基于支持向量机元分类器的体育视频分类

为弥补特征提取中的语义缺陷,提出了一种利用领域知识规则填补特征与高级语义之间鸿沟的思想,从体育视频中对语义对象进行有效的特征提取,并采用支持向量机元分类器和组合策略对体育视频进行分类的方法.实验表明,该分类方法对大部分体育视频都具有很好的分类效果,平均准确率可达92.23%,优于其他提取特征无语义关联的分类方法.

基于类型标志镜头与词袋模型的体育视频分类

基于内容的体育视频分类是高效管理大量体育视频数据的关键步骤之一,为提高体育视频分类方法的正确率及泛化能力,提出一种基于类型标志镜头与视觉词袋模型相结合的体育视频分类方法.首先给出类型标志镜头的定义,并通过类型标志镜头构建该镜头视频帧训练库;然后构建基于视频帧训练库的金字塔视觉词袋模型,将视频帧标志为归一化的词频向量,使用SVM对视频帧进行分类;再通过分析视频帧分类错误的原因及表现形式提出基于时序连续性孤立帧去除算法,以消除视频帧的错误归类.由于体育视频按组合类型可分为单一体育视频与混合体育视频,因此分别提出了单一体育视频及混合体育视频2种分类算法.实验结果表明,文中算法具有实现简单、处理速度快和准确度高的优点.

基于隐马尔可夫模型的体育视频分类方法

针对体育视频的分类问题,提出一种基于隐马尔可夫(HMM)模型的分类方法.首先,在各类运动训练视频片段的连续帧中提取4维运动特征向量,并基于特征向量训练各类的HMM.然后,将视频片段以状态序列表示,并利用HMM计算状态转换的概率,以此来检测运动事件.最后,基于各类运动的参考字典,通过相似度计算来匹配测试视频中的事件,最终实现对视频片段的分类.实验结果表明,该方法具有较高的分类精度.

基于深度学习和迁移学习的体育视频分类研究

随着信息技术的飞速发展,数字内容呈现爆炸式增长的趋势。体育视频分类对于服务器中的数字内容存档具有相当重要的意义,因此利用深度神经网络(DNN),并结合卷积神经网络(CNN)和循环神经网络(RNN)实现对15种体育类别的准确分类。为了使训练出的基于运动动作进行分类的模型具有更高的准确性,从YouTube中搜集体育视频并将这些体育视频制作成数据集。通过将CNN提取的特征与RNN中的时间信息相结合,建立了用以解决体育视频分类问题的一般模型。针对10和15种体育视频的分类问题,利用基于VGG-16模型的迁移学习设计了分类方案,使针对10和15种体育视频的测试识别准确性分别达到了94%和92%,结果表明,所提出的方案具有较高的准确性。

基于系统辨识的体育运动视频识别

全自动体育运动识别,通过提取视频光流特性和梯度特征,达到聚类的目的。从每一帧的特征中,通过线性系统辨识工具,学习每个视频片段的运动形状。尽管非钢体的运动序列难于进行学习、比较,但是动态描述方程具有很强的比对能力和鉴别能力。使用它们来识别单个运动或者行为得到较好的效果。