基于內(nèi)容的視頻鏡頭檢索方法的研究與實(shí)現(xiàn).pdf

1、在互聯(lián)網(wǎng)時(shí)代，每天有成千上萬的圖像、視頻等多媒體信息產(chǎn)生。面對(duì)大規(guī)模的多媒體數(shù)據(jù)，目前現(xiàn)有的方法往往基于關(guān)鍵詞來檢索，例如Google、Bing或百度等。這些方法主要利用元數(shù)據(jù)以及多媒體信息周邊的文本等信息進(jìn)行。缺點(diǎn)在于仍然是基于文本的檢索，檢索結(jié)果未必是內(nèi)容相關(guān)的，并且存在很多沒有文本標(biāo)簽的多媒體數(shù)據(jù)，因此現(xiàn)有的檢索方式已經(jīng)遠(yuǎn)遠(yuǎn)落后于人們?cè)诙嗝襟w時(shí)代的需求，基于內(nèi)容的視頻檢索逐漸成為研究和應(yīng)用的一個(gè)重要問題。一般來說，基于內(nèi)容的視頻檢

2、索包括視頻關(guān)鍵幀提取，視頻特征提取以及相似性度量。其中視頻關(guān)鍵幀提取已經(jīng)相對(duì)比較成熟，本文主要研究與分析了視頻特征提取以及相似性度量。
　　在特征提取上，提出了基于BoW（詞袋）特征的視頻鏡頭檢索方法，對(duì)BoW特征的關(guān)鍵影響因素特征點(diǎn)檢測子和特征維度做了對(duì)比分析，采用了Harris Laplace和Hessian Affine兩種特征點(diǎn)檢測子以及SIFT特征點(diǎn)描述子，并利用Bag of words模型構(gòu)造出不同維度的BoW特征，將

3、其歸一化獲得最終全面的視頻特征表示，本文的特征表示方法能夠取得比單一特征更好的效果。
　　在相似性度量上，采用Multibag SVM（多集支持向量機(jī)）相似性度量方法，通過多個(gè)SVM分類模型之間的結(jié)合，能夠充分利用檢索過程中的用戶正樣本以及數(shù)據(jù)集中大量存在的負(fù)樣本。在得到檢索結(jié)果之后，本文進(jìn)一步建立了半監(jiān)督學(xué)習(xí)模型來對(duì)結(jié)果進(jìn)行重排序，以獲得最終結(jié)果，實(shí)驗(yàn)結(jié)果表明Multibag SVM能夠取得比傳統(tǒng)直接距離度量更好的效果，并且半監(jiān)