基于多模态特征的视频语义镜头标注-信号与信息处理专业论文.docxVIP

基于多模态特征的视频语义镜头标注-信号与信息处理专业论文.docx

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
摘 摘 要 摘 要 视频的镜头类型是视频底层特征和高级语义之间的桥梁,能有效弥补两者之 间的鸿沟,有助于视频精彩事件检测,促进创建视频摘要,进而满足用户快速查 询和浏览视频的要求。现有视频语义镜头标注方法大多基于视频的视觉特征,未 充分利用多模态特征,浪费了数据资源,标注效果也有待提升。本文提出了基于 多模态特征的视频语义镜头标注方法,并应用于足球视频,主要工作有: (1)分析并提取了足球视频的多模态特征。包括镜头关键帧的视觉特征—草 色块个数、人脸区域参数、边缘、纹理和镜头的摄像机运动特征;镜头对应音频 信号的平均短时能量、短时过零率、音频帧能量序列的自相关函数特征。同时, 本文提出了累积方差法,并结合连通域分析技术提取了足球视频记分牌中的时钟 数字,采用支持向量机(Support Vector Machine, SVM)对提取出的时钟数字进行了 识别,用关键词匹配方法提取了足球视频网络直播文本的文本事件及对应的时间 标签,并将文本/视频的时间进行了对准。实验结果证明了特征提取方法的正确性。 (2)分别将提取出的一部分视频镜头的视觉特征矢量集和多模态特征矢量集 作为训练数据,输入分类器,采用决策树 C4.5 挖掘特征矢量和镜头类型之间的潜 在关系,即建立语义镜头标注的模型,并用该模型对新的足球视频镜头集进行了 语义标注。实验结果证明,本文基于多模态特征的视频语义镜头标注方法比基于 视觉特征的标注方法性能好。 最后总结了本文的研究内容,展望了未来的研究方向。 关键词:多模态特征 镜头特征矢量 语义镜头标注 文本/视频时间对准 Ab Abstract Abstract Video shot type effectively bridges the gap between low-level features and high- level semantics of the video. It helps to detect the highlights, and create the video summary. With the result that, the users could query and brows the video easily. The most of the existing approaches for annotating video semantic shots are on the basis of visual features, without making full use of multi- modal features of the video. Thus, the data resource is wasted and the annotation result needs to be improved. Therefore, this paper proposes an annotating approach based on the multi- modal features. The main contributions of this paper lie in the following aspects: Analyzing and extracting the visual features of the soccer video, including the grass-block amount, the face parameters, edge pixels rate, texture and camera motion, and calculating the audio features, including average shot-time energy, shot-time zero-crossing rate, and autocorrelation function of the audio frame energy sequence. Detecting the clock number in the soccer video scoreboard by using the connected domain analysis and the accumulation variance concept proposed in this paper, identifying the extracted clock number by using the SVM(Support Vector Machine, SVM), and detecting the text event and its corresponding time tag by m

您可能关注的文档

文档评论(0)

131****9843 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档