基于多颜色空间和场均直方图的视频场景分类

视频分析中的一个热点和难点是研究视频的语义,例如场景分类、视频检索、移动目标行为分析等。其中场景分类是视频语义研究中的一个基础问题。在对视频场景进行分割的基础上,通过分析场景多个颜色分量的统计直方图,发现大多数典型场景总有一个或者多个颜色分量的场均直方图具有独特性,即在某个场景中,其累计的平均直方图的形状是与特定场景相关的。提取高斯拟合后场均直方图各峰的峰高、峰位和峰宽等特征,利用最小二乘法,提出了一种基于多颜色空间和场均直方图的视频场景分类方法,并以常见的五种视频场景为例进行了初步应用。实验表明,该方法具有较好的分类效果。

基于自适应量化LDA模型的视频场景分类算法

传统的基于特征提取的视频场景分类算法都是使用固定的量化方案,在量化的过程中对信息的利用程度不高。针对这一点提出了一种自适应的量化方案,对于光流的位置和方向分别进行非均匀的量化。这样能够最大限度地保留统计得到的底层特征分布信息,从而提高最终场景分类的整体算法性能。详细分析了自适应量化的原理,给出了自适应量化的步骤和算法流程,随后对比了使用改进的自适应量化方案和传统算法的实验结果。结果表明,改进后的算法一方面可以减少LDA模型的输入词典规模,提高运算效率,另一方面改进后的算法在检测的成功率上高于传统的算法,能够有效提升算法性能。

短视频场景分类方法综述

传统的视频场景分类方法习惯于从视觉模态中提取表现图像场景的特征,结合支持向量机等有监督学习方法,实现对某些类别的场景分类。随着各种短视频在各大平台迅速涌现,基于短视频特性的场景特征表示越来越受到研究者们的关注。由于短视频数据具有噪声、数据缺失、各模态语义强度不一致等问题,导致传统的视频场景表征方法无法学习具有丰富语义的短视频场景表征。近年来,部分短视频场景分类的研究考虑上述挑战,并提出相应的方法。本研究综述短视频场景分类的研究现状,介绍短视频场景特征表示和分类方法,对不同数据集上的场景分类方法进行分析。针对现有方法存在的问题,分析未来短视频场景分类中需要解决的挑战性问题。