本文選題：視頻事件檢測 + 特征�。� 參考：《電視技術》2017年Z2期

【摘要】：現(xiàn)有的大多數(shù)視頻事件檢測方法首先從視頻幀或視頻快照中提取特征,然后對特征進行量化和匯集,進而為整個視頻生成一個向量表示。最后的匯集步驟雖然簡單高效,但是可能丟失時間局部信息,而這些信息對于確定長視頻中事件發(fā)生的位置具有重要作用,從而削弱了事件檢測的準確性。為此,本文首先將每個視頻表示為多個"實例",并將其定義為不同時間間隔的視頻段。然后,針對每個視頻的正實例比例已知和未知兩種情況,提出基于多尺度實例學習的檢測算法,在將實例標簽看成隱藏潛在變量的同時推斷出實例標簽以及實例尺度的事件檢測模型。最后,利用大規(guī)模視頻事件數(shù)據(jù)集進行了全面的仿真實驗,結果證明了本文算法具有顯著的性能提升。此外,算法還可以確定視頻中導致正檢測的時間段的位置,進而對檢測結果做出解釋。
[Abstract]:Most of the existing video event detection methods first extract features from video frames or video snapshots and then quantize and aggregate the features to generate a vector representation for the entire video. Although the final aggregation step is simple and efficient, it may lose local information of time, which plays an important role in determining the location of events in long video, thus weakening the accuracy of event detection. In this paper, each video is first represented as multiple "instances" and defined as a video segment with different time intervals. Then, a detection algorithm based on multi-scale case learning is proposed for each video in which the proportion of positive instances is known and the proportion is unknown. When the instance tag is regarded as the hidden potential variable, the instance tag and the event detection model on the instance scale are deduced. Finally, a comprehensive simulation experiment is carried out using large-scale video event data sets, and the results show that the proposed algorithm has a significant performance improvement. In addition, the algorithm can also determine the location of the time period in the video that leads to the positive detection, and then explain the detection results.
【作者單位】： 宜賓職業(yè)技術學院;四川大學計算機學院;
【基金】：國家自然科學基金項目(61471250)
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 張穎穎;王紅娟;黃義定;;基于在線多實例學習的跟蹤研究[J];南陽師范學院學報;2011年12期

2 龍舜;林永聽;王會進;;基于實例學習的并行負荷分配中的訓練實例選擇問題[J];計算機研究與發(fā)展;2008年S1期

3 唐大偉;魯東明;許端清;楊冰;;壁畫圖像分類中的分組多實例學習方法[J];中國圖象圖形學報;2014年05期

4 洪宇;張宇;范基禮;劉挺;李生;;基于子話題分治匹配的新事件檢測[J];計算機學報;2008年04期

5 史新宏,蔡伯根;高速公路自動事件檢測算法[J];交通運輸系統(tǒng)工程與信息;2001年04期

6 陳艷艷;田啟華;;公交調度系統(tǒng)事件檢測算法研究[J];北京工業(yè)大學學報;2011年12期

7 郝艷哲;;京秦高速公路視頻事件檢測系統(tǒng)應用[J];中國交通信息化;2013年04期

8 王闖舟;;提升事件檢測的商業(yè)價值[J];軟件世界;2007年20期

9 王彩琴;;基于智能分析的高速公路事件檢測系統(tǒng)的研究與開發(fā)[J];浙江統(tǒng)計;2007年11期

10 王穎穎;張峗;胡乃靜;;在線新事件檢測系統(tǒng)中的性能提升策略[J];計算機工程;2008年15期

相關會議論文 前8條

1 朱麗麗;鄭家恒;;一種基于實例學習的人名識別方法[A];中文信息處理前沿進展——中國中文信息學會二十五周年學術會議論文集[C];2006年

2 洪宇;張宇;范基禮;劉挺;李生;;基于子話題分治匹配的新事件檢測[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

3 胡佳鋒;金蓓弘;陳海彪;;空間事件檢測的加速策略研究[A];第七屆和諧人機環(huán)境聯(lián)合學術會議（HHME2011)論文集【oral】[C];2011年

4 張闊;李涓子;吳剛;;基于關鍵詞元的話題內事件檢測[A];第三屆全國信息檢索與內容安全學術會議論文集[C];2007年

5 覃頻頻;許登元;姚起宏;黃大明;;基于表決融合的高速公路事件檢測算法融合[A];'2006系統(tǒng)仿真技術及其應用學術交流會論文集[C];2006年

6 陳俊;李國輝;;擁擠視頻監(jiān)控中的事件檢測[A];第七屆和諧人機環(huán)境聯(lián)合學術會議（HHME2011)論文集【poster】[C];2011年

7 張永忠;趙靜;;基于事件檢測算法的交通數(shù)據(jù)分析系統(tǒng)[A];中國計量協(xié)會冶金分會2008年會論文集[C];2008年

8 劉海龍;李戰(zhàn)懷;陳群;;RFID供應鏈系統(tǒng)中的在線復雜事件檢測方法[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集A輯二[C];2010年

相關博士學位論文 前3條

1 劉昌余;多媒體事件檢測中的關鍵技術研究[D];華南理工大學;2015年

2 柯佳;基于語義的視頻事件檢測分析方法研究[D];江蘇大學;2013年

3 伍博;基于顯著性的視覺目標跟蹤研究[D];電子科技大學;2017年

相關碩士學位論文 前10條

1 熊偉晴;基于位置信息的事件檢測[D];哈爾濱工業(yè)大學;2015年

2 李旭;面向多來源新聞的領域事件分析[D];浙江大學;2015年

3 趙偉;足球視頻精彩事件檢測算法研究[D];北京理工大學;2016年

4 張玉;基于微博的突發(fā)事件檢測方法研究[D];蘭州大學;2016年

5 吳維耀;制造業(yè)物聯(lián)網(wǎng)基于事件優(yōu)先級的復雜事件檢測方法研究[D];廣東工業(yè)大學;2016年

6 安仲杰;基于地理坐標的微博事件檢測與分析研究[D];華中師范大學;2016年

7 于渤海;基于Web的事件檢測與評價系統(tǒng)的研究分析[D];南京航空航天大學;2016年

8 王碩;籃球視頻精彩事件檢測方法研究[D];西安電子科技大學;2015年

9 黃易欣;斯諾克比賽視頻事件檢測方法研究[D];華中科技大學;2015年

10 李花;基于場景和運動特征分類的視頻運動事件檢測方法[D];華中科技大學;2015年

，

本文編號：2109133