目标检测之视频摘要---即视频浓缩,视频检索,视频摘要浓缩

(1)视频摘要应用背景

(2)视频摘要简介

(3)视频浓缩相关技术

(4)视频浓缩残留问题

---------------author:pkf

----------------------------time:2015-1-26

------------------------------------qq:1327706646

(1)视频摘要应用背景

  说起视频摘要,13年就有看到同事在做这方面的工作,并带个硕士三个月内三个人搞出了个简单demo,当时是给多维视通合作的一个项目,给公安侦查大队使用的,其实他就是基于目标分类,内容分类的视频分类技术.

视频摘要,又叫视频浓缩摘要、视频压缩或者视频浓缩。    基于对象的视频摘要。将背景和活动目标分离出来,然后将目标回贴(或者称之为叠加)到背景上,通过空间换时间,不同时间的目标出现在同一画面中,通过点击目标,回溯到原始视频。这是目前最先进的视频摘要技术。

     基于对象的视频摘要本质上也是一种视频检索或者视频搜索,因为浓缩视频实际上是对原始视频的一种索引,就像文件目录基于文件内容一样。这个代表了未来的发展方向,视频侦查的核心。  当然,视频摘要在提高人们看视频效率的同时,也带来了遗漏目标的风险,是否有目标遗漏成了这项技术能否适用的核心。     帮助用户更有效地浏览监控视频,在短短几分钟内用户可查看到需要的任何运动事件它可以将24小时内发生的所有事件以浓缩短片的形式,在短短几分钟内完整显示出来。视频摘要可同时呈现不同时间发生的多个对象与事件,点击片段的任意对象或事件便可显示整个视频,以进行针对性的查看。http://zhidao.baidu.com/link?url=H6SF45-yIhx-l2Iz_j7FmGKlzau6HilDuj3F75Jj2nEZ8ORvgtZZ6e2QNO31ZYIROeBh5hjILT5yuxxYF5Yq2ahttp://www.1000video.cn/jjfa_1164_1676.html

(2)视频摘要简介

(3)视频浓缩相关技术

http://wenku.baidu.com/link?url=VCr2W_SAOrT_zyUtnGn_Gac_N1ciRfROAWC0fPB-dc2imvoHTsMU0XVlDvBoFihP9TDAeV3zUxW3mecfwcXVeHAtdipw0PMmuiZh2BmOYDy

http://blog.csdn.net/carson2005/article/details/9304913 视频内容检索

http://www.photon.ac.cn/CN/abstract/abstract15913.shtml 优化

http://d.wanfangdata.com.cn/periodical_gzxb201202016.aspx

(4)视频浓缩残留问题

http://www.1000video.cn/jjfa_1164_1676.html

http://www.eope.net/CN/abstract/abstract9647.shtml

时间: 2024-10-24 06:55:22

目标检测之视频摘要---即视频浓缩,视频检索,视频摘要浓缩的相关文章

我收集的一些目标检测、跟踪、识别标准测试视频集和图像数据库

一个网友收集的运动目标检测,阴影检测的标准测试视频 http://blog.csdn.net/sunbaigui/article/details/6363390 很权威的change detection检测视频集,里面有将近20种主流算法在这个测试集上的运行结果和ROC,PRA曲线 http://changedetection.net/ VIVID Tracking Evaluation Web Site http://vision.cse.psu.edu/data/vividEval/data

视频目标检测

TCNN  静态图像中目标检测(rcnn,fast rcnn, faster rcnn, yolo, ssd 等) 上下文信息 使用图像检测算法将视频帧当做独立的图像来处理并没有充分利用整个视频的上下文信息.虽然说视频中可能出现任意类别的目标,但对于单个视频片段,只会出现比较少的几个类别,而且这几个类别之间有共现关系(出现船只的视频段中可能会有鲸鱼,但基本不可能出现斑马).所以,可以借助整个视频段上的检测结果进行统计分析:对所有检测窗口按得分排序,选出得分较高的类别,剩余那些得分较低的类别很可能

基于深度学习的目标检测研究进展

前言 开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么位置?这还不简单,图中有一个猫和一个人,具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置.其实刚刚的这个过程就是目标检测,目标检测就是"给定一张图像或者视频帧,找出其中所有目标的位置,并给出每个目标的具体类别". 目标检测对于人来说是再简单不过的任务,但是对于计算机来说,它看到的是一些值为0~255的数组,因而很难直接得到图像中有人或者猫这种高层语义概念,也不清楚目标出现在

机器视觉中的目标检测

今天撇去不同目标追踪算法的框架,比如KCF.TLD.Mean Shift等,忽略它们繁琐的公式,看了对目标检测的基本理解.这里做一个简单的总结,目标检测的框架一般是下图这样的: 目标检测分为以下几个步骤: 1. 训练分类器所需样本的创建 训练样本一般包括正样本和负样本,正样本是指第一帧图中框定的待检测的目标,负样本是指其它不包含目标的任意图片(比如背景),所有的样本图片都被归一化同样的尺寸大小(比如20C20). 2. 特征提取 我们一般通过图像.视频或者波形获得的数据量是很巨大的,比如一个简单

python中opencv库的使用之目标检测(二)

1 #course15.py 2 import numpy as np 3 import cv2 4 5 # multiple cascades: https://github.com/Itseez/opencv/tree/master/data/haarcascades 6 7 #https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xml 8 face_ca

常见的目标检测中的背景建模方法

Author: JW. ZHOU 2014/6/13 最近一直在做前景检测方面的研究,刚开始主要是做一些工程性的应用,为了解决工程方面的问题,下了不少功夫,也看了不少最近国内外的文章.一直想做个总结,拖着拖着,终究却写成这篇极不成功的总结. 背景建模或前景检测的算法主要有: 1. Single Gaussian (单高斯模型) Real-time tracking of the human body 2. 混合高斯模型(Mixture of Gaussian Model) An improved

openCV目标检测学习笔记(一)

最近在研究一些基于openCV的目标检测算法,由浅入深,今天是第一天. 首先网上下载了一份较简单的来对视频中运动物体进行二值显示的代码进行学习,以下是我的理解,初学者会犯一些错希望大家予以指正. #include<cv.h>#include "cxcore.h"#include<highgui.h> int main(int argc,unsigned char* argv[]) { CvCapture* capture = cvCreateFileCaptur

前景目标检测1(总结)

运动前景对象检测一直是国内外视觉监控领域研究的难点和热点之一,其目的是从序列图像中将变化区域从背景图像中提取出来,运动前景对象的有效检测对于对象跟踪.目标分类.行为理解等后期处理至关重要,那么区分前景对象,非常关键的一个问题是确定一个非常合适的背景,背景从象素的角度来理解,每一个象素就是有可能是前景点,也有可能是背景点,那么我们就要防止背景中误进入原属于前景点的对象,目前有几种常用的方法,但分别有利弊. 主要可以分为:背景建模,帧差法,光流法 1: Single Gaussian(单高斯模型)

目标检测与跟踪的研究热点以及发展趋势

目标检测与跟踪的研究热点以及发展趋势: 1) 场景信息与目标状态的融合 场景信息包含了丰富的环境上下文信息, 对场景信息进行分析及充分利用, 能够有效地获取场景的先验知识, 降低复杂的背景环境以及场景中与目标相似的物体的干扰; 同样地, 对目标的准确描述有助于提升检测与跟踪算法的准确性与鲁棒性. 总之,尝试研究结合背景信息和前景目标信息的分析方法,融合场景信息与目标状态, 将有助于提高算法的实用性能. 2) 多维度. 多层级信息融合 为了提高对运动目标表观描述的准确度与可信性, 现有的检测与跟踪