导读:本文包含了层次化视频论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:视频,层次,结构,颜色,实时,模型,内容。
层次化视频论文文献综述
张赟,沈兵虎,王李冬[1]（2018）在《视频节目层次化搜索和推荐方法的研究》一文中研究指出为高效组织视频节目并提升用户观看体验,提出了视频节目的层次化搜索和推荐方法。首先,上载本地视频节目并导入异构媒资数据,提取其中的重要信息,如标签、人物、关键帧等,并进一步采集用户个人偏好、观看记录等信息。然后,输入搜索关键词并分析其类型,确定中心人物和视频节目,实现层次化节目搜索和展示。最后,通过用户喜好、观看行为分析和节目聚类为用户推荐其可能喜欢的视频节目,并采用层次化图结构表示推荐结果。为了验证该方法的有效性,开发了软件系统,对大量用户进行了实验,结果表明,层次化视频搜索和推荐方法能够显着提升视频观看体验。(本文来源于《计算机技术与发展》期刊2018年07期）
李晓莉,郭丹,洪日昌[2]（2015）在《层次化结构信息的视频重着色》一文中研究指出视频重着色可以有效地提高色盲用户对多媒体信息的可访问性,但是目前视频重着色研究存在颜色不一致性问题.针对该问题,提出一种基于层次化结构信息的视频重着色的方法.该方法在视频层次化结构中应用基于CIELAB颜色空间旋转的重着色方法,采用颜色空间量化和哈希表相结合的方式实现实时性,同时既使每个镜头中的颜色变换函数保持相同,又使场景中镜头之间的颜色变换函数变化缓慢,实现场景内颜色的一致性.实验结果表明,对于不同种类的视频,该方法都能有效地使视频更好地被色盲用户感知,为视频重着色在多媒体搜索中的应用起到推动作用.(本文来源于《小型微型计算机系统》期刊2015年02期）
李晓莉[3]（2014）在《基于层次化结构信息的视频重着色》一文中研究指出视频重着色是一种通过重着色视频提高色盲用户对视频的可访问性的最直接有效的方法。它采用颜色转换函数改变视频帧的颜色,提高色盲用户获取颜色信息的能力,使被色盲用户混淆的颜色在重着色后能被感知到。近年来,随着多媒体搜索技术的快速发展,重着色可视化对象的研究越来越深入,成为帮助色盲用户感知可视化对象领域中的研究热点。本文的主要工作和创新点如下：1.概述了现有重着色算法中颜色转换函数的建立,并分析了现有算法的一些优点和不足之处。2.视频重着色是色盲重着色中一个具有挑战性的问题,目前的重着色算法在实现视频重着色过程中存在实时性问题和颜色不一致问题。视频重着色要对所有的图像帧进行重着色,要实现实时性就要求重着色视频帧的时间小于1/帧率,目前很难突破实时视频重着色问题。针对实时性问题,本文把基于CIELAB颜色空间的快速图像重着色算法应用到视频帧重着色中,通过两个简单的颜色旋转即可完成重着色,不仅重着色性能较好,而且需要的计算量比较小。快速图像重着色方法不能满足视频实时性的要求,本文提出一种颜色空间转换加速的方法缩短重着色时间以达到实时性要求,包括颜色空间量化和哈希表的使用。3.针对视频重着色存在的颜色不一致问题,提出一种视频层次化结构信息融合的方法,即“镜头+场景”的处理方式,目的是同时保持镜头和场景内的颜色一致性。由于镜头出现同一事物的可能性很大,在CIELAB颜色空间中保证镜头内所有帧的颜色转换函数相同。由于场景是由联系紧密的镜头组成,所以场景中不同镜头出现相同事物的可能性比较大,通过场景中镜头之间的颜色转换函数缓慢变化,实现整个场景的颜色一致性。通过本文方法可以实现实时视频重着色。(本文来源于《合肥工业大学》期刊2014-03-01）
刘海,马利庄,沈洋,侯锐[4]（2012）在《层次化区域匹配指导的视频颜色迁移》一文中研究指出提出了一种基于层次化结构的视频颜色迁移方法。利用层次化分割技术对视频帧进行区域分割并将分割区域之间的组织关系用树的形式来描述,形成表示图像组成区域的具有层次化特征的树状结构。通过定义表示图像的树之间的层次化结构的相似性比较方法,对迁移图像之间的局部区域特征进行相似性比较,以寻找目标图像与参考图像局部迁移的最佳区域。在此基础上,利用颜色概率分布迁移的方法在图像的不同区域上进行局部颜色迁移以实现保持目标图像视觉特征的目的。(本文来源于《计算机工程与应用》期刊2012年09期）
胡迎松,陈良彬[5]（2010）在《支持高视频播放率的层次化P2P流媒体系统》一文中研究指出目前的P2P流媒体系统具有自组织、容错性和匿名性等优点,但是在健壮性和对高视频播放率的有效支持方面还存在一些问题。本文提出了一种层次化P2P流媒体系统(HPSS)来支持高视频播放率,节点根据带宽和延迟分组聚类,在系统中形成多级层次结构,从视频源服务器来取得视频数据。通过积极地平衡聚类中的上传能力,既能够有效地解决P2P系统中支持高视频播放率的问题,提供接近一个P2P系统能够达到的最大流媒体速率,同时保证系统具有良好的健壮性,在聚类的头节点失效的情况下,不降低整个系统的流媒体速率。最后通过仿真实验证明了HPSS的上述优点。(本文来源于《计算机工程与科学》期刊2010年11期）
候锐,马利庄,桑胜举[6]（2010）在《视频分割中的层次化结构与匹配》一文中研究指出通过加入层次化结构信息,解决了视频分割中由于帧与帧之间的关联不正确而产生的分割结果"闪屏"现象.首先对视频每帧进行层次化分割,并选取关键帧进行标注;然后建立帧间关联,在此过程中提出层次化的匹配算法,通过有效地利用层次化结构信息来改善分割效果.实验结果表明,该算法效率高、视频分割结果准确.(本文来源于《计算机辅助设计与图形学学报》期刊2010年07期）
刘安安[7]（2010）在《感知，思维，行为：层次化的视频内容分析技术研究》一文中研究指出基于内容的视频分析技术是解决当前信息超载现象的重要方法,已经成为多媒体分析领域的研究热点。本文的研究目标是模拟人类认知过程研究有效的视频内容分析技术,使用户可以在海量视频中便捷地发现自己喜欢的视频片段。本文根据认知心理学理论体系,提出了基于“感知,思维,行为”的层次化视频内容分析框架,并重点对用户注意力建模、视频语义事件检测及视频精彩镜头的个性化推荐进行了较深入地研究。论文的创新性工作主要表现在以下叁个方面:1、提出了通用的视频内容分析框架:与现有以视频类型为中心的分析框架不同,本文以认知心理学的理论框架为基础,提出了符合人类认知过程的“感知,思维,行为”层次化视频内容分析框架。该框架可以将视频内容分析相关技术按照人类认知过程有机结合起来,并且该框架不再受制于多样的视频类型、复杂的编辑规则等客观因素。2、提出了符合人类认知过程的各层核心问题及其解决方法:感知层的核心问题是对人的注意力的研究,本文提出了基于韦伯-费希纳定律的用户注意力模型来进行视频显着性分析;思维层的核心问题是人类对概念和逻辑推理的研究,根据人类逻辑推理的两种方式,即演绎推理和归纳推理,本文提出基于规则、统计模型以及决策融合的叁类语义事件检测方法,从而实现视频语义事件的自动标注;行为层的核心问题是行为动机,为了达到使用户便捷的获取信息这一目标,本文通过融合视频内容和用户偏好信息研究了视频精彩镜头的个性化推荐方法。3、提出了面向实际应用的视频内容浏览系统:为了分析各层研究内容对用户视频浏览的重要性,我们在视频结构化的基础上利用各层核心技术开发了结构化视频浏览和显着性标注系统、结构化视频浏览和语义标注系统以及视频精彩镜头的个性化推荐系统。本文综合客观评价和主观评价方式对基于“感知,思维,行为”的层次化视频内容分析框架及其各层核心技术进行了评测。对于视频字幕提取和语义事件建模核心技术,主要以查全率和查准率为标准证明本文提出的方法的准确性和鲁棒性。对于本文提出的层次化视频分析框架及开发的叁个系统,采用了基于用户反馈的主观评价方式,通过与传统的线性视频浏览系统的比较可知:该框架能够使计算机自动分析视频内容显着性和语义,在此基础上,本文通过融合用户个人信息开发了视频精彩镜头的个性化推荐系统,该系统可以通过个性化的推荐列表为用户提供导航服务,以满足用户动态变化的个人偏好以及便捷的视频浏览需求。(本文来源于《天津大学》期刊2010-01-01）
候锐[8]（2009）在《基于匹配帧的层次化结构的视频分割技术》一文中研究指出随着计算机技术的飞速发展,数字媒体产业的兴起,视频处理技术逐渐成为数字图像处理和数字媒体领域的研究热点。视频分割技术在视频处理技术中占有很重要的地位,是其它一些视频处理技术,如非真实感绘制,视频修补,视频结构化分析等技术的关键步骤。视频分割的目标是从视频序列中提取若干个有意义的视频对象,它是在图像分割基础上发展起来的,可以看成图像分割技术在时间维的扩展。但与图像分割相比,视频分割处理的数据更为庞大,并且需要保证分割结果在时间维的一致性,这些特点都给视频分割技术带来了巨大的困难。图像的层次化分割是在图像分割技术基础上发展起来的,是指我们在对图像进行分割时,既可以进行一些粗略的分割,将场景分为几大块;也可以进行细分割,将场景分成许多细小的块。我们可以将这些分割结果组合起来,形成一种层次化的结构。总的来说,层次化分割是值得期待的,因为它与我们观察物体的习惯相似,总是从概况到细节。本课题的研究将围绕如何应用层次化结构信息来改善视频分割进行,通过分析和总结前人的研究成果,提出了一种新颖的利用每帧层次化结构信息的视频分割技术,并设计了一种基于该方法的交互式视频分割系统,提供了视频分割的一种新思路。本文的主要工作主要包括以下方面:首先,本文总结和比较了前人对于图像层次化分割的研究,通过实验分析发现,迭代mean-shift算法虽然原理简单,但效果不佳,基于鞍点检测的算法虽然有很好的理论基础,但运行时间较长。本文最终选取了一种基于鞍点检测的近似算法,该算法既有很好的理论基础,又有着不错的分割结果。其次,本文在图像层次化分割算法的基础上提出了将其应用于视频分割的算法。该算法的想法是源于对视频分割中的不一致性的原因的研究。我们通过研究发现,基于空域优先的视频分割算法的不一致性并非由于分割算法本身造成的,而是由于在寻找帧间关联的时候没有考虑到图像的层次化信息。本文对帧间关联问题进行了抽象,将寻找帧与帧关联的问题转化为树与树之间相似度的问题,由于该问题的难解性,我们寻找了一种近似的求解算法,即树的最大覆盖的问题,并给出了解决方案。此外,本文设计了一个交互式视频分割系统原型,并在人机交互方面有所创新,在关键帧标注方面,我们提出了应用图像的层次化信息来进行逐层标注。(本文来源于《上海交通大学》期刊2009-12-01）
王威,张鹏,高伟,王润生[9]（2009）在《基于局部层次化混合高斯模型的视频序列运动目标检测》一文中研究指出在视频分析的过程中,背景建模和运动目标提取是一个非常重要的问题。混合高斯模型是进行背景建模常用的模型之一。但是单纯运用混合高斯模型进行运动目标提取的效果并不是非常理想。本文提出了一种自上而下的局部层次化混合高斯模型,该算法首先确定更新区域,然后在区域中运用分块的混合高斯模型和点像素混合高斯模型进行背景建模和目标提取。实验表明该方法具有较好的处理效果,同时也提高了处理的时间效率。(本文来源于《信号处理》期刊2009年05期）
袁勋[10]（2008）在《层次化视频语义标注与检索》一文中研究指出随着多媒体、计算机和网络的发展,视频数据飞速增长。为了对这些海量视频数据进行存储、管理、和索引,需要研究高效的基于内容的方法对视频数据进行检索,而视频标注是视频索引和视频搜索的基础。本文研究如何利用机器学习和视频的特征,对视频进行多层次的、基于内容的标注。视频在结构上共分四个层次:视频(video)、场景(scene)、镜头(shot)、图象帧(frame)。通常视频标注主要在其中的视频层和镜头层中进行。视频层的标注是对整段视频标注其类型属性。镜头层的标注主要是依据从该镜头中提取的关键帧,标注其对应的语义概念。根据所标注的语义概念对应的是图象帧层次还是物体层次的,镜头层标注又可进一步分为图象帧层标注和物体层标注。本文研究在视频层、图象帧层、和物体层上进行视频标注时的关键问题,主要工作和创新之处归纳为以下几点:1.目前视频类型层标注的研究工作通常仅仅标注了几种简单的类型,或者是局限在电影、体育运动等某个特定的类型内标注其子类型,而且使用的分类器也过于简单。本文定义了一个相对完备的视频类型分层表示,分析并提取一系列与类型相关的时空域特征,并提出使用局部和全局优化的多类SVM二叉树提高分类精度。实验结果表明,本文提出的局部和全局优化的SVM二叉树与另外两种典型的SVM多类分类算法、以及现有的视频分类工作中使用的分类器相比,能够获得更高的精确度。2.当前的视频类型层标注工作都是采用被动监督学习的方法,需要大量的训练数据和费时费力的手工标注。本文将主动学习引入视频类型层标注,并提出使用后验概率来计算分类器对未标注样本的置信度,然后依据此置信度选择分类器最不确定的样本,也即最“有用”的样本提供给用户进行标注,从而用更少的训练样本获得和大量训练样本近似的分类效果,减轻用户标注训练数据的负担。实验结果表明,本文提出的基于后验概率的主动学习样本选择策略要略好于现有的基于变型空间的主动学习样本选择策略、以及被动学习的样本选择策略。3.对于图象帧层视频标注,本文考虑一种经常遇到的实际应用:仅拥有一小部分相关的正例,如何学习该目标概念的模型。此时进行视频标注主要存在下面两个问题:第一,对于仅有正例的训练数据,传统的区分型分类器如SVM等无法直接使用;第二,区分各种语义概念的底层特征有很大的不同,使用统一的特征无法适应各种语义概念的变化。本文提出一个基于流形排序的关键帧图象层视频标注框。对第一个问题,用流行排序解决仅有正例的不足,同时可以利用未标注数据的分布信息。对第二个问题,定义一个特征选择准则,引入特征选择为不同的语义概念选择不同的特征。此关键帧图象层视频标注框架支持新定义的目标概念和新特征的引入。4.在物体层视频标注中,传统的多实例学习表达忽略了各种语义概念之间的语义相关性。因此本文提出existence-based多实例表达来描述这种概念间的语义相关性,并根据existence-based表达设计一种新的多实例学习算法MI-AdaBoost。算法首先对训练数据中的每个包进行特征映射,转换成包级特征空间的一个特征矢量,从而将多实例学习转换为传统的监督学习。这种特征映射会为每个包建立一个包含大量噪声的高维特征矢量,可以用AdaBoost进行特征选择并构建分类器。5.不同的语义概念对应的底层特征有很大的不同,因此特征选择对视频标注是非常关键的一个问题。以前的研究工作在将多实例学习应用于视频标注时,都忽略了如何在多实例学习情况下做特征选择的问题。由于传统的单实例学习下的特征选择算法通常都无法在多实例学习中直接应用,本文提出了一种多实例学习下的特征选择算法EBMIL,能够在选择映射后的包级特征的同时,选择不同的特征源(颜色、纹理等),从而获得更好的视频标注效果。(本文来源于《中国科学技术大学》期刊2008-05-01）
层次化视频论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
视频重着色可以有效地提高色盲用户对多媒体信息的可访问性,但是目前视频重着色研究存在颜色不一致性问题.针对该问题,提出一种基于层次化结构信息的视频重着色的方法.该方法在视频层次化结构中应用基于CIELAB颜色空间旋转的重着色方法,采用颜色空间量化和哈希表相结合的方式实现实时性,同时既使每个镜头中的颜色变换函数保持相同,又使场景中镜头之间的颜色变换函数变化缓慢,实现场景内颜色的一致性.实验结果表明,对于不同种类的视频,该方法都能有效地使视频更好地被色盲用户感知,为视频重着色在多媒体搜索中的应用起到推动作用.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
层次化视频论文参考文献
[1].张赟,沈兵虎,王李冬.视频节目层次化搜索和推荐方法的研究[J].计算机技术与发展.2018
[2].李晓莉,郭丹,洪日昌.层次化结构信息的视频重着色[J].小型微型计算机系统.2015
[3].李晓莉.基于层次化结构信息的视频重着色[D].合肥工业大学.2014
[4].刘海,马利庄,沈洋,侯锐.层次化区域匹配指导的视频颜色迁移[J].计算机工程与应用.2012
[5].胡迎松,陈良彬.支持高视频播放率的层次化P2P流媒体系统[J].计算机工程与科学.2010
[6].候锐,马利庄,桑胜举.视频分割中的层次化结构与匹配[J].计算机辅助设计与图形学学报.2010
[7].刘安安.感知，思维，行为：层次化的视频内容分析技术研究[D].天津大学.2010
[8].候锐.基于匹配帧的层次化结构的视频分割技术[D].上海交通大学.2009
[9].王威,张鹏,高伟,王润生.基于局部层次化混合高斯模型的视频序列运动目标检测[J].信号处理.2009
[10].袁勋.层次化视频语义标注与检索[D].中国科学技术大学.2008
论文知识图
