テクスチャ特徴に基づくテレビ番組映像からの高次特徴抽出

摘要

A semantic content analysis is very important to retrieve a huge amount of video data efficiently. This paper proposes a method for extracting high level features such as objects and events from TV program video by an image processing. At first, the method divides each key-frame into block regions, and then calculates various texture features for each block. Multiple block size is used to avoid an effect from differences on object size and position. Finally, the random forests method which is a kind of ensemble learning algorithm is used to decide if a frame represents a specific high level feature. We performed experiments to extract twenty kinds of high level features denned at TRECVID 2008 from broadcast video about 100 hours long.%大量の映像を効率的に検索するためには、映像の意味内容に基づいた解析が重要である。本報告では，テレビ番組から，映像に何が映っているのかといった高次特徴を画像解析によって検出する手法を提案する。提案手法では、まず番組映像から抽出したキーフレーム画像をブロック領域に分割し、各領域に対して様々なテクスチャ特徴量を算出する。このとき、被写体のサイズや位置の違いによる影響を避けるため、ブロックサイズを様々に変化させて特徴量を算出する。次に、集団学習のひとつであるランダムフォレスト法によって、フレームが特定の高次特徴を有しているかを判定する。本報告では、映像検索の競争型ワークショップTRECVID 2008で定義された20種類の高次特徴を対象に、100時間分の放送映像に対する実験結果を示す。