基于自適應局部敏感的稀疏表示的視頻分類技術研究

17900字
自己原創(chuàng)的畢業(yè)論文，已經通過校內系統(tǒng)檢測，重復率低，僅在本站獨家出售，大家放心下載使用

摘 要
隨著互聯(lián)網技術和多媒體應用的蓬勃發(fā)展，數字視頻信息出現(xiàn)了飛速膨脹，對海量視頻信息進行管理的難度日益加大。由于視頻數據普遍具有較大的數據量，視頻存儲的信息種類繁多，因此，面對如此海量視頻數據如何有效地進行分類成為了近年來研究的熱點，其中，基于語義的視頻鏡頭分類更是一項關鍵技術。
本文分析研究了課題組所提出基于自適應局部敏感稀疏表示的視頻分類算法，結合基于人工免疫有序聚類的視頻關鍵幀提取算法，圖像多特征提取技術和特征融合技術，使用自適應局部敏感的稀疏表示算法對訓練視頻鏡頭樣本進行字典學習，獲取能反映視頻本質特征的優(yōu)化字典，最終得到待測試視頻鏡頭樣本在優(yōu)化字典上的稀疏表示用于分類。
在OPENCV、VC++和MATLAB環(huán)境下，采用面向對象的編程思想，設計實現(xiàn)了基于自適應局部敏感的稀疏表示的視頻鏡頭分類系統(tǒng)。在實現(xiàn)的過程中，系統(tǒng)將功能分為字典訓練，預處理，分類器三個模塊，提高了系統(tǒng)的健壯性，降低了編碼難度。系統(tǒng)界面美觀大方，使用方便。
關鍵詞 稀疏表示；視頻鏡頭分類；字典學習；局部敏感

RESEARCH ON VIDEO SHOT CLASSIFICAATION TECHNIQUE BASED ON SELF-ADAPTIVE LOCALITY-SENSITIVE SPARSE REPRESENTATION
Abstract With Internet technology and the rapid development of multimedia applications, digital video rapid expansion of information appeared on the massive video information is difficult to manage growing. Since video data generally have a larger amount of data, information, many types of video storage, so the face of such massive video data on how effectively classify become a research hotspot in recent years, which, based on semantic classification is a video camera key technologies.
In this paper, based on the Task Force proposed adaptive local sparse representation algorithm is applied to sensitive video classification, based on artificial immune combining video key frame extraction and sequential clustering multiple image feature extraction and feature fusion technique using adaptive local sensitive sparse representation algorithm samples the training video footage dictionary learning, access to reflect the essential characteristics of video optimization dictionary, finally get video footage samples to be tested to optimize the dictionary sparse representation for classification.
In OPENCV, VC + + and MATLAB environment, the use of object-oriented programming ideas, designed and implemented based on adaptive local-sensitive video sparse representation camera classification system, in the process of implementation, the system devide function into the dictionary training, pretreatment, classifier three modules, improving the robustness of the system, reducing the coding difficulty, so that users can more easily use.
Keywords：sparse representation ,video classification, dictionary learning, local sensitive,

目 錄
第一章 緒論 1
1.1 課題研究背景 1
1.2 國內外發(fā)展現(xiàn)狀 2
1.3 目前視頻鏡頭分類系統(tǒng)存在的問題 2
1.4 本論文研究的內容和安排 2
第二章 視頻鏡頭預處理 4
2.1 視頻鏡頭分割 4
2.2 基于人工免疫有序聚類的視頻關鍵幀提取方法 4
2.2.1 基于人工免疫的有序樣本聚類算法 4
2.2.2 基于人工免疫有序聚類的視頻關鍵幀提取算法 5
2.3 視頻的特征提取 6
2.3.1 顏色特征 6
2.3.2 LBP特征提取 12
2.3.3 灰度共生矩陣特征提取 15
2.3.4 徑向Tchebichef矩特征提取 17
2.4 多特征融合 19
2.5 本章小結 20
第三章 基于自適應局部敏感的稀疏表示的視頻鏡頭分類技術 21
3.1 稀疏表示 21
3.1.1 稀疏表示（SR） 21
3.1.2 稀疏表示分類算法（SRC） 22
3.2 局部敏感的稀疏表示（LSR） 22
3.3 自適應局部敏感的稀疏表示（SLSR） 23
3.4 基于自適應局部敏感的稀疏表示的視頻語義分類 25
3.5 基于自適應局部敏感的稀疏表示的視頻鏡頭分類流程 26
3.6 系統(tǒng)定性分析 27
3.7 本章小結 27
第四章 視頻鏡頭分類原型系統(tǒng)的實現(xiàn) 28
4.1 開發(fā)環(huán)境簡介 28
4.2 面向對象設計技術 28
4.3 系統(tǒng)的總體設計 28
4.4 系統(tǒng)核心類設計 30
4.4.1 特征的稀疏表示和重構類的設計 30
4.4.2 視頻特征提取類的設計 31
4.5 視頻鏡頭分類原型系統(tǒng)功能實現(xiàn) 32
4.5.1 系統(tǒng)界面簡介 33
4.5.2 功能模塊簡介 34
4.5.3 視頻分類系統(tǒng)的基本操作 37
4.6 本章小結 39
第五章 結論 40
5.1 工作總結 40
5.2 后期工作展望 40
致 謝 41
參考文獻 42