面向视频挖掘的视觉内容分析-通信与信息系统专业论文.docx

面向视频挖掘的视觉内容分析摘要视频挖掘具有广泛的应用前景，它通过分析原始视频数据的内容，实现不同目 的和用途的数据挖掘任务。借助视频挖掘，我们可以发现隐藏在视频内容中的有趣 的模式，得到有用的知识，用来辅助情报分析和事务决策。然而，计算机在视频内 容理解上的困难极大限制了视频挖掘技术的发展。本文着于于解决视频挖掘在视频内容理解上的难题，寻求视频内容在句法分段、语义提取等方面的解决途径，建立视频挖掘与视频数据之间的桥梁。本文提出 和改进了若干算法进行视觉内容分析，实现视频的内容理解。具体工作包括:首先，视频的镜头检测是视频内容理解的第一步，它实现了视频内容的句法分段。在图像帧的描述及匹配上，本文提出了连续颜色直方图的概念，基于距离插值 的思想建立颜色直方图，克服了简单量化的“间隔效应”。并引入空间的金字塔匹配 算法，巧妙地在基于颜色直方图的图像匹配中添加了几何空间信息约束。在镜头边 界的判定上，本文提出相似度演化矩阵来描述视频镜头边界的特征。借助少量的矩 阵模板，并结合成熟的动态时间规整算法，实现了一种既能检测切变、又能检测渐 变的统一算法。其次，为了实现视频流中视觉对象的自动标注，本文提出了一种基于格子的均值漂移有哪些信誉好的足球投注网站算法，将视频识别问题看成是一个对直方图特征进行检测和跟踪的问 题。这种方法用一组图像标本来表示每个对象，检测算法被用来以不同的缩放比 例、不同的旋转角度扫描整个图像帧。同时进行对象的跟踪，把前一帧获得对象在 本帧进行了状态和特征的更新。通过将检测信息与跟踪信息进行融合，实现了视觉 对象在视频中的连续识别。再次，本文采用了基于时空体的整体法实现视觉行为的自动标注。本文所研究的检测问题并不局限于静态的背景、稳定的光照等限制条件，而是在真实的场景中 研究人物的行为。为了找到更有效的表示模式，同时克服背景运动和不同外观的影 响，本文仅仅利用运动信息来描述的人物行为。基于光流场的计算和统计，本文设 计了三种类型的局部运动直方图来描述某个行为时空体。另一方面，本文采用Gentle AdaBoost方法，选择具有区分性的特征来学习行为模型，从而实现了对行为体的有 效的分类。此外，本文还采用基于时空块的部件法实现视觉行为的自动标注。本文设计了一种在视频流中提取行为的时空块部件的快速算法。可以按照实际应用的需要，通过设置不同的频率参数组合，实现时空块部件的疏密程度和数量控制，使得行为的描述具有良好的可伸缩性。为了充分利用视觉行为在时间和空间上的结构信息，本 文提出了“部件三链环”的概念，建立显式的形状模型来描述行为的不同时空块部件 的相对位置信息。结合传统的pLSA，实现了基于部件的视频中的人物行为的检测。 最后，本文基于低级特征分析，提出了一种定位监控视频中的“异常”行为的方 法。无需预定义和学习显式的模型来描述异常行为和正常行为，本文将异常行为的 检测问题理解为:从现有的几段包含正常行为的视频剪辑构成的数据库中，查询新 的观测时空块。本文提出了一种时空块部件的特征描述符，融合了时空块的外观、 运动和位置等三方面的信息对时空块部件进行全面的描述。为了实现“异常”行为的 推理，本文提出一种“K-best”概率推理算法，对每个“时空块”进行极大似然估计，从 而判断当前的部分行为是否异常。本文对现实生活中的监控视频进行了试验，结果很好地证实“K-best”算法的有效性。关键词: 视频信息挖掘，视频内容理解，计算机视觉，模式识别，智能视频监控A RESEARCH ON VISUAL CONTENT ANALYSIS TOWARDS VIDEO MININGABSTRACTThe technique video mining has a bright prospect of application, which realizes data mining for different goals and different tasks by automatic analysis on the content from those raw videos. Specially, the hidden patterns of interest can be discovered, and useful knowl- edge can also be obtained. They are meaningful and helpful for information analysis and decision-making for transaction. However, the difficulties on video content understanding limit the development of video mining.This