【摘要】：為方便視頻的瀏覽和存儲(chǔ),以概括視頻內(nèi)容為目的的視頻摘要技術(shù)變得十分重要.針對(duì)目前在視頻摘要問(wèn)題中,根據(jù)先驗(yàn)知識(shí)事先確定和閾值調(diào)整2種關(guān)鍵幀數(shù)目的確定方法的靈活性及直觀性不足這一問(wèn)題,提出一種基于SVD和稀疏子空間聚類的視頻摘要算法.該算法利用SVD對(duì)視頻在時(shí)間維度上進(jìn)行維數(shù)縮減,以累計(jì)貢獻(xiàn)率為度量標(biāo)準(zhǔn)確定視頻在時(shí)間維度上的主成分分量個(gè)數(shù),將主成分分量個(gè)數(shù)作為關(guān)鍵幀數(shù)目;然后利用稀疏子空間聚類算法對(duì)視頻幀進(jìn)行聚類;最后在每一類中選取與其他視頻幀相關(guān)性最大的幀作為關(guān)鍵幀,生成視頻摘要.實(shí)驗(yàn)結(jié)果表明,文中算法生成的視頻摘要內(nèi)容覆蓋率高,可以根據(jù)視頻長(zhǎng)度和類型靈活直觀的確定關(guān)鍵幀數(shù)目,并且對(duì)于不同類型和長(zhǎng)度的視頻給出了累計(jì)貢獻(xiàn)率的取值范圍,可以為用戶提取合適長(zhǎng)度的視頻摘要提供有效依據(jù).
[Abstract]:In order to facilitate the browsing and storage of video, video summary technology for the purpose of summarizing video content has become very important. Aiming at the problem of flexibility and indirectness of the two methods of determining the number of key frames according to prior knowledge and threshold adjustment in video summarization at present, A video summarization algorithm based on SVD and sparse subspace clustering is proposed. The algorithm uses SVD to reduce the dimension of video in time dimension, determines the number of principal components of video in time dimension, and takes the number of principal components as the number of key frames according to the cumulative contribution rate. Then the sparse subspace clustering algorithm is used to cluster the video frames. Finally, the frames with the largest correlation with other video frames are selected as key frames in each category to generate the video summary. The experimental results show that the proposed algorithm has high content coverage and can determine the number of key frames flexibly and intuitively according to the length and type of video, and gives the range of cumulative contribution rate for different types and lengths of video. It can provide an effective basis for users to extract video abstracts of appropriate length.
【作者單位】： 西北工業(yè)大學(xué)理學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(61070233)
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 柳盛;吉根林;;空間聚類技術(shù)研究綜述[J];南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版);2010年02期

2 馬程;楊詩(shī)琴;;基于量子粒子群的帶障礙約束的空間聚類[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年03期

3 殷俊華;李光強(qiáng);陳翼;鄧敏;;基于概念格的空間聚類方法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2011年06期

4 李霞;徐樹(shù)維;;子空間聚類改進(jìn)算法研究綜述[J];計(jì)算機(jī)仿真;2010年05期

5 陳銘;吉根林;;一種基于相似維的高維子空間聚類算法[J];南京師大學(xué)報(bào)(自然科學(xué)版);2010年04期

6 馬程;陳杰;;障礙約束下的空間聚類算法分析[J];宜春學(xué)院學(xué)報(bào);2012年12期

7 張思亮;李廣霞;;子空間聚類在入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)安全;2013年12期

8 何彬彬;方濤;郭達(dá)志;;基于不確定性的空間聚類[J];計(jì)算機(jī)科學(xué);2004年11期

9 楊楊;孫志偉;趙政;;一種處理障礙約束的基于密度的空間聚類算法[J];計(jì)算機(jī)應(yīng)用;2007年07期

10 李光強(qiáng);鄧敏;程濤;朱建軍;;一種基于雙重距離的空間聚類方法[J];測(cè)繪學(xué)報(bào);2008年04期

相關(guān)會(huì)議論文 前6條

1 劉啟亮;鄧敏;彭東亮;徐震;;基于場(chǎng)論的空間聚類有效性評(píng)價(jià)方法研究[A];2009`中國(guó)地理信息產(chǎn)業(yè)論壇暨第二屆教育論壇就業(yè)洽談會(huì)論文集[C];2009年

2 鄧羽;;廣義多維云模型在空間聚類中的應(yīng)用[A];地理學(xué)與生態(tài)文明建設(shè)——中國(guó)地理學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文摘要集[C];2008年

3 鄧敏;劉啟亮;李光強(qiáng);程濤;;一種基于場(chǎng)模型的空間聚類算法[A];現(xiàn)代測(cè)量技術(shù)與地理信息系統(tǒng)科技創(chuàng)新及產(chǎn)業(yè)發(fā)展研討會(huì)論文集[C];2009年

4 徐玉峰;周麗華;肖清;;一種基于數(shù)據(jù)分布差異度的子空間聚類算法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（一）[C];2008年

5 張燕萍;姜青山;;k-means型軟子空間聚類算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯二[C];2010年

6 任家東;周瑋瑋;何海濤;;高維數(shù)據(jù)流的自適應(yīng)子空間聚類算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯二[C];2010年

相關(guān)博士學(xué)位論文 前3條

1 孫麗萍;半監(jiān)督空間聚類方法及其在城市公共設(shè)施區(qū)位規(guī)劃中的應(yīng)用研究[D];安徽師范大學(xué);2015年

2 黃明;基于空間分區(qū)的空間聚類研究[D];武漢大學(xué);2010年

3 王劍亭;面向量子密鑰分發(fā)安全性分析的子空間聚類算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 魏海洋;城市案件空間聚類技術(shù)研究[D];北京建筑大學(xué);2015年

2 張洋;基于空間聚類的公路交通運(yùn)力態(tài)勢(shì)可視化方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

3 歐陽(yáng)佩佩;改進(jìn)的稀疏子空間聚類算法研究[D];青島大學(xué);2015年

4 孫素敏;子空間聚類及其應(yīng)用[D];西安建筑科技大學(xué);2016年

5 許亞駿;子空間聚類算法研究及應(yīng)用[D];江南大學(xué);2016年

6 凌曉蔚;基于子空間聚類的多關(guān)系社交網(wǎng)絡(luò)挖掘研究[D];電子科技大學(xué);2016年

7 吳飛;面向序列數(shù)據(jù)的稀疏低秩子空間聚類方法研究[D];北京工業(yè)大學(xué);2016年

8 鄧振云;稀疏樣本自表達(dá)的子空間聚類算法[D];廣西師范大學(xué);2016年

9 齊緒停;基于子空間聚類的文本相關(guān)性研究[D];山東師范大學(xué);2016年

10 顧曉偉;基于面狀區(qū)域混合類型數(shù)據(jù)的空間聚類算法研究及應(yīng)用[D];遼寧工程技術(shù)大學(xué);2015年

，

本文編號(hào)：2428174