基于多特征组合和SVM的视频内容自动分类算法研究

论文摘要

基于内容的视频自动分类是多媒体分析领域中一个重要的研究课题,它为日益增加的视频数据的管理提供了方便,基于内容的视频自动分类作为视频传播控制的一类关键技术在对网络媒体进行有序管理的需求下至关重要。基于视频自动分类技术的应用,媒体网站可以把海量的视频内容进行自动分类,可实现对不良视频信息的自动初步筛选。并且它在VOD和智能HDTV的发展中也发挥着重要的作用。基于内容的视频分类性能极大地依赖于视频特征的提取和分类模型的选取,本文从对视频内容和视频风格类型的角度出发,提出了基于视觉多特征组合的视频特征提取方法和改进支持向量机(SVM)视频分类算法,实现了对卡通、广告、音乐、新闻和体育这五类最常见的视频自动分类。首先,在分析现有的视频分类算法的基础上,针对现有算法存在的问题,通过分析五类典型视频在视觉上的差异,本文提出了新的特征表达方案即多特征组合模型,从编辑、颜色、纹理、运动四个方面提取了共十五种特征来构成新的视觉特征组合模型,所选用的特征空间增强了同类样本分布的紧致性和异类样本分布的差异性。在有效性和区分度上达到了满意的效果。在选择并提取了合适的特征后,针对目前统计方法中存在的通过小样本集很难设计有效分类器的问题,本文提出了基于支持向量机的视频内容自动分类算法。并对分类器判决策略方法进行了改进,提出了基于动态阈值边界向量抽取方法的一对多决策方法;基于二次预测机制的一对一决策方法;和基于交叉验证概率误差检验机制的有向无环图决策方法。通过仿真实验结果说明:本文算法在特征选择方面增强了五类视频的区分能力,而且降低了单一特征的计算复杂度;其次,提高了SVM分类器的多视频分类的性能;最后,与相关算法进行了对比实验,证明了本文算法在分类正确率方面性能最佳。

论文目录

• 摘要
• ABSTRACT
• 目录
• 图表目录
• 第一章 绪论
• 1.1 本文研究的背景及意义
• 1.2 国内外相关课题的研究动态
• 1.3 本文的创新性工作
• 1.4 本文的研究内容及结构安排
• 第二章 基础知识
• 2.1 引言
• 2.2 图像及视频的视觉特征简介
• 2.2.1 编辑特征
• 2.2.2 颜色特征
• 2.2.3 纹理特征
• 2.2.4 运动特征
• 2.3 支持向量机（SVM）分类算法
• 2.3.1 结构风险最小化准则
• 2.3.2 高维空间的广义最优分类面
• 2.3.3 支持向量机二分类算法
• 2.3.4 支持向量机的性质及优点
• 2.3.5 支持向量机的实现
• 2.4 本章小结
• 第三章 基于内容的视频分析与多特征组合提取算法研究
• 3.1 引言
• 3.2 视频特征提取模块与处理流程
• 3.3 分类目标下的视频内容分析研究
• 3.3.1 视频内容结构化分析
• 3.3.2 基于内容的视频分类研究
• 3.3.3 基于内容的异型视频风格分析
• 3.4 视频特征提取与多特征组合模型研究
• 3.4.1 一种新的视频多特征组合模型
• 3.4.2 镜头编辑特征的选择与提取方法
• 3.4.3 颜色特征的选择与提取方法
• 3.4.4 纹理特征的选择与提取方法
• 3.4.5 运动特征的选择与提取方法
• 3.5 本文提取特征的性能评估与特征优化
• 3.5.1 特征有效性及区分度评估分析
• 3.5.2 基于ICA的视频特征优化处理
• 3.6 本章小结
• 第四章 基于支持向量机（SVM）的视频多分类算法研究
• 4.1 引言
• 4.2 基于支持向量机的视频多分类系统
• 4.2.1 视频多分类系统框架
• 4.2.2 视频内容自动分类算法
• 4.3 分类器设计中的判决策略改进算法研究
• 4.3.1 基于边界向量抽取的改进一对多分类算法
• 4.3.2 基于二次预测机制的改进一对一分类算法
• 4.3.3 基于交叉验证的改进有向无环图分类算法
• 4.4 分类仿真实验及结果分析
• 4.4.1 实验环境及数据准备
• 4.4.2 单特征分类准确率实验
• 4.4.3 改进算法分类准确率对比实验
• 4.4.4 不同判决策略准确率对比实验
• 4.4.5 不同分类方法准确率对比实验
• 4.4.6 分类误差分析实验
• 4.5 本章小结
• 第五章 结束语
• 5.1 本文创新工作
• 5.2 未来展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文