本文介绍了两种实现 ACD 指标的方法。您谈论ACD-I（使用文章的符号）。据我了解，

• 您首先对所有帧中的每种颜色进行平均颜色，即对图像平面中的像素求和：$\mathrm{avg}_i = \frac{1}{MN}\sum_{x,y}\mathrm{Frame}_i$.
• 然后，在生成的每两个连续向量的 3D 向量中，计算 L2 距离：$d_i = \sqrt{\sum_{l=1}^3(\mathrm{avg}_{i,l} - \mathrm{avg}_{i+1,l})^2}$. 通常，您可能希望使用其他距离，这并不被禁止。
• 总结起来（因为我们考虑了我们拥有的所有帧，而不仅仅是一对）并除以帧数（因为度量不应该依赖于它[至少，我想是这样]，否则更长的视频会更大公制值）：$\mathrm{ACD} = \frac{1}{K-1}\sum_i d_i$（如果有 K 帧）。

ACD-C以相同的方式获得，但您使用从具有“类似编码”网络的图像（帧）中提取的特征向量来代替帧。在处理面部表情时，OpenFace 可能是一个不错的选择。

您的公式可能与作者的意图不同。想象一下黑屏上的白点。从一帧到另一帧，该点逐渐从一侧移动到另一侧。您的指标显示此视频中的内容正在发生变化。并且点移动得越快，发生的变化就越大（好的，如果点和黑屏以一定速度达到饱和点，您的指标将停止变化[当在一帧中点移动的距离等于到它的直径]，但这是另一回事）。但是，实际上内容并没有变化。你仍然有现场和黑屏。这就是您需要平均的原因（而不是将“变化”相加并使其独立于图像大小 - 这就是您的公式所做的）

在这里你可以看到 ACD metric(s) 的实现。我不能保证这是 100% 正确的。所以，让我知道是否有任何不确定性。