基于视频聚类的关键帧提取算法-论文.pdf

《基于视频聚类的关键帧提取算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、可靠传输ReliableTransmission2i黉g蘩臻虢基于视频聚类的关键帧提取算法刘华咏，郝会芬，李涛(华中师范大学计算机学院，湖北武汉430079)摘要：关键帧可以有效减少视频索引的数据量，是分析和检索视频的关键。在提取关键帧过程中，为了解决传统聚类算法对初始参数敏感的问题，提出了一种改进的基于视频聚类的关键帧提取算法。首先，提取视频帧的特征，依据帧间相似度，对视频帧进行层次聚类，并得到初始聚类结果；接着使~K-means算法对初始聚类结果进行优化，最后提取聚类的中心作为视频的关键帧。实验结果表明该方法可以大幅提高关键帧的准确率和查全率，能较

2、好地表达视频的主要内容。关键词：关键帧；特征提取；层次聚类：K-means算法中图分类号：TP391．4文献标识码：A文章编号：2095—1302(2014)08—0059—03O引言定要选取的关键帧的数目，但缺点是：当镜头变化频繁时容随着互联网和多媒体技术的飞速发展，形象生动的数字易导致选取的关键帧过多，造成信息冗余。视频已经逐渐取代单调的文本信息，成为人们网络生活中传(4)基于聚类分析的关键帧C7-9]提取技术。该方法充分播信息的重要方式之一。面对互联网上大量的视频，能否在考虑了镜头内以及镜头间的相关性，依据帧图像间相似度的大较短的时间内找到需要的

3、视频片段，已经成为了，人们越来越关小，将视频帧序列进行聚类，然后依次从每类中选取一帧作为注的问题。在视频帧序列中，包含视频重要内容的帧可以简单关键帧。大多数情况下，基于聚类分析提取关键帧能准确的描有效地概括视频的主要内容，称为视频的关键帧。关键帧的述视频主要的内容。但该方法最大的不足之处在于：需要在提取技术在基于内容的视频检索中有着举足轻重的地位在聚类前提前设定好聚类的数目和聚类中心。在视频内容不确定实际应用中，关键帧的提取技术可以分为以下4大类：的的情况下，提前设定聚类的数目和中心是十分困难的，且运(1)基于运动分析的关键帧提取技术。运动分析一般是算

4、时间较长，这一缺陷极大的制约了这类方法的进一步发展。基于流光运算的，通过分析和计算光流得出视频序列的运动层次聚类算法无需提前设定聚类中心和聚类数目，但该量。然后比较运动量的值，并选取局部最小值处的帧为关键算法收敛速度相对较慢。K-means算法设计简单、容易实现，帧。这种方法提取关键帧的最大优点是：针对不同结构的镜头，且收敛速度较快，但其对初始聚类中心较敏感，容易陷入局可以根据实际情况提取数量合适的关键帧。但这种方法计算部最优解[10]o针对这两种算法在提取关键帧过程中出现的不复杂，时间开销大，而且由局部最小值得到的关键帧不—定能足，本文提出一种改进的

5、基于视频聚类的关键帧提取算法。准确描述视频内容。该算法过程为：首先，依次提取帧图像的信息熵，并使用欧(2)基于镜头边界的关键帧提取技术[2-3]o这种方法首先式距离公式计算帧间相似度；然后，运用层次聚类算法对所将视频分割成若干个镜头，然后在每个镜头内部分别提取第有帧进行聚类，得到初始聚类结果；运用K-means算法优化一帧、中间帧和最后一帧作为关键帧。这种方法容易设讯计并完成最终聚类；最后，将距离聚类中心最近的帧作为关键算简单，适合视频内容简单或场景固定的情况，但当镜头变换帧输出。频繁且变换方式多样时，有可能导致提取的关键帧不能准确1基于视频聚类的关键

6、帧提取过程地描述视频的内容。1．1特征提取(3)基于视觉内容的关键帧提取技术该方法根据1948年，信息论创始人shannon首次提出信息熵的概念，每一帧图像的形状、纹理、颜色等视频信息的改变来提取关用以描述随机变量所包含的平均信息量。的信息熵定义为：键帧。这种方法可以根据视频内容变化的显著程度灵活的确H(X)=一∑：，p(m)logp(x)其中，，_lf：1，2，3，⋯，n)表示随机变量()表示x收稿日期：2014—04-28出现的概率。基金项目：中央高校自主科研项~1(No．CCNU10A01012)对于一段包含Ⅳ帧的视频序列：，，⋯，}，假设201

7、4年／第8期物联网技术59＼