向量机视频检索应用.docVIP

向量机视频检索应用 　　【摘要】提出一种基于支持向量机的视频检索方法，用于复杂背景灰度图像的识别。算法首先用相似度分析方法进行粗筛选，滤去大量非目标窗口，之后用支持向量机对通过的窗口进行分类。由于在通过相似度分析方法所限定的子空间内训练SVM，有效地降低了训练的难度。实验对比数据表明，该方法降低了分类器的训练难度，计算复杂度较低，大大提高了检测速度。 　　【关键词】视频检索；相似度；支持向量机；模式分类 　　1.引言 　　所谓视频检索就是从海量的视频数据中检索到自己需要的视频片断。传统的视频检索除了文本方式以外，就是通过快进快退等简单枯燥手段实现的的人工检索，不仅耗时而且非常繁琐。现代的信息检索需求已经远非这种传统方法所能及，现代的视频检索希望通过画面，声音，图形活动帧，视频情节等来检索到想要的视频文件或者影像片断。从用户的角度分析，他们希望以一种自适应方式来消费视频媒体，也就是在任何时间任何地方以任意的方式消费视频媒体。这种消费不是一种被动消费，因为视频媒体的消费者同时也是视频媒体的生产者。例如在新闻中检索感兴趣的事件，在电影中检索喜欢的情节，体育节目中检索喜爱的体育运动，在电视中检索某条广告是否播出等。基于内容的视频检索（Content-Based Video Retrieva1.CBVR）技术因此应运而生。。支持向量机（Support Vector Machines，SVM）是Vapnik等提出的基于结构风险最小化原理的统计学习理论，用于分类与回归问题，它比基于经验风险最小化的人工神经网方法具有更好的泛化能力。该方法的基本思路是对每一个检测窗口使用SVM进行分类，以区分目标图像和和非目标图像。 　　2.支持向量机原理 　　支持向量机是基于Vapnik提出的统计学习理论的一种机器学习算法。统计学习算法是一种专门研究小样本情况下机器学习规律的理论，而传统统计学所研究的是样本数目趋于无穷大时的渐近理论。在实际生产过程中，样本数量往往是有限的，因此基于渐近理论的神经网络等方法在实际应用中往往会遇到局部极小、过拟合等问题，而基于统计学习理论的支持向量机能够很好地克服这些问题。 　　在求解???优化问题通常有：选块算法（Chunking）、分解算法（Decomposing），序列最小最优化算法（SMO，Sequential Minimal Optimization）等。其中SMO算法的优点在于每次迭代仅对两个向量进行优化，不需要占用太多的存储空间，而且程序容易实现，所以本文选取SMO作为求解最优化问题的算法。 　　（1）基于相似度和支持向量机的视频识别 　　（2）支持向量机的训练需要大量存储空间 　　非线性SVM分类器需要较多支持向量，速度较慢。 　　在实际应用中，图像中绝大多数的背景窗口目标图像有较大差别，通过上述的相似度方法可以将它们快速排除掉。因此，本文提出了基于相似度分析和支持向量机的层叠视频识别方法，首先用相似度方法在保证视频图像通过的情况下，过滤尽可能多的非目标图像；之后在通过相似度分析方法所限定的子空间内训练SVM，简化SVM训练的难度。 　　3.测试结果 　　4.结论 　　本文提出了一种将相似度与SVM相结合的视频检索方法。先用相似度方法在保证目标图像通过的情况下，过滤尽可非目标图像，之后再用支持向量机对通过窗口进行检测。实验对比显示采用相似度方法进行粗筛选起到两方面的作用，一是提高了检测速度，二是缩小了SVM分类器所面对的特征空间，降低了SVM训练的难度。 　　参考文献 　　[1]Berry，M.J.A.and Linoff，G.Data Mining Techniques： For Marketing sale and Customer Support，John Wiley Sons，Inc，1997. 　　[2]Vapnik V.N.The nature of statistical Learning Theory.2nd edition New York：Springer Verlag，1999. 　　[3]Pai-HsuenChen，Rong-En Fan，and Chih-Jen Lin.A study on SMO-type decomposition methods for support vector machines.Technical report，Department of Computer Science and Information Engineering，National Taiwan University，Taipei，Taiwan，2005. 　　[4]Zhang H J et a1.Video parsing retrieval and