針對(duì)分類運(yùn)動(dòng)視頻內(nèi)容可幫助用戶更有效地獲取與管理運(yùn)動(dòng)視頻信息,設(shè)計(jì)基于人工智能技術(shù)的運(yùn)動(dòng)視頻內(nèi)容分類方法。在運(yùn)動(dòng)視頻壓縮域內(nèi),采用機(jī)器視覺(jué)技術(shù)中基于主色相似度的差分統(tǒng)計(jì)直方圖（DCDSH）特征提取算法結(jié)合HSV顏色空間,獲取運(yùn)動(dòng)視頻某幀圖像的主色特征;利用機(jī)器學(xué)習(xí)技術(shù)中的支持向量機(jī)（SVM）構(gòu)建SVM分類器,建立運(yùn)動(dòng)視頻圖像各主色特征向量同視頻內(nèi)容類別間的對(duì)應(yīng)關(guān)系;結(jié)合one-against-one結(jié)構(gòu)將SVM二分類器推廣到運(yùn)動(dòng)視頻特征的多分類問(wèn)題上,匯總各SVM二分類器的分類結(jié)果,通過(guò)投票規(guī)則將得票最高的類別標(biāo)記為待分類運(yùn)動(dòng)視頻所屬類別。分類結(jié)果顯示,所研究方法能夠有效識(shí)別并分類籃球、足球、羽毛球、滑冰4種不同類別運(yùn)動(dòng)視頻內(nèi)容,平均分類查全率和查準(zhǔn)率都高于95%。 

【文章來(lái)源】：現(xiàn)代電子技術(shù). 2020,43(09)北大核心

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

圖1 分類流程圖

采用本文方法對(duì)實(shí)驗(yàn)對(duì)象進(jìn)行分類，分類結(jié)果如圖2所示。分析圖2得到，籃球、足球、羽毛球、滑冰4種不同類別的運(yùn)動(dòng)視頻內(nèi)容均被有效識(shí)別并分類出來(lái)，說(shuō)明本文方法能夠有效分類不同類型的運(yùn)動(dòng)視頻內(nèi)容。實(shí)驗(yàn)對(duì)比本文方法與基于邊緣檢測(cè)的分類方法分類實(shí)驗(yàn)對(duì)象過(guò)程中的查全率與查準(zhǔn)率，結(jié)果如表2所示。

【參考文獻(xiàn)】：
期刊論文
[1]融合的三維卷積神經(jīng)網(wǎng)絡(luò)的視頻流分類研究[J]. 裴頌文,楊保國(guó),顧春華.  小型微型計(jì)算機(jī)系統(tǒng). 2018(10)
[2]體育領(lǐng)域視頻運(yùn)動(dòng)目標(biāo)的跟蹤方法研究[J]. 于樓成.  電視技術(shù). 2018(09)
[3]局部背景邊緣干擾下運(yùn)動(dòng)視頻完整輪廓檢測(cè)方法[J]. 安永志.  沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào). 2018(05)
[4]基于深度學(xué)習(xí)的人工智能技術(shù)在早期胃癌診斷中的應(yīng)用[J]. 王智杰,高杰,孟茜茜,楊婷,王則遠(yuǎn),陳興春,王東,李兆申.  中華消化內(nèi)鏡雜志. 2018 (08)
[5]基于人工智能的運(yùn)動(dòng)教練系統(tǒng)分析與展望[J]. 劉昊揚(yáng).  北京體育大學(xué)學(xué)報(bào). 2018(04)
[6]基于優(yōu)化粒子濾波器的體育視頻目標(biāo)跟蹤算法設(shè)計(jì)（英文）[J]. 王俊鵬,侯小毛.  機(jī)床與液壓. 2018(06)
[7]體育視頻中基于卡爾曼濾波器的運(yùn)動(dòng)員人臉檢測(cè)識(shí)別方法[J]. 張馨嬌,李建萍.  湘潭大學(xué)自然科學(xué)學(xué)報(bào). 2017(04)
[8]人工智能技術(shù)在智能電網(wǎng)中的應(yīng)用分析和展望[J]. 李博,高志遠(yuǎn).  中國(guó)電力. 2017(12)
[9]基于Fisher矢量編碼的運(yùn)動(dòng)視頻自動(dòng)評(píng)分技術(shù)[J]. 石念峰,張平,王國(guó)強(qiáng).  計(jì)算機(jī)應(yīng)用研究. 2018(10)
[10]小波域基于分段Hurst指數(shù)的視頻流分類[J]. 湯萍萍,董育寧.  電子與信息學(xué)報(bào). 2017(06)



本文編號(hào)：3525612