CN110175591B - 一种获取视频相似度的方法及系统 - Google Patents
一种获取视频相似度的方法及系统 Download PDFInfo
- Publication number
- CN110175591B CN110175591B CN201910471887.5A CN201910471887A CN110175591B CN 110175591 B CN110175591 B CN 110175591B CN 201910471887 A CN201910471887 A CN 201910471887A CN 110175591 B CN110175591 B CN 110175591B
- Authority
- CN
- China
- Prior art keywords
- video
- lens
- similarity
- frame
- bof
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种获取视频相似度的方法,该方法包括:解析视频以获得视频中的帧序列图片;提取所述帧序列图片的颜色直方图特征;根据相邻的视频帧图片的颜色直方图特征得到相邻视频帧图片的相似度,若所述相似度大于预设的分割阈值,则对视频进行镜头分割以获得镜头内的帧图片;获取所述镜头内的帧图片的BOF特征,并基于所述BOF特征得到不同视频间的相似度。本发明实施例还公开一种获取视频相似度的系统。
Description
技术领域
本发明属于涉及视频识别的技术领域,尤其涉及一种获取视频相似度的方法及系统。
背景技术
对于大量视频,需要检测视频是否有重复,视频中是否有抄袭侵权现象,希望找到相似内容的视频等应用,随着网络视频的增量大增,视频相似度计算越来越受到重视,相似度计算的精度也越来越重要。
计算视频相似度就是将视频特征提取后进行量化比较,最终得到视频相似度的度量,为便于人们的理解相似度,相似度的范围在0到1之间。
现有技术的一种比较视频内容相似性的方法,采用分段视频帧最长公共子序列方法进行比对,其中子序列中是否匹配需要人工定义,适用于视频是否存在剪切进行的检测,因此这种方法将影响视频相似度的计算,造成相似度偏差;
还有一种视频相似度判定方法,该方法采用每秒截取5帧图像进行哈希特征提取,该方法存在的问题是:提取的特征将出现特征冗余或特征不足,并且采用的哈希特征也存在局限,会出现不同图片相似度为1的情况,并且由于均匀采集视频帧,对视频时长差别较大的视频对比也将产生较大影响;
另外还有人提出了基于shot(镜头)的视频相似度计算方法,该方法采用了混合特征并在计算相似度环节加入人工设定的权重,这种方法使相似度计算失去客观性,并且没有考虑shot时长的影响。
综上所述,上述现有技术中的视频相似度的方法大多依赖于人工设定的权重,因而造成了相似度的精度损失,并且也没有考虑shot时长对相似度的影响。
发明内容
有鉴于此,本发明实施例提供一种获取视频相似度的方法及系统,以解决现有技术中的至少一个技术问题,从而可以准确地计算视频间内容的相似度。
第一方面,本发明实施例提供了一种获取视频相似度的方法,该方法包括:
解析视频以获得视频中的帧序列图片;
提取所述帧序列图片的颜色直方图特征;
根据相邻的视频帧图片的颜色直方图特征得到相邻视频帧图片的相似度,若所述相似度大于预设的分割阈值,则对视频进行镜头分割以获得镜头内的帧图片;
获取所述镜头内的帧图片的BOF特征,并基于所述BOF特征得到不同视频间的相似度。
第二方面,本发明实施例提供了一种获取视频相似度的系统,该系统包括解析模块、提取模块、帧图片相似度获取模块、镜头分割模块和视频相似度获取模块;
所述解析模块用于解析视频以获得视频中的帧序列图片;
所述提取模块用于提取帧序列图片的颜色直方图特征;
所述帧图片相似度获取模块根据相邻的视频帧图片的颜色直方图特征得到相邻视频帧图片的相似度,若所述相似度大于预设的分割阈值,所述镜头分割模块则对视频进行镜头分割以获得镜头内的帧图片;
所述视频相似度获取模块获取所述镜头内的帧图片的BOF特征,并基于所述BOF特征得到不同视频间的相似度。
本发明在提取视频特征的过程中,将视频按场景分割为不同的镜头片段以提取镜头内帧图片的BOF分布特征;通过采用镜头内帧图片的BOF分布特征并基于BOF特征的统计特性,将镜头内帧图片的BOF分布特征进行累加并作归一化处理,这样不仅可以将一个镜头内的BOF特征融合到一个BOF特征向量中,而且也可以压缩视频帧的特征向量,同时由于融合了视频镜头中全部的特征,使得计算出的视频间相似度更为准确。
附图说明
图1为本发明实施例提供的一种获取视频相似度的方法的流程示意图;
图2为本发明实施例提供的一种获取视频相似度的系统的结构示意图。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
实施例一
下面介绍本发明实施例提供的一种获取视频相似度的方法的具体实施方式,参见图1,该方法包括;
S100:解析视频以获得视频中的帧序列图片;
预先设定视频的解析比例为1%,按视频的时间顺序,对视频进行解析获取视频中的帧序列图片,并将视频中的帧序列图片放入指定的目录;可以理解的是,在其他实施例中,该解析比例也可以是其他数值。
S200:提取帧序列图片的颜色直方图特征;
颜色直方图是图片中颜色分布的统计特征,在同一个镜头内,如果没有事物进出场景,视频帧内的颜色分布基本不会发生变化,通过该颜色直方图特征,如果相邻帧出现较大的波动,可判别此帧为视频shot的分割点。
由于数字图像单个通道的位深为8,范围在0-255间,通过统计整个通道的分布可得视频中的帧序列图片的颜色直方图特征为其中的N为直方图维度,i为图像通道数;即将0-255的范围分成N段,分别统计各段像素的概率,且满足
本实施例中,可以将视频中的帧序列图片的颜色直方图采用RGB颜色空间,具体例如可以将视频中的帧序列图片分为3个通道,将这3个通道的颜色直方图拼接在一起,组成视频中的帧序列图片的颜色直方图的特征为在本实施例中可选用N=32,即视频中的帧序列图片的颜色直方图特征维度为3N=96。
S300:根据相邻的视频帧图片的颜色直方图特征得到相邻视频帧图片的相似度,若所述相似度大于预设的分割阈值,则对视频进行镜头分割以获得镜头内的帧图片;
在本实施例中,可以根据相邻视频帧图片的颜色直方图特征得到相邻视频帧图片的颜色直方图的卡方距离,作为相邻视频帧图片之间的相似度,具体计算方法如下:
由于视频帧图片的颜色直方图特征鲁棒性较强,当镜头内出现显著变化时,颜色直方图才会出现变化。由此当相邻视频帧图片的颜色直方图出现显著变化时,可断定此视频帧即为镜头分割位置从而判断该视频帧为镜头分割帧。
具体的,设相邻视频帧图片的颜色直方图特征分别为Ht和Ht+1,本实施例中可采用卡方距离计算相邻视频帧图片的颜色直方图的卡方距离;
其中,dt是第t帧和t+1帧图片的颜色直方图的卡方距离;t是帧序号,t=0,1,2,…;Ht是第t帧图片的颜色直方图特征,Ht+1是第t+1帧图片的颜色直方图特征;N为单通道直方图维度,n是迭代变量;Ht(n)是第t帧图片颜色直方图的特征向量的第n维的数值,Ht+1(n)是第t+1帧图片颜色直方图的特征向量的第n维的数值。
利用第t帧和t+1帧图片的颜色直方图的卡方距离判断相邻的第t帧和t+1帧图片是否相似,所述dt在[0,1]范围之间,若dt大于预设的分割阈值T时,则对该视频进行镜头分割,并将视频分割成多个镜头;
优选的,该预设的分割阈值T=0.2,在其他实施例中,该预设的分割阈值根据实际应用而定,以确定合适的分割阈值。
S400:获取所述镜头内帧图片的BOF(Bag-of-Features,特征词袋)特征,并基于所述BOF特征得到不同视频间的相似度;
具体的,步骤S400包括以下子步骤S410-S440:
S410:根据镜头内帧图片的BOF特征,提取镜头内每一帧图片的sift(Scale-invariant feature transform,尺度不变特征变换)特征,将sift特征映射到BOF特征空间中,生成镜头内帧图片的BOF特征ffj;
其中,i是镜头序号,i=0,1,2,...,ns;j为镜头内图片帧序号;ns是镜头内帧图片的数量。
其中,fi是镜头内所有帧图片的BOF特征;i是镜头序号,i=0,1,2,...,ns;j为镜头内图片帧序号,ns是镜头内图片帧的数量。
通过将镜头内帧图片的特征是BOF分布特征进行累加,获得的fi特征包含了镜头内所有帧图片的全部特征,从而使得在后续步骤中得到的视频相似度的准确率更高。
S430:对镜头内所有帧图片的BOF特征fi作归一化处理得到镜头BOF特征;通过归一化处理保证了镜头BOF特征的特征向量模为1;
其中,fi′是镜头BOF特征;d是镜头内所有帧图片的BOF特征向量维度,fi是镜头内所有帧图片的BOF特征;fi(j)为特征向量fi的第j维的数值;j为循环变量。
S440:根据镜头BOF特征和镜头的权重得到不同视频间的相似度;
本实施例是将镜头内视频帧图片的数量与视频中所有帧图片的总量进行相比并归一化获得所述镜头的权重;
其中,本实施例中的镜头的权重是镜头内视频帧图片的数量与视频中所有帧图片的总量之比;
例如,假设视频中共有3个镜头,每个镜头内包含的视频帧图片的数量分别为3、3、4个,那么归一化的各镜头的权重即为0.3,0.3,0.4。
具体的,例如有两个视频,记为视频1、视频2,根据视频1到视频2的相似度和视频2到视频1的相似度得到视频1和2间的相似度sim;
计算视频1与视频2间的相似度的方法包括如下子步骤S441-S443;
S441:设定视频1的视频特征为F1=[f11,f12,...,f1n],d×n;
其中,F1为视频1的特征矩阵,该特征矩阵包括n个镜头特征,f11,f12,…,f1n是视频1中的各镜头的BOF特征,均为d×1的列向量;d为视频1内镜头内所有帧图片的BOF特征向量维度;n为视频1的镜头数量;
设定F2=[f21,f22,...,f2m],d×m;
其中,F2为视频2的特征矩阵,该特征矩阵包括m个镜头特征;f21,f22,…,f2m是视频2中的各镜头的BOF特征,均为d×1的列向量;d为视频1内镜头内所有帧图片的度BOF特征维度;m为视频2的镜头数量。
S442:设定视频1、2的权重分别为w1,w2,计算视频1到视频2的相似度sim12=w'1·F'1·F2·w2;计算视频2到视频1的相似度sim21=w'2·F'2·F1·w1;
其中,w1为视频1镜头权重,该w1为n×1的列向量;w1'为w1的转置,为1×n的行向量;w2为视频2镜头权重,该w2为m×1的列向量;w'2为w2的转置,为1×m的行向量。
S443:根据视频1到视频2的相似度sim12和视频2到视频1的相似度sim21并进行加权得到视频1和2间的相似度sim,公式如下:
sim=w3(sim12+sim21);其中w3=0.5,这是由于sim12和sim21的值域均在[0-1]之间,相加后sim12+sim21的值域在[0-2]间,w3取0.5可将sim12+sim21的值域范围映射到[0-1]中,通过将镜头权重(即镜头中帧数)融合到视频相似度比对的过程中,从而实现了不同镜头数量的视频比对计算方法,得到0-1范围内的视频相似度的数值,使得用户对视频相似的程度有清晰的概念,可以更好地理解不同视频间的相似程度。
实施例二
下面介绍本发明实施例提供的一种获取视频相似度的系统的具体实施方式,参见图2,该系统包括解析模块、提取模块、帧图片相似度获取模块、镜头分割模块和视频相似度获取模块;
所述解析模块用于解析视频以获得视频中的帧序列图片;
所述提取模块用于提取帧序列图片的颜色直方图特征;
所述帧图片相似度获取模块根据相邻的视频帧图片的颜色直方图特征得到相邻视频帧图片的相似度,若所述相似度大于预设的分割阈值,所述镜头分割模块则对视频进行镜头分割以获得镜头内的帧图片;
所述视频相似度获取模块获取所述镜头内的帧图片的BOF特征,并基于所述BOF特征得到不同视频间的相似度。
进一步的,所述帧图片相似度获取模块根据相邻视频帧图片的颜色直方图特征得到相邻视频帧图片的颜色直方图的卡方距离,作为相邻视频帧图片之间的相似度。
进一步的,所述视频相似度获取模块包括第一特征获取模块、第二特征获取模块、第一归一化模块、权重获取模块、第二归一化模块和相似度模块;
所述第一特征获取模块根据镜头内帧图片的BOF特征提取镜头内每一帧图片的sift特征,并将sift特征映射到BOF特征空间中以生成镜头内帧图片的BOF分布特征;
所述第二特征获取模块将镜头内帧图片的BOF分布特征累加合并以得到镜头内所有帧图片的BOF特征;
所述归一化模块对镜头内所有帧图片的BOF特征fi作归一化处理得到镜头BOF特征;
所述相似度模块根据镜头BOF特征和镜头的权重得到不同视频间的相似度。
该实施例中的获取视频相似度的系统得到不同视频间相似度的工作过程与实施例一的工作过程基本一致,在此不再赘述。
本发明的有益效果在于:
本发明在提取视频特征的过程中,将视频按场景分割为不同的镜头片段以提取镜头内帧图片的BOF分布特征;通过采用镜头内帧图片的BOF分布特征并基于BOF特征的统计特性,将镜头内帧图片的BOF分布特征进行累加并作归一化处理,这样不仅可以将一个镜头内的BOF特征融合到一个BOF特征向量中,而且也可以压缩视频帧的特征向量,同时由于融合了视频镜头中全部的特征,使得计算出的视频间相似度更为准确。
本领域普通技术人员可以意识到,结合本发明实施例中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (3)
1.一种获取视频相似度的方法,其特征在于,该方法包括:
解析视频以获得视频中的帧序列图片;
提取所述帧序列图片的颜色直方图特征;
根据相邻的视频帧图片的颜色直方图特征得到相邻视频帧图片的相似度,若所述相似度大于预设的分割阈值,则对视频进行镜头分割以获得镜头内的帧图片;
获取所述镜头内的帧图片的BOF特征,并基于所述BOF特征得到不同视频间的相似度,具体包括以下子步骤:
根据镜头内帧图片的BOF特征,提取镜头内每一帧图片的sift特征,将sift特征映射到BOF特征空间中,生成镜头内帧图片的BOF分布特征;
将镜头内帧图片的BOF分布特征累加合并,得到镜头内所有帧图片的BOF特征;
对镜头内所有帧图片的BOF特征作归一化处理得到镜头BOF特征;
根据镜头BOF特征和镜头的权重得到不同视频间的相似度;
其中,所述得到相邻视频帧图片的相似度包括:根据相邻视频帧图片的颜色直方图特征得到相邻视频帧图片的颜色直方图的卡方距离,作为相邻视频帧图片之间的相似度;
所述镜头的权重是镜头内视频帧图片的数量与视频中所有帧图片的总量之比。
3.一种获取视频相似度的系统,其特征在于,该系统包括解析模块、提取模块、帧图片相似度获取模块、镜头分割模块和视频相似度获取模块;
所述解析模块用于解析视频以获得视频中的帧序列图片;
所述提取模块用于提取帧序列图片的颜色直方图特征;
所述帧图片相似度获取模块根据相邻的视频帧图片的颜色直方图特征得到相邻视频帧图片的相似度,若所述相似度大于预设的分割阈值,所述镜头分割模块则对视频进行镜头分割以获得镜头内的帧图片;
所述视频相似度获取模块获取所述镜头内的帧图片的BOF特征,并基于所述BOF特征得到不同视频间的相似度;其中,所述帧图片相似度获取模块根据相邻视频帧图片的颜色直方图特征得到相邻视频帧图片的颜色直方图的卡方距离,作为相邻视频帧图片之间的相似度;
所述视频相似度获取模块包括第一特征获取模块、第二特征获取模块、第一归一化模块、权重获取模块、第二归一化模块和相似度模块;
所述第一特征获取模块根据镜头内帧图片的BOF特征提取镜头内每一帧图片的sift特征,并将sift特征映射到BOF特征空间中以生成镜头内帧图片的BOF分布特征;
所述第二特征获取模块将镜头内帧图片的BOF分布特征累加合并以得到镜头内所有帧图片的BOF特征;
所述归一化模块对镜头内所有帧图片的BOF特征作归一化处理得到镜头BOF特征;所述相似度模块根据镜头BOF特征和镜头的权重得到不同视频间的相似度,所述镜头的权重是镜头内视频帧图片的数量与视频中所有帧图片的总量之比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910471887.5A CN110175591B (zh) | 2019-05-31 | 2019-05-31 | 一种获取视频相似度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910471887.5A CN110175591B (zh) | 2019-05-31 | 2019-05-31 | 一种获取视频相似度的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175591A CN110175591A (zh) | 2019-08-27 |
CN110175591B true CN110175591B (zh) | 2021-06-22 |
Family
ID=67696917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910471887.5A Active CN110175591B (zh) | 2019-05-31 | 2019-05-31 | 一种获取视频相似度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175591B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008978B (zh) * | 2019-12-06 | 2022-10-14 | 电子科技大学 | 基于深度学习的视频场景分割方法 |
CN113784226A (zh) * | 2020-06-10 | 2021-12-10 | 北京金山云网络技术有限公司 | 一种视频切片方法、装置、电子设备及存储介质 |
CN112884683A (zh) * | 2021-01-11 | 2021-06-01 | 北京霍因科技有限公司 | 一种视频图像的增强处理方法、装置及电子设备 |
CN112785606B (zh) * | 2021-01-26 | 2024-04-09 | 上海明略人工智能(集团)有限公司 | 一种镜头分割方法、装置、电子设备和计算机可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425088A (zh) * | 2008-10-24 | 2009-05-06 | 清华大学 | 基于图分割的关键帧提取方法和系统 |
CN102760169A (zh) * | 2012-06-13 | 2012-10-31 | 天脉聚源(北京)传媒科技有限公司 | 一种电视直播流中的广告段检测方法 |
US8548203B2 (en) * | 2010-07-12 | 2013-10-01 | International Business Machines Corporation | Sequential event detection from video |
CN104317946A (zh) * | 2014-10-31 | 2015-01-28 | 上海交通大学 | 一种基于多张关键图的图像内容检索方法 |
CN106610969A (zh) * | 2015-10-21 | 2017-05-03 | 上海文广互动电视有限公司 | 基于多模态信息的视频内容审查系统及方法 |
CN108537119A (zh) * | 2018-03-06 | 2018-09-14 | 北京大学 | 一种小样本视频识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5599572B2 (ja) * | 2009-03-12 | 2014-10-01 | 富士フイルム株式会社 | 症例画像検索装置、方法およびプログラム |
CN102750339B (zh) * | 2012-06-05 | 2014-04-16 | 北京交通大学 | 一种基于视频重构的重复片段定位方法 |
-
2019
- 2019-05-31 CN CN201910471887.5A patent/CN110175591B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425088A (zh) * | 2008-10-24 | 2009-05-06 | 清华大学 | 基于图分割的关键帧提取方法和系统 |
US8548203B2 (en) * | 2010-07-12 | 2013-10-01 | International Business Machines Corporation | Sequential event detection from video |
CN102760169A (zh) * | 2012-06-13 | 2012-10-31 | 天脉聚源(北京)传媒科技有限公司 | 一种电视直播流中的广告段检测方法 |
CN104317946A (zh) * | 2014-10-31 | 2015-01-28 | 上海交通大学 | 一种基于多张关键图的图像内容检索方法 |
CN106610969A (zh) * | 2015-10-21 | 2017-05-03 | 上海文广互动电视有限公司 | 基于多模态信息的视频内容审查系统及方法 |
CN108537119A (zh) * | 2018-03-06 | 2018-09-14 | 北京大学 | 一种小样本视频识别方法 |
Non-Patent Citations (1)
Title |
---|
基于BOF模型的视频检索技术;曾晓辉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215;正文第28,39-50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110175591A (zh) | 2019-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175591B (zh) | 一种获取视频相似度的方法及系统 | |
AU2017261537B2 (en) | Automated selection of keeper images from a burst photo captured set | |
US9665775B2 (en) | Identifying scene boundaries using group sparsity analysis | |
JP4725690B2 (ja) | 映像識別子抽出装置 | |
EP1494132B1 (en) | Method and apparatus for representing a group of images | |
US6990233B2 (en) | Apparatus and method for extracting object based on feature matching between segmented regions in images | |
CN108182421B (zh) | 视频分割方法和装置 | |
US8913835B2 (en) | Identifying key frames using group sparsity analysis | |
US9076043B2 (en) | Video summarization using group sparsity analysis | |
US8897560B2 (en) | Determining the estimated clutter of digital images | |
CN105069424B (zh) | 面部快速识别系统和方法 | |
CN1909670B (zh) | 图像表示和分析方法 | |
KR20150027011A (ko) | 영상 처리 방법 및 장치 | |
US20190197695A1 (en) | Image processing apparatus, image processing method, and storage medium | |
CN110188625B (zh) | 一种基于多特征融合的视频精细结构化方法 | |
CN110807790A (zh) | 一种视频目标轨迹跟踪内容的图像数据抽取压缩方法 | |
US20140086487A1 (en) | Estimating the clutter of digital images | |
CN113918510A (zh) | 图片归档方法、装置、终端设备及计算机可读存储介质 | |
WO2010084738A1 (ja) | 照合加重情報抽出装置 | |
Jinda-Apiraksa et al. | A Keyframe Selection of Lifelog Image Sequences. | |
Jeong et al. | Consumer video summarization based on image quality and representativeness measure | |
CN116797510A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN113486788A (zh) | 视频相似度确定方法、装置、电子设备及存储介质 | |
KR101484531B1 (ko) | 영상 조각 기반 희소 표현을 활용한 번호판 영역 검출 방법 및 시스템 | |
Liu et al. | An adaptive threshold shot detection algorithm based on improved block color features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |