Advances in Visual Information Management: Visual Database Systems. IFIP TC2 WG2.6 Fifth Working Conference on Visual Database Systems May 10–12, 2000, Fukuoka, Japan

بخش‌بندی ویدیو اساسی‌ترین فرآیند برای نمایه‌سازی مناسب و بازیابی فواصل ویدیویی است. به طور کلی، جریان‌های ویدیویی از 1 شات تشکیل شده‌اند که با مرزهای شات فیزیکی مشخص شده‌اند. کار قابل توجهی در مورد چگونگی تشخیص خودکار چنین مرزهای شلیک انجام شده است (Arman et aI. , 1993) (Zhang et aI. , 1993) (Zhang et aI. , 1995) (Kobla et aI. , 1997). از طریق ادغام فناوری‌هایی مانند پردازش تصویر، تشخیص گفتار/شخصیت و درک زبان طبیعی، می‌توان کلمات کلیدی را استخراج کرد و با این عکس‌ها برای نمایه‌سازی مرتبط کرد (Wactlar et aI., 1996). با این حال، یک عکس به ندرت حاوی مقدار کافی اطلاعات است که به خودی خود معنادار باشد. معمولاً، این یک فاصله زمانی معنادار است که بیشتر کاربران علاقه مند به بازیابی آن هستند. به طور کلی، چنین فواصل معنی‌داری چندین عکس متوالی را در بر می‌گیرد. به ندرت هیچ تکنیک کارآمد و قابل اعتمادی وجود ندارد، چه به صورت خودکار یا دستی، برای شناسایی تمام فواصل معنی دار معنایی در یک جریان ویدئویی. آثار (Smith and Davenport, 1992) (Oomoto and Tanaka, 1993) (Weiss et aI. , 1995) (Hjelsvold et aI., 1996) پیشنهاد می کند که همه این فاصله ها را از قبل به صورت دستی در پایگاه داده تعریف کنید. با این حال، حتی یک ویدیوی یک ساعته ممکن است تعداد نامحدودی از فواصل معنی دار داشته باشد. علاوه بر این، داده های ویدئویی چند تفسیری هستند. بنابراین، با توجه به یک پرس و جو، آنچه که یک فاصله زمانی معنادار برای یک حاشیه نویس است ممکن است برای کاربری که پرس و جو را صادر می کند، معنی نداشته باشد. در عمل، نمایه سازی دستی فواصل معنی دار کار فشرده و ناکافی است.

Video segmentation is the most fundamental process for appropriate index­ ing and retrieval of video intervals. In general, video streams are composed 1 of shots delimited by physical shot boundaries. Substantial work has been done on how to detect such shot boundaries automatically (Arman et aI. , 1993) (Zhang et aI. , 1993) (Zhang et aI. , 1995) (Kobla et aI. , 1997). Through the inte­ gration of technologies such as image processing, speech/character recognition and natural language understanding, keywords can be extracted and associated with these shots for indexing (Wactlar et aI. , 1996). A single shot, however, rarely carries enough amount of information to be meaningful by itself. Usu­ ally, it is a semantically meaningful interval that most users are interested in re­ trieving. Generally, such meaningful intervals span several consecutive shots. There hardly exists any efficient and reliable technique, either automatic or manual, to identify all semantically meaningful intervals within a video stream. Works by (Smith and Davenport, 1992) (Oomoto and Tanaka, 1993) (Weiss et aI. , 1995) (Hjelsvold et aI. , 1996) suggest manually defining all such inter­ vals in the database in advance. However, even an hour long video may have an indefinite number of meaningful intervals. Moreover, video data is multi­ interpretative. Therefore, given a query, what is a meaningful interval to an annotator may not be meaningful to the user who issues the query. In practice, manual indexing of meaningful intervals is labour intensive and inadequate.