确定需要的区域对。接下来是步骤S200。针 对场景模型，计算根据步骤S100确定的区域对的至少一个特征的第一差分。将参照图14 详细说明步骤S200。
[0077] 首先，提取一个区域对中的各区域的特征。特征（也称为图像特征）是用来描述相 应的图像区域的量。对特征的类型没有特别限制。可W使用亮度、颜色、纹理等作为特征。 只要该量表示区域的图像特性，则能够使用该量作为图像特征。优选地，选择更好地表示从 场景模型到当前顿的转变的郝些图像特征。此外，对特征的数量也没有特别限制。多个特 征的累积使转变趋势更明显，并且更易于将R0C事件分类为移除或者丢弃。
[0078] 值得提到的是，为了提取特征，能够实现一些预处理步骤。例如，能够在8*8范围 对输入图像实现离散余弦变换值CT)。在该示例中，将输入像素图像变换为由块构成的图 像，各块的大小为8*8。然后，基于该DCT处理过的图像进行进一步处理。不仅可W选择DCT 处理，还可W选择傅立叶变换（FT)、小波变换（WT)或者其它图像变换W更好地提取图像特 征。
[0079] 在该实施例中，虽然选择的特征可W在不同的R0C内容判断任务中改变，但是各 确定的区域对中的各区域的选择的特征在一个R0C内容判断任务中是相同的。
[0080] 图14示出了计算第一差分的示例性工作流程。步骤S210的输入是由步骤S100 提供的区域对。在步骤S210中，选择一个区域对。在步骤S220中，在模型场景中，提取该 选择的区域对中的各区域的一个特征。然后，在步骤S230中，计算该区域对的内部区域和 外部区域之间的特征差分。在步骤S240中，判断是否对所有特征进行了计算。如果未对所 有特征进行计算，则进行到步骤S220并重复执行。直到对所有特征进行了计算，进行到步 骤S250,对加权特征差分求和，由此获得通过公式（1)计算的化irDifference。Nhgtufe是 特征的总数。Nfpgtuf。是不小于1的整数。j是特征的序列号，其从1到Nfpgtuf。。F,。。,是区域 对的外部区域的特征值。F，m是区域对的内部区域的特征值。油s(F，"ut-F,J给出特征差 分的绝对值。在一个实施例中，对特征差分赋予权重W，。对重要的特征差分赋予较高的权 重。对W，的值没有特别限制。W,本身是可选的。
[00引]
(1)
[0082] 接下来，进行到步骤S260,判断是否对所有区域对进行了处理。如果未对所有区 域对进行处理，则进行到步骤S220并重复执行。直到对所有区域对进行了处理，对各区域 对的化irDifference求和，由此获得通过公式（2)计算的FirstDifference。是区域 对的总数。Npgu是不小于1的整数。i是区域对的序列号，其从1到Npgu。下标"bg"指示 FirstDifference是使用场景模型计算的。
[0083]
(2；
[0084] 在步骤S200之后，针对场景模型计算了第一差分。现在返回到图6。接下来是步骤 S300。步骤S310的输入也是由步骤S100提供的区域对。对于当前顿，计算根据步骤S100 确定的区域对的至少一个特征的第二差分。
[0085] 图15示出了计算第二差分的示例性工作流程。在步骤S310中，选择一个区域对。 在步骤S320中，在当前顿中，提取该选择的区域对中各区域的一个特征。然后，在步骤S330 中，计算该区域对的内部区域和外部区域之间的特征差分。在步骤S340中，判断是否对所 有特征进行了计算。如果未对所有特征进行计算，则进行到步骤S320并重复执行。直到对 所有特征进行了计算，进行到步骤S350,对加权特征差分求和，由此获得通过公式（1)计算 的化irDifference。值得注意的是，由步骤S250提供的化irDifference和由步骤S350提 供的化irDifference两者都是通过公式（1)计算的。但是，使用场景模型计算由步骤S250 提供的化irDifference，而使用当前顿计算由步骤S350提供的化irDifference。
[0086] 接下来，进行到步骤S360,判断是否对所有区域对进行了处理。如果未对所有区 域对进行处理，则进行到步骤S320并重复执行。直到对所有区域对进行了处理，对各区域 对的化irDifference求和，由此获得通过公式（3)计算的Secon曲ifference。是区域 对的总数。Npgu是不小于1的整数。i是区域对的序列号，其从1到Np_。下标"current" 指示Secon曲ifference是使用当前顿计算的。
[0087]
(3)
[0088] 返回到图6。参照图16说明判断步骤S400。在步骤S410中，根据下面的公式（4) 计算从第一差分到第二差分的转变分数。
[0089] Score = Secon曲ifference-FirstDifference (4)
[0090] 在步骤S420中，如果从第一差分到第二差分的转变是从较小差分到较大差分，贝U 判断改变区域为丢弃的物体；相反，如果从第一差分到第二差分的转变是从较大差分到较 小差分，则判断改变区域为移除的物体。
[0091] 特别地，将转变分数与预先设置的阔值进行比较。阔值可W凭经验获得。在步骤 S430中，根据对转变分数和阔值的比较，判断改变区域是丢弃的物体还是移除的物体。
[0092] 如果分数比阔值大，则R0C是丢弃的物体。相反，如果分数比阔值小，则R0C是移 除的物体。
[0093] 在一个示例中，所公开的方法给出是丢弃的物体或者移除的物体的针对给定R0C 的二值分类结果。
[0094] 在另一示例中，所公开的方法给出检测R0C是否是丢弃的物体的针对给定R0C的 丢弃检测结果。
[0095] 在又一示例中，所公开的方法给出检测R0C是否是移除的物体的针对给定R0C的 移除检测结果。
[0096] 下文中，详细说明示例性实施例。在该说明之后，本发明的优点将变得更清楚。
[0097] 首先，通过离散余弦变换对输入图像进行处理。各DCT块的大小为8*8。使用的 特征是一组YIQ系数。针对各DCT块总共存在8个系数灯。，Yi，Y2,Y3,Y4,Ys，I，Q)。Y系数 表示亮度或者明度信息。I和Q表示色度信息。通过下面的公式计算特征差分。通过公式 妨分别计算Y。至VYiMid。指示区域对的内部区域的特征Y的值；Yuutsid。指示区域对的外 部区域的特征Y的值。Dy是特征差分的绝对值。
[009引 Dy =油S化nslde_Y0utslde)妨
[0099] 通过公式（6)和（7)分别计算特征I的特征差分和特征Q的特征差分。
[0100] 〇1 =油3(1刪146-1。。*5146)做
[0101] Dq=油S(Qinslde-Qoutslde)W
[0102] 接下来，对各差分赋予权重（G。…G,)。使用训练数据的线性回归分析获得梯度。 将8个YIQ系数划分为"DC"特征灯。，1，曲和"AC"特征（Υι···Υ5)。通过下面的公式做和 (9)计算DC特征和AC特征的差分。
[0105] 总差分是"DC"特征和"AC"特征的加权和，其中，各差分有助于内部块和外部块之 间的视觉差的测量。对"DC"特征和"AC"特征赋予不同的权重。"DC"特征表示亮度和颜 色，而"AC"特征表示纹理。在该实施例中，"DC"特征的权重Wdc比"AC"特征的权重Wac大。 [010引 PairDifference二Wdc*Ddc+Wac*Dac(10)
[0107] 对于场景模型，使用公式（2)计算FirstDifference。对于当前顿，使用公式（3) 计算Secon曲ifference。然后，使用公式（4)计算转变分数。进行到步骤S420。将阔值的 值设置为0。当然，其它阔值也适用。然后，进行到S430,获得内容判断结果。
[0108] 通过上述处理，最终将准确地判断视频中的R0C的内容。
[0109] 图17是根据本发明的R0C内容检测装置的功能配置。R0C内容判断装置W及包 括在其中的各单元能够由硬件、固件、软件中的任意一个或者其任意组合构成，只要R0C内 容判断装置中的各单元能够实现W上R0C内容判断方法的相应步骤的功能即可。如果装置 1600部分或者全部由软件构成，则将软件存储在诸如图5中的存储器550的计算机的存储 器中，并且当诸如图5中的部件520的计算机的处理器通过执行存储的软件进行处理时，计 算机能够实现本发明的R0C内容检测的功能。在另一方面，装置1600能够部分或全部由硬 件或者固件构成。能够将装置1600作为功能模块并入计算设备420。
[0110] R0C内容判断装置1600被配置为判断检测到的R0C的内容，并且通过将视频序列 的当前顿与场景模型进行比较来检测R0C。装置1600可W包括；区域对确定单元1601，其 被配置为确定来自R0C的内部和外部的至少一个区域对；第一差分计算单元1602,其被配 置为计算场景模型中所述至少一个区域对的至少一个特征的第一差分；第二差分计算单元 1603,其被配置为计算当前顿中所述至少一个区域对的所述至少一个特征的第二差分；判 断单元1604,其被配置为根据所述第一差分和所述第二差分，判断为R0C为丢弃的物体，或 者判断R0C为移除的物体。
[0111] 优选地，区域对判断单元1601可W包括；提取子单元1601-1，其被配置为提取 R0C的边界；获取子单元1601-2,其被配置为获取沿R0C的