鑑別力

鑑別力 又稱閾值，是指測量儀器產生未察覺的回響變化的最大激勵變化，這種激勵變化應緩慢而單調地進行。

基本介紹

• 中文名：鑑別力
• 外文名：discrimination
• 又稱：閾值
• 說明：未察覺的回響變化的最大激勵變化

簡介

它是指測量儀器在某一示值給予一定的輸入，這種激勵變化緩慢從單方向逐步增加，當測量儀器的輸出產生有可覺察的回響變化時，此輸入的激勵變化稱為鑑別力，同樣可在反行程進行。

有時人們也習慣地稱鑑別力為靈敏閾或靈敏限。產生鑑別力的原因可能與噪聲（內部或外部的）、摩擦、阻尼、慣性等有關，也與激勵值有關。

但是注意，靈敏度與鑑別力是不同的。靈敏度是被測量變化引起測量儀器示值變化的程度；鑑別是引起測量儀器示值可覺察變化時被測量的最小變化值，是指使測量儀器指針移動所要輸入的最小量值。二者也是相關的，靈敏度越高，其鑑別力越小；靈敏度越低，其鑑別力越大。

鏡頭鑑別力分析的視頻檢索方法

為克服網際網路中視頻信息傳統檢索方法的不足，保證檢索的準確率和高效性，針對鏡頭代表性強弱的問題，提出鏡頭鑑別力概念以及計算鑑別力大小的方法，並基於鏡頭鑑別力設計一種新的視頻檢索方法。該方法提取鏡頭靜態特徵和動態特徵作為計算鑑別力大小的依據。實驗結果證明，使用鏡頭鑑別力分析後的檢索效果好於未使用鏡頭鑑別力分析的檢索效果，在實驗環境中達到94%的準確率。

鏡頭鑑別力定義

鏡頭是視頻的基本組成單元，每個視頻都由若干個鏡頭組成，然而並不是每個鏡頭都可以很好地代表視頻的內容。有的鏡頭是某個視頻獨有的，可以很全面地表達該視頻的內容，具有很強的代表性；而有的鏡頭出現頻率很高，所表達的內容比較普通，很多視頻中都包含類似的鏡頭。一般情況下，一個代表性強的鏡頭可以提供足夠的信息準確定位該鏡頭所在的視頻，而一個代表性不強的鏡頭卻不足以提供足夠的信息準確定位該鏡頭所在的視頻。把這種鏡頭的代表性強弱程度定義為鏡頭鑑別力。為了清晰地闡述鏡頭鑑別力強弱對於檢索的影響，下面舉一個例子加以說明。

由於描述鏡頭信息的特徵選取和維數限制導致的低鏡頭鑑別力情況。對2個鏡頭分別提取關鍵幀，並用關鍵幀在HSV空間下的顏色直方圖表示鏡頭信息。為更好地表示顏色分布，3D的HSV顏色直方圖特徵被轉化成2D的表達形式。可以發現：

(1)表示不同內容的鏡頭可能擁有相似的特徵向量，有時候單一的特徵不能很好地區分鏡頭。

(2)增加顏色柄的數量可以使特徵更有區分度，但是如何選擇一個合適的顏色柄數量卻非常困難，因為顏色柄或者特徵維數都不宜過多，否則會增加視頻檢索系統的複雜度。

在大量數據的情況下，如果特徵選取不當或者維數選擇過低都有可能出現上述情況。因此，這2個內容不同的鏡頭在以這種特徵形式表達的資料庫中就屬於鑑別力低的鏡頭，會降低檢索結果的準確率。

鏡頭鑑別力計算方法

鑑別力高低對檢索結果的影響是客觀存在的，因此，需要設計一種方法來計算不同鏡頭的鑑別力大小。由於鏡頭同樣是一小段視頻，包含的信息量非常巨大，無法直接進行鑑別力計算。考慮到關鍵幀可以很好地表達鏡頭內容，在視頻檢索系統中也比較常用，因此在計算鏡頭鑑別力信息時，依然可以採用關鍵幀的形式。

為了方便闡述，具體的設計可以採取如下方法：

(1)靜態特徵提取，HSV空間中的分塊顏色直方圖因為其有效性和低運算量而被廣泛套用於視頻檢索系統。這種特徵不僅考慮到了視頻幀的顏色信息，還融入了空間信息。在實驗中，選擇這種特徵作為視頻幀的靜態特徵。

(2)關鍵幀提取經過靜態特徵的提取，鏡頭中的每一幀都由72維的HSV分塊顏色直方圖特徵向量表示。採用改進型K-means聚類算法對視頻幀聚類，然後將聚類的結果通過尺度不變特徵變換(Scale-invariant Feature Transform)匹配相似度，將相似度比較高的冗餘幀過濾掉，減少選擇判斷環節中的計算量。

(3)鏡頭鑑別力計算方法，得到了描述鏡頭的特徵向量之後，就可以根據特徵向量在資料庫中的差異程度計算鏡頭鑑別力。採用一種基於歐式距離的最短路徑權重法來估算不同鏡頭在資料庫中的鑑別力。資料庫中用來表示鏡頭的每一個特徵向量與其他向量之間都可以計算出一個歐式距離(如式(2)所示)，其中，Distance_ab表示特徵向量a和b之間的距離，n表示向量維數。

所有距離中最小的那個就是該向量對應的最短距離。易知，如果某個特徵向量的最短距離越大，說明它與其他特徵向量的差異就越大，越具有代表性，它就越能反映其隸屬鏡頭的獨特性；反之，如果某個特徵向量的最短距離很小，說明資料庫中存在與它非常相似的特徵向量，即該特徵向量隸屬的鏡頭鑑別力小。

這種統計最短距離分布的直方圖能夠提供最可靠最直觀的鏡頭鑑別力分布。根據已知信息，可以直接定義有鑑別力特徵向量與無鑑別力特徵向量，然而硬性判決的閾值選擇比較困難，如何明確定位一個閾值需要考慮多方面的因素，因此，選擇採用軟性判決進行鑑別力估算。這裡採用的算法是S型函式機率估算法。

鏡頭鑑別力的視頻檢索方法

構建完成帶有鏡頭鑑別力程度的資料庫後，就可以在該視頻庫中進行視頻片段的檢索了。可以發現與一般的檢索系統流程基本相似，不同在於最後的選擇判斷環節。

傳統的判決法是根據提取出來的關鍵幀特徵向量在資料庫中搜尋最接近的向量，根據若干關鍵幀的匹配情況直接按大數選擇法決定最後的檢索結果，是最簡單也是最常用的方法。該方法實際上包含了一種等權重的概念，把待檢索視頻的每個關鍵幀都認為具有相同的權值，因此，在選擇判斷中，只需要統計出現頻率最高的匹配視頻即可。然而這種方法的不足在於如果出現頻率最高的匹配視頻不止一個，那么檢索結果可能同時返回多個視頻位置，也可能不返回結果，使得檢索性能大幅下降。

基於鏡頭鑑別力的檢索方法可以有效地利用鏡頭鑑別力對檢索結果進行指導判斷。基於鏡頭鑑別，力最簡單的例子，示例中待檢視頻有3個關鍵幀，關鍵幀A和B在視頻資料庫中最接近的特徵向量同屬於視頻No.1，而視頻 No.1的鑑別力很低，僅為0.2，關鍵幀C在資料庫中最接近的特徵向量屬於視頻No.2，而視頻No.2 的鑑別力很高，達到0.9。因此，檢索結果通過鑑別力的指導，防止了低鑑別力鏡頭如視頻No.1對結果的影響，準確定位了視頻No.2。當然，示例中只是最簡單的說明，在對每一個關鍵幀的相似度匹配中，還可以得到最匹配的前幾個結果，再將所有關鍵幀的最匹配結果進行加權綜合，總鑑別力值最大的就是檢索到的視頻。

GNSS接收機中採樣率對時間鑑別力的影響

探討了GNSS系統中，偽碼跟蹤環的時間鑑別力與採樣率之間的定量關係，提出了時間鑑別力的性能評估準則及其計算方法。然後以GPSL5信號為例，重點考察都卜勒效應對採樣系統時間鑑別力的影響。實驗表明，一般來說，隨著採樣率的增加，採樣系統的時間鑑別力也會隨之提高。

採樣性能的定量評估準則

首先探討等量採樣技術的本質缺陷，以及非等量採樣技術的高分辨力原理。然後從利用採樣序列的相關曲線反演偽碼相位同步誤差的角度出發，提出非等量採樣系統的時間鑑別力的定量評估準則。

非等量採樣技術時間鑑別力定量評估準則

這時，碼片寬度T_C與採樣間隔T_S之比不是整數，並且每個碼片內採樣點分布特性不完全相同。當ε在 [0， T_S)範圍內變化時，接收偽碼波形上多個採樣點的幅度值隨之改變，從而導致相關函式發生變化。因此有可能利用相關曲線讀取出小於T_S的同步誤差，即NCS技術具有識別微小偽碼同步誤差的潛力。

採樣系統時間鑑別力評估示例

注意到在GNSS接收機中，影響E_ε取值的三個重要因素 ———採樣率 、碼片速率與偽碼序列 ———都不是特確定的。例如，不同的導航衛星有不同的偽碼序列 ；都卜勒效應會改變接收信號和本地復現信號的碼片速率，使之偏離標稱值。因此在研究GNSS接收機中採樣性能時，需要綜合考慮以上各種因素的影響。

GPSL5信號的載波頻率為1176.45MHz，最大可見衛星數目為32顆，碼片速率為10.23MHz，載波都卜勒頻移變化範圍為[ -3.7kHz，3.7kHz]。令k_p=1， 則性能評估指標隨採樣率以及都卜勒頻移的變化規律。

當等量採樣率3r_c時，所有導航衛星的性能評估指標E_ε的最大值 、均值和最小值等三個統計量隨著都卜勒頻移變化的規律。顯然，都卜勒效應能夠顯著提高等量採樣系統的時間鑑別力。

當都卜勒頻移為零並且2r_c<f_S≤3r_c時，性能評估指標隨著採樣率的變化規律。一般來說，隨著採樣率的增加，採樣系統的時間鑑別力也會隨之提高。但是當採樣率接近或者恰好等於碼片速率的整數倍時，採樣系統的時間鑑別力會陡然變得十分惡劣。

在3倍碼速率(30.69MHz)附近的局部特徵。顯然，在一定的頻率範圍內，隨著採樣率逐步偏離等量採樣率，採樣系統的時間鑑別力會顯著提高。但是，當採樣率偏離量達到2.5kHz時，性能改善不再明顯。

在25MHz附近的局部特徵。顯然，對於一般的非等量採樣率而言，微小的頻率偏移對時間鑑別性能影響不大。

因此，在GNSS接收機時，可以套用本文提出的準則及其算法在大量的候選採樣率中篩選出合適的採樣率來，即能夠以較低硬體成本 (例如選擇速率較低，或者易於被晶振合成的採樣率 )達到較高時間鑑別力。