基于内容的信息存取与MPEG-7

一、什么是MPEG-7

现在，我们面临的将是一个分布的计算环境，视听信息在分布环境中创建、交换、检索和重用。因此，需要开发一种视听信息的“表示(Representation)形式”，它超越基于波形或基于样本、基于压缩(如MPEG-1和MPEG-2)甚至是基于对象(如MPEG-4)的表示，这就需要“表示形式”允许某种程度的对信息含义的注释，同时设备或计算机代码可以传递和存取这些注释。

1996年10月，MPEG开始了一项新的工作，以提供对以上问题的解决方案。这个MPEG家族的新成员被称为“多媒体内容描述接口”(Multimedia Content Description Interface)，简称为MPEG-7。其目标就是产生一种描述多媒体内容数据的标准，满足实时、非实时以及推-拉应用的需求。MPEG并不对应用标准化，但可利用应用来理解需求并评价技术，它不针对特定的应用领域，而是支持尽可能广泛的应用领域。

MPEG-7将扩展现有标识内容的专用方案及有限的能力，包含更多的多媒体数据类型。换句话说，它将规范一组“描述子”，用于描述各种多媒体信息，也将对定义其他描述子以及结构(称为“描述模式”)的方法进行标准化。这些“描述”(包括描述子和描述模式)与其内容关联，允许快速有效地搜索用户感兴趣的资料。 MPEG-7将标准化一种语言来说明描述模式，即“描述定义语言”。带有MPEG-7数据的 AV资料可以包含静止图像、图形、3D模型、音频、语音、视频，以及这些元素如何在多媒体表现中组合的信息。这些通用数据类型的特例可以包含面部表情和个人化特性。

MPEG-7的功能与其他MPEG标准互为补充。MPEG-1、 MPEG-2和MPEG-4是内容本身的表示，而MPEG-7是有关内容的信息，是比特的比特。

MPEG-3曾经存在，但由于其HDTV目标能够用MPEG-2 工具实现，因此，该工作终止。按顺序推算，下一个标准应该是MPEG-5，但是MPEG 决定不遵循序列的逻辑顺序，而是选择了数字7。MPEG-5和MPEG-6目前还没有定义。 MPEG-7计划在2001年9月正式成为国际标准。

二、 MPEG-7中的主要概念

为了更好地了解MPEG-7，我们需要了解MPEG-7中定义的一些概念：

数据(Data) 是用MPEG-7描述的视听资料，不考虑它们的存储、编码、显示、传输、媒介或技术。该定义非常广泛，包含图形、静止图像、视频、影片、音乐、语音、声音、文本和其他相关的AV媒体。

特征(Feature) 指数据的特性。特征本身不能比较，而要用有意义的特征表示(描述子)和它的实例(描述值)。如图像的颜色、语音的声调、音频的旋律等。

描述子(Descriptor，D) 是特征的表示。它定义特征表示的句法和语义，可以赋予描述值。一个特征可能有多个描述子，如颜色特征可能的描述子有：颜色直方图、频率分量的平均值、运动的场描述、标题文本等。

描述值(Descriptor Value) 是描述子的实例。描述值与描述模式结合，形成描述。

描述模式(Description Scheme，DS) 说明其成员之间的关系结构和语义。成员可以是描述子和描述模式。DS和D的区别是：D仅仅包含基本的数据类型，不引用其他D或DS。如对于影片，时间结构化为场景和镜头，在场景级包括一些文本描述子，在镜头级包含颜色、运动和一些音频描述子。

描述(Description) 一个描述由一个描述模式(结构)和一组描述值组成。

编码的描述(Coded Description) 是对已完成编码的描述，满足诸如压缩效率、差错恢复和随机存取的相关要求。

描述定义语言(Description Definition Language，DDL) 是一种允许产生新的描述模式和描述子的语言，允许扩展和修改现有的描述机制。

为了更好地理解这些术语，请参看图1。图中解释了 MPEG-7在实际系统中的位置。圆角框表示处理工具，矩形框表示静态元素，阴影部分包含MPEG-7标准的规范元素：DDL提供建立描述模式的机制，然后将描述模式作为基础，产生一个描述。注意，描述的二进制表示是不必要的，文本表示足够了。

三、MPEG-7的范围

MPEG-7是针对存储形式(在线、脱机)或流形式(如 Internet上的广播、推送模型)的应用而制定的，并且可以在实时和非实时环境中操作。一个实时环境意味着当采集资料时，信息是与内容相关的。

图2是MPEG-7处理链的一种高度抽象示意图，用于解释MPEG-7的范围。它包括特征抽取(分析)、描述本身和搜索引擎(应用)。为了全面开发 MPEG-7描述的潜力，自动的特征(或是描述子)提取将是极其有用的。但是很清楚，自动提取并不总是可能的，抽象层次越高，自动提取的难度就越大，这时可以采用交互提取工具。但不管它们多么有用，无论是自动的或半自动的，都不包括在标准范围之内。主要原因是不需要对它们标准化以建立互操作性，而是留有竞争的余地。另一个原因是在技术领域允许采纳更好的改进方案。搜索引擎也不包含在MPEG-7范围之内，它不需要，竞争将产生最好的结果。

像其他MPEG家族成员一样，MPEG-7是满足特定需求的视听信息的标准表示。MPEG-7建立在其他标准表示的基础之上，例如PCM、 MPEG-1、MPEG-2和MPEG-4。因此，MPEG-7会引用部分现有标准，如在MPEG-4中的形状描述子也可以用于MPEG-7。相似地，也可以利用在MPEG-1和MPEG-2中的运动矢量。

但MPEG-7描述子将不依赖于被描述内容的编码和存储方式。可以把MPEG-7的描述附加到模拟电影上去，或与印在纸上的图片相关。即使 MPEG-7描述不依赖于资料的编码表示，但是在某种程度上，该标准建立在MPEG-4之上。 MPEG-4提供对视听资料以对象方式编码的方法，这些对象具有一定的时间(同步)和空间 (空间位置和三维感受)关系。利用MPEG-4编码，将有可能把描述附加到场景中的元素(对象)上。

MPEG-7可以独立于其他MPEG标准使用，在MPEG-4 中定义的表示方式也非常适合MPEG-7标准的建立。

MPEG-7强调的是提供新的视听内容描述方案。因此，文本不是MPEG-7的描述目标，但视听内容可以包含或引用文本。因此，MPEG-7将考虑现有的其他标准组织开发的文本处理方案，并适当地支持这些标准。

四、 如何描述多媒体数据的内容

1.描述原则

在MPEG-7中，考虑了全面的描述原则。

(1) 多重和分层描述

由于描述特征在相应的应用中具有相应的含义，对于不同的用户领域和不同的应用，描述特征将是不同的。

这意味着相同的资料可以使用不同类型的特征进行描述，以适应具体的应用领域。这里涉及到多重描述和分层描述的问题。在描述上，MPEG-7 允许不同的颗粒度，提供不同的鉴别级别。

多重描述就是在多媒体数据生成处理的各阶段，支持对相同资料进行多重描述的能力，并可以把描述附加到相同资料的多份拷贝上。

分层描述基于多媒体资料的抽象级别。分层机制可以允许在不同的抽象级别上描述多媒体内容。抽象级别与特征抽取的方式有关，许多低级特征可以全自动地抽取，而高级特征则需要更多的人工交互。另外，还可以从不同的应用需求角度来描述媒体资料，例如从子对象的角度、运动分析的序列角度、视频的情节结构等角度描述多媒体内容。

描述模式支持不同描述子的分层表示，第N层描述是 N-1层描述的增强、精炼或补充，以便查询能有效地一层一层地处理，支持高效的查询。

(2) 关系描述

用描述模式来表达描述子之间的各种关系，允许描述子在多个描述模式中使用。

MPEG-7支持描述子与不同时间范围相关联，可以是层次型的，即描述子与整个数据和部分时间子集关联;或顺序型的，描述子与时间段顺序关联。

(3) 支持查询方面

支持音频、视觉或其他描述子在交叉模式下的查询，如允许基于视觉描述的查询去检索音频数据或相反的过程。

描述模式支持描述子的优先级，以便更有效地处理查询，同时优先级可以反映信任或可靠级。另外，还可以支持描述子作为句柄，直接引用数据，操纵多媒体资料。

2.多媒体特征类型

MPEG-7支持各种类型的多媒体特征，如:

N维时空特征 对于空间类型，从微观上看，是对象的纹理和形状，从宏观上看，是对象的空间关系和表现空间;时间类型，指对象随时间变化的轨迹，如音乐区段的持续时间等。

客观特征 反映视听数据本身具备的特性。如对象的颜色、形状、纹理、音频频率等。

主观特征 人对视听数据的主观感知。如对情绪(快乐、愤怒)和风格的描述。

产品特征 如记录作者、生产者、导演等信息。

合成信息 包括场景合成、编辑信息、用户的喜好等。

概念 用于描述事件和活动等概念。

在许多情况下，利用文本信息作为描述是可取的。但必须注意到，有用的描述尽可能独立于语言范畴，采用清楚的描述形式，如用作者、影片、地名的文本形式。

除了内容的描述，还需要包含其他类型有关多媒体数据的信息：

形式 如编码模式、数据大小。该信息帮助确定资料是否对用户是“可读”的。

存取资料的条件 可以包含版权、许可证和授权信息以及价格数据。

类别 可以包含父等级，用于归入预定的类。

到其他相关资料的链 支持其他信息与数据的关联。

上下文 资料记录的场合，如“1996年奥运会男子200 米障碍决赛” 中描述的时间和地点。

交互活动 支持交互活动工具，允许说明与描述相关的交互活动。如与广告相关的远程购物中的交互。

MPEG-7数据可以物理上与相关的AV资料在一起或在相同的数据流或在相同的存储系统中，但描述也可以放在全球的任何其他地方。当内容和它的描述不在一个地方时，需要链接AV资料和它们的MPEG-7描述的机制，这些链应该是双向的。

3. 视觉数据的描述

MPEG-7具体对视觉方面的描述子和描述模式有以下方面的要求：

(1) 特征类型

视觉描述允许以下特征(与查询中使用的信息类型有关)：颜色、视觉对象、纹理、轮廓(草图)、形状、静止和动态图像、体积、空间关系(相对于图像和图像序列中的对象空间和拓扑关系，这个关系是空间合成关系)、运动(如视频镜头中的运动，用于利用时间合成信息来检索等方面)、变形(如对象的弯曲)、视觉对象的源和它的特性(如源对象、源事件、源属性、事件、事件属性等)、模型(如MPEG-4 SNHC)。

(2) 利用描述进行数据可视化

MPEG-7数据描述应该容许被索引数据或多或少地粗略可视化。

(3) 可视数据的格式

支持以下可视数据格式：数字视频和电影(例如MPEG- 1/2/4)、模拟视频和电影、电子形式的静态图像(如JPEG)或纸上的图像、图形、3D模型以及与视频关联的编辑数据。

(4) 可视数据类型

可以是自然视频、静态图像、图形、动画、三维模型、编辑信息。

4.听觉数据的描述

同样，对音频数据的描述子和描述模式有以下要求：

(1) 特征类型

频率轮廓线、音频对象、音色、和声、频率特征、振幅包络、时间结构(包括节奏)、文本内容(语音或歌词)、声波近似值(通过哼唱一段旋律或发出一种声音效果来生成)、原型声音(典型的用于示例查询)、空间结构(用于多通道声源，如立体声、5.1通道等，每个声道有特定的映像)、声源和它的特性(例如源对象、源时间、源属性、事件、事件属性和典型的关联场景)、模型(如MPEG-4 SAOL)。

(2) 描述数据的听觉化

类似视觉数据的要求。

(3) 听觉数据格式

数字音频(如MPEG-1音频、CD)、模拟音频(如录音带介质)、MIDI(包括一般的MIDI和Karaoke格式)、基于模型的音频、产品数据。

(4) 听觉数据类

声音轨迹(自然音频场景)、音乐、原子声音效果(如掌声)、语音、符号音频表示(MIDI、SNHC音频)、混音信息(包括效果)。

五、 多媒体研究与MPEG-7

MPEG-7将标准化各种类型多媒体信息的描述，但它不包含描述子/特征的提取，也不规范搜索引擎和其他使用这些描述的程序。因此，围绕 MPEG-7，在多媒体信息存取方面，以下工作可以进一步开展：

1.存取接口

研究通用的和与应用相关的多媒体信息查询接口。例如在键盘上演奏几个音符来查询音乐、用“尖叫的刹车声音”查找出汽车追逐的场景;在屏幕上画一些线段，获得一组包含相似图形、标志和符号的图像;定义对象的颜色和纹理，获得与你选择的特征相似的图像;对于给定的一组对象，描述运动和对象之间的关系，获得一组动态图像，包含描述的时空关系;在给定内容条件下，描述情节，并获得多个相似情节发生的场景，等等。另外一些值得考虑的问题是：如何组合这些查询;如何在查询过程中引入交互和优先级;如何设计一种查询语言;如何构造浏览和可视化视图，以建立更有效和可靠的多媒体信息存取接口。

2.特征提取和检索引擎

自动和半自动的特征提取方法。这对大规模的多媒体数据管理是非常有价值的。这里把特征提取和检索引擎放在一起讨论是因为两者的研究在检索效率和有效性方面是紧密联系在一起的，即检索有效性使用户和系统得到查找的东西而不是其他;检索效率使用户或系统快速得到所要的结果。这需要研究者探讨更能代表媒体数据内容的特征(便于区分)，以及高效的索引结构和算法。

3.广泛的多媒体应用研究

MPEG-7不仅仅用于多媒体信息的检索，更能广泛地用于其他与多媒体信息内容管理相关的领域。许多应用和应用领域将从MPEG-7标准中获得好处。在MPEG-7推荐的应用中实际上蕴涵了许多值得研究的课题。