表2 前N个结果的查全率
方法 N=10 N=20 N=30 N=40 N=50 N=60 N=70 N=80 N=90
原始直方图 0.185 0.352 0.463 0.556 0.630 0.667 0.685 0.759 0.815
边缘直方图 0.185 0.352 0.481 0.574 0.667 0.777 0.833 0.899 0.926
3.视频片段相似度的度量
3.1概述
视频片段相似度，是在基于内容的视频检索中，系统通过计算两段视频特征之间的距离来获得的，然后按照相似度值从大到小返回视频数据库中与待查视频片段最相似的视频片段。
3.2视频片段相似度的度量方法
文献中提到视频片段相似度的度量方法分两个部分进行探讨，即帧之间的相似度度量和视频片段之间的相似度度量。
（1）帧之间的相似度
由于视频中的帧其实就是图片，所以帧之间的相似度度量也就是图片之间相似度度量，主要通过计算两幅图片特征间的距离获得相似度。常用的方法有：
l)点的几何距离
将图像的特征矢量看作高文特征空间中的点。比较两个特征是否相似可以通过计算它们之间的距离得到。特征间距离越小，则图像越相似。常用的几何距离包括Minkowske（明氏距离）(Citybloek距离和Euclidean距离为明氏距离的两个特例)、Mallalanohis（马氏距离），切比雪夫距离和兰氏距离。其中最有效的为马氏距离，但由于计算量很大，实际中最为常用的是Euclidean（欧式）距离和Citybloek（街区）距离。
2)点集间的距离
D文空间两个点集合之间的距离包括：最小距离(两个集合中距离最近的两个点之间的距离)；最大距离(两个集合中距离最远的两个点之间的距离)；平均距离(两个集合中所有点平均值之间的距离)；Hausdorff距离(一个集合中的点到另外一个集合中点的最小距离中的最大值)。在实际应用中，均值距离和Hausdorff距离是两种最常用且性能较好的相似度度量。
（2）视频片段的相似度
视频片段是具有时间顺序的帧的集合。经过视频分割和特征矢量提取，视频可以表示为一段连续的高文矢量序列。于是，视频片段之间的相似度定义就可以转化成高文矢量序列之间的相似度计算。视频片段的相似度模型根据是否考虑视频片段中关键帧之间的时序关系分为两类:考虑关键帧之间的时序关系的相似度度量和不考虑关键帧之间的时序关系的相似度度量。
上一页 [1] [2] [3] [4] [5] [6] [7] [8] 下一页