本发明涉及一种发现电影穿帮镜头的方法及设备，具体说是一种基于群体智能的电影纠错方法及设备。
背景技术：
电影拍摄过程中由于大量使用非实时、非实景拍摄手法，不可避免会存在不合常理、违反常识的所谓穿帮镜头，例如在古装戏中背景出现汽车、空调等现代化物品，同一时刻人物的不同着装等等。这些穿帮镜头虽然不影响整体故事情节的叙述，但也给观众造成制作粗糙、不够精细的负面印象。及时发现和纠正穿帮镜头，在电影的制作、发行过程中具有重要意义。但仅凭电影创作人员有限的人手显然无法杜绝此类现象的发生。群体智能这个概念来自对自然界中昆虫群体的观察，群居性生物通过协作表现出的宏观智能行为特征被称为群体智能。群体智具有如下特点：1)控制是分布式的,不存在中心控制。2)群体中的每个个体都能够改变环境。3)群体中每个个体的能力或遵循的行为规则非常简单。4)群体具有自组织性。目前群智能研究主要包括智能蚁群算法和粒子群算法。智能蚁群算法主要包括蚁群优化算法、蚁群聚类算法和多机器人协同合作系统。其中，蚁群优化算法和粒子群优化算法在求解实际问题时应用最为广泛。但至今为止尚未见到将群体智能应用到电影穿帮镜头纠错方面的实例。
技术实现要素：
本发明的目的是提供一种及时发现穿帮镜头的基于群体智能的电影纠错方法及设备，用于帮助制片方在公映前及时修正、弥补缺陷，呈现给观众尽可能完美的电影作品。
本发明所述基于群体智能的电影纠错方法，包括如下步骤：
A)分拆目标源；按照一定规则将作为目标源的拍摄完成的电影样片拆分成多个视频片段；
B)查找错误；将上述视频片段用群体智能算法分发给不同的审查者，由审查者对相应的视频片段做出是否存在错误的判断，如存在错误还要指出错误存在的位置以及错误的内容；重复该步骤直到各视频片段得到判断的次数均大于等于设定的阈值；
C)数据汇总；将各视频片段得到的判断用群体智能算法汇总，删除其中判断结果全部为“不存在错误”的视频片段，留下的视频片段其判断结果至少包括一个“存在错误”。
所述拆分视频片段的规则是依据时间段或者依据场景。
其中，在步骤A)，将作为目标源的电影样片依据不同的规则多次拆分形成多个存在叠加关系的视屏片段。
在步骤A)，也可以将作为目标源的电影样片依据边界叠加规则拆分形成多个存在边界叠加关系的视屏片段。
在步骤B)，所述分发视频片段的群体智能算法是标准的人工蜂群算法。
在步骤C)，所述汇总各视频片段判断信息的群体智能算法是蚁群算法。
基于群体智能的电影纠错设备，包括：
视屏片段拆分装置，用于按照一定规则将作为目标源的电影样片拆分成多个视频片段；
视屏片段分发装置，用于将视屏片段用群体智能算法分发给不同的审查者；
反馈接收装置，用于接收审查者对视频片段做出的是否存在错误的判断以及该视频片段存在错误的位置以及错误的内容的信息，该反馈接收装置同时用于对视频片段获得判断的数量计数；
数据汇总装置，用于接收反馈接收装置传输的数据，将该数据用群体智能算法归属到各自的视频片段，删除其中判断结果全部为“不存在错误”的视频片段，留下的视频片段其判断结果至少包括一个“存在错误”。
所述视屏片段拆分装置是依据时间段的拆分装置也可以是场景的识别和拆分装置。
由于采用上述技术方案，本发明充分利用社会资源，能够在电影正式发行放映之前发现其中的穿帮镜头，及时弥补、纠错，最终呈现给观众尽可能完美的电影作品。
附图说明
图1是本发明一个实施例的流程图。
具体实施方式
本发明所述基于群体智能的电影纠错方法，包括如下步骤：
A)分拆目标源；按照一定规则将作为目标源的拍摄完成的电影样片拆分成多个视频片段；这一步骤是将拍摄剪辑完成、尚未上映的影片根据一定的规则拆分成若干视频片段。例如，所述拆分视频片段的规则可以是依据时间段，将影片拆分成一定时长的视频片段，如每2分钟或者每1分钟时长作为一个片段。所述拆分视频片段的规则也可以是依据场景拆分，所谓场景是指在一定的时间、空间内发生的一定的任务行动或因人物关系所构成的具体生活画面，相对而言，是人物的行动和生活事件表现剧情内容的具体发展过程中阶段性的横向展示。更简便地说，场景是指在一个单独的地点拍摄的一组连续的镜头。这种拆分方法将一个单独的地点拍摄的一组连续的镜头作为一个独立的视频片段，不同视频片段的时长可能不相等。
B)查找错误；将上述拆分好的视频片段用群体智能算法分发给不同的审查者，每一审查者获得一个视屏片段，由审查者对相应的视频片段做出是否存在错误的判断，如存在错误还要指出错误存在的位置以及错误的内容；重复该步骤，多次随机分发视频片段、获得审查者的判断结论，直到各视频片段得到判断的次数均大于等于设定的阈值；这样可以保证每一视频片段得到多次审查判断，减少误判的可能性。这里的群体智能算法可以是标准的人工蜂群算法，也可以是蚁群算法等其他人工智能算法。以人工蜂群算法为例，将每个视频片段作为一个蜜蜂，每个视频片段根据状态分为“已分”、“未分”两种，“已分”的视为雇佣蜂，“未分”视为“非雇佣蜂”，每个审查者作为一个蜜源。在分发中视频总时间长度L秒，拆分出来的视频数为n，每个视频的时间长度为Vi，审查者能接受的最大视频长度为Wi(最大的值为W)。设Xi为分发基因值，取值0为未分发，取值1为已分发，则得出分发模型函数如下：
使用人工蜂群算法实现随机分发中间步骤为：
(1)设定各参数值；
(2)初始化可行解空间；
(3)侦察蜂对目标进行禁忌搜索,并对序列进行修改；
(4)记录当前最优解；
(5)计算转移概率,进行角色转换；
(6)跟随蜂随机性选择引领蜂,并对序列进行修改；
(7)对同一解序列,如果优化limit次,没有改进,则放弃该解；
(8)记录每次循环得到的最优解；
(9)满足循环终止条件,输出最优解及序列；
(10)按序列进行分发。
其中，人工蜂群算法的参数0<α<1，0<β<5，0<γ<1，考察某个参数对结果影响时,参数均取缺省值(α＝1,β＝2,γ＝0.8)。
C)数据汇总；将各视频片段得到的判断用群体智能算法汇总，删除其中判断结果全部为“不存在错误”的视频片段，留下的视频片段其判断结果至少包括一个“存在错误”。电影制作人员研判这些“存在错误”的视频片段即可发现其中存在的错误，及时修改、纠正错误。另外，在步骤A)，将作为目标源的电影样片依据不同的规则多次拆分形成多个存在叠加关系的视屏片段。所谓存在叠加关系的视屏片段是指一个视屏片段与另一个视频片段有部分画面相同，这种叠加关系可以是边界叠加关系，也即视屏片段的时间轴的端部存在叠加，也可以是其他类型的叠加关系。例如，前一视屏片段的最后10秒钟与后一视屏片段的前10秒钟内容相同，这种叠加关系就是边界叠加关系。另外一种叠加关系是包含两个场景的视频片段，其前一场景与前一视频片段的场景相同，后一场景与后一视频片段的场景相同。这种存在叠加关系的视频片段可以使审查者可以连续审视电影镜头，避免应镜头分割造成无法判断前后关系的问题。
该步骤，所述汇总各视频片段判断信息的群体智能算法是蚁群算法。以蚁群算法为例，将所有分发出去的视频群中每个视频片段的信息(分发序号、时间点、错误类型、错误内容)作为聚类对象，基于蚁群算法将视频群中所有的聚类对象作为一个二维网格上，并由虚拟的蚂蚁测量其中一个对象在该环境内的群体相似度，并将种群体相似度通过概率转换成函数换成是否汇总该对象的概率，通过群体之间相互作用，多次循环实现对象的聚类。通过蚁群聚类算法，最终得出电影的有效纠错信息。其中蚁群聚类算法描述如下，
在一个Z×Z的网格中，蚂蚁在地点r可以观察到的周围S×S的区域中的对象，在对象Oi在地点r与周围对象的相似度按照下面公式来计算：
其中α为是一个衡量相异度的参数，d(Oi，Oj)是衡量两个对象Oi和Oj的距离。
算法中蚂蚁拾起或放下一个对象Oi的可能性按照以下两个公式计算：
其中k1，k2是常数。
应用蚁群聚类算法的具体步骤如下：
1)初始化。其中，聚类的初始化是将每次分发出去的视频片段总数M作为聚类对象数，构建一个的二维网络和只虚拟蚂蚁，蚂蚁的速度范围η为[2～10]，整个过程采用S×S的网格区域作为局部面积(S为[2～30])，蚂蚁为空载状态。
2)对每只蚂蚁，如果空载且位置r有对象Oi，则计算f(Oi)和Pp(Oi)；对每只蚂蚁，在[0，1]之间随机取一个实数R来判断蚂蚁是否捡起对象。
参数的默认取值如下：
噪音常量ε：0.001
阈值恒量z:0.3
发射信息素量η：0.2
信息素挥发率x：0.01
属性个数m：6
局部面积：3×3
3)在[0，1]之间随机取一个实数R来判断下一步的移向，蚂蚁移向没有被其它蚂蚁占领的位置r，计算新位置r周围数据对象数目n，根据对象数目增加信息素。其中的默认值：发射信息素量η：0.2，信息素挥发率k：0.01。
4)蒸发所有网格的信息素，输出对象的位置。
5)得到聚类结果。
本发明所述基于群体智能的电影纠错设备，在于包括：
视屏片段拆分装置，用于按照一定规则将作为目标源的电影样片拆分成多个视频片段；
视屏片段分发装置，用于将视屏片段用群体智能算法分发给不同的审查者；
反馈接收装置，用于接收审查者对视频片段做出的是否存在错误的判断以及该视频片段存在错误的位置以及错误的内容的信息，该反馈接收装置同时用于对视频片段获得判断的数量计数；
数据汇总装置，用于接收反馈接收装置传输的数据，将该数据用群体智能算法归属到各自的视频片段，删除其中判断结果全部为“不存在错误”的视频片段，留下的视频片段其判断结果至少包括一个“存在错误”。
所述视屏片段拆分装置是依据时间段的拆分装置也可以是场景的识别和拆分装置，用于将作为目标源的电影样片按照一定的时长拆分成多个视频片段，或者识别电影样片的场景，并按照不同的场景将电影样片拆分成多个视频片段，每一视频片段中可以包含一个或者多个场景。