面向暴恐音视频的内容检测系统研究与实现

网络上有海量的音视频,其中暴恐音视频不容忽视。对面向暴恐音视频的内容检测系统进行研究,选取音频特征MFCC作为检测特征,采用词袋模型建模,利用支持向量机分类,优化了多个全局参数,过滤了无用镜头,采用欠采样平衡正负样本的数目差距,减少了冗余和训练复杂度,取得了理想的检测效果,且能给出暴恐程度的评估。具体地,提出了词频加权参数c的改进算法和基于距离倍数的词频加权改进算法,能使词袋模型表示更精确,从而提高了准确率。

基于联合特征的暴恐视频检测算法

暴恐视频节目的自动检出对不良视频的管控非常有意义。文中提出了一种基于静态和动态联合特征的暴恐视频检测算法。文中的静态特征采用的是MPEG-7描述子中的颜色结构描述子(CSD),运动特征采用的MoSIFT特征.静态特征中引入了多示例学习(MIL)数据模型并提出了均值多样性密度算法.运动特征使用了词袋模型(BoW)数据模型。并提出了纵向降维算法和横向降维算法。两种特征算法各自得出对应分数,最后得出结果。通过实验表明,文中算法在公共库上的测试结果优于现有算法。

基于视觉语义概念的暴恐视频检测

暴恐视频在互联网的传播严重威胁着社会稳定与安全,对暴恐视频进行检测充满技术挑战。文章创建了用于评价暴恐视频检测算法性能的暴恐视频数据集,对数据集进行了语义概念和视频两个层面的标注。研究了基于灰度直方图、颜色直方图、颜色矩、局部二值模式及梯度方向直方图等特征描述子和支持向量机及极限学习机的视觉语义概念检测,针对不同的视觉语义概念通过仿真实验确定了最佳特征与分类器组合方式及相应参数设置。提出了基于灰度质心的视频关键帧提取方法,利用帧间相似性和视频序列相似性判别完成镜头突变和渐变判别,完成视频关键帧的提取。基于视觉语义概念和视觉语义概念词袋构建暴恐视频词频特征,使用支持向量机和视觉语义词频特征完成了暴恐视频内容的检测,并通过实验验证了该方法的可行性。