【摘要】：近兩年來,隨著深度學(xué)習(xí)的快速發(fā)展,傳統(tǒng)方法無法解決的問題正在不斷被攻克。特別是在圖像、語音和文本領(lǐng)域,深度學(xué)習(xí)的技術(shù)結(jié)合更高性能的GPU計算,已經(jīng)逐漸成為一種趨勢。在互聯(lián)網(wǎng)時代,多媒體視頻作為一個重要的數(shù)據(jù)載體,在信息傳播中發(fā)揮著巨大的作用。然而信息膨脹,給多媒體視頻的檢索帶來了挑戰(zhàn)。重復(fù)視頻檢測,不僅可以減少冗余信息的傳播,也在保護版權(quán)和防止不良視頻傳播中起到了作用�；趦�(nèi)容的重復(fù)視頻檢索,一般可以分為三個部分,1.關(guān)鍵幀提取2.特征提取和索引3.匹配過濾。當(dāng)前的方法中,大多都是利用圖像的局部特征。隨著深度學(xué)習(xí)的興起,卷積神經(jīng)網(wǎng)絡(luò)在圖像識別和檢索中取得了很好的效果,但并沒有被廣泛應(yīng)用到視頻檢索的相關(guān)領(lǐng)域之中。本文的主要工作有兩個,一個是提出了比較快速的視頻關(guān)鍵幀提取的方法,適用于時長不超過30分鐘的短視頻；另一個是比較了卷積神經(jīng)網(wǎng)絡(luò)的圖像特征和局部點的SIFT特征在重復(fù)視頻檢索中的效果。在關(guān)鍵幀提取中,本文從性能和效果出發(fā),分別提出了基于鏡頭分割和基于聚類的方法。在重復(fù)視頻檢測中,本文基于CC WEB VIDEO數(shù)據(jù)集,從關(guān)鍵幀提取、圖像特征選取以及匹配排序策略三個角度,設(shè)計并完成了實驗。本文的實驗結(jié)果表明,關(guān)鍵幀的選取,能顯著降低檢索時的時間與空間開銷；卷積神經(jīng)網(wǎng)絡(luò)特征的檢測準(zhǔn)確率要明顯高于SIFT特征,當(dāng)查全率為0.8時,查準(zhǔn)率不低于0.97；采用關(guān)鍵幀加權(quán)匹配策略,能夠在一定程度上提高排序的準(zhǔn)確度。
[Abstract]:In the past two years, with the rapid development of deep learning, the problems that can not be solved by traditional methods are being solved. Especially in the fields of image, speech and text, the technology of depth learning combined with higher performance GPU computing has gradually become a trend. In the Internet era, multimedia video, as an important data carrier, plays an important role in information dissemination. However, the expansion of information brings challenges to multimedia video retrieval. Repetitive video detection not only reduces the spread of redundant information, but also plays an important role in protecting copyright and preventing bad video transmission. Content based repetitive video retrieval can be divided into three parts. Key frame extraction 2. Feature extraction and index 3. Match filter. Most of the current methods are based on the local features of the image. With the rise of deep learning, convolutional neural networks have achieved good results in image recognition and retrieval, but have not been widely used in video retrieval related fields. There are two main works in this paper. One is to propose a fast method of key frame extraction, which is suitable for short video with less than 30 minutes. The other is to compare the image features of convolutional neural networks and the SIFT features of local points in repetitive video retrieval. In the key frame extraction, based on the performance and effect, this paper proposes shot segmentation and clustering based methods respectively. In repetitive video detection, based on CC WEB VIDEO data set, experiments are designed and completed from three angles: key frame extraction, image feature selection and matching sorting strategy. The experimental results show that the selection of key frames can significantly reduce the time and space overhead of retrieval, and the detection accuracy of convolution neural network features is obviously higher than that of SIFT features, and when the recall rate is 0. 8, the precision rate is not less than 0. 97. The accuracy of sorting can be improved to a certain extent by using key frame weighted matching strategy.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 王紅霞;;流媒體中的廣告視頻檢測系統(tǒng)設(shè)計[J];光電工程;2010年10期

2 陳宏;楊兆選;;交通信息視頻檢測系統(tǒng)設(shè)計[J];電子測量技術(shù);2006年02期

3 王建立;李晗;莊慧忠;;軌道交通視頻檢測系統(tǒng)設(shè)計[J];計算機應(yīng)用與軟件;2009年09期

4 鄭文爭;視頻檢測式違章抓拍系統(tǒng)[J];廣東技術(shù)師范學(xué)院學(xué)報;2004年06期

5 杜蕾;;車輛視頻檢測算法的研究[J];科技資訊;2008年11期

6 于強;康凌;;道路交通視頻檢測系統(tǒng)初探[J];天津科技;2009年06期

7 陳麗娟;;視頻檢測系統(tǒng)在我國內(nèi)河航運的應(yīng)用分析[J];城市公用事業(yè);2011年04期

8 J.愛德華;任德;;直接視頻檢測及寬帶放大[J];國外艦船技術(shù).雷達與對抗;1984年01期

9 王夏黎,周明全,耿國華;視頻檢測式違章自動監(jiān)測管理系統(tǒng)的設(shè)計[J];微機發(fā)展;2001年04期

10 黃浩軍;胡鵬;李濤;龐淑英;;交通視頻檢測系統(tǒng)中背景提取的優(yōu)化算法[J];湖北汽車工業(yè)學(xué)院學(xué)報;2006年04期

相關(guān)會議論文 前2條

1 秦鐘;王法勝;;交叉口排隊長度的視頻檢測[A];第二十九屆中國控制會議論文集[C];2010年

2 柯剛鎧;胡堅明;姚丹亞;;一種適用于嵌入式平臺的交通流視頻檢測方法[A];2008第四屆中國智能交通年會論文集[C];2008年

相關(guān)重要報紙文章 前4條

1 雷曉;用視頻檢測完成智能監(jiān)控[N];中國交通報;2003年

2 徐穎 編譯;視頻檢測系統(tǒng)幫我們得到接近完美的雕刻網(wǎng)穴[N];中國包裝報;2002年

3 毅力;Micro-Check視頻檢測系統(tǒng)[N];中國包裝報;2002年

4 記者 朱盈潔;大企業(yè)申報數(shù)量增加[N];首都建設(shè)報;2006年

相關(guān)博士學(xué)位論文 前6條

1 劉紅;近重復(fù)視頻檢測算法研究[D];復(fù)旦大學(xué);2012年

2 江晟;混合交通視頻檢測關(guān)鍵技術(shù)研究[D];吉林大學(xué);2013年

3 馬增強;運動車輛視頻檢測與分割方法研究[D];北京交通大學(xué);2011年

4 曲昭偉;混合交通視頻檢測算法研究[D];吉林大學(xué);2009年

5 李娟;城市交通系統(tǒng)中行人交通視頻檢測的理論與方法[D];北京交通大學(xué);2010年

6 李晗;同步檢測線方法及其在軌道交通中的應(yīng)用[D];浙江大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 劉曉亮;基于視頻檢測的高速公路交通事件影響預(yù)測研究[D];山東大學(xué);2015年

2 董志強;視頻檢測與識別技術(shù)在列檢人員安全監(jiān)測中的應(yīng)用研究[D];蘭州交通大學(xué);2015年

3 楊朝歡;基于深度學(xué)習(xí)的重復(fù)視頻檢測[D];浙江大學(xué);2016年

4 張思博;交通信息視頻檢測系統(tǒng)[D];北京交通大學(xué);2010年

5 徐波;基于視頻印記的同源視頻檢測[D];上海交通大學(xué);2008年

6 吳思遠;基于內(nèi)容的重復(fù)音視頻檢測[D];北京郵電大學(xué);2013年

7 陳章;基于視頻檢測的電子警察前端系統(tǒng)設(shè)計與實現(xiàn)[D];浙江工業(yè)大學(xué);2012年

8 謝恩;基于視頻檢測的闖紅燈記錄儀研究與設(shè)計[D];華中科技大學(xué);2005年

9 張楊;基于內(nèi)容的相似音視頻檢測及廣告檢測[D];北京郵電大學(xué);2014年

10 張非歐;基于單攝像頭的交叉路口視頻檢測方法研究[D];華南理工大學(xué);2012年

，

本文編號：2250971