自适应关键帧提取算法

自适应关键帧提取算法(任务书,开题报告,论文13000字)
摘要
近年来，由于视频媒体被应用于多个行业与领域，视频所蕴含的信息量急剧增加。繁复的视频数据引发了对视频数据检索功能的需求，为解决这一问题，我们提出关键帧这一图像概念来表述镜头主要的内容，可将其作为有效的视频索引参量，降低视频检索工作复杂度，减少冗余信息，帮助快速全面了解视频内容。为了提高检索的效率，减少索引视频时需要的劳动力成本，本文探讨并研究了几种具有自适应能力的关键帧提取算法，比如基于抽样、基于聚类分析、基于内容、基于镜头分割以及基于运动分析的关键帧提取算法。重点完成了以HSV特征向量的基于内容的关键帧提取、以灰度差分为主要思想的基于镜头分割的关键帧提取、K-means聚类算法的关键帧提取，并采用不同种类视频对比评估了不同算法的性能。
关键字：视频关键帧，k-means算法，颜色直方图，镜头分割

Abstract
With the development of video media used in various fields, the amount of information contained in video has increased dramatically. A wide range of video data has caused the demand for video data retrieval. The fream named video key fream can represent the significant content of a video shot. It can be used as an effective video index parameter to reduce the complexity of video retrieval works, reduce redundant information, and help to understand video content quickly and comprehensively. In order to improve the efficiency of indexing and reduce the artificial cost in video retrieval, we have studied several adaptive key frame extraction algorithms. And mianly talked about the key frame extraction based on the content based HSV feature vectors, the key frame extraction based on the shot segmentation and the key frame extraction based on the K-means clustering algorithm.At last,we evaluate the performance of the algorithm through different kinds of video contrastly.
Key words: video ,key frame ,K-means algorithm ,color hist,shot segmentation   
     
目    录   
第1章绪论    1
1.1 研究的目的及意义    1
1.2国内外研究现状    1
1.2.1基于抽样的方法    2
1.2.2基于镜头分割法    2
1.2.3基于图像内容的特征提取法    2
1.2.4基于运动分析法    3
1.2.5基于聚类的方法    3
1.3本文的工作和内容    3
第2章自适应关键帧提取算法原理    4
2.1基于HSV特征向量的关键帧提取算法    4
2.2基于运动分析的关键帧提取算法    6
2.3基于镜头分割的关键帧提取算法    7
2.3.1直方图镜头分割法    7
2.3.2边缘检测镜头分割法    7
2.3.3块匹配镜头分割法    8
2.4聚类分析法    9
第3章自适应关键帧提取算法的具体实现    12
3.1准备工作    12
3.1.1视频结构划分    12
3.1.2 环境配置    13
3.2 HSV特征向量算法的实现    15
3.2.1 RGB-HSV颜色空间转换    15
3.2.2 颜色特征提取    15
3.3灰度块匹配的镜头分割算法的实现    17
3.3.1 RGB全彩图-灰度图转化    17
3.3.2 帧间距离计算    17
3.4K-means聚类算法的实现    18
3.4.1聚类相关参数计算    18
3.4.2聚类迭代过程    18
第4章结果分析    20
4.1运行结果    20
4.2算法评估    25
第5章结论    27
参考文献    28
致谢    29