發(fā)布時間：2019-02-22 11:28

【摘要】：為方便視頻的瀏覽和存儲,以概括視頻內容為目的的視頻摘要技術變得十分重要.針對目前在視頻摘要問題中,根據(jù)先驗知識事先確定和閾值調整2種關鍵幀數(shù)目的確定方法的靈活性及直觀性不足這一問題,提出一種基于SVD和稀疏子空間聚類的視頻摘要算法.該算法利用SVD對視頻在時間維度上進行維數(shù)縮減,以累計貢獻率為度量標準確定視頻在時間維度上的主成分分量個數(shù),將主成分分量個數(shù)作為關鍵幀數(shù)目;然后利用稀疏子空間聚類算法對視頻幀進行聚類;最后在每一類中選取與其他視頻幀相關性最大的幀作為關鍵幀,生成視頻摘要.實驗結果表明,文中算法生成的視頻摘要內容覆蓋率高,可以根據(jù)視頻長度和類型靈活直觀的確定關鍵幀數(shù)目,并且對于不同類型和長度的視頻給出了累計貢獻率的取值范圍,可以為用戶提取合適長度的視頻摘要提供有效依據(jù).
[Abstract]:In order to facilitate the browsing and storage of video, video summary technology for the purpose of summarizing video content has become very important. Aiming at the problem of flexibility and indirectness of the two methods of determining the number of key frames according to prior knowledge and threshold adjustment in video summarization at present, A video summarization algorithm based on SVD and sparse subspace clustering is proposed. The algorithm uses SVD to reduce the dimension of video in time dimension, determines the number of principal components of video in time dimension, and takes the number of principal components as the number of key frames according to the cumulative contribution rate. Then the sparse subspace clustering algorithm is used to cluster the video frames. Finally, the frames with the largest correlation with other video frames are selected as key frames in each category to generate the video summary. The experimental results show that the proposed algorithm has high content coverage and can determine the number of key frames flexibly and intuitively according to the length and type of video, and gives the range of cumulative contribution rate for different types and lengths of video. It can provide an effective basis for users to extract video abstracts of appropriate length.
【作者單位】： 西北工業(yè)大學理學院;
【基金】：國家自然科學基金(61070233)
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 柳盛;吉根林;;空間聚類技術研究綜述[J];南京師范大學學報(工程技術版);2010年02期

2 馬程;楊詩琴;;基于量子粒子群的帶障礙約束的空間聚類[J];安慶師范學院學報(自然科學版);2010年03期

3 殷俊華;李光強;陳翼;鄧敏;;基于概念格的空間聚類方法[J];計算機系統(tǒng)應用;2011年06期

4 李霞;徐樹維;;子空間聚類改進算法研究綜述[J];計算機仿真;2010年05期

5 陳銘;吉根林;;一種基于相似維的高維子空間聚類算法[J];南京師大學報(自然科學版);2010年04期

6 馬程;陳杰;;障礙約束下的空間聚類算法分析[J];宜春學院學報;2012年12期

7 張思亮;李廣霞;;子空間聚類在入侵檢測中的應用[J];計算機安全;2013年12期

8 何彬彬;方濤;郭達志;;基于不確定性的空間聚類[J];計算機科學;2004年11期

9 楊楊;孫志偉;趙政;;一種處理障礙約束的基于密度的空間聚類算法[J];計算機應用;2007年07期

10 李光強;鄧敏;程濤;朱建軍;;一種基于雙重距離的空間聚類方法[J];測繪學報;2008年04期

相關會議論文 前6條

1 劉啟亮;鄧敏;彭東亮;徐震;;基于場論的空間聚類有效性評價方法研究[A];2009`中國地理信息產業(yè)論壇暨第二屆教育論壇就業(yè)洽談會論文集[C];2009年

2 鄧羽;;廣義多維云模型在空間聚類中的應用[A];地理學與生態(tài)文明建設——中國地理學會2008年學術年會論文摘要集[C];2008年

3 鄧敏;劉啟亮;李光強;程濤;;一種基于場模型的空間聚類算法[A];現(xiàn)代測量技術與地理信息系統(tǒng)科技創(chuàng)新及產業(yè)發(fā)展研討會論文集[C];2009年

4 徐玉峰;周麗華;肖清;;一種基于數(shù)據(jù)分布差異度的子空間聚類算法[A];第二十五屆中國數(shù)據(jù)庫學術會議論文集（一）[C];2008年

5 張燕萍;姜青山;;k-means型軟子空間聚類算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集A輯二[C];2010年

6 任家東;周瑋瑋;何海濤;;高維數(shù)據(jù)流的自適應子空間聚類算法[A];NDBC2010第27屆中國數(shù)據(jù)庫學術會議論文集A輯二[C];2010年

相關博士學位論文 前3條

1 孫麗萍;半監(jiān)督空間聚類方法及其在城市公共設施區(qū)位規(guī)劃中的應用研究[D];安徽師范大學;2015年

2 黃明;基于空間分區(qū)的空間聚類研究[D];武漢大學;2010年

3 王劍亭;面向量子密鑰分發(fā)安全性分析的子空間聚類算法研究[D];中國科學技術大學;2015年

相關碩士學位論文 前10條

1 魏海洋;城市案件空間聚類技術研究[D];北京建筑大學;2015年

2 張洋;基于空間聚類的公路交通運力態(tài)勢可視化方法研究[D];國防科學技術大學;2013年

3 歐陽佩佩;改進的稀疏子空間聚類算法研究[D];青島大學;2015年

4 孫素敏;子空間聚類及其應用[D];西安建筑科技大學;2016年

5 許亞駿;子空間聚類算法研究及應用[D];江南大學;2016年

6 凌曉蔚;基于子空間聚類的多關系社交網(wǎng)絡挖掘研究[D];電子科技大學;2016年

7 吳飛;面向序列數(shù)據(jù)的稀疏低秩子空間聚類方法研究[D];北京工業(yè)大學;2016年

8 鄧振云;稀疏樣本自表達的子空間聚類算法[D];廣西師范大學;2016年

9 齊緒停;基于子空間聚類的文本相關性研究[D];山東師范大學;2016年

10 顧曉偉;基于面狀區(qū)域混合類型數(shù)據(jù)的空間聚類算法研究及應用[D];遼寧工程技術大學;2015年

，

本文編號：2428174