Разработка метода прореживания видеопоследовательностей на основе оценки сходства черно-белых кадров

В настоящее время прореживание видеопоследовательностей играет важную роль в различных приложениях предварительной обработки видеоизображений, связанных с классификацией видеоизображений, обнаружением различных изменений и распознаванием объектов (дефектов, неисправностей, действий людей и т. п.). В работе предложен метод прореживания видеопоследовательностей, основанный на оценивании сходства двух последовательных черно-белых кадров с применением знаковой корреляционной функции вида «знак-знак» и коэффициентов ассоциативности, проверке соответствия рассчитанных значений метрик предельным интервалам и принятии решений относительно удаления кадров. Рассмотрена обобщенная схема предложенного метода с подробным описанием этапов, описан алгоритм поиска сходства и различий между двумя последовательными черно-белыми кадрами видеопоследовательностей. Метод позволяет уменьшить размер видеопоследовательностей за счет удаления избыточных или повторяющихся кадров, тем самым сокращая объем хранимой информации и повышая эффективность обнаружения ключевых моментов на видеоизображениях, полученных в условиях неконтролируемой среды. Представлены результаты исследований, которые показали, что предложенный метод позволяет сократить избыточность кадров в два раза без потери важной информации и качества видеопоследовательностей.

1. Quality-guided key frames selection from video stream based on object detection / Chen Mingju, Xiaofeng Han, Hua Zhang [et al.] // Journal of Visual Communication and Image Representation. – 2019. – Vol. 65 (24). – Article no. 102678. – DOI 10.1016/j.jvcir.2019.102678.

2. Best frame selection to enhance training step efficiency in video-based human action recognition / A. A. Gharabagh, V. Hajihashemi, M. C. Ferreira [et al.] // Applied Sciences. – 2022. – Vol. 12 (4). – Article No. 1830. – DOI 10.3390/app12041830.

3. Too many frames, not all useful: efficient strategies for long-form video QA / J. Park, K. Ranasinghe, K. Kahatapitiya [et al.] // Proceedings of the 19th Conference of the European Chapter of the Association for Computational Linguistics. – 2024. – P. 3569–3588. – DOI 10.48550/arXiv.2406.09396.

4. Yoon, J. Exploring video frame redundancies for efficient data sampling and annotation in instance segmentation / J. Yoon, M.-K. Choi // IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). – 2023. – P. 3308–3317. – DOI 10.1109/CVPRW59228.2023.00333.

5. Kızıltepe, R. S. A novel keyframe extraction method for video classification using deep neural networks / R. S. Kızıltepe, J. Q. Gan, J. J. Escobar // Neural Computing and Applications. – 2023. – Vol. 35. – P. 24513–24524. – DOI 10.1007/s00521-021-06322-x.

6. Similarity score of two images using different measures / V. Appana, T. M. Guttikonda, D. Shree [et al.] // 6th International Conference on Inventive Computation Technologies (ICICT). – 2021. – P. 741–746. – DOI 10.1109/ICICT50816.2021.9358789.

7. Video key frame extraction based on scale and direction analysis / Y. Dong, Y. Zhang, J. Zhang, X. Zhang // The Journal of Engineering. – 2022. – P. 910–918. – DOI 10.1049/tje2.12173.

8. Усатов, А. А. Оценка сходства между наборами данных с помощью векторных представлений / А. А. Усатов, А. М. Недзьведь, Го Цзижань // Доклады БГУИР. – 2025. – Т. 23, № 3. – С. 70–76. – DOI 10.35596/1729-7648-2025-23-3-70-76.

9. Narasimharao, J. Digital image processing / J. Narasimharao. – AGPH Books (Academic Guru Publishing House), 2023. – 201 p. – ISBN 978-93-95468-31-2.

10. Пугачев, В. С. Основы статистической теории автоматических систем / В. С. Пугачев, И. Е. Казаков, Л. Г. Евланов. – Москва : Машиностроение, 1974. – 400 с.

11. Оптимизация структур распределенных баз данных в АСУ / А. Г. Мамиконов, В. В. Кульба, С. А. Косяченков, И. А. Ужастов. – Москва : Наука, 1990. – 240 с. – ISBN 5-02-014389-8.