导读:本文包含了视频运动挖掘论文开题报告文献综述及选题提纲参考文献，主要关键词:局部特征,特征布局,视频挖掘,特征筛选
视频运动挖掘论文文献综述
马超,沈微,董景峰[1]（2013）在《基于特定局部特征布局的视频运动目标挖掘》一文中研究指出针对局部特征描述子的高维特性以及视频中的复杂场景,提出一种利用频繁出现的特定局部特征空间布局对视频中运动目标进行挖掘的方法。在运动分割辅助下实现局部特征筛选,仅保留特定的运动相关特征,采用一种非参数维度约减方法建立精简描述子,并通过新的事务构建方式完成挖掘过程。标准数据集上的对比实验结果表明,该精简描述子在95%灵敏度情况下只有不到7%的假阳性率,整个挖掘方法相比同类方法具有更好的挖掘性能和可扩展性。(本文来源于《计算机工程》期刊2013年06期）
袁灿[2]（2011）在《体育视频分析中的运动挖掘方法研究》一文中研究指出多媒体数据的日趋激增给数据的快速检索和查询带来了更大的困难。然而,广大用户希望能够快速地从多媒体数据中提取出感兴趣的内容和隐含知识(概念、规则、规律、模式以及关联等),以便利用它们进行快速的检索和查询,同时能提供问题求解层次的决策支持。这种矛盾给多媒体数据挖掘带来了挑战。本文以体育视频中运动目标为研究对象,从理论层次和技术框架等方面进行系统研究,实现从视频的低层运动特征到高层运动语义之间的逐层挖掘,不仅为用户快速查找信息提供支持,而且能为用户解决问题提供辅助决策。首先研究体育视频运动挖掘的理论和系统框架,其中,理论分为叁个层次,分别为:基本特征层,模式、事件层以及知识层。在此基础上对各层次的运动挖掘方法进行了探索研究,重点提出了一种基本运动特征挖掘方法以及一种基于运动的模式、事件和知识(Model, Event and Knowledge, MEK)挖掘的方法。论文主要针对运动目标相对较少,场地相对开阔的隔网对打型比赛,比如网球视频、羽毛球视频等类型的视频进行运动挖掘方法研究。对于基本运动特征挖掘方法,在准确提取运动对象的基础上,运用改进的Camshift算法来解决跟踪丢失问题,为后续轨迹的提取,运动对象位置以及运动方向的获得奠定基础。对于基于运动的MEK挖掘,论文主要以具体的视频实例来进行方法研究。论文的主要研究内容及创新点如下:提出了体育视频运动挖掘理论层次及相关技术框架。理论层次主要包含叁个部分:基本特征层,模式、事件层以及知识层。在此理论层次下,分别对应了相应的技术路线:基本运动特征提取技术,模式、事件挖掘技术等。理论层次中的各层并不是独立的,低层是可以为高层服务的,但它们又都存在各自的特性,能够单独的用于挖掘信息。研究了一种基本运动特征挖掘方法。在分析体育视频基本运动特征基础上,提出了基本运动特征挖掘的框架,并简要介绍了此框架中各部分功能,以及相应的基本特征提取技术。其中基本特征的提取包括:轨迹的提取,运动对象位置的提取,以及运动方向的提取等。研究了一种基于运动的模式、事件、知识(MEK)挖掘方法。基于运动的模式挖掘是利用修正轨迹的几何特征来进行分析,获得视频中一些初略的结构化信息以及基于统计的运动习惯性问题等。基于运动的事件探测包含了两个方面的内容:SEIT的构建、基于SEIT的事件匹配。基于运动的知识挖掘是运用传统数据挖掘方法,利用其模式来提取出更高级的知识。设计并实现了体育视频运动挖掘平台——SVMMP(Sports Video Motion Mining Platform),对体育视频运动挖掘理论层次和技术框架进行了应用和验证。综上所述,本文提出了体育视频运动挖掘的基本概念、技术框架和理论层次,在经典方法的基础上对部分相关处理技术进行了改进,并通过设计实现体育视频运动挖掘平台,验证了本文的思路。这些研究为视频运动挖掘问题提供了一个新的解决方案,视频运动挖掘技术的不断发展和完善将使其在信息资源的管理和共享以及问题付诸决策等领域发挥越来越大的作用。(本文来源于《国防科学技术大学》期刊2011-10-01）
谢浩亮[3]（2011）在《基于运动特征的监控视频挖掘关键技术研究》一文中研究指出视频监控已在众多领域得到广泛应用，利用视频挖掘技术可以从海量视频数据中提取特征、进行有效的分析、发现高层语义知识和模式，实现对监控视频的自动化和智能化应用。目前，国内外对监控视频挖掘的研究刚刚起步，一些关键性问题如监控视频数据的特征提取、事件检测等尚未得到有效的解决。视频挖掘是从大量视频集中，发现有效的、新颖的、隐含的、有价值的、可理解的模式，即知识。从中得出事件的关联和趋向，为用户提供问题求解层次的辅助能力。视频挖掘的具体技术可以分为两种：视频结构挖掘和视频运动挖掘。视频结构挖掘，针对有结构的视频，以某种算法将视频划分为几个层次的结构单元，提取每个层次结构的可用特征和结构单元本身特征，最后根据各层次单元的相似性或其他规则，获得其构造模式以及体现的语义信息。视频运动挖掘，从视频中分割、跟踪运动对象，在这个过程中提取运动对象的本质特征和运动特征，以及这些特征之间的特征关联规则或者时空关系，得到运动对象特征的含义或者其行为趋向和事件模式，由此挖掘视频表达的高层语义信息。本文针对非结构化的场景监控视频，运用视频运动挖掘技术思路，从视频中提取视频对象，跟踪其运动，结合时间特性形成时间序列数据，并对其进行摘要生成、聚类和异常检测，实现了对监控视频数据进行挖掘的目的。本文主要在以下几个方面进行了创新性研究工作：1）研究视频特征提取方法。提出基于帧差的背景更新算法和基于运动的时间序列提取算法，将视频的特征，以数据序列的形式表示出来，为后续视频摘要提取、聚类和异常检测提供保障。2）研究视频摘要提取方法。提出基于小波变换的视频摘要提取算法，该算法可以形成多尺度的视频摘要，解决了以往不同情况下，对视频摘要长度不同需求的问题。3）为减少人工查找视频异常情况的开销，提出基于K-均值算法的异常检测算法，通过理论分析和实验，验证了算法的有效性和优越性。(本文来源于《石家庄经济学院》期刊2011-06-03）
代科学,张军,李国辉,来旭[4]（2006）在《监控视频运动目标的频繁轨迹模式挖掘》一文中研究指出运用数据挖掘的方式分析运动轨迹数据在目前可以说是一种尝试。基于传统数据挖掘方法Apriori的思想,提出了一种监控视频运动目标的频繁轨迹模式挖掘算法。首先以特征点表示连续的运动目标轨迹,然后设计了一种轨迹相似度测量机制,最后基于相似度测量获得的轨迹段频率,将Apriori挖掘算法应用到2D运动轨迹数据,从中发现频繁轨迹隐含的一些感兴趣模式。实际的和人工生成的轨迹数据实验表明了算法的正确有效性。(本文来源于《国防科技大学学报》期刊2006年06期）
视频运动挖掘论文开题报告
（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：
多媒体数据的日趋激增给数据的快速检索和查询带来了更大的困难。然而,广大用户希望能够快速地从多媒体数据中提取出感兴趣的内容和隐含知识(概念、规则、规律、模式以及关联等),以便利用它们进行快速的检索和查询,同时能提供问题求解层次的决策支持。这种矛盾给多媒体数据挖掘带来了挑战。本文以体育视频中运动目标为研究对象,从理论层次和技术框架等方面进行系统研究,实现从视频的低层运动特征到高层运动语义之间的逐层挖掘,不仅为用户快速查找信息提供支持,而且能为用户解决问题提供辅助决策。首先研究体育视频运动挖掘的理论和系统框架,其中,理论分为叁个层次,分别为:基本特征层,模式、事件层以及知识层。在此基础上对各层次的运动挖掘方法进行了探索研究,重点提出了一种基本运动特征挖掘方法以及一种基于运动的模式、事件和知识(Model, Event and Knowledge, MEK)挖掘的方法。论文主要针对运动目标相对较少,场地相对开阔的隔网对打型比赛,比如网球视频、羽毛球视频等类型的视频进行运动挖掘方法研究。对于基本运动特征挖掘方法,在准确提取运动对象的基础上,运用改进的Camshift算法来解决跟踪丢失问题,为后续轨迹的提取,运动对象位置以及运动方向的获得奠定基础。对于基于运动的MEK挖掘,论文主要以具体的视频实例来进行方法研究。论文的主要研究内容及创新点如下:提出了体育视频运动挖掘理论层次及相关技术框架。理论层次主要包含叁个部分:基本特征层,模式、事件层以及知识层。在此理论层次下,分别对应了相应的技术路线:基本运动特征提取技术,模式、事件挖掘技术等。理论层次中的各层并不是独立的,低层是可以为高层服务的,但它们又都存在各自的特性,能够单独的用于挖掘信息。研究了一种基本运动特征挖掘方法。在分析体育视频基本运动特征基础上,提出了基本运动特征挖掘的框架,并简要介绍了此框架中各部分功能,以及相应的基本特征提取技术。其中基本特征的提取包括:轨迹的提取,运动对象位置的提取,以及运动方向的提取等。研究了一种基于运动的模式、事件、知识(MEK)挖掘方法。基于运动的模式挖掘是利用修正轨迹的几何特征来进行分析,获得视频中一些初略的结构化信息以及基于统计的运动习惯性问题等。基于运动的事件探测包含了两个方面的内容:SEIT的构建、基于SEIT的事件匹配。基于运动的知识挖掘是运用传统数据挖掘方法,利用其模式来提取出更高级的知识。设计并实现了体育视频运动挖掘平台——SVMMP(Sports Video Motion Mining Platform),对体育视频运动挖掘理论层次和技术框架进行了应用和验证。综上所述,本文提出了体育视频运动挖掘的基本概念、技术框架和理论层次,在经典方法的基础上对部分相关处理技术进行了改进,并通过设计实现体育视频运动挖掘平台,验证了本文的思路。这些研究为视频运动挖掘问题提供了一个新的解决方案,视频运动挖掘技术的不断发展和完善将使其在信息资源的管理和共享以及问题付诸决策等领域发挥越来越大的作用。
（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。
视频运动挖掘论文参考文献
[1].马超,沈微,董景峰.基于特定局部特征布局的视频运动目标挖掘[J].计算机工程.2013
[2].袁灿.体育视频分析中的运动挖掘方法研究[D].国防科学技术大学.2011
[3].谢浩亮.基于运动特征的监控视频挖掘关键技术研究[D].石家庄经济学院.2011
[4].代科学,张军,李国辉,来旭.监控视频运动目标的频繁轨迹模式挖掘[J].国防科技大学学报.2006