耿明萌
(安徽工贸职业技术学院 艺术与传媒学院, 安徽 淮南 232001)
随着数字媒体技术的不断发展,动画产业飞速崛起,动画视频类型繁多,受到了不同年龄段人们的追捧,因此产生了大量的动画媒体视频[1]。如何对海量动画媒体视频帧数据进行分解,从中得到动画媒体视频帧的关键信息,可以大大提高动画视频的渲染质量[2]。贾旭等[3]提出普适性的改进非负矩阵分解图像特征提取系统设计方法,该方法通过非负矩阵分解模型对图像进行降维,并根据图像的特征划分图像属性区间,最后通过梯度下降算法完成图像的分解。刘瑞华等[4]提出基于改进全变差方法的图像分解系统设计方法,该方法构建图像分解的极小泛函模型,并结合拉格朗日方程得到图像分解的数值解,根据数值解进行图像的分解处理。
上述两种方法虽然能够完成图像的分解,但是针对动画媒体视频帧的分解存在延时长与精度不高的问题,为此本文以关键点和局部特征为依据,提出并设计一种新的动画媒体视频帧自适应分解系统。
基于关键点和局部特征设计的动画媒体视频帧自适应分解系统由动画识别模块、色彩传感器模块、动画媒体视频帧分解模块组成,系统硬件架构如图1所示。
图1 系统硬件架构
动画识别模块通过调用软件区域数据库中的动画数据,然后将SQL语言的数据格式转化为动画模拟命令格式,完成媒体动画的识别[5],模块结构如图2所示。
媒体动画识别模块由西门子公司生产的FG5735型号处理器、数据存储器构成,此处理器采用2 070 dpi/s的显卡,具有高速的识别功能。动画识别模块中的FG5735处理器具备色彩识别和动画数据自动存储功能。数据存储器采用32 bit的半导体架构,其目的是存储识别模块的识别结果,并且保证识别数据的安全性。
图2 媒体动画识别模块
动画媒体视频帧自适应分解系统硬件区域的色彩传感器模块由滤波器组件[6]、TCS230芯片、光接收器组成,色彩传感器结构如图3所示。
图3 色彩传感器结构
滤波器组件的功能是调整动画媒体视频帧分解过程中的幅度谱,TCS230芯片的任务是进行动画媒体视频帧颜色识别,通过R、G、B参数,检测动画媒体视频帧的色彩。光接收器的功能是通过接收动画识别模块转换的数据,通过数据模拟重现基本的动画媒体视频帧,确定标准的动画媒体视频帧。
动画媒体视频帧自适应分解模块的主要功能是需要调用数据库内的动画媒体视频帧数据,针对一整套的动画视频数据进行分析处理。本文以IE5386处理器作为核心的数据处理单元模块,工作电压为3~5 V,工作频率为30~35 MHz,内部采用A/D转换技术实现复位电路结构,数据转换速度为250 k/s。该芯片对于数据的识别速度快,识别分辨率精度高,会自动屏蔽外界的其他干扰,能耗低。
此模块通过识别数据库中的动画视频数据,依据芯片的高精度分辨率将动画视频数据转化为文字格式的数据,然后对动画媒体视频数据进行分解,分解完成后再将数据转化为帧数据,存入数据库中,以便学习者的学习。数据处理单元模块如图4所示。
图4 数据处理单元模块
动画视频是由一帧又一帧的媒体帧组成,为了提高动画媒体视频帧数据录入与采集工作的准确性,本文利用一个函数表示一个动画媒体视频帧的执行过程。根据关键点的提取结果,构建以关键点和局部特征技术为基础动画媒体视频帧分解函数,函数算法工作流程如图5所示。
在分解复杂的动画媒体视频帧时,需要对动画媒体视频进行简化处理,并且将每一帧动画数据表示为
M(t)=(p1(t),q1(t),q2(t),...,qM(t)),
qM(t)∈S3,
(1)
式中:M(t)表示动画媒体视频帧的总体数量;p1(t)表示第一帧所处的位置;qM(t)∈S3表示帧的滚动方向。
在实际的计算过程中,采用映射方法[7]将动画媒体视频帧数据映射到R3空间中,具体计算如式(2),即
yt=(p1(t),log(q1(t)),log(q2(t)),...,log(qM(t))).
(2)
图5 函数算法工作流程
完成动画媒体视频帧数据的空间映射处理后,根据线性时不变系统的原理对动画媒体视频帧数据进行降维处理[8]。线性时不变系统的空间状态方程为
(3)
式中:wt与vt均表示高斯白噪声,分布条件分别为wt~N(0,Q)、vt~N(0,R);Q、R表示协方差矩阵;A表示状态转移矩阵;C表示输出矩阵;xt表示状态变量。通过上述计算,可以将高维的动画媒体视频帧数据集{y1,y2,...,yt}映射到低维空间,得到低维的动画媒体视频帧数据集{x1,x2,...,xt}。
以获得的低维度动画媒体视频帧数据为基础,进行关键点提取。动画媒体视频帧数据是时序的帧序列[9],因此2个视频帧之间具有一定的相似性。在关键点提取前,需要计算2个动画媒体视频帧之间的距离,有
d(yi,yj)=d(xi,xj)=dp(xi,xj)+μdv(xi,xj),
(4)
式中:yi、yj分别表示高维帧数据;xi、xj分别表示低维帧数据;μ表示距离计算的权重参数;dp(xi,xj)与dv(xi,xj)分别表示视频帧的时序变化位置与速度计算函数。
(5)
根据公式(5)的计算结果,可以提取出关键点,有
(6)
根据关键点的提取结果,对动画多媒体视频帧进行局部特征提取,以提高动画媒体视频帧自适应分解的精度。在动画媒体视频帧中,由于显著性区域可以表示出任意的图形,可以更好的体现出局部特征,因此通过显著性区域进行局部特征提取。定义(Center_x,Center_y)表示显著性区域的中心坐标,Width与Height分别表示显著性区域的宽度与长度。
关键点的显著性权值计算式为
(7)
式中:KPRdis表示关键点与显著性区域中心点的距离;SRweight表示显著性区域的显著性权值,二者的计算公式如下,即
KPRdis=1-
(8)
SRweight=Rarea*Rpos,
(9)
式中:Rarea、Rpos分别表示面积权值与位置权值。
根据上述权值的计算公式,构建局部特征提取公式,即
(10)
式中:areacurrent关键点所处的显著性区域;areai表示显著性区域的位置。
以上述公式提取的动画媒体视频帧局部特征结果为基础,为了简化动画媒体视频帧的数据表示,本文利用一个函数表示一个动画媒体视频帧的分解执行过程。根据关键点与局部特征的提取结果,构建动画媒体视频帧分解函数。动画媒体视频帧分解函数的表达式为
(11)
式中:Di(x,y)表示动画媒体视频帧分解的尺度函数[10]。分解函数的输出结果即为动画媒体视频帧的分解结果。
为了更好地验证本文提出的基于关键点和局部特征的动画媒体视频帧自适应分解系统的有效性,将本文系统与传统系统进行对比实验。设置的实验组为本文设计的基于关键点和局部特征的动画媒体视频帧自适应分解系统,对照组为文献[3]以及文献[4]系统。
设定实验参数如表1所示。
表1 实验参数
根据表1所示的实验参数进行实验,得到的实验结果如下。
1) 分解延时实验结果
动画媒体视频帧分解延时实验结果数据如表2所示。
表2 分解延时实验结果
根据表2可知,3种系统都存在分解延时,但是本文提出的动画媒体视频帧自适应分解系统的分解延时要小于传统系统。在5次实验中,本文系统的分解延时均低于5s,而传统系统的分解延时都在5s以上,甚至分解延时更长。由此可见,本文系统的动画媒体视频帧分解能力更强。
2) 分解精度实验结果
3种系统的动画媒体视频帧分解精度对比结果如图6所示。
图6 动画媒体视频帧分解精度对比
根据图6可知,本文提出的基于关键点和局部特征的动画媒体视频帧自适应分解系统的分解准确率高于传统系统,说明本文系统得到的分解结果与实际视频帧更加吻合,由于本文提出的系统能够更好地分析关键点和局部特征,所以能够有效地重现动画媒体视频帧。
综上所述,本文提出的基于关键点和局部特征的动画媒体视频帧自适应分解系统能够在短时间内实现动画媒体视频帧的分解,分解能力更高,适用范围更广,未来可以应用到更多的动画媒体视频处理工作中。
本文从动画媒体视频的特性出发,分别从硬件与软件两方面设计动画媒体视频帧分解的相关模块与程序,完成基于关键点和局部特征分解的动画媒体视频帧自适应分解系统的设计。通过实验证明本文系统在动画媒体视频帧分解方面的性能高,可以在降低分解延时的同时提高分解精度。