隨著計(jì)算機(jī)網(wǎng)絡(luò)和數(shù)字多媒體技術(shù)的發(fā)展,互聯(lián)網(wǎng)視頻應(yīng)用日益普及,網(wǎng)絡(luò)視頻的數(shù)量急劇膨脹,如何有效的發(fā)現(xiàn)、檢索和處理龐大的網(wǎng)絡(luò)視頻數(shù)據(jù)已成為研究領(lǐng)域和工業(yè)界中亟待研究和解決的問題。 目前互聯(lián)網(wǎng)視頻檢索主要存在的問題包括：(1)檢索依賴于網(wǎng)絡(luò)視頻的標(biāo)題、描述文本等信息,視頻信息的索引不完全,文本描述信息不準(zhǔn)確,從而影響檢索的結(jié)果；(2)檢索過程中沒有充分分析和利用視頻的視覺信息,使得檢索結(jié)果存在視覺內(nèi)容上的重復(fù),與人們的預(yù)期存在偏差；(3)在處理海量網(wǎng)絡(luò)視頻數(shù)據(jù)時(shí),傳統(tǒng)的串行方法在性能上不能滿足實(shí)用的要求。針對(duì)這幾個(gè)問題,本論文的主要研究工作和創(chuàng)新點(diǎn)如下： 1.提出了基于語義結(jié)構(gòu)描述的視頻網(wǎng)頁識(shí)別和信息抽取方法。 針對(duì)基于文本的視頻檢索系統(tǒng),著重研究互聯(lián)網(wǎng)視頻頁面的識(shí)別方法以及視頻網(wǎng)頁文本的抽取算法。首先,提出了基于語義區(qū)域表示的視頻網(wǎng)頁描述方法,以語義區(qū)域描述視頻網(wǎng)頁的結(jié)構(gòu),然后進(jìn)一步提出面向語義結(jié)構(gòu)的網(wǎng)頁匹配算法,并將算法應(yīng)用于視頻頁面的識(shí)別和視頻描述文本的抽取,有效的提高了視頻網(wǎng)頁內(nèi)容識(shí)別和抽取的準(zhǔn)確性,算法的F值度量超過0.85。 2.提出了結(jié)合SIFT特征匹配及時(shí)序特征的視頻相似度度量方法。 針對(duì)傳統(tǒng)的視頻相似度度量方法存在的準(zhǔn)確率不高的問題,本文提出了結(jié)合SIFT特征匹配及時(shí)序特征的視頻相似度度量方法。首先通過SIFT特征進(jìn)行視頻幀的匹配,并通過LSH哈希優(yōu)化了匹配的效率,提高了匹配的準(zhǔn)確率。然后采用RANSAC算法對(duì)匹配幀序列進(jìn)行處理,剔除離群的噪聲信息,充分挖掘視頻幀之間的相關(guān)性,有效地結(jié)合了視頻幀序列的時(shí)序信息,提高了視頻相似度度量的準(zhǔn)確率,并有效的完成視頻片段的相似性檢測和消重。在標(biāo)準(zhǔn)數(shù)據(jù)集的測試中,相似性檢測的準(zhǔn)確率和召回率均達(dá)到90%以上。 3.研究了采用仿射傳播聚類算法對(duì)視頻檢索結(jié)果優(yōu)化方法。 視頻的檢索結(jié)果中通常存在大量的相同或者相似的結(jié)果,從而影響檢索結(jié)果的質(zhì)量和用戶的檢索體驗(yàn)。本文針對(duì)這一問題提出了基于仿射傳播(Affinity Propagation)聚類的視頻檢索結(jié)果優(yōu)化方法。首先依據(jù)視頻的相似度模型,計(jì)算檢索結(jié)果中的視頻之間的相似度,構(gòu)造相似度矩陣；然后通過仿射傳播聚類算法,依據(jù)視頻之間的相似度矩陣對(duì)視頻片段進(jìn)行聚類,將在內(nèi)容上相似或者相同的視頻進(jìn)行歸類,平均聚類準(zhǔn)確率為0.83,有效地改善了視頻檢索結(jié)果的質(zhì)量,并完成檢索結(jié)果的優(yōu)化。 4.提出了基于Map/Reduce的分布式海量視頻片段相似度計(jì)算方法。 視頻數(shù)據(jù)的特征復(fù)雜使得視頻相似度度量算法在處理大規(guī)模視頻數(shù)據(jù)時(shí)存在性能瓶頸,本文針對(duì)這一問題首先提出了一種面向海量視頻相似度計(jì)算的視頻特征表示方法,該方法借鑒了信息論的模型以及文本數(shù)據(jù)相似度的計(jì)算方法。在特征描述的基礎(chǔ)上,提出了基于Map／Reduce架構(gòu)的視頻相似度計(jì)算方法,將視頻片段相似度計(jì)算的任務(wù)進(jìn)行分解,并通過分布式的框架進(jìn)行處理,有效地提高了視頻相似度的計(jì)算效率,并且具有較高的可擴(kuò)展性。 上述方法已應(yīng)用于國家863項(xiàng)目“結(jié)合語義的視頻網(wǎng)站自動(dòng)發(fā)現(xiàn)與分析評(píng)估服務(wù)”課題中的視頻片段聚類與視頻相關(guān)性檢索,并將應(yīng)用于國家科技支撐計(jì)劃“支持跨區(qū)域、多運(yùn)營商的新一代廣播電視服務(wù)系統(tǒng)”的“增強(qiáng)型新聞點(diǎn)播服務(wù)”中。 

 

【學(xué)位級(jí)別】：博士

 

【頁數(shù)】：124

 

【部分圖文】：

 

GGGoogleS一tesss136.4699993999YYYah00!S甘tesss51464448.555CCC日51扭erad份eee41，210005333「「OXIntefa由館Me山aaa40，457777222HHHUIUUU38，4455523萬萬功功日eomD，gj栩栩38.009999555MMMICf0SOtt象tesss36.1099913666FFFAC仁BOOKCOMMM34.214445222VVVeVOOO32，357777000八八OLLLCCC30，809997.999圖1.22010年1月美國在線視頻瀏覽情況2國內(nèi)，僅2009年4月份，國內(nèi)主要視頻分享網(wǎng)站的有效瀏覽小時(shí)。整個(gè)2009年度，國內(nèi)視頻分享服務(wù)月度覆蓋人數(shù)從1長至12月份的2.1億人，增長率達(dá)32.4%，并且呈現(xiàn)持續(xù)增長之。

第2章相關(guān)技術(shù)研究與背景接，當(dāng)且僅當(dāng)函數(shù)節(jié)點(diǎn)依賴與變量節(jié)點(diǎn)時(shí)才有它們之間的邊作為連接。如圖2.7A所示，它包含了從函數(shù)節(jié)點(diǎn)發(fā)送到變量節(jié)點(diǎn)的消息和從變量節(jié)點(diǎn)到函數(shù)節(jié)點(diǎn)的消息。鞍鞍鞍鞍鞍鞍囊 囊囊囊囊黔黔黔瞬瞬 瞬烈 烈...沂‘裸日 日少j政JJJ迷迷羲 羲到 到圖 2.7AP算法的因子圖表示從c，到氏(c)的消息包含N個(gè)實(shí)數(shù)，并且表示為Pi。、(力，如圖2.7B，通過把這個(gè)N個(gè)實(shí)數(shù)規(guī)約到一個(gè)實(shí)數(shù)，使得AP算法成為一個(gè)有效的基于消息傳遞的算法，。從氏(c)到c

第2章相關(guān)技術(shù)研究與背景圖2.11是具體的M即 /Reduce系統(tǒng)的執(zhí)行流程(文獻(xiàn)「62])、】)。丹。*k/口必，‘.(2)‘、褪卯rod必‘孫l戶J.-.口月.，，一黑靂二下竺、、‘、、_‘、入‘5)憶叮舊.亡份adW改ker要?dú)?蕊贏戶丫理已竺wor晚r黑王受}州…驪{塑蟬洲workerIllPut nlesMap戶公eIrltenr一 ediatenles(onl沉 aldisks)Redu沈Pha滅oulPut川es圖2.11分布式Map/Reduee的執(zhí)行流程 MaP/Reduce被大量的應(yīng)用于Google的各種計(jì)算任務(wù)中，以文本中的詞頻統(tǒng)計(jì)為例，MaP的過程如算法2.5所示:算算法2.5詞頻統(tǒng)計(jì)的M即流程 程 mmmaP(StringinPutkey， StringinPutvalue)::: ////inPu七 key:doeumentnameee ////inPu七 value:doeumenteontentsss ffforeaChwordwininpu七 _value::: EEE訊i七工n七ermediate(w，”1” );;;詞頻統(tǒng)計(jì)的Reduce的過程如算法2.6:算算法2.6詞頻統(tǒng)計(jì)的Reduce流程 程rrreduCe(S七 ringOu七pu七_(dá)key，工七era七。 rin七ermedia七e_va工ue

麟麟黝呱 呱圖3.1典型的視頻播放頁面的結(jié)構(gòu)化表示圖3.1為一個(gè)典型的視頻播放頁面，通過結(jié)構(gòu)化語義塊的表示方法，將其轉(zhuǎn)換為DOM樹結(jié)構(gòu)，同時(shí)，頁面的1、2、3等標(biāo)記的語義區(qū)域在DOM樹上分別對(duì)應(yīng)于子樹表示。通過這種語義結(jié)構(gòu)化的表示，可以通過進(jìn)一步的算法來處理文檔內(nèi)容，以完成視頻播放網(wǎng)頁的識(shí)別和視頻文本信息的抽取的工作。3.2基于語義結(jié)構(gòu)化的視頻網(wǎng)頁識(shí)別與內(nèi)容抽取