本体支持的视频语义概念探测
视频主要通过视觉通道承载和传递信息，视频中包含的概念总可以描述为若干个视觉对象的组合，通过视觉对象这一中层语义得到的低层特征，对于概念具有更好的区分能力，即有效的消除了低层特征与高层语义关联的不确定性。
基于上述思想，本文根据视频概念扩展本体定义的语义概念与感知概念之间的包含关系，抽取与概念相关的视觉对象概念。选择标注过视觉对象概念的视频数据作为训练数据集，抽取相同视觉对象概念的颜色、纹理、位置特征，训练视觉对象概念对应的视频概念分类器，选择SVM 构造分类器。这里需要指出的是，一个视频概念可能包含若干个视觉对象概念，则每一个视觉对象概念都对应一个概念分类器，不同的视觉对象刻画了概念的不同属性特征，通过对多个视觉对象概念对应的概念分类器的探测结果进行融合，得到最终的概念探测结果。
4.1 视觉对象的特征抽取本文分别抽取视觉对象的颜色、纹理和位置特征如下：
1. 7 维的HSV 颜色均值和主颜色(Dominant Color)；2. 8 维一个尺度，0° , 45° ,90° ,135°四个方向的Gabor 纹理特征；3. 构造视觉对象外接矩形，抽取2 维的对象矩形中心点位置特征，8 维的对象矩形顶点位置特征。
4.2 SVM 分类器构造抽取上述视觉对象特征组成特征向量，训练SVM 分类器探测概念。概念探测目标是给出视频片段中是否出现特定概念的判断，同时还要给出这种判断的置信度，即后验概率。而标准的SVM 分类器决策函数是一个符号函数，即根据决策函数的值给出肯定或否定的二值判断，用概率描述就是属于某一类的概率为1，或者不属于某一类的概率为1。因此，构造概念分类器要解决的一个重要问题就是SVM 分类器的概率化输出。
目前，关于 SVM 后验概率输出的研究较少，多数学者沿用了Vapnik 的计算方法和思想，研究的重点主要集中在求解二次规划的数学技巧上，或者直接将Vapnik 的计算方法应用到某一个领域得出一些应用成果。关于SVM 后验概率输出的代表性研究是由Platt 提出来的，其主要思想来源于Wuhba 关于RKHS 表示定理的研究。本文采用Platt 提出的方法，获得SVM 概率化输出。
对给定概念对应的不同视觉对象概念，抽取特征训练分类器，每一个分类器的输出表示根据该视觉对象判断给定的概念出现的概率。
4.3 结果融合对于待探测视频片段，首先抽取其包含的各个视觉对象概念的低层特征。根据视频概念扩展本体定义的语义概念与感知概念间的关联关系，获取每一个视觉对象概念关联的概念。
然后选择相应的SVM 分类器进行概念探测。 www.77xue.com哦 容易理解，对于每一个视频概念，根据其相关的视觉对象概念的不同，可以计算得到若干个该概念出现的概率值，我们通过计算所有概率值的加权和来最终确定视觉特征匹配的程度值。
上式中， v N 表示概念C 的训练视频集的视频片段数量， vo N 表示概念C 的训练视频集中包含的视觉对象概念数量， ( , ) i i N VO v 表示i VO 在视频片段i v 中出现的次数。相似的，( ) i p VO 表示i VO 在所有训练数据集中出现的概率。
根据训练数据集的统计，可计算出每个视觉对象概念相对于其相关概念的权值，并进行归一化。进而，可以计算得到视觉特征匹配的结果。
5 匹配结果融合与概念探测在分别得到上下文信息匹配和特征匹配的结果之后，我们采用线性融合方法对匹配结果进行融合，得到最终的概念探测结果。
通过上述融合计算之后，可以得到给定概念与测试视频子镜头的匹配程度，匹配程度值越大，说明该概念与测试视频相关程度越高，进而推断其出现在视频中的可能性越大。
显然，通过匹配计算可以得到一个匹配值列表，越靠前的匹配概念在测试视频子镜头中出现的概率越大。因此，可以根据实际需要，综合考虑探测性能要求，选择前若干个匹配概念作为探测结果。
6 实验为了评估测试本文提出的本体支持的概念探测方法，我们采集多种来源的电视节目视频，如表1 所示。
《本体支持的视频语义概念探测》相关文章
- 本体支持的视频语义概念探测
- › 本体支持的视频语义概念探测
- 在百度中搜索相关文章：本体支持的视频语义概念探测
- 在谷歌中搜索相关文章：本体支持的视频语义概念探测
- 在soso中搜索相关文章：本体支持的视频语义概念探测
- 在搜狗中搜索相关文章：本体支持的视频语义概念探测
