基于離散GMM-HMM的流媒體視頻識別方法研究.pdf_第1頁
已閱讀1頁，還剩72頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領

文檔簡介

1、隨著寬帶網(wǎng)絡技術(shù)的發(fā)展，流媒體業(yè)務得到了越來越廣泛的應用，其中視頻傳播是流媒體業(yè)務中的一種主要傳播形式。然而由于視頻流業(yè)務的高帶寬性及網(wǎng)絡資源的有限性，需要根據(jù)不同的傳輸質(zhì)量要求，合理管理和預測網(wǎng)絡中的各種視頻業(yè)務數(shù)據(jù)流量，其中很重要的環(huán)節(jié)就是視頻業(yè)務識別技術(shù)。
　　本文提出了一種新的基于離散混合高斯模型-隱馬爾科夫模型（Gaussian Mixture Model-Hidden Markov Model，GMM-HMM）的流媒體

2、視頻業(yè)務識別算法，主要針對目前市場中常見的三種不同空間分辨率下的視頻數(shù)據(jù)流進行分類，包括適用于高清晰度（High Definition，HD）電視播放的Full HD視頻流——分辨率為1920*1088的高清視頻、公共中間格式（Common Intermediate Format，CIF）視頻流——分辨率為352*288的普通視頻、四分之一通用圖像格式（Quarter Common Intermediate Format，QCIF）視頻

3、流——適用于移動終端的分辨率為176*144的視頻。本文主要工作是提出了一種離散GMM-HMM的識別算法，選取包層次的數(shù)據(jù)包到達時間間隔統(tǒng)計特征進行識別分類。該算法將視頻流的分組數(shù)據(jù)包序列與隱馬爾科夫模型（Hidden Markov Model，HMM）的底層隱狀態(tài)序列對應起來，根據(jù)未知數(shù)據(jù)流的前幾個分組數(shù)據(jù)包觀察值即可判定該未知數(shù)據(jù)流的歸屬類別，識別實時性較好。采用離散混合高斯模型（Gaussian Mixture Model，GMM

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論