基于特征的视频分割与内容总结

摘要

随着大数据时代到来，数字媒体及其相关的领域正在发生革命性的变化，为数字图像处理技术带来许多新的挑战。本文主要关注的问题可概括为：
　　1.如何将大量低层次的视觉特征有效融合，进而形成对图像、视频内容在语义层面的理解，满足人们高效地分类存储及检索图像、视频的需求；
　　2.如何充分利用海量无标注数据，并对大量冗余的视觉特征进行有效特征选择，剔除不相关特征，减少存储空间并提高分类准确率；
　　3.如何自然概括地诠释长视频内容，以供人们快速浏览，从而从另一个角度解决语义鸿沟的问题。
　　本文从以下三个方面尝试解决上述问题：
　　首先，本文提出了一种基于高阶条件随机场的自适应特征融合方法，对视频进行语义层面的运动目标分割。该方法优化了传统视频分割问题中多种视觉特征无法动态自适应融合的问题，对视频分割给出了更通用、准确率更高的解决方案。
　　其次，在存在着大量无标注数据的前提下，本文提出了一种半监督的特征选择方法，该方法采用嵌入式特征选择，将基于L2,1范数的稀疏项与半监督学习相结合。在大规模真实网络图像上的分类实验证明了该方法能够在仅有少量标注信息的限制下得到较高的分类准确率。
　　第三，在上述实验过程中以及对大量已有工作的总结中，发现语义鸿沟不可避免的产生，因而本文在对低层次特征的理解上，提出一种基于一类支持向量机的视频总结方法，产生代表性广、震撼力强，且可连续播放的视频总结方案，并使自动生成能够引起人们观影兴趣的电影宣传片成为了可能。
　　综上，本文从上述三个角度，充分融合并利用了各种低层次视觉特征，尝试解决图像、视频检索中的语义鸿沟问题，并给出了多种解决方案，在真实图像、视频数据集上对算法进行了验证，证明了我们提出的方法的可行性、有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 选题背景及研究意义

1.2 相关基本概念

第二章 基于内容的视频分割

2.1 问题提出

2.2 算法框架

2.3 解决方案

2.4 实验结果

2.5 结论

第三章 基于分层回归的半监督特征选择算法

3.1 问题提出

3.2 相关工作

3.3 算法框架

3.4 解决方案

3.5 实验结果

3.6 结论

第四章 基于一类支持向量机的视频总结

4.1 研究意义

4.2 相关工作

4.3 算法框架及实现

4.4 实验结果

第五章总结与展望

5.1 总结

5.2 展望

参考文献

发表论文和参加科研情况说明

致谢