網(wǎng)絡(luò)視頻字幕提取識別系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)服務(wù)和網(wǎng)絡(luò)基礎(chǔ)設(shè)施的飛速發(fā)展，網(wǎng)絡(luò)視頻服務(wù)越來越便利，網(wǎng)絡(luò)上的視頻內(nèi)容越來越豐富，對這些視頻進(jìn)行監(jiān)控和檢索變的更加必要。在傳統(tǒng)的基于標(biāo)題和標(biāo)簽的方法并不能準(zhǔn)確的反映視頻內(nèi)容的情況下，理解視頻內(nèi)容成為了更好的選擇。其中視頻字幕與視頻語義有著較強(qiáng)的相關(guān)性，獲取視頻字幕能夠?qū)σ曨l內(nèi)容進(jìn)行更加深入的檢索與監(jiān)控。
　　視頻字幕指視頻中出現(xiàn)的人工添加的文字信息，這些文字通常包含了視頻中的人物對話，內(nèi)容總結(jié)等重要內(nèi)容，能夠準(zhǔn)確的反映視

2、頻的含義。但是，網(wǎng)絡(luò)視頻中的分辨率通常較低，字幕文本都嵌入在雜亂的背景中，無法直接進(jìn)行OCR識別。
　　為解決這一問題，作者獨立設(shè)計并實現(xiàn)了網(wǎng)絡(luò)視頻的字幕提取與識別系統(tǒng)，利用計算機(jī)圖像處理的知識，將嵌入視頻的字幕提取并轉(zhuǎn)化成文本格式。系統(tǒng)主要包含字幕的定位與追蹤、字幕的增強(qiáng)與二值化、文字識別三個模塊。
　　字幕的提取模塊將提取過程分解為定位與追蹤兩個步驟。其中定位步驟用以確定字幕在視頻中首次出現(xiàn)，系統(tǒng)利用文本獨特的幾何特征，

3、采用了基于筆畫寬度變換的文本檢測方法確定字幕在圖像幀中的位置。追蹤過程則通過對比兩幀字幕區(qū)域圖像的相似度，跟蹤字幕在視頻中的停留與消失，追蹤的過程有效的減少了字幕定位的次數(shù)，并提高了字幕提取的精確度。
　　字幕的增強(qiáng)與二值化模塊充分利用了字幕在時間上的冗余性，將追蹤后得到的字幕圖像進(jìn)行多幀融合，以達(dá)到增強(qiáng)文本，弱化背景的目的。然后系統(tǒng)利用Otsu算法對融合后得到圖像進(jìn)行二值化，將文字從背景中提取出來，得到可以通過OCR技術(shù)識別的二