基于內容的視頻鏡頭檢索方法的研究與實現(xiàn).pdf

1、在互聯(lián)網(wǎng)時代，每天有成千上萬的圖像、視頻等多媒體信息產(chǎn)生。面對大規(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行。缺點在于仍然是基于文本的檢索，檢索結果未必是內容相關的，并且存在很多沒有文本標簽的多媒體數(shù)據(jù)，因此現(xiàn)有的檢索方式已經(jīng)遠遠落后于人們在多媒體時代的需求，基于內容的視頻檢索逐漸成為研究和應用的一個重要問題。一般來說，基于內容的視頻檢

2、索包括視頻關鍵幀提取，視頻特征提取以及相似性度量。其中視頻關鍵幀提取已經(jīng)相對比較成熟，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BoW特征的關鍵影響因素特征點檢測子和特征維度做了對比分析，采用了Harris Laplace和Hessian Affine兩種特征點檢測子以及SIFT特征點描述子，并利用Bag of words模型構造出不同維度的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）相似性度量方法，通過多個SVM分類模型之間的結合，能夠充分利用檢索過程中的用戶正樣本以及數(shù)據(jù)集中大量存在的負樣本。在得到檢索結果之后，本文進一步建立了半監(jiān)督學習模型來對結果進行重排序，以獲得最終結果，實驗結果表明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)