5. Uluslararası İleri Teknolojiler Sempozyumu (IATS 09), 13-15 Mayıs 2009, Karabük, Türkiye SIKIŞTIRILMAMIŞ SAYISAL VİDEOLAR İÇİN YÜKSEK PERFORMANSLI BİR BÖLÜMLENDİRME ALGORİTMASI TASARIMI VE UYGULAMASI A HIGH PERFORMANCED VIDEO PARSING ALGORITHM DESIGN AND IMPLEMENTATION FOR UNCOMPRESSED DIGITAL VIDEOS Barış BORU a, * ve Halil İbrahim ESKİKURT a a Sakarya Üniversitesi, Sakarya, Türkiye E-posta: barisb@sakarya.edu.tr, eskikurt@sakarya.edu.tr Özet Sayısal videoların günümüzde analog videoların yerini alması, ucuz ve kolay kaydedilip depolanabilmesi gibi özelliklerinden dolayı binlerce saatlik sayısal video arşivleri ortaya çıkmıştır. Bu video veritabanlarına erişimin hızlı olması için video içinde anlamsal olarak arama yapılabilmesi büyük bir ihtiyaç haline gelmiştir. Sayısal videolar içinde standart resim ve metin arama teknikleri kullanılamadığından video indeksleme konusuna ilgiler artarak literatürde yer alan birçok çalışma yapılmıştır. Sayısal video indeksleme yöntemi videoları bölümlendirerek bölümlere ait özet bilgilerin çıkarılması daha sonra özet bilgilerden bölümlere ulaşılması temel mantığı ile uygulanmaktadır. Bu bağlamda doğru video bölümlendirme video indekslemenin temelini oluşturan önemli bir kısmı olarak ortaya çıkmıştır. Bu çalışmada sıkıştırılmamış videolarda kullanılacak yeni bir video bölümlendirme algoritması tasarımı yapılarak uygulamaya geçirilmiştir. Çalışmada literatürde var olan bölümlendirme algoritmaları incelenerek bu algoritmaların eksik yönleri tespit edilmiş, ve eksiklerini giderecek bir algoritma tasarlamak hedeflenmiştir. Tasarlanan algoritma gerçeklenerek diğer algoritmalar ile karşılaştırmaları yapılmış, diğer algoritmalara göre işlem yükü ve performans yönünden daha iyi bir seviyede olduğu tespit edilmiştir. Anahtar kelimeler: Video Bölümlendirme, Video İndeksleme Abstract Today, the use of digital videos instead of analog videos has become most popular in terms of easily recordable and low-cost storage. Therefore, huge amount of digital video archives have been came out dramatically. In order to access this video database very fast, the semantic search in a video has been an important demand. While the standard picture and text searching methods cannot be used in a digital video, the video indexing has become a popular interest, and lots of research have been came out. Digital video indexing methods are implemented by segmenting the videos into sub-scenes and extracting the main data related to these sub-scenes. In this sense, correct video segmenting has been most important part of the video indexing. In this work, an implementation of a new video parsing algorithm design used for uncompressed videos is presented. Investigating the parsing algorithms in the existing literature, missing parts of these algorithms have been defined and a new algorithm for filling the blanks of these algorithms has been aimed. After implementing the algorithm designed, this algorithm has been compared to other parsing algorithms. Finally, it is been determined that the implemented algorithm is much better than the other algorithms due to the computational overhead and the performance. Keywords: Video Parsing, Video Indexing 1. Giriş Bilgisayarların ve sayısal cihazların yaygınlaşması, aynı zamanda internet gibi ortamlar sayesinde sayısal haberleşmenin analog haberleşmeden daha kolay uygulanabilir hale gelmesi ve yaygınlaşması ile tüm bilgi türlerinde olduğu gibi video bilgisinin de sayısal ortama aktarılması gereksinimi ortaya çıkmıştır. Sayısal video insan gözünün sahip olduğu zaafiyetlerden yararlanarak uygulanmaktadır. İnsan gözü saniyede 15-20 kareden hızlı değişen ardışıl resimleri hareketli görüntü olarak algılamaktadır. Sayısal video, video sahnesinin saniyede 15~30 kare olarak fotoğraflanması ile elde edilir. Sayısal videonun saniyede kaç kare çekilerek kayıt edildiği bilgisine fps (saniyedeki kare sayısı) denilmektedir. Yukarıda anlatılanlardan da anlaşıldığı gibi sayısal video bilgisi ard arda gelen sayısal resimlerden oluşan sayısal bir bilgidir. Eğer video içerisinde ses kaydı var ise resim kareleri ile birlikte ses bilgilerini de içermektedir. 2. Video İndeksleme ve Bölümlendirme Teknolojik ilerlemeler neticesinde günümüzde gelinen noktada hemen hemen tüm videolar sayısal formda kaydedilerek kullanılmaktadır. Sayısal video kayıtlarının bu kadar arttığı bir ortamda sayısal videolar içinde arama yapılmak istenmesiyle hızlı erişim gereksinimi ortaya çıkmıştır. Örneğin güvenlik videolarının tutulduğu bir arşivde bir şahsa, bir araca ait görüntü kaydının bulunup bulunmadığı, haber arşivleri içerisindeki eski kayıtların sorgulanması gerekmektedir. Standart metin arama tekniklerinin sayısal videoda kullanılamayacağı gibi resim karşılaştırma tekniklerinin kullanılması gerektirdiği işlem yükü nedeniyle uygun olmamakta ve anlamsal arama gereksinimlerini karşılamamaktadır [1]. Bu yüzden video erişim için özel teknikler kullanılmalıdır. Video erişim ile ilgilenen araştırmacılar, videonun tamamında arama yapmak yerine IATS 09, Karabük Üniversitesi, Karabük, Türkiye
videonun önceden işlenmesiyle elde edilen video indeksinde aramanın ve uygun bulunan sonuçların referans ettiği video parçasına erişmenin daha uygun olacağı fikrini ortaya atmışlardır [1-2]. Şekil 1. Bir videonun bölümlendirilmesi ve özet bilgilerin bölümler referans edilerek veritabanına kaydedilmesi Bir kitapta bir konu başlığına erişmek istenildiğinde içindekiler veya kitap indeksinden kelime bulunarak referans edilen sayfaya gidilmektedir. Arama yapılacak bir videoda bütün bilgilerin her seferinde taranması, kitapta sayfaların tek tek taranmasında olduğu gibi erişimi zorlaştıracaktır. Bu yüzden video içinde arama yapmak ve istenen bir görüntüye erişimi mümkün kılmak için kitapta olduğu gibi videonun indeksini çıkarmak ve özel bir veritabanında saklamak uygun olacaktır (Şekil 1). Video veritabanına eklenen her video, bir dizi işlemden geçirilerek indeksi elde edilerek saklanmalıdır. Arama yapıldığında aranan öğe indekste taranacak eşleşme bulunursa referans ettiği video parçası kullanıcıya sunulacaktır. Video bölümleri anlamsal olarak bütünlük içeren ardışıl kareler bütünüdür. Her bölüm için tespit edilen özellikler ve anahtar kareler video indeksini oluşturmaktadır. Yukarıda belirtilen sebeplerden dolayı video indekslemenin en önemli parçası video bölümlendirmektir. Video bölümleme indekse eklenecek bilgileri azaltma hedefine, anlamsal olarak bütünlük içeren kareleri gruplandırma yoluyla tek bilgi ile nitelendirme imkânını sunarak katkıda bulunmaktadır. Aynı zamanda arama neticesinde gösterilecek bölümlerin önceden tespit edilerek hazırlanmasını sağlamaktadır. 1. Bölüm 1. Kare 2. Kare 3. Kare 4. Kare 5. Kare 6. Kare 7. Kare 2. Bölüm 3. Bölüm 8. Kare Şekil 2. Örnek ardışıl video kareleri ve video bölümleri Literatürde yer alan video veritabanları ve erişim konusundaki çalışmaların birçoğu video bölümlemeyi konu edinmektedir [1-2]. Bu çalışmalarda geliştirilen yöntemler, ardışıl video karelerinde anlamsal olarak değişimlerin bulunduğu geçişleri tespit ederek video bölümlerini doğru bir şekilde algılama üzerine yoğunlaşmıştır. Bölüm geçişlerinde kademeli ve ani olarak iki farklı tür vardır. Ani bölüm geçişleri genellikle film çekimlerinde olduğu gibi kameranın kaydının durdurulması ve farklı bir görüntü için yeniden başlatılması ile oluşmaktadır. Kademeli bölüm geçişleri ise görüntü içeriğinin kademeli olarak değiştirilmesidir ki genellikle sinema efektlerinde iki bölümü birleştirmek için kullanılmasıyla oluşmaktadır. Kademeli geçişlere en iyi örnekler bölümün solarak geçmesi (fade effect) ve bölümün eriyerek geçmesidir (dissolve effect). Ardışıl kareler arasında keskin değişimler yerine yavaş yavaş değişim gerçekleştiğinden kademeli bölüm geçişlerinin tespit edilmesi güçtür. Bu tür algılamaların kamera ve obje hareketinden ayrıştırılmaları gerekmektedir. Özellikle parlaklık değişimi içeren bölüm geçişlerini algılamak diğer bölüm geçişi türlerine göre hayli güçtür. Video bölümleme algoritmaları genellikle ardışıl kareler arası görsel değişim oranlarını elde ederek, değişim oranının yüksek olduğu anlarda bölümler arası bir geçiş olduğu mantığına dayanarak, bölüm algılaması yapmaktadırlar. Genellikle bölümlendirme algoritmaları videonun 1. karesinden başlayarak tarama yaparlar ve arka arkaya gelen video karelerini değerlendirirler. Bazı durumlarda iki kare görüntüsü arasında anlamsal bir fark olmasa bile, sayısal olarak değerler incelendiğinde büyük farklılıklar ortaya çıkabilmektedir. Bu tarz değişimlere en iyi örnekler kamera hareketleri ve parlaklık değişimleridir. n. Kare (n+1). Kare (n+2). Kare (a) n. Kare (n+1). Kare (n+2). Kare (b) Şekil 3.(a) Kamera hareketlerine bir örnek (b)parlaklık değişimlerine bir örnek Çekim esnasında sahne içeriği aynı kaldığı halde, kameranın çok az hareket ettirilmesi ile sahnedeki objeler ardışıl iki kare arasında birkaç piksel yer değiştirmektedir. Benzer şekilde çekim esnasında ışık kaynağının değişmesi, kamera açısının değiştirilmesi, video karesindeki bütün piksellerin koyuluk seviyeleri değişimi ile sonuçlanmaktadır. Bu iki durum ardışıl iki karenin piksel değerlerinde büyük değişimlere yol açmasına rağmen çoğunlukla bir bölüm geçişi değildir. Bu yüzden bölümlendirme algoritmalarının, kamera hareketlerine ve parlaklık değişimlerine hassasiyetlerinin düşük olması gerekmektedir.
Sıkıştırılmamış videolarda çalışan bölümlendirme algoritmaları genel olarak dayandıkları tekniğe göre ardışıl kareler arasında bir benzerlik oranı elde ederler. Arka arkaya gelen iki karenin birbirine benzerliği düşükse orada bir bölüm ayrımı olduğu kabul edilerek videoların bölümlendirilmesi yoluna gidilmektedirler. Bu tarz tekniklerde, ardışıl kare benzerlikleri için hangi değerlerin üzerinin bir bölüm geçişi olarak algılanacağı, bir eşik değeri ile belirlenmektedir. Bu yüzden bu tarz algoritmalara literatürde eşik tabanlı yaklaşım algoritmaları da denmektedir [2]. Video bölümlendirme algoritmaları içerisinde en basit yaklaşıma sahip ve diğer algoritmalara temel teşkil eden algoritma piksel karşılaştırma algoritmasıdır. Piksel karşılaştırma algoritması, ardışıl iki video karesi arasında örtüşen piksellerin farklarının toplamını hesaplayarak her video karesi için bir değişim değeri tespit etmektedir. Bulunan değişim değeri önceden belirlenmiş eşik değeri ile karşılaştırılarak bölüm geçişi olup olmadığına karar verilmektedir. Bu basit yöntem kamera hareketlerine ve parlaklık değişimlerine çok duyarlı olduğundan ve gerektirdiği işlem yükünün çok fazla olmasından dolayı kullanımdan uzaktır. Piksel karşılaştırma algoritmasına alternatif olarak geliştirilen Blok Tabanlı Piksel Karşılaştırma Algoritması, video karesini bloklara bölerek örtüşen blokları piksel değerleri ve ortalama koyuluk değeri ile elde edilen bir benzerlik oranı ile karşılaştıracak şekilde KASTURİ R., JAİN R., tarafından tasarlanmıştır [3]. Bu algoritma, parlaklık değişimlerine hassasiyeti düşürmekle beraber işlem yükünü arttırmaktadır. İşlem yükünü azaltmak ve kamera obje hareketlerine duyarlılığı düşürmek için, piksel tabanlı yaklaşımlar yerine histogram tabanlı karşılaştırma yöntemleri ortaya atılmıştır. Histogram karşılaştırmasına dayanan yöntemlerin altında yatan ana fikir değişmeyen arka plana ve değişmeyen objelere (hareketli veya hareketsiz) sahip, ardışıl iki karenin histogramlarında çok fazla bir fark oluşmayacağıdır [2]. Bununla birlikte histogram, resim döndürülme ve resimleme açısının değişmesine duyarsızdır. Bu temellere dayanarak günümüze kadar ardışıl karelerin histogramlarının karşılaştırılmasına dayanan bir çok çalışma yapılmıştır. Histogram tabanlı bölümleme algoritmalarında ilk ortaya çıkan algoritmalarda ardışıl iki karenin histogramlarının karşılaştırılması ve buna bağımlı bölüm geçişi tespiti yaklaşımı uygulanmıştır. Bu yaklaşımda ardışıl karelerin tamamının histogram farkları alınarak 0-256 koyuluk değerlerinde toplam değişen piksel sayısı tespit edilir, değişen piksel sayısı eşik değeri üzerinde ise bölüm geçişi algılanır. Renkli videolar üzerine yapılan ve başarılı sonuçlar elde edilen RGB histogramları kullanılan bir çalışma Zhang, Kankanhallı ve Smoliar tarafından sunulmuştur [2]. Bu çalışmayı temel alarak yöntemin iyileştirilmesine yönelik çalışmalar literatürde mevcuttur [7]. Bu yöntemlerde kamera ve obje hareketine duyarlılık düşük olsada parlaklık değişimine duyarlılık hayli yüksektir çünkü parlaklık değişimi resim histogramını tamamen değiştirmektedir. Bu duyarlılığı azaltmak için HSV ve YIQ renk kodlama histogramlarının parlaklık bileşeni hariç tutularak karşılaştırılması teknikleri sunulmuştur [5]. HSV ve YIQ karşılaştırmaları parlaklık değişimine az duyarlı olsalarda büyük işlem yüklerini beraberlerinde getirmektedirler. Yukarıda bahsedilen histogram tabanlı teknikler temel alınarak Swanberg ve arkadaşları tarafından blok tabanlı karşılaştırma teknikleri geliştirilmiştir. Bu teknikte video kareleri bloklara bölünerek, ardışıl karelerde örtüşen bloklar için histogram karşılaştırması yapılmıştır [6]. Yukarıda bahsedilen algoritmalardan hiçbiri kademeli bölüm geçişlerini algılamada başarılı olamadıklarından ikiz karşılaştırma tekniği geliştirilmiştir [4]. Bu teknikte kademeli bölüm geçişlerinde oluşan kareler arası farkları algılamak için ikinci bir düşük eşik değeri kullanılmış, bu değerin üzerine çıkan ve ard arda gelen kareler arası farklar toplanarak asıl eşik değerini geçmesi durumunda kademeli bölüm geçişi tespit edilmeye çalışılmıştır. Boreczky ve Rowe birçok bölümlendirme algoritmasının karşılaştırmasını yaptıkları çalışmalarında ikiz karşılaştırma tekniğinin basit ve çok doğru çalışan bir teknik olduğu sonucuna varmışlardır [7]. 3. Filtrelenmiş Video Histogram Karşılaştırması Sıkıştırılmamış videolar üzerine çalışan bölümlendirme algoritmalarının yukarıda bahsedildiği gibi başarım seviyeleri düşüktür. Bu algoritmalar özellikle parlaklık değişimleri ve kamera hareketlerine duyarlılıkları yüksektir. Yapılan çalışmada histogram tabanlı yöntemler temel alınarak bu dezavantajları ortadan kaldırmak için Filtrelenmiş Video Histogram Karşılaştırma algoritması tasarlanmıştır. Obje değişimine dayalı video bölümlendirme işleminin hızlı ve kullanışlı bir yapıda kullanılabilmesi için resim filtreleme tekniklerinden faydanılmıştır. Bölümlendirilecek videonun tamamı öncelikle resim filtreleme teknikleri ile filtrelendikten sonra histogram karşılaştırmasına tabi tutulmuştur. Algoritma tasarımında temel alınan fikir, sahnedeki objeler ile ilgilenmek ve kamera hareketlerinden oluşan birkaç piksellik kaymaları göz önünde bulundurmaktır. Bu amaçla resim işlemede sık kullanılan motion blur ve sobel filtreleri kullanılmıştır. Sobel resim filtresi filtrelenen resim içinde renk değişimlerinin keskin olduğu bölgeleri, değerlerini siyah veya beyaz (filtre ağırlıklarına göre belirlenmektedir) renklerine ve renk değişiminin bulunmadığı düz alanları diğer renge yakınlaştırarak ön plana çıkarmaktadır. Başka bir deyişle sobel filtresi resimler içindeki obje kenarlarını belirginleştirmektedir. Kamera hareketlerine duyarlılığı düşürmek için, komşu piksellerin belli ağırlıklar ile birbiri üzerine kopyalanması öngörülmüştür. Bu sayede sobel filtresi ile elde edilen keskin kenar değerleri yumuşatılacak ve kenarlara yakın alanların (arkaplan ve obje kenar bölgelerinin) etkileri de incelenmiş olacaktır. Bu gereksinimleri karşılamak amacı ile motion blur filtresinden faydalanılmıştır. Yöntemin obje kenarlarının değişimini takip etmesi sebebiyle videolar siyah beyaz videoya çevrilerek işlenmiştir. Filtrelenmiş Video Histogram Karşılaştırması yönteminin filtreleme safhasının adımları Şekil 4 te görülmektedir.
Histogram Karşılaştırması yönteminin kamera hareketleri ve parlaklık değişimine duyarlılığının, diğer sıkıştırılmamış video bileşenleri üzerine çalışan yöntemlere göre çok daha düşük olduğu tespit edilmiştir. Yapılan denemelerde özellikle parlaklık değişimlerine duyarlılığın çok düşürüldüğü ve kameradan kaynaklanan parlaklık değişimleri içeren videolarda çok daha başarılı bölümlendirme yapılabildiği gözlemlenmiştir. Şekil 5 de parlaklık değişimi ve kamera hareketlerinin yoğun olduğu örnek bir video için HSV Histogram Karşılaştırması ve Filtrelenmiş Video Histogram Karşılaştırması tarafından elde edilen kare fark değerleri grafik olarak görülmektedir. HSV histogram karşılaştırması standart yöntemler içinde obje parlaklık değişimine en az duyarlı yöntemlerden olduğu için karşılaştırma için uygun görülmüştür. Şekil üzerinde gerçek bölüm geçişleri oklar ile gösterilmektedir. Şekil 4. Resim filtreleme adımları Elde edilen filtrelenmiş videolar için ardışıl karelerin fark değerlerini elde etmede, standart histogram karşılaştırma formüllerinin kullanılması durumunda yöntemin ilgilenmediği düz alanlarda karşılaştırma kriterine dahil edilerek yanlış sonuçların artmasına sebep verecektir. Bu eksikliği gidermek amacı ile standart histogram karşılaştırma formülünde siyah rengi temsil eden 0 değeri devre dışı bırakılarak Filtrelenmiş Video Histogram Karşılaştırması yönteminde kullanılacak formül (Denklem 1) elde edilmiştir. Denklem 1 de verilen formül, sayısal videolarda 8 bit renk derinliğine sahip (koyuluk değerleri 0-255 ;n =256) videolarda kullanılacak formüldür. Denklem 1 de D değeri (i,i+1) kareleri arasında elde edilen fark değerini, H ilgili karelere ait histogramları ve j değeri ise histogram içerisinde sıra ile karşılaştırılacak koyuluk değerlerini göstermektedir. Formülde koyuluk değerinin 1 255 aralığında olmasının sebebi yukarıda da bahsedildiği gibi filtrelenmiş histogramlarda düz yüzeyleri temsil eden 0 koyuluk değerinin ihmal edilmesidir. 255 D ( i, i + 1) = H ( j) H (1) j= 1 i i+ 1 ( j) Filtrelenmiş Video Histogram Karşılaştırması yöntemi çalışma adımları sırasıyla özetlenecek olursa : 1. Videonun gri tonlamalı hale getirilmesi 2. Videonun Motion Blur filtresi ile filtrelenmesi 3. Motion Blur ile filtrelenen videonun Sobel filtresi ile filtrelenmesi 4. Elde edilen videonun siyah bileşenler (0 ağırlık değerine sahip pikseller) ihmal edilerek histogram karşılaştırması ile ardışıl kareler fark değerlerinin elde edilmesi 5. Fark değerleri içinde eşik değeri üzerinde kalan karelerin bölüm geçişi olarak belirlenmesi 6. Bulunan bölüm geçişleri kullanılarak bölümlerin oluşturulması 4. Değerlendirme ve Karşılaştırmalar Önerilen yöntemin uygulanması ile elde edilen neticeler değerlendirildiğinde, beklendiği gibi Filtrelenmiş Video Şekil 5. Örnek bir video için elde edilen ardışıl kare fark değerleri Örnekte kullanılan video, özellikle kalitesiz bir kamera ile kamera ve parlaklık değişimlerini ihtiva edecek şekilde kaydedilmiş ve 6 bölüm içermektedir. Örnek video 300-515. kareleri arasında bulunan 4. bölümünde şiddetli parlaklık değişimi ve kamera hareketleri içermektedir. HSV Histogram Karşılaştırması yönteminin 4. Bölüm içerisinde parlaklık değişiminin olduğu kare fark değerlerini 5. bölüm başlangıç değerinden daha yüksek elde ettiği gözlemlenmektedir. Ayrıca HSV Histogram Karşılaştırması yönteminin 5. Bölüm başlangıcından hemen sonra yer alan kamera hareketini bölüm geçiş değerine yakın elde ettiği gözlemlenmektedir. Tasarlanan tekniğin başarımını ölçmek için algoritma, farklı videolarda [8] uygulanarak karşılaştırmalar yapılmış ve yukarıdaki örnekte de görüldüğü gibi önerilen yöntemin diğer yöntemlerden daha yüksek başarım elde ettiği tespit edilmiştir. Elde edilen sonuçlar incelendiğinde, Filtrelenmiş Video Histogram Karşılaştırma yönteminin parlaklık değişimleri, obje ve kamera hareketlerine duyarlılığının diğer yöntemlere göre çok daha düşük olduğu gözlemlenmektedir.
Filtrelenmiş Video Histogram Karşılaştırma algoritması hesaplama zamanı olarak değerlendirilecek olursa; filtreleme adımlarının hesaplama zamanını arttırdığı açıktır. Fakat video kare fark değerlerinin elde edildiği adımda siyah beyaz video üzerine çalışıldığı için Filtrelenmiş Video Histogram Karşılaştırması bu adımı tek aşamada tamamlamaktadır. Diğer yöntemler ise hesaplama adımını üç renk için tekrarlayıp ortalama değeri hesapladıklarından video kare fark değerlerini daha uzun zaman içinde elde etmektedirler. Tablo 1. Chevrolet.avi Videosu İçin Elde Edilen Sonuçlar ALGORİTMA Süre (sn) Bölüm Adedi Doğruluk Tablo 1 de 5 bölüm içeren Chevrolet.avi [8] videosu için değişik algoritmaların karşılaştırması yer almaktadır. Tablo 1 de hesaplama süreleri, algoritmaların tespit ettiği bölüm sayıları, gerçek bölüm geçişlerinin ne kadarını tespit edebildikleri ve fazladan bulunan bölüm adetleri yer almaktadır. En iyi başarım için kullanılan algoritmanın, en az sürede hesap yapabilmesi, gerçek bölümlerin %100 oranında tespit edilebilmesi ve fazladan bölüm tespitinin yapılmaması gibi özelliklere sahip olması gerekmektedir. (%) Fazla Bölüm Piksel Karşılaştırması 153.41 7 100 2 Blok Tabanlı Piksel Karş. 212.23 9 80 5 RGB Histogram Karşılaştırması 2.74 8 40 6 Blok Tabanlı Histogram Karş. 27,09 7 60 4 HSV Histogram Karşılaştırması 34.98 8 100 3 Filtrelenmiş Video Histogram Karş. 17.67 5 100 0 Kaynaklar [1] COTSACES C., NİKOLAİDİS N., PITAS I., Video shot detection and condensed representation A review. IEEE Signal Processing Magazine, IEEE, 2006 [2] KOPRİNSKA I., CARRATO S., Temporal Video Segmentation : A Survey Signal Processing: Image Communication, Elsevier Science, 2001 [3] KASTURİ R., JAİN R., Dynamic Vision, in Computer Vision : Principles IEEE Computer Society Press, Washington DC,1991 [4] ZHANG H.J., LOW C.Y., SMOLIAR S.W., Video Parsing and Browsing Using Compressed Data, SPIE Conf. Image and Video Processing II, 1994 [5] GARGI U., OSWALD S., KOSIBA S., DEVADIGA S., KASTURİ R., Evaluation Of Video Sequence Indexing And Hiererchical Video Indexing, SPIE Conf. Storage and Retrieval in Image and Video Databases,1995 [6] SWANBERG D., SHU C. F., JAIN R., Knowledge guided parsing in video databases, SPIE Conf., 1993 [7] BORECZKY J. S., ROWE L. A., Comparison Of Video Shot Boundary Detection Techniques, IS&T/SPIE Intern. Symposium Electronic Imaging, 1996 [8] http://trecvid.nist.gov/ 5. Sonuç Bu çalışmada mevcut sıkıştırılmamış videolar üzerine çalışan bölümlendirme algoritmalarından daha yüksek başarıma sahip bir bölümlendirme algoritması tasarımı üzerinde durulmuştur. Algoritma tasarımında literatürde yer alan mevcut algoritmalar incelenerek eksiklikleri tespit edilmiş ve bu algoritmalar temel alınarak yeni bir yöntem geliştirme yoluna gidilmiştir. Tasarlanılan algoritma uygulamaya geçirilerek uygulanabilirliği ispatlanmış aynı zamanda farklı videolar üzerinde mevcut algoritmalarla birlikte uygulanarak karşılaştırma yapılmıştır. Karşılaştırmalar neticesinde algoritmanın doğru bölüm geçişi tespitinin daha iyi olduğu ve işlem yükü olarak da kabul edilebilir seviyede olduğu görülmüştür. Bant genişliği gereksinimleri nedeniyle günümüzde sıkıştırılmış videoların daha sık kullanıldığı göz önüne alındığında, tasarlanan algoritmanın özellikleri kullanılarak sıkıştırılmış videolar (Mpeg vs.) üzerinde çalışan farklı bir algoritmanın geliştirilmesi de güncel bir video bölümlendirme çalışması olarak düşünülebilir.