陳冰萸

(杭州電子科技大學計算機學院，浙江 杭州 310018)

0 引言

近年來，我國政府重視維護殘疾人權(quán)益的工作，并大力推進信息無障礙建設(shè)，例如為殘疾人提供帶有語音及文字提示的信息交流服務(wù)，如影視節(jié)目手語播報、公共圖書館無障礙設(shè)施和殘疾人公益組織等。如果這些工作都由人力完成，則成本高，且遠遠不能滿足需求。因此，借助計算機技術(shù)進行突破成為了無障礙建設(shè)的重點任務(wù)。

在計算機視覺領(lǐng)域，視頻描述這一技術(shù)的重要性日益突顯出來。其能夠用于視頻標題生成、視頻字幕生成、視頻分類、內(nèi)容檢索及個性化推薦等方面。而在無障礙建設(shè)領(lǐng)域，視頻描述能夠輔助視障人士的日常生活，例如輔助日常出行、物品辨別等場景。

本文以現(xiàn)有的一些網(wǎng)絡(luò)模型為基礎(chǔ)，運用近年來影響較深的注意力機制，結(jié)合緩沖區(qū)、多進程的系統(tǒng)設(shè)計，設(shè)計出一種基于PyTorch Mobile 框架的在線視頻描述系統(tǒng)，將科技作為視障人士的“眼”，為他們的日常生活帶去便利。

1 相關(guān)工作

受圖像描述技術(shù)的啟發(fā)，目前視頻描述技術(shù)經(jīng)常使用編碼器-解碼器（Encoder-Decoder）框架?，F(xiàn)有的視頻描述模型通常使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN），或遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）作為編碼器，對視頻進行編碼，并使用RNN 作為解碼器對視頻進行解碼，使視頻信息通過其他形式和載體呈現(xiàn)出來。

針對如何充分利用視頻信息，生成更貼近場景需求、更準確的描述結(jié)果的問題，近十年來學術(shù)界提出了很多可實現(xiàn)的解決方案。目前的視頻描述模型通過使用注意力機制整合視頻幀的特征，或采用層次循環(huán)編碼器、屬性增強反編碼器、多模態(tài)記憶和重構(gòu)損失等方法，來提高生成的描述質(zhì)量。雖然這些方法使視頻描述技術(shù)快速發(fā)展，但它們僅限于用一句話描述一段離線視頻，使用情景較為局限。因此，Yu等人提出了一種分層遞歸神經(jīng)網(wǎng)絡(luò)，它能夠把較長的視頻轉(zhuǎn)化為文字描述，使視頻描述技術(shù)在工業(yè)界發(fā)展成為可能；而Xiong等人提出了一種基于事件的段落生成方法，系統(tǒng)中包含一個事件選擇模塊，用于選擇某個事件參與到描述生成的過程中去，由此實現(xiàn)對多個事件的描述，拓寬視頻描述的應(yīng)用情景。

而對于實時作業(yè)，動作檢測、目標識別的研究開始得較早。實現(xiàn)實時目標識別較為簡單，目標識別系統(tǒng)可以從實時視頻幀中定時采幀，并對該特定幀進行分析；動作檢測需要針對一個區(qū)間的視頻幀，即一個短視頻進行分析，與視頻描述所需的場景較為貼合。而動作檢測需要針對一個區(qū)間的視頻幀，即一個短視頻進行分析，與視頻描述所需的場景較為貼合。由Mohammadreza 在2018 年提出一種ECO 系統(tǒng)結(jié)構(gòu)，該結(jié)構(gòu)通過維護兩個隊列，分別用于維護當前視頻幀和歷史視頻幀，在保證視頻幀的充分利用的同時極大地提高了系統(tǒng)的運行速度，很適合用于視頻描述系統(tǒng)中。

本文的實時系統(tǒng)即是基于ECO 模型的基礎(chǔ)上加以改進，結(jié)合多層注意機制和雙層解碼器技術(shù)，自主研發(fā)了一種能夠?qū)⒃诰€視頻轉(zhuǎn)化為符合語法規(guī)范且能夠準確反映視頻內(nèi)容的描述的視頻描述系統(tǒng)。

2 總體設(shè)計

2.1 系統(tǒng)技術(shù)框架

為使系統(tǒng)能夠貼合目標群體的需求，達到滿意的效果，本系統(tǒng)的開發(fā)分理論設(shè)計，編程實現(xiàn)，模型訓練及調(diào)優(yōu)和架構(gòu)效果驗證，共四個步驟（如圖1）。其中，考慮到視障人群日常使用需要不斷獲得信息反饋，視頻時長較長，且有多個使用場景，系統(tǒng)的描述生成模塊同時包括視覺注意模塊和文本注意模塊，以保證視頻的視覺特征及描述的文本特征能夠被充分挖掘，且能夠突出其重點部分，使用戶能對所反映的事物有更準確的認識。

圖1 技術(shù)框架圖

項目模型使用目前最大的視頻描述數(shù)據(jù)集MSVD 數(shù)據(jù)集作為訓練集及測試集，樣本劃分為8:2。在訓練過程中，以CIDER1～4 作為模型當前訓練程度的評估指標，不斷調(diào)整模型的梯度、學習率等參數(shù)，直至評估指標達到收斂，表示模型訓練完成。架構(gòu)效果驗證時，針對系統(tǒng)的兩種視頻獲取方式，需要從描述準確度、實時性、系統(tǒng)可運行時間、多場景下的系統(tǒng)魯棒性等方面著手。

2.2 系統(tǒng)技術(shù)路線

2.2.1 Nginx-Rtmp-Module流媒體服務(wù)器

Nginx 本身是非常出色的HTTP 服務(wù)器，F(xiàn)FMPEG是非常好的音視頻解決方案。通過Nginx-Rtmp-Module 模塊可將兩者組合在一起，搭建成一個功能較為完善的流媒體服務(wù)器，以支持RTMP 和LHS（LiveHTTPStream）。

本系統(tǒng)將該模塊整合到手機系統(tǒng)（以iOS 系統(tǒng)為例）APP 中，當在手機APP 開啟視頻識別功能的時候，APP 調(diào)用手機攝像頭拍攝視頻信息，Nginx-Rtmp-Module流媒體服務(wù)器則會將其推流至服務(wù)器中。

2.2.2 OpenCV庫

OpenCV 庫是一個基于BSD 許可發(fā)行的跨平臺計算機視覺和機器學習軟件庫，它主要用于圖像處理、計算機視覺、模式識別、物體識別（人臉識別、對象識別）等領(lǐng)域。如圖2所示，本系統(tǒng)中，OpenCV庫會每隔四秒，將接收到的視頻流轉(zhuǎn)化為MP4 格式的視頻，并輸入到視頻描述模型中。

圖2 技術(shù)路線圖

2.2.3 Video Captioning模型

視頻描述模型，即技術(shù)框架中的描述生成模塊。其輸入為MP4 格式視頻，輸出為一句對輸入視頻的描述。本系統(tǒng)將視頻描述模型部署在云服務(wù)器中，它會接受由OpenCV 庫生成的MP4 視頻作為輸入。在其運行前，只需要在后臺設(shè)置時間戳為四秒，即可使得視頻描述模型能夠自動每隔四秒讀取一次視頻文件，并生成相應(yīng)描述輸出。

2.2.4 iOS手機系統(tǒng)語音庫

iOS 手機系統(tǒng)自iOS7.0 以來就支持文本轉(zhuǎn)語音功能（TextToSpeech），iOS 手機開發(fā)者可以通過該功能將文字轉(zhuǎn)為語音輸出。在本系統(tǒng)中，當視頻描述模型生成了視頻描述后，iOS 手機APP 即可從服務(wù)區(qū)獲取該描述語句，并通過iOS 手機系統(tǒng)自帶的文本轉(zhuǎn)語音功能將其由文字轉(zhuǎn)為語音輸送出，傳達給使用者，完成一個周期的視頻描述。

3 模型設(shè)計

3.1 視頻幀接收緩沖器

本系統(tǒng)通過維護兩個緩沖器（隊列結(jié)構(gòu)），實現(xiàn)對實時視頻幀的接收、選取并合成視頻的操作。在每個存儲周期中，其中一個緩沖器（緩沖器A）用于存放當前新接收的16 幀視頻幀，而另一個（緩沖器B）用于存放上一周期選取出的16 幀視頻幀。當設(shè)置的四秒接收時間結(jié)束后，系統(tǒng)會從緩沖器B 中任意取出4 幀，從緩存器A 中任意取出12 幀，并將從B 中取出的歷史視頻幀放在前面，得到新的16幀視頻幀。

對應(yīng)于系統(tǒng)技術(shù)路線，Nginx 流媒體服務(wù)器會將此16 幀推至OpenCV 庫中，并由OpenCV 庫將其轉(zhuǎn)化為MP4 視頻。同時，將緩沖器B 清空，并將此次選出的16 幀放入B 中，作為下一周期的歷史視頻幀。這樣，既能保證每一階段的輸入視頻大部分是當前的內(nèi)容，又保留了部分歷史信息，使得最后的輸出內(nèi)容的前后連貫性提升。

3.2 特征的提取

針對每個周期從OpenCV 庫中得到的16 幀視頻，視頻描述模型會分別提取其空間特征（二維靜態(tài)特征）和時間特征（三維動態(tài)特征），以充分挖掘其畫面、動作信息。

如圖3 所示，本系統(tǒng)使用I2D 卷積網(wǎng)絡(luò)，對每一個視頻幀提取空間特征，該空間特征可以體現(xiàn)視頻幀中對象的特征。通過I2D 卷積網(wǎng)絡(luò)，可以得到每一幀的特征f∈R，最后將16 幀的空間特征進行拼接，得到完整的視頻空間特征F∈R。此外，本系統(tǒng)采用C3D 卷積網(wǎng)絡(luò)對該16 幀視頻提取其三維時間特征。C3D 卷積網(wǎng)絡(luò)由三維卷積層、池化層及全連接層組成。通過C3D 卷積網(wǎng)絡(luò)可以得到視頻的時間特征M∈R，該特征包括了視頻本身的時序信息，即動態(tài)信息。

圖3 實時視頻接受及其特征提取

3.3 注意力機制

根據(jù)人的視覺特性，當人在看一個畫面時，往往更關(guān)注畫面中最重要的對象或位置，注意力機制即是模擬了人類視覺的這一特征。

通過注意力機制，系統(tǒng)可以在訓練完成后，對視頻的特征生成權(quán)重分布，主體對象會得到更高的權(quán)值；然后再將視覺特征按權(quán)相加，整合得到最終的視覺特征。本系統(tǒng)的視覺注意模塊分為兩層，第一層為Region-LevelAttention，其可以學習關(guān)注每幀中最顯著的區(qū)域；第二層為Frame-LevelAttention，可以關(guān)注與視覺信息最相關(guān)的幀。兩層視覺注意模塊的設(shè)計不僅能夠自動聚焦于最相關(guān)的幀以及每幀中的顯著區(qū)域，也能保持幀內(nèi)的結(jié)構(gòu)信息和幀間的平滑性。

此外，本系統(tǒng)還設(shè)計了文本注意模塊。相比傳統(tǒng)的Word-LevelAttention，本系統(tǒng)采用Phrase-LevelAttention。與視覺注意模塊的作用相似，文本注意模塊可以自動關(guān)注到當前生成詞的前三個單詞，再從該短語級前綴中自動關(guān)注到最有用的內(nèi)容，從而提高生成描述的準確率。

3.4 LSTM解碼器

本系統(tǒng)選用長短期記憶網(wǎng)絡(luò)（Long Short Term Memory，LSTM）作為解碼器，即描述生成器。如圖4所示。LSTM 能夠通過隱藏門自動且隱式地保存每一節(jié)點的部分信息，作為下一時間步的歷史信息，故LSTM 相較于普通RNN 等解碼器，能夠挖掘到跨度更大的視覺特征，符合本系統(tǒng)使用場景的需求。

圖4 描述生成模塊

另外，本系統(tǒng)額外設(shè)置“平衡門”機制。在普通模型中，視覺特征和文本特征的權(quán)重比例大多是認為固定的，故本系統(tǒng)中額外設(shè)置了平衡門。令視覺特征的權(quán)重值為λ，則文本特征的權(quán)重值為1-λ，在訓練時即可得到該視頻描述模型的λ值。

3.5 系統(tǒng)效果測試

系統(tǒng)將MSVD 數(shù)據(jù)集作為訓練集，不斷優(yōu)化調(diào)整模型參數(shù)，直至模型能夠在數(shù)據(jù)集上得到一個較好得分。測試時通過手機攝像頭對準測試視頻片段，視頻效果如圖5所示。

圖5 測試攝像頭獲取視頻的可行性-觀影場景

經(jīng)測試，我們可以看到系統(tǒng)對于攝像頭獲取實時視頻的方式支持性較好，且輸出的場景、人物、動作的識別都較為準確。

此外，此系統(tǒng)還可以用于日常生活，例如模擬出行，當我們模擬用戶在日常出行時使用此系統(tǒng)，將攝像頭對準前行道路，可以得到如圖6所示的結(jié)果。

圖6 測試攝像頭獲取視頻的可行性-出行場景

經(jīng)測試，我們可以看到在出行場景下，系統(tǒng)對于道路環(huán)境、人數(shù)情況判斷較為準確，基本可以滿足用戶出行時的輔助需求。

由本系統(tǒng)設(shè)計初衷，系統(tǒng)還可以通過在線上傳視頻的方式獲取視頻，經(jīng)過測試可以得到如圖7所示效果。

圖7 測試在線上傳視頻的可行性

通過在多個視頻和使用場景下進行的是，能夠得出以下結(jié)論：在大部分情況下，系統(tǒng)輸出的文字描述與視頻內(nèi)容基本一致，且實時性較好，手機運行時也不容易卡頓，能夠基本滿足用戶的需求；在小部分情況下，輸出仍會有語法問題，但不會對理解產(chǎn)生影響，不會妨礙用戶使用。

4 結(jié)束語

為了給視障人士的生活提供方便，同時降低在無障礙建設(shè)進程中的人力成本，本文提出了一種基于在線視頻描述的視障人士輔助系統(tǒng)，論述了其設(shè)計及實現(xiàn)過程。該系統(tǒng)采用一種面向多使用場景的實時反饋技術(shù)架構(gòu)，涵蓋了視頻傳輸、緩沖設(shè)計、描述生成及最終語音反饋等過程。該系統(tǒng)能夠有效從實時視頻幀中提取出空間特征、時間特征，通過視覺注意模塊及文本注意模塊合成整體特征，最后結(jié)合長短記憶解碼器，其生成的描述結(jié)果的準確度、模型整體的速度均達到預(yù)期。