn)播的多場(chǎng)足球比賽視頻片斷，在經(jīng)過(guò)慢鏡頭檢測(cè)、突變鏡頭檢測(cè)及鏡頭類型識(shí)別這三步處理后，對(duì)總長(zhǎng)54分36秒的視頻 （82 009幀，237個(gè)鏡頭）的鏡頭分類結(jié)果如表1所示。

將本文方法與文獻(xiàn) ［14］中慢鏡頭檢測(cè)方法和文獻(xiàn)［15］中鏡頭分類方法作查全率與查準(zhǔn)率的比較，比較結(jié)果如表2所示。

其中查全率與查準(zhǔn)率的計(jì)算公式如下

表1 鏡頭分類實(shí)驗(yàn)結(jié)果

表2 查全率、查準(zhǔn)率對(duì)比結(jié)果

實(shí)驗(yàn)結(jié)果表明，本文方法對(duì)于慢鏡頭、遠(yuǎn)鏡頭、中鏡頭、球員特寫或場(chǎng)外鏡頭的檢測(cè)與識(shí)別均取得了較好的效果，相對(duì)于較為有代表性的文獻(xiàn) ［14］、 ［15］中方法，在查全率和查準(zhǔn)率方面均有所提高。產(chǎn)生誤檢和漏檢的主要原因一方面是鏡頭邊界檢測(cè)時(shí)由于鏡頭或球員運(yùn)動(dòng)產(chǎn)生誤檢和鏡頭間差別極小而產(chǎn)生漏檢，這類情況是較為難以避免的；另一方面是SVM分類產(chǎn)生的誤差，可以通過(guò)完善訓(xùn)練樣本和優(yōu)化分類器設(shè)計(jì)進(jìn)一步提高分類效果。中鏡頭由于情況多變且相對(duì)不規(guī)則，較容易被誤檢為遠(yuǎn)鏡頭或特寫鏡頭，因而查全率相對(duì)較低。而由于logo模板的獲取基于用戶交互，因而對(duì)實(shí)驗(yàn)視頻中所有慢鏡頭的檢測(cè)與定位達(dá)到了準(zhǔn)確無(wú)誤的效果。

4 結(jié)束語(yǔ)

已有的相關(guān)工作中，視頻的切分往往只專注于鏡頭突變、漸變的檢測(cè)，本文不拘泥于這種常規(guī)思想，提出了一種切分足球視頻的新思路，即首先通過(guò)用戶交互獲取logo模板以精確定位視頻中的慢鏡頭，然后再通過(guò)突變鏡頭檢測(cè)進(jìn)一步切分正常比賽部分，避免了漸變檢測(cè)產(chǎn)生的較大誤差。另外，本文還提出了一種改進(jìn)的自適應(yīng)場(chǎng)地色提取算法，結(jié)合黃金分塊法并利用SVM分類器將正常比賽鏡頭進(jìn)一步的劃分。至此，本文方法將整個(gè)視頻流表示為結(jié)構(gòu)化的四類鏡頭類型標(biāo)示序列 （即慢鏡頭、遠(yuǎn)鏡頭、中鏡頭、球員特寫或場(chǎng)外鏡頭），為后續(xù)的語(yǔ)義事件檢測(cè)及摘要生成奠定了很好的結(jié)構(gòu)化基礎(chǔ)。

［1］PENG Limin.Research on semantic events of analyzing soccer video based on hidden Markov model［J］.Computer Engineering and Design，2008，29 （19）：5002－5005 （in Chinese）.［彭利民.基于HMM的足球視頻語(yǔ)義分析研究 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2008，29 （19）：5002－5005.］

［2］QUAN Guoying，TAO Linmi，XU Guangyou，et al.Cue fusion and event inference based on HHMM ［J］.Journal of Tsinghua University （Natural Science），2007，47 （1）：112－115（in Chinese）.［全國(guó)英，陶霖密，徐光祐，等.基于HHMM的多線索融合和事件推理方法 ［J］.清華大學(xué)學(xué)報(bào) （自然科學(xué)版），2007，47 （1）：112－115.］

［3］TONG X F，LIU Q S，LU H Q，et al.Semantic units based event detection in soccer video ［J］.Acta Automatica Sinica，2005，31 （4）：523－529.

［4］Ekin A，Tekalp A，Mehrotra R.Automatic soccer video analysis and summarization ［J］.IEEE Transactions on Image Processing，2003，12 （7）：796－807.

［5］ZHAO Peixi，HU Bin，WANG Xiukun，et al.Analysis and summarization for soccer video ［J］.Computer Engineering and Applications，2005，41 （30）：166－168 （in Chinese）. ［趙丕錫，胡濱，王秀坤，等.足球視頻的結(jié)構(gòu)分析與摘要 ［J］.計(jì)算機(jī)工程與應(yīng)用，2005，41 （30）：166－168.］

［6］Ouazzani R E，Thami R O H.Highlights’recognition and learning in soccer video by using hidden Markov models and the Bayesian theorem ［C］.Proc of the IEEE International Conf on Multimedia Computing and Systems，2009：304－308.

［7］Eldib M Y，Zaid B，Zawbaa H M，et al.Soccer video summarization using enhanced logo detection［C］.Proceedings of the IEEE International Conference on Image Processing，2009：4345－4348.

［8］ZHANG H J，Kankanhalli A，Smoliar S W.Automatic partitioning of full－motion video ［J］.Multimedia Systems，1993，1（1）：10－28.

［9］XU P，XIE L，CHANG S F，et al.Algorithms and system for segmentation and structure analysis in soccer video［C］.Proceedings of the IEEE International Conference on Multimedia and Expo，2001：721－724.

［10］WANG Fei.Research on sports video content analysis technology ［D］.Beijing：Graduate University of Chinese Academy of Sciences，2005（in Chinese）.［王扉.體育視頻的內(nèi)容分析技術(shù)研究 ［D］.北京：中國(guó)科學(xué)院研究生院，2005.］

［11］ZHANG Yuzhen，WANG Jianyu，DAI Yuewei.Soccer video shot segmentation based on self－adapting dual threshold and dominant color percentage ［J］.Journal of Nanjing University of Science and Technology（Natural Science），2009，33 （4）：432－437（in Chinese）.［張玉珍，王建宇，戴躍偉.基于自適應(yīng)雙閾值和主色率的足球視頻鏡頭的分割 ［J］.南京理工大學(xué)學(xué)報(bào) （自然科學(xué)版），2009，33 （4）：432－437.］

［12］ZHANG J.Robust shot boundary detection and video summarization based on motion information［J］.Journal of Computer－Aided Design ＆ Computer Graphics，2010，22 （6）：1023－1032（in Chinese）.［張劍.魯棒的鏡頭邊界檢測(cè)與基于運(yùn)動(dòng)信息的視頻摘要生成 ［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2010，22 （6）：1023－1032.］

［13］PAN H，LI B，Sezan M.Automatic detection of replay segments in broadcast sports programs by detection of logos in scene transition ［C］.Proceedings of the IEEE International Conference on Acoustics Speech and Signal Processing，2002：3385－3388.

［14］HUANG Q，HU J，HU W，et al.A reliable logo and replay detector for sports video ［C］.Proceedings of the IEEE International Conference on Multimedia and Expo， 2007：1695－1698.

［15］YU Junqing，WANG Ning.Shot classification for soccer video based on sub－window region ［J］.Journal of Image and Graphics，2008，13 （7）：1347－1352 （in Chinese）.［于俊清，王寧.基于子窗口區(qū)域的足球視頻鏡頭分類 ［J］.中國(guó)圖象圖形學(xué)報(bào)，2008，13 （7）：1347－1352.］