视频底层特征选取及其与观众评价的相关分析

摘要

近年来，随着信息技术的迅猛发展，在人们的日常生活中各种各样的视频信息随处可见，目前的电影预告片、广告等视频经常在一些在线社交网络（Online Social Networks， OSN）中预先投放。在视频的设计和生产过程中，怎样设计视频更能够吸引观众的注意，对观众的情绪产生正面的影响，从而提高此类视频的观众口碑和销售业绩，产生经济效益，这是相关文化企业、视频指导者、编辑者非常关心的问题。
　　为探究商业视频底层视觉特征对其受欢迎程度的影响情况，需要对视频底层特征进行提取，在获取原始视频数据及其观众评价之后，采用特征选择方法提取对评价影响较大的特征。本文针对目前广泛应用的互相关特征选择(Correlation-Based Feature Selection，CFS)方法进行改进，提出了 CFS-Spearman特征选择算法，采用 Spearman秩相关系数与 CFS方法结合进行特征选择。选取UCI机器学习数据库中的3组数据作为实验数据源，将本文特征选择方法与传统的CFS方法及最小冗余最大相关(minimum redundancy and maximum relevance, mRMR)方法进行比较，通过 KNN、SVM分类器验证各候选集的优劣，证明了文中方法的效果。最终将本文的方法应用于商业视频底层特征选择，选出了对视频受欢迎程度影响最大的特征子集。再用KNN、SVM方法对特征进行分类及验证性实验，结果证明选出的运动方差、亮度均值、饱和度均值三个视频底层特征会对观众的评价造成一定的影响，至此预测模型已建成。通过ROC曲线验证了CFS-Spearman方法与SVM结合优于CFS-Spearman方法与KNN的结合，从实验结果看出CFS-Spearman方法与SVM结合更适合此方面的研究，这一研究成果为以后更进一步研究奠定了基础。

目录

封面

中文摘要

英文摘要

目录

第1章 绪 论

1.1 选题背景及意义

1.2 国内外研究动态及发展趋势

1.2.1 国外的研究动态及发展趋势

1.2.2 国内的研究动态及发展趋势

1.3 本文的主要研究内容

第2章 特征选择方法

2.1 特征选择算法基本理论

2.1.1 特征选择的定义

2.1.2 特征选择的作用

2.1.3 特征选择的步骤

2.2 特征子集的评价准则

2.2.1 mRMR特征子集评价准则

2.2.2 CFS特征子集评价准则

2.2.3 CFS-Spearman特征子集评价准则

2.2.4 特征子集评价准则搜索方式

2.2.5 实验结果及分析

2.3 本章小结

第3章 分类方法的理论

3.1 KNN算法基本理论

3.1.1 KNN算法原理

3.1.2 KNN算法的步骤

3.1.3 KNN算法的优缺点

3.2 支持向量机

3.2.1 统计学习理论

3.2.2 SVM原理

3.2.3 SVM算法

3.3 ROC曲线

3.4 实验结果及分析

3.5 本章小结

第4章 视频特征选择与受欢迎程度预测

4.1 特征和观众情绪及评价关系

4.1.1彩色特征和观众情绪及评价关系

4.1.2运动特征和观众情绪及评价关系

4.1.3 镜头特征和观众情绪及评价关系

4.2 视频特征提取和选择

4.2.1 视频特征提取

4.2.2 视频底层特征的选择

4.3 本章小结

结论

参考文献

附录1 300个视频的视觉特征数据

攻读学位期间发表的学位论文

声明

致谢