基于内容的快速视频浏览系统

论文摘要

目前,互联网行业在掀起新一轮云计算和大数据的浪潮,数据挖掘如火如茶,在这其中视频产业尤为突出。与此相对应的是处在信息大爆炸时代的人们,每天都在接受海量数据的冲击。如何从这些信息中找到自己真正感兴趣的东西变得越来越麻烦,特别是视频方面,如何快速评判自己找到或下载下来的视频,成为我们的研究方向。为此,我们研究并设计了基于内容的快速视频浏览系统,通过提取一组关键帧来代表整个视频,让用户可以对这些关键帧的浏览来快速了解整个视频。我们主要做了以下几个方面的工作：（1）先采用QT、opencv、git等工具,运用比较简单的基于颜色直方图的单阈值算法,构建了一套快速浏览系统,并且在winXP和ubuntu10.04下进行并行的开发工作。本系统具有良好的兼容性,可以处理ffmpeg所支持的所有视频格式。（2）为了能够在更高层的语义层面上理解视频的剧情,我们引入了人脸检测,结合视频的连续性特点,运用检测到的每帧图像中的人脸数目来判断剧情发展。（3）在实验过程中,我们发现了利用haar-like特征和adaboost构造的分类器效果不理想,检测人脸不够准确,导致我们拿到了大量的无效的关键帧,为了增强程序的容错性,我们提出一种新的思路：人脸数目集合算法,最终在一定程度上有效地解决了这一问题。

论文目录

• 目录
• CONTENTS
• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.3 研究主要内容
• 1.4 论文结构安排
• 1.5 本章小结
• 第二章 视频检索技术及其他应用技术综述
• 2.1 视频流特点
• 2.2 视频流数据层次划分
• 2.3 Mpeg-7
• 2.3.1 Mpeg7标准的应用范围
• 2.3.2 标准的发展过程
• 2.3.3 颜色描述符
• 2.4 TRECVID
• 2.5 快速视频浏览系统架构
• 2.6 人脸检测技术
• 2.6.1 目标检测算法概述
• 2.6.2 人脸检测的难点
• 2.6.3 人脸检测介绍
• 2.7 Sift特征介绍
• 2.7.1 SIFT算法的特点
• 2.7.2 SIFT特征提取的主要步骤
• 2.8 Svm介绍
• 2.9 Haar-like特征
• 2.10 Adaboost算法
• 2.10.1 强弱分类器
• 2.10.2 Boosting算法
• 2.10.3 Adaboost算法
• 2.11 程序实现
• 2.12 本章小结
• 第三章 基于颜色直方图的关键帧提取
• 3.1 非压缩域的视频切割
• 3.2 运用帧间差进行镜头切割
• 3.3 颜色模型的选取
• 3.4 直方图
• 3.5 基于颜色直方图的帧间差计算
• 3.6 本章小结
• 第四章 结合人脸检测的视频关键帧提取
• 4.1 单阈值关键帧提取
• 4.2 人脸检测技术的引入
• 4.3 结合视频特性的算法改进
• 4.4 本系统的算法总结
• 4.5 结合python、awk等工具提取实验数据
• 4.6 最终结果
• 4.7 本章小结
• 第五章 采用的主要技术
• 5.1 OpenCV
• 5.2 Qt
• 5.3 Git
• 5.4 界面的设计
• 5.5 系统架构介绍
• 5.6 本章小结
• 第六章 总结和展望
• 6.1 总结
• 6.2 不足之处和以后的工作方向
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录
• 学位论文评阅及答辩情况表