查日盼　彭太樂

摘要：針對視頻分類準確率低的難題，文中提出一種改進的K-Means算法，并以此算法為分類器來實現(xiàn)視頻分類。首先提取視頻的顏色特征、SIFT特征及紋理特征；改進傳統(tǒng)的K-Means聚類算法，以標簽視頻樣本形成初始聚類值，進一步優(yōu)化距離函數(shù)，實現(xiàn)視頻分類。通過實驗表明：該文提出的分類算法具有較高的分類準確率。

關鍵詞：鏡頭；K-Means聚類；視頻分類

視頻是重要的多媒體數(shù)據(jù)表達形式之一，也是移動通信平臺、互聯(lián)網(wǎng)絡中主要的數(shù)據(jù)存在形式之一。隨著網(wǎng)絡技術的高速發(fā)展，網(wǎng)絡視頻的數(shù)量呈爆炸式急劇增長，同時產(chǎn)生了大量的視頻應用，如視頻分類、視頻索引、視頻搜索等應用。視頻是一類結構復雜、數(shù)據(jù)量龐大的多模態(tài)數(shù)據(jù)。從語義角度出發(fā)，同一領域的視頻之間總有一定的關聯(lián)。領域專家利用視頻的多種屬性來建立視頻之間的關聯(lián)，這對于視頻分類、索引是非常重要的，對視頻數(shù)據(jù)過濾和視頻檢索等應用也具有重要意義。

視頻是具有多種視覺特征的多媒體數(shù)據(jù)，許多視頻還具有音頻特征、文本特征等。利用視頻的視覺特征來實現(xiàn)視頻分類是常見的視頻分類方法。很多文獻利用視頻的一種或多種視覺特征來實現(xiàn)視頻分類。比如文獻中，孟麗等人基于直方圖差分法實現(xiàn)了視頻分類方法。文獻中，Huang等人提出一種以文本特征實現(xiàn)視頻分類的算法。由于視頻視覺特征的多樣性，利用一種視覺特征進行分類往往得不到較好的分類效果。很多文獻利用多種視覺特征及音頻特征實現(xiàn)視頻分類，收到了較好的分類效果。Yang等人從視頻的視覺特征、語義特征、音頻特征及附加文本等進行分類，提出利用多模態(tài)分類效果優(yōu)于單模態(tài)分類效果。也有很多文獻從改進分類器出發(fā)，也提高了分類效果。比如YUAN等人利用決策樹實現(xiàn)了視頻分類，朱映映等人提出以詞袋模型實現(xiàn)體育視頻分類。

綜合利用視頻的多種物理特征，可以有效地提高視頻分類準確度。本文在提取視頻的顏色特征，SIFT特征、紋理特征的基礎上，以改進的K-Means聚類算法為分類器對視頻進行分類。算法過程：對于給定的視頻Video，首先提取其顏色特征及SIFT特征；改進分類器，最后實現(xiàn)視頻分類。