基于人工智能技术的运动视频内容分类研究

针对分类运动视频内容可帮助用户更有效地获取与管理运动视频信息,设计基于人工智能技术的运动视频内容分类方法。在运动视频压缩域内,采用机器视觉技术中基于主色相似度的差分统计直方图(DCDSH)特征提取算法结合HSV颜色空间,获取运动视频某帧图像的主色特征;利用机器学习技术中的支持向量机(SVM)构建SVM分类器,建立运动视频图像各主色特征向量同视频内容类别间的对应关系;结合one-against-one结构将SVM二分类器推广到运动视频特征的多分类问题上,汇总各SVM二分类器的分类结果,通过投票规则将得票最高的类别标记为待分类运动视频所属类别。分类结果显示,所研究方法能够有效识别并分类篮球、足球、羽毛球、滑冰4种不同类别运动视频内容,平均分类查全率和查准率都高于95%。

应用于音乐节目分类的Apriori挖掘算法设计

传统Apriori挖掘算法需多次扫描数据库、多次连接频繁项集,导致挖掘效率较低,为此对Apriori挖掘算法加以改进,设计一种新的Apriori挖掘算法用于音乐节目分类。改进的Apriori挖掘算法采用莱特准则对音频数据进行野值与噪声平滑处理,改进Apriori挖掘算法的音频数据库映射令两个线性表分别负责音频数据存储和对应项存储,音频数据库扫描次数降为一次;改进Apriori挖掘算法的连接次数无需对不具备交运算能力的元素进行交运算操作,减少频繁项集连接次数。基于改进频繁项集Apriori挖掘算法挖掘频繁项集、生成音频数据关联规则,基于关联规则集构建分类器,实现音乐节目分类。实验结果显示,改进Apriori挖掘算法用于音乐节目分类的效率优势突出,准确度高。

视频足球比赛中的团队行为识别研究综述

对有计划高协同性多运动员(智能体)团队行为的理解和识别,是计算机视觉研究领域的重要研究问题之一.从视频足球比赛行为识别过程中的目标跟踪与检测、行为表示、分类器的构建及行为识别等4个方面详细分析和总结了团队行为识别研究国内外现有成果;分析了团队行为识别研究尚待解决的问题及未来研究趋势,为未来的视频足球比赛中团队行为识别及多目标行为识别的研究提供了新思路及文献参考.