基于圖的視頻檢索.pdf

1、隨著數(shù)碼采集設(shè)備的普及和多媒體技術(shù)的發(fā)展，互聯(lián)網(wǎng)上的視頻數(shù)據(jù)急劇增長。面對海量視頻數(shù)據(jù)，如何進(jìn)行視頻的存儲、組織、管理和分析，已經(jīng)成為視頻領(lǐng)域最主要的方向。目前處在實(shí)用階段的視頻搜索引擎都是基于文本策略的，如Google Video Search、Yahoo Video Search、Bing Video Search和百度。然而視頻呈現(xiàn)多樣化的形式、豐富的語義，通常是難以用語言工具完整描述和表達(dá)的，為了解決這種文本檢索的缺陷，基于內(nèi)容

2、的視頻檢索技術(shù)被提出，國內(nèi)外的很多大學(xué)、研究機(jī)構(gòu)紛紛加入進(jìn)行相關(guān)的研究。
　　 聚類是視頻分析中經(jīng)常用到的方法。本文將現(xiàn)有的聚類算法劃分為五大類：劃分的方法、密度的方法、層次的方法、網(wǎng)格的方法和以仿射傳播為代表的聚類方法，并總結(jié)了他們的優(yōu)缺點(diǎn)。其中Kmeans是最典型的聚類算法，因其簡潔、快速而被廣泛使用。針對傳統(tǒng)Kmeans算法對初始聚類中心敏感和聚類參數(shù)K難以確定的問題，本文提出了一種基于關(guān)聯(lián)圖劃分的Kmeans算法。該算法

3、能夠有效地根據(jù)數(shù)據(jù)的分布特性選取初始聚類中心，能夠在指定的數(shù)據(jù)密集程度下自適應(yīng)確定聚類數(shù)目。大量的實(shí)驗(yàn)表明上述改進(jìn)的Kmeans算法具有較高的準(zhǔn)確率和穩(wěn)定性。
　　 視頻是一種非結(jié)構(gòu)化數(shù)據(jù)，如何組織視頻庫是視頻檢索的首要工作。建立視頻數(shù)據(jù)庫的索引技術(shù)是這方面的主要方法。第三章中首先描述了優(yōu)化的基于內(nèi)容的視頻檢索框架，包括四部分：視頻庫模塊、查詢模塊、檢索模塊、檢索結(jié)果優(yōu)化模塊；其次對視頻作結(jié)構(gòu)化處理：通過鏡頭分割算法將視頻劃分成

4、鏡頭，再通過基于關(guān)聯(lián)圖劃分的聚類算法將鏡頭聚類生成若干個鏡頭簇，并計(jì)算鏡頭之間、鏡頭簇之間的相似度。同一個鏡頭簇內(nèi)的鏡頭在視覺上具有一致性。層次結(jié)構(gòu)是信息組織的一種重要方式，本文采用層次結(jié)構(gòu)組織鏡頭簇，描述了一種粗查詢與精查詢相結(jié)合的二級查詢機(jī)制：粗查詢階段以鏡頭簇為基本單位，進(jìn)行近似查詢；精查詢階段，展開鏡頭簇，在鏡頭級別上比較，查找最相似的前k個鏡頭。這種二級查詢機(jī)制較大程度上壓縮了數(shù)據(jù)量，減少了訪問的數(shù)據(jù)集和比較的次數(shù)。大量實(shí)驗(yàn)表

5、明，本文建立的層次聚類索引技術(shù)有較高的查全率、查準(zhǔn)率和較快的檢索效率。
　　 一個良好的視頻檢索系統(tǒng)，不僅期待能夠返回正確的相關(guān)的視頻，而且還希望返回的結(jié)果是簡潔的。視頻數(shù)據(jù)庫中往往存在大量的冗余視頻，特別是在同一個索引目錄下的視頻有極大的相似性，甚至存在一個視頻的多個拷貝副本。如何提高視頻檢索結(jié)果的簡潔性是本文的另一個出發(fā)點(diǎn)。針對視頻拷貝的特性，本文提出了一種基于二部圖匹配的鏡頭相似度度量方法。算法首先提取了兩個鏡頭的關(guān)鍵幀序

6、列，提取顏色直方圖作為關(guān)鍵全局特征、Harris角點(diǎn)作為局部特征，通過構(gòu)造二部圖，尋找二部圖的最大匹配序列，從而計(jì)算出鏡頭之間的相似度。結(jié)合上文提出的視頻數(shù)據(jù)庫的聚類索引技術(shù)和二級搜索機(jī)制，在粗查詢階段，進(jìn)行鏡頭簇級別的拷貝檢測，在精查詢階段，采用基于二部圖匹配的鏡頭相似度度量方法，計(jì)算鏡頭之間的相似度，與給定的閾值做出比較，從而判斷出是否為源視頻的拷貝副本。實(shí)驗(yàn)證明了本文提出的視頻拷貝檢測算法對亮度變化、畫面噪音、不同幀率、添加字幕等