Joint Key-frame Extraction and Object Segmentation for Content-based Video Analysis

دسته بندی: سازمان و پردازش داده ها
ویرایش:  
نویسندگان: Song X.  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 21 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 413 کیلوبایت 

قیمت کتاب (تومان) : 44,000

این کار تا حدی توسط بنیاد ملی علوم (NSF) تحت Grant IIS-0347613 (CAREER) و وزارت دفاع EPCoR (DEPSCoR) تحت Grant W911NF-04-1-0221 پشتیبانی می شود. این کار تا حدی در IEEE Workshop on Motion and Video Computing, Breckenridge, Colorado, 5-6 ژانویه 2005 و کنفرانس بین المللی IEEE on Acoustics, Speech and Signal Processing, Philadelphia, PA, 18-23 مارس 2005 منتشر شده است.< div class=\"bb-sep\">استخراج فریم کلیدی مشترک و تقسیم بندی اشیا برای تجزیه و تحلیل ویدئویی مبتنی بر محتوا Abstract< /strong> استخراج فریم کلیدی و تقسیم بندی شی معمولاً به‌دلیل اینکه در سطوح معنایی مختلف قرار دارند و ویژگی‌های متفاوتی را شامل می‌شوند، به‌طور مستقل و جداگانه پیاده‌سازی می‌شوند. در این کار، ما یک روش مشترک استخراج قاب کلید و تقسیم بندی شی را با ساختن یک فضای ویژگی یکپارچه برای هر دو فرآیند پیشنهاد می کنیم، جایی که استخراج فریم کلیدی به عنوان فرآیند انتخاب ویژگی برای تقسیم بندی شی در زمینه مدل مخلوط گاوسی (GMM) فرموله می شود. مدل سازی ویدیویی مبتنی بر ) به طور خاص، دو معیار مبتنی بر واگرایی برای استخراج فریم کلیدی معرفی شده‌اند. یکی استخراج فریم کلیدی را توصیه می کند که منجر به حداکثر واگرایی بین کلاسی زوجی بین اجزای GMM می شود. هدف دیگر به حداکثر رساندن واگرایی حاشیه ای است که تغییرات درون فریم چگالی میانگین را نشان می دهد. روش‌های پیشنهادی می‌توانند فریم‌های کلیدی را برای تقسیم‌بندی شی استخراج کنند و برخی از ویژگی‌های جالب فریم‌های کلیدی نیز مورد بحث قرار می‌گیرند. این کار یک پارادایم منحصر به فرد برای تجزیه و تحلیل ویدیوی مبتنی بر محتوا ارائه می دهد. شرایط شاخص — استخراج فریم کلیدی، تقسیم بندی شی، مدل مخلوط گاوسی ، انتخاب ویژگی، واگرایی خوشه. استخراج فریم کلیدی مشترک و تقسیم بندی شی
فرمول بندی مشکل
حداکثر میانگین فاصله بین کلاسی کول بک لایبلر (MAIKLD)
حداکثر تنوع حاشیه ای
الگوریتم پیشنهادی
ویژگی های فریم کلیدی
شبیه سازی ها و بحث ها
تقسیم بندی اشیا
استخراج فریم کلید
محدودیت‌ها آهنگ Xiaomu، عضو، IEEE، و Guoliang Fan، عضو ارشد IEEE.
X. Song با دانشکده مهندسی برق و کامپیوتر، دانشگاه ایالتی اوکلاهما، Stillwater، OK 74078، ایالات متحده آمریکا بود. او اکنون در دانشگاه نورث وسترن، ایوانستون، IL 60208، ایالات متحده، ایمیل: xmsong@ieee.org است. G. Fan با دانشکده مهندسی برق و کامپیوتر، دانشگاه ایالتی اوکلاهما، Stillwater، OK 74078، ایالات متحده، ایمیل: guoliang.fan@okstate.edu است. Guoliang فن نویسنده تماس است.

This work is supported in part by the National Science Foundation (NSF) under Grant IIS-0347613 (CAREER) and the Department of Defense EPSCoR (DEPSCoR) under Grant W911NF-04-1-0221;. This work is partially published in IEEE Workshop on Motion and Video Computing, Breckenridge, Colorado, Jan. 5-6, 2005, and IEEE International Conference on Acoustics, Speech and Signal Processing, Philadelphia, PA, March 18-23, 2005. Joint Key-frame Extraction and Object Segmentation for Content-based Video Analysis Abstract Key-frame extraction and object segmentation are usually implemented independently and separately due to the fact that they are on different semantic levels and involve different features. In this work, we propose a joint key-frame extraction and object segmentation method by constructing a unified feature space for both processes, where key-frame extraction is formulated as a feature selection process for object segmentation in the context of Gaussian mixture model (GMM)-based video modeling. Specifically, two divergence-based criteria are introduced for key-frame extraction. One recommends key-frame extraction that leads to the maximum pairwise interclass divergence between GMM components. The other aims at maximizing the marginal divergence that shows the intraframe variation of the mean density. The proposed methods can extract representative key-frames for object segmentation, and some interesting characteristics of key-frames are also discussed. This work provides a unique paradigm for content-based video analysis. Index Terms — Key-frame extraction, object segmentation, Gaussian mixture model, feature selection, cluster divergence. Joint Key-frame Extraction and Object Segmentation
Problem Formulation
Maximum Average Interclass Kullback Leibler Distance (MAIKLD)
Maximum Marginal Diversity
Proposed Algorithm
Key-frame Characteristics
Simulations and Discussions
Object Segmentation
Key-frame Extraction
Limitations Xiaomu Song, Member, IEEE, and Guoliang Fan, Senior Member, IEEE.
X. Song was with the School of Electrical and Computer Engineering, Oklahoma State University, Stillwater, OK 74078, USA. He is now with Northwestern University, Evanston, IL 60208, USA, email: xmsong@ieee.org. G. Fan is with the School of Electrical and Computer Engineering, Oklahoma State University, Stillwater, OK 74078, USA, email: guoliang.fan@okstate.edu. Guoliang Fan is the contact author.