【摘要】：伴隨著互聯(lián)網(wǎng)技術(shù),計(jì)算機(jī)技術(shù)的快速發(fā)展,在移動(dòng)通信終端和互聯(lián)網(wǎng)平臺(tái)及其他信息源產(chǎn)生了大量的多媒體數(shù)據(jù)。視頻是一類內(nèi)涵豐富、數(shù)據(jù)量龐大的多媒體數(shù)據(jù),由此而產(chǎn)生了諸如視頻索引、視頻檢索、視頻分類等應(yīng)用。視頻分類是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)基礎(chǔ)研究課題,是解決視頻標(biāo)注、視頻檢索的重要中間環(huán)節(jié),也是進(jìn)行多媒體數(shù)據(jù)管理的重要方法和手段。因此視頻分類具有很高的研究和應(yīng)用價(jià)值。視頻是語(yǔ)義豐富的多媒體數(shù)據(jù),物理特征相似的視頻總有一定的相關(guān)性。本文在深入分析視頻結(jié)構(gòu)的基礎(chǔ)上,將視頻分割成鏡頭序列,根據(jù)視頻所含鏡頭的相似性實(shí)現(xiàn)視頻分類。本文主要做了以下研究工作:(1)深入分析了常見的視頻分類器,比較了它們之間的差異,在此基礎(chǔ)上分析并討論了常見的視頻特征提取方法。(2)提出了一種改進(jìn)的K-Means聚類算法,以標(biāo)簽樣本形成K-Means算法的初始聚類中心,以顏色特征、紋理特征和SIFT特征形成特征組來對(duì)視頻進(jìn)行分類,并且和一些常見的分類算法進(jìn)行了比較,實(shí)驗(yàn)表明本文算法有較高的分類正確率及分類精度。本文的研究成果可以廣泛的用于視頻索引、視頻檢索、視頻分類等應(yīng)用中。
[Abstract]:With the rapid development of Internet technology and computer technology, a large number of multimedia data have been produced in mobile communication terminals, Internet platforms and other information sources. Video is a kind of multimedia data with rich connotation and huge amount of data, which results in applications such as video index, video retrieval, video classification and so on. Video classification is a basic research topic in the field of computer vision. It is an important intermediate link to solve video tagging and video retrieval, and it is also an important method and means for multimedia data management. Therefore, video classification has high research and application value. Video is a kind of multimedia data with rich semantics, and video with similar physical characteristics always has certain correlation. In this paper, based on the in-depth analysis of the video structure, the video is divided into shot sequences, and the video classification is realized according to the similarity of the shots contained in the video. The main work of this paper is as follows: (1) the common video classifiers are analyzed deeply, the differences among them are compared, and the common video feature extraction methods are analyzed and discussed. (2) an improved K-Means clustering algorithm is proposed to form the initial clustering center of K-Means algorithm with label samples, and the video is classified by color feature, texture feature and SIFT feature group. Compared with some common classification algorithms, experiments show that the proposed algorithm has higher classification accuracy and accuracy. The research results of this paper can be widely used in video index, video retrieval, video classification and other applications.
【學(xué)位授予單位】：淮北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曾昭平,馬仲華,張文軍;自適應(yīng)實(shí)時(shí)鏡頭分割方法[J];通信技術(shù);2002年06期

2 付偉;;媒體資產(chǎn)管理系統(tǒng)中的鏡頭分割實(shí)現(xiàn)方法綜述[J];視聽界(廣播電視技術(shù));2007年04期

3 劉政凱,湯曉鷗;視頻檢索中鏡頭分割方法綜述[J];計(jì)算機(jī)工程與應(yīng)用;2002年23期

4 吳晶;陳淑珍;;基于樹形分類器的自適應(yīng)鏡頭分割系統(tǒng)[J];計(jì)算機(jī)工程;2007年03期

5 路磊;周獻(xiàn)中;;一種帶驗(yàn)證的自適應(yīng)鏡頭分割算法[J];微計(jì)算機(jī)信息;2009年04期

6 段富;朱偉;;視頻存儲(chǔ)中一種改進(jìn)的鏡頭分割方法[J];微計(jì)算機(jī)信息;2009年21期

7 李鋼;段富;;彩色直方圖鏡頭分割中的閾值研究[J];電腦開發(fā)與應(yīng)用;2008年11期

8 袁靜;殷亞萍;;弱運(yùn)動(dòng)場(chǎng)景下的鏡頭分割方法[J];計(jì)算機(jī)與網(wǎng)絡(luò);2013年02期

9 朱耀麟;李倩;;視頻檢索常用的鏡頭分割方法的研究[J];電視技術(shù);2014年03期

10 朱愛紅,李連;基于內(nèi)容的視頻檢索中的鏡頭分割技術(shù)[J];情報(bào)雜志;2004年03期

相關(guān)會(huì)議論文 前1條

1 那幼超;劉冀偉;汪飛星;;基于自動(dòng)鏡頭分割的H．264視頻壓縮編碼[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

相關(guān)碩士學(xué)位論文 前10條

1 段超;廣告實(shí)時(shí)標(biāo)識(shí)系統(tǒng)研究與實(shí)現(xiàn)[D];復(fù)旦大學(xué);2014年

2 馬海瑞;視頻動(dòng)漫化素材檢索系統(tǒng)關(guān)鍵技術(shù)研究[D];華僑大學(xué);2016年

3 查日盼;基于聚類的視頻分類方法研究[D];淮北師范大學(xué);2017年

4 陳晨;視頻分析中的鏡頭分割和目標(biāo)跟蹤研究[D];南京理工大學(xué);2012年

5 徐戰(zhàn)蒼;基于視聽通道融合的多媒體暴力片段檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2014年

6 潘巖;針對(duì)IPTV應(yīng)用的視頻拷貝檢測(cè)[D];復(fù)旦大學(xué);2011年

7 鐘成軍;足球視頻高級(jí)語(yǔ)義分析[D];吉林大學(xué);2012年

8 辛憲陽(yáng);基于多模態(tài)融合的足球視頻語(yǔ)義分析[D];吉林大學(xué);2011年

9 劉帥;足球視頻結(jié)構(gòu)化分析與研究[D];吉林大學(xué);2007年

10 顧偉;媒體資產(chǎn)管理系統(tǒng)中視頻瀏覽與檢索關(guān)鍵技術(shù)研究[D];復(fù)旦大學(xué);2008年

，

本文編號(hào)：2500862