基于自适应局部敏感的稀疏表示的视频分类技术研究.doc
约47页DOC格式手机打开展开
基于自适应局部敏感的稀疏表示的视频分类技术研究,17900字自己原创的毕业论文，已经通过校内系统检测，重复率低，仅在本站独家出售，大家放心下载使用摘要随着互联网技术和多媒体应用的蓬勃发展，数字视频信息出现了飞速膨胀，对海量视频信息进行管理的难度日益加大。由于视频数据普遍具有较大的数据量，视频存储的信息种类繁多，因此，面对...
内容介绍
此文档由会员 淘宝大梦 发布
基于自适应局部敏感的稀疏表示的视频分类技术研究
17900字
自己原创的毕业论文，已经通过校内系统检测，重复率低，仅在本站独家出售，大家放心下载使用
摘 要
随着互联网技术和多媒体应用的蓬勃发展，数字视频信息出现了飞速膨胀，对海量视频信息进行管理的难度日益加大。由于视频数据普遍具有较大的数据量，视频存储的信息种类繁多，因此，面对如此海量视频数据如何有效地进行分类成为了近年来研究的热点，其中，基于语义的视频镜头分类更是一项关键技术。
本文分析研究了课题组所提出基于自适应局部敏感稀疏表示的视频分类算法，结合基于人工免疫有序聚类的视频关键帧提取算法，图像多特征提取技术和特征融合技术，使用自适应局部敏感的稀疏表示算法对训练视频镜头样本进行字典学习，获取能反映视频本质特征的优化字典，最终得到待测试视频镜头样本在优化字典上的稀疏表示用于分类。
在OPENCV、VC++和MATLAB环境下，采用面向对象的编程思想，设计实现了基于自适应局部敏感的稀疏表示的视频镜头分类系统。在实现的过程中，系统将功能分为字典训练，预处理，分类器三个模块，提高了系统的健壮性，降低了编码难度。系统界面美观大方，使用方便。
关键词 稀疏表示；视频镜头分类；字典学习；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 录
第一章 绪论 1
1.1 课题研究背景 1
1.2 国内外发展现状 2
1.3 目前视频镜头分类系统存在的问题 2
1.4 本论文研究的内容和安排 2
第二章 视频镜头预处理 4
2.1 视频镜头分割 4
2.2 基于人工免疫有序聚类的视频关键帧提取方法 4
2.2.1 基于人工免疫的有序样本聚类算法 4
2.2.2 基于人工免疫有序聚类的视频关键帧提取算法 5
2.3 视频的特征提取 6
2.3.1 颜色特征 6
2.3.2 LBP特征提取 12
2.3.3 灰度共生矩阵特征提取 15
2.3.4 径向Tchebichef矩特征提取 17
2.4 多特征融合 19
2.5 本章小结 20
第三章 基于自适应局部敏感的稀疏表示的视频镜头分类技术 21
3.1 稀疏表示 21
3.1.1 稀疏表示（SR） 21
3.1.2 稀疏表示分类算法（SRC） 22
3.2 局部敏感的稀疏表示（LSR） 22
3.3 自适应局部敏感的稀疏表示（SLSR） 23
3.4 基于自适应局部敏感的稀疏表示的视频语义分类 25
3.5 基于自适应局部敏感的稀疏表示的视频镜头分类流程 26
3.6 系统定性分析 27
3.7 本章小结 27
第四章 视频镜头分类原型系统的实现 28
4.1 开发环境简介 28
4.2 面向对象设计技术 28
4.3 系统的总体设计 28
4.4 系统核心类设计 30
4.4.1 特征的稀疏表示和重构类的设计 30
4.4.2 视频特征提取类的设计 31
4.5 视频镜头分类原型系统功能实现 32
4.5.1 系统界面简介 33
4.5.2 功能模块简介 34
4.5.3 视频分类系统的基本操作 37
4.6 本章小结 39
第五章 结论 40
5.1 工作总结 40
5.2 后期工作展望 40
致 谢 41
参考文献 42
17900字
自己原创的毕业论文，已经通过校内系统检测，重复率低，仅在本站独家出售，大家放心下载使用
摘 要
随着互联网技术和多媒体应用的蓬勃发展，数字视频信息出现了飞速膨胀，对海量视频信息进行管理的难度日益加大。由于视频数据普遍具有较大的数据量，视频存储的信息种类繁多，因此，面对如此海量视频数据如何有效地进行分类成为了近年来研究的热点，其中，基于语义的视频镜头分类更是一项关键技术。
本文分析研究了课题组所提出基于自适应局部敏感稀疏表示的视频分类算法，结合基于人工免疫有序聚类的视频关键帧提取算法，图像多特征提取技术和特征融合技术，使用自适应局部敏感的稀疏表示算法对训练视频镜头样本进行字典学习，获取能反映视频本质特征的优化字典，最终得到待测试视频镜头样本在优化字典上的稀疏表示用于分类。
在OPENCV、VC++和MATLAB环境下，采用面向对象的编程思想，设计实现了基于自适应局部敏感的稀疏表示的视频镜头分类系统。在实现的过程中，系统将功能分为字典训练，预处理，分类器三个模块，提高了系统的健壮性，降低了编码难度。系统界面美观大方，使用方便。
关键词 稀疏表示；视频镜头分类；字典学习；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 录
第一章 绪论 1
1.1 课题研究背景 1
1.2 国内外发展现状 2
1.3 目前视频镜头分类系统存在的问题 2
1.4 本论文研究的内容和安排 2
第二章 视频镜头预处理 4
2.1 视频镜头分割 4
2.2 基于人工免疫有序聚类的视频关键帧提取方法 4
2.2.1 基于人工免疫的有序样本聚类算法 4
2.2.2 基于人工免疫有序聚类的视频关键帧提取算法 5
2.3 视频的特征提取 6
2.3.1 颜色特征 6
2.3.2 LBP特征提取 12
2.3.3 灰度共生矩阵特征提取 15
2.3.4 径向Tchebichef矩特征提取 17
2.4 多特征融合 19
2.5 本章小结 20
第三章 基于自适应局部敏感的稀疏表示的视频镜头分类技术 21
3.1 稀疏表示 21
3.1.1 稀疏表示（SR） 21
3.1.2 稀疏表示分类算法（SRC） 22
3.2 局部敏感的稀疏表示（LSR） 22
3.3 自适应局部敏感的稀疏表示（SLSR） 23
3.4 基于自适应局部敏感的稀疏表示的视频语义分类 25
3.5 基于自适应局部敏感的稀疏表示的视频镜头分类流程 26
3.6 系统定性分析 27
3.7 本章小结 27
第四章 视频镜头分类原型系统的实现 28
4.1 开发环境简介 28
4.2 面向对象设计技术 28
4.3 系统的总体设计 28
4.4 系统核心类设计 30
4.4.1 特征的稀疏表示和重构类的设计 30
4.4.2 视频特征提取类的设计 31
4.5 视频镜头分类原型系统功能实现 32
4.5.1 系统界面简介 33
4.5.2 功能模块简介 34
4.5.3 视频分类系统的基本操作 37
4.6 本章小结 39
第五章 结论 40
5.1 工作总结 40
5.2 后期工作展望 40
致 谢 41
参考文献 42
