付 燕，韓 澤，葉 鷗

西安科技大學(xué)計算機科學(xué)與技術(shù)學(xué)院，西安 710054

在我國煤礦行業(yè)內(nèi)，主要通過人工與智能視頻監(jiān)控技術(shù)相結(jié)合的方式監(jiān)控災(zāi)情隱患。對比單一的人工監(jiān)控方式，智能視頻監(jiān)控技術(shù)可持續(xù)、實時、全面的監(jiān)控煤炭生產(chǎn)過程中各個環(huán)節(jié)，減少因煤礦開采造成的人員傷亡和經(jīng)濟(jì)損失。隨著智能視頻監(jiān)控技術(shù)[1]的廣泛應(yīng)用，井下視頻數(shù)據(jù)規(guī)模不斷增大，近重復(fù)視頻數(shù)據(jù)不斷涌現(xiàn)，視頻數(shù)據(jù)質(zhì)量問題越來越突出，視頻數(shù)據(jù)的維護(hù)和管理工作也越來越具有挑戰(zhàn)性，不利于提早發(fā)現(xiàn)安全隱患問題以及災(zāi)后的事故調(diào)查。因此，針對視頻數(shù)據(jù)質(zhì)量問題研究對保障煤礦安全生產(chǎn)具有重要意義。視頻質(zhì)量[2]主要關(guān)注視頻數(shù)據(jù)的清晰程度，而視頻數(shù)據(jù)質(zhì)量則主要關(guān)注視頻數(shù)據(jù)集的整體質(zhì)量，強調(diào)數(shù)據(jù)一致性、正確性、完整性和最小性在信息系統(tǒng)中得到滿足的程度，屬于數(shù)據(jù)質(zhì)量[3]的概念范疇。近重復(fù)視頻的產(chǎn)生不但會影響視頻的數(shù)據(jù)質(zhì)量，也會涉及版權(quán)保護(hù)和視頻檢索等領(lǐng)域正常視頻的應(yīng)用。因此，如何檢測并自動清洗近重復(fù)視頻數(shù)據(jù)，已成為日益關(guān)注的熱點研究問題之一。

近重復(fù)視頻檢測技術(shù)是發(fā)現(xiàn)近重復(fù)視頻數(shù)據(jù)的一種重要技術(shù)，也是發(fā)現(xiàn)視頻數(shù)據(jù)質(zhì)量問題的有效方法。目前近重復(fù)視頻檢測的研究主要在特征提取，簽名生成兩個方面。特征提取包括低層特征（如LBP[4]、局部特征[4-5]、顏色直方圖[6]等）以及近年較熱的深度特征[7-9]。簽名生成分為幀級簽名生成方法（如幀間匹配[6]、可視化詞袋[10]）和視頻級簽名生成方法（如聚合特征向量[6]和哈希碼[11]）。盡管目前針對視頻檢測問題的理論成果可以用于發(fā)現(xiàn)煤礦井下近重復(fù)視頻數(shù)據(jù)，并反映出視頻數(shù)據(jù)質(zhì)量問題，但該類方法較難自動清理隱藏在視頻數(shù)據(jù)集中的近重復(fù)視頻數(shù)據(jù)。

數(shù)據(jù)清洗是指檢測數(shù)據(jù)集合中存在的不符合規(guī)范的數(shù)據(jù)，并進(jìn)行數(shù)據(jù)修復(fù)，以提高數(shù)據(jù)質(zhì)量的過程[12]。數(shù)據(jù)清洗研究主要包括結(jié)構(gòu)化數(shù)據(jù)清洗，多媒體數(shù)據(jù)清洗以及大數(shù)據(jù)清洗。近重復(fù)視頻數(shù)據(jù)清洗是保證視頻數(shù)據(jù)質(zhì)量的有效手段，但目前存在的近重復(fù)視頻清洗方法結(jié)果易受到滑動窗口尺寸和Hash沖突的影響。為解決上述問題，本文提出了一種融合VGG-16深度網(wǎng)絡(luò)與feature distance-means（FD-means）聚類的近重復(fù)視頻清洗方法。該方法首先借助MOG2 模型[13]和中值濾波算法對視頻進(jìn)行背景分割和前景降噪；其次使用預(yù)訓(xùn)練的VGG-16 提取視頻背景與前景的特征；最后提出一種FD-means聚類算法，通過迭代產(chǎn)生的近重復(fù)視頻簇，利用優(yōu)化函數(shù)，更新簇類中心點，并最終刪除簇中中心點之外的近重復(fù)視頻數(shù)據(jù)。本文的創(chuàng)新點在于提出利用無監(jiān)督聚類清洗的思想，融合深度神經(jīng)網(wǎng)絡(luò)和聚類算法，解決近重復(fù)視頻的清洗問題。

1 相關(guān)理論

近重復(fù)視頻指在相同場景下視頻語義相同或者相似的視頻數(shù)據(jù)[6]。監(jiān)控視頻數(shù)據(jù)中的近重復(fù)視頻數(shù)據(jù)，在數(shù)據(jù)采集、整合和處理過程中都可能會產(chǎn)生不同形式的近重復(fù)視頻數(shù)據(jù)。例如，在數(shù)據(jù)采集階段，視覺角度的變化、光線的影響、設(shè)備自身的因素等情況會產(chǎn)生近重復(fù)視頻數(shù)據(jù)。在視頻數(shù)據(jù)整合階段，由于數(shù)據(jù)來源不同，可能存在不同格式、長度的重復(fù)視頻數(shù)據(jù)。在視頻處理階段，人工拷貝、編輯視頻數(shù)據(jù)等操作可能造成重復(fù)或異常臟視頻數(shù)據(jù)的產(chǎn)生。如圖1 展示了監(jiān)控視頻中的近重復(fù)視頻樣例。

圖1 近重復(fù)監(jiān)控視頻Fig.1 Near-duplicate surveillance video

現(xiàn)有的近重復(fù)視頻檢測根據(jù)視頻特征方法可以劃分如下兩類：（1）基于低層特征的近重復(fù)視頻檢測方法，包括方向梯度類特征（LBP[4]、SCSIFT[5]、SIFT[6]），顏色特征（HSV[6-7]、RGB[7]）等。Wu等人[6]先使用視頻的顏色直方圖過濾掉內(nèi)容差異較大的視頻，再使用SIFT 局部特征通過幀間匹配的方法計算視頻相似度，該方法極大地降低了冗余視頻，但是幀的成對匹配異常耗時。（2）基于深度特征的近重復(fù)視頻檢測方法，包括卷積神經(jīng)網(wǎng)絡(luò)[8-9]、循環(huán)神經(jīng)網(wǎng)絡(luò)[9]、兩層3D 卷積網(wǎng)絡(luò)[10]等。文獻(xiàn)[8]通過融合卷積神經(jīng)網(wǎng)絡(luò)中間層特征，擬合視頻特征映射到歐氏空間的映射函數(shù)，使得近重復(fù)視頻之間的距離要小于非相似視頻之間的距離，該方法具有出色的性能。

然而，上述近重復(fù)視頻檢索方法盡管可以識別出視頻數(shù)據(jù)集中的近重復(fù)視頻，但是較難直接自動清洗近重復(fù)視頻數(shù)據(jù)，改善視頻數(shù)據(jù)質(zhì)量。數(shù)據(jù)清洗技術(shù)是改善數(shù)據(jù)質(zhì)量的一種重要技術(shù)途徑，主要包括結(jié)構(gòu)化數(shù)據(jù)清洗[14-15]、大數(shù)據(jù)清洗[16-17]以及多媒體數(shù)據(jù)清洗[18]。

其中，在結(jié)構(gòu)化數(shù)據(jù)清洗研究方面，郝爽等人[14]針對數(shù)據(jù)缺失、數(shù)據(jù)冗余、數(shù)據(jù)沖突和數(shù)據(jù)錯誤四種類型的臟數(shù)據(jù)介紹了不同的檢測技術(shù)，從數(shù)據(jù)清洗方式上把數(shù)據(jù)清洗算法分為基于完整性約束的清洗算法、基于規(guī)則的清洗算法、基于統(tǒng)計的清洗算法和人機結(jié)合的清洗算法，并分析了優(yōu)點和缺點。文獻(xiàn)[15]基于快速移動窗口和小波分析方法對Urban 行駛數(shù)據(jù)中的異常及離群數(shù)據(jù)進(jìn)行識別清洗，首次將數(shù)據(jù)清洗用在了自動車牌識別中，并提高交通網(wǎng)絡(luò)監(jiān)控和管理的數(shù)據(jù)質(zhì)量。在大數(shù)據(jù)的廣泛應(yīng)用中也會產(chǎn)生各種臟數(shù)據(jù)，文獻(xiàn)[16]介紹了Clean Cloud 大數(shù)據(jù)清理系統(tǒng)，在每個從服務(wù)器上運行補差、實體解析、真相發(fā)現(xiàn)以及基于規(guī)則修復(fù)四個算子，這些算子基于Map-Reduce 實現(xiàn)，對大數(shù)據(jù)具有良好的適用性。文獻(xiàn)[17]針對冗余計算和同一輸入文件的簡單計算進(jìn)行合并，減少Map Reduce的輪數(shù)，從而減少系統(tǒng)運行的時間。目前，多媒體視頻清洗的研究較少，文獻(xiàn)[18]采用鄰近排序方法（sorted neigh borhood method，SNM）對近重復(fù)視頻進(jìn)行清洗，該方法采用局部敏感哈希（locality sensitive hashing，LSH）方法對特征構(gòu)建視頻簽名，對視頻簽名進(jìn)行排序后使用SNM 掃描排序后的特征列表，并剔除其中的近重復(fù)視頻。該方法在一定程度上可以有效解決近重復(fù)視頻的清洗問題，但是該方法對特征向量的Hash映射，造成部分特征信息的丟失，并且SNM方法過度依賴窗口尺寸。

總的來說，目前視頻數(shù)據(jù)清洗的研究成果較少，存在算法結(jié)果易受到滑動窗口尺寸和Hash 沖突的影響。為解決上述問題，本文融合VGG-16 深度神經(jīng)網(wǎng)絡(luò)和FD-means 聚類算法，以避免特征向量的Hash 映射和固定滑動窗口對近重復(fù)視頻清洗的影響，改善近重復(fù)視頻清洗的效果。

2 融合VGG-16 深度網(wǎng)絡(luò)與FD-means 聚類的近重復(fù)視頻清洗方法

由于實際生活中，較難直接獲取到具有代表性的近重復(fù)視頻作為先驗知識，為滿足視頻數(shù)據(jù)集的最小完整性原則，需要通過無監(jiān)督學(xué)習(xí)的聚類思想識別具有代表性的近重復(fù)視頻數(shù)據(jù)，以此為基準(zhǔn)，刪除視頻數(shù)據(jù)集中冗余的其他近重復(fù)視頻數(shù)據(jù)。為此，本文提出融合VGG-16 深度網(wǎng)絡(luò)與FD-means 聚類的近重復(fù)視頻清洗方法，該方法總體思路如圖2所示。

圖2 融合VGG與FD-means的視頻清洗流程框架Fig.2 Framework of video cleaning process combining VGG and FD-means

首先對輸入視頻使用MOG2 模型和中值濾波算法進(jìn)行背景分割和去噪。在此基礎(chǔ)上，利用VGG-16網(wǎng)絡(luò)模型提取視頻的前景及背景特征。通過構(gòu)建新的FDmeans 算法迭代產(chǎn)生的近重復(fù)視頻簇，更新簇類中心點，刪除簇中中心點之外的近重復(fù)視頻數(shù)據(jù)，實現(xiàn)近重復(fù)視頻的無監(jiān)督聚類清洗。

2.1 VGG-16特征提取

VGGNet網(wǎng)絡(luò)模型[19]在解決圖像定位與分類問題中表現(xiàn)出優(yōu)異的性能。該網(wǎng)絡(luò)的特點是使用3×3 的卷積核替換較大尺寸的卷積核，這種方式在不影響卷積層感受野的條件下增加決策函數(shù)的非線性，并減少了參數(shù)數(shù)量。此外，深層特征可以更加有效表達(dá)原圖所包含的信息。因此，本文利用VGG-16深度網(wǎng)絡(luò)模型提取視頻的深度外觀特征，其具體網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示，包含13 個卷積層、5個池化層和3個全連接層。VGG-16中的最后一個全連接層用于分類任務(wù)，本文只需要提取特征不用分類，因此本文只保留前兩層全連接層。

圖3 VGG-16網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 VGG-16 network structure

在圖3中，Conv3-64、Conv3-128、Conv3-256、Conv3-512 分別表示使用64、128、256、512 個尺寸為3×3 的卷積核進(jìn)行卷積操作，卷積步長為1；MaxPool表示對上層輸出進(jìn)行最大池化操作，池化步長為2；FC-4096、FC-1 000 分別表示1×4 096 和1×1 000 的全連接層。此外，本文使用ReLU 函數(shù)作為激活函數(shù)以增強網(wǎng)絡(luò)模型的擬合能力，并對網(wǎng)絡(luò)輸出的特征向量進(jìn)一步進(jìn)行歸一化處理，加快視頻的聚類清洗速度。

2.2 FD-means聚類算法

傳統(tǒng)的SNM方法容易造成漏刪或者誤刪近重復(fù)視頻的問題，并在數(shù)據(jù)降維過程中損失特征的有效信息。為此，本文借鑒K-means聚類算法提出了一種新的FD-means 聚類算法。盡管K-means 模型由于其本身的聚類效果好、聚類速度快的優(yōu)點[20]，但該算法需要預(yù)先確定參數(shù)K值。但在實際應(yīng)用中，監(jiān)控系統(tǒng)應(yīng)用場景數(shù)量不一定是固定的，近重復(fù)視頻的產(chǎn)生來源多樣，因此K-means 算法模型較難完全適用于近重復(fù)視頻清洗的任務(wù)。筆者認(rèn)為，視頻特征能夠描述視頻的內(nèi)容信息，通過樣本特征間的距離可以反應(yīng)視頻內(nèi)容的差異，距離越近差異越小，距離越遠(yuǎn)差異越大。為此，本文構(gòu)建了一個新的FD-means聚類算法模型對視頻進(jìn)行聚類清洗。該算法根據(jù)特征之間的距離進(jìn)行聚類清洗。如果距離過遠(yuǎn)，即構(gòu)造新的簇；若距離較近，則劃分到本簇。通過該算法，可以對不同類別的視頻特征進(jìn)行無監(jiān)督分類，并實現(xiàn)近重復(fù)視頻的自動清洗。

其中||?||2表示對象之間的歐氏距離，m、n分別表示V、W中對象的個數(shù)，V、W表示由聚類對象組成的向量。

FD-means 的聚類過程，該算法主要由三個部分構(gòu)成，更新聚類中心，更新簇以及融合簇，當(dāng)聚類中心不發(fā)生改變時聚類結(jié)束，輸出聚類結(jié)果。以下給出FDmeans聚類部分偽代碼。

算法1 FD-means

FD-means 更新聚類中心過程，首先計算各元素與簇內(nèi)其他元素距離之和，通過迭代選擇距離之和最小的對象作為該聚類簇的中心，如式（2）：

其中d表示聚類的某個簇，d-xi為差集運算，c表示該簇的中心元素。

在更新簇時，首先計算非聚類中心對象與所有聚類中心之間的歐式距離。在K-means中，所有非中心對象根據(jù)最近鄰原則，將對象劃分至最近的聚類中心簇中。與K-means 不同的是，F(xiàn)D-means 將非中心對象與所有聚類中心的距離與特征距離閾值進(jìn)行比較，如果最小距離不小于距離閾值，則將該對象作為一個新的簇如式（3）；否則，根據(jù)最近鄰原則，將對象劃分至最近的聚類中心簇中如式（4），從而實現(xiàn)了自動聚類。

其中ci表示簇di的聚類中心，ci為距離x最近且小于距離閾值Th的聚類中心。

為了消除距離過近的簇，需要對簇進(jìn)行融合，計算各個聚類中心之間的距離，通過迭代更新優(yōu)化函數(shù)，將距離小于特征距離閾值的簇合并到一個簇，如式（5）所示：

其中ci表示簇di的聚類中心，cj為距離ci最近且小于距離閾值Th的聚類中心，D-dj為差集運算。

在針對近重復(fù)視頻進(jìn)行自動清洗時，為了保證視頻數(shù)據(jù)集的最小完整性、正確性、唯一性和有效性，不能把聚類得到的近重復(fù)視頻全部剔除。為此，需要從近重復(fù)視頻中保留一個具有代表性的視頻，并自動刪除其他近似重復(fù)視頻數(shù)據(jù)，以提高視頻數(shù)據(jù)質(zhì)量，達(dá)到近重復(fù)視頻清洗的目的。傳統(tǒng)的圖像去重或者數(shù)據(jù)清洗中，偏向于保留首次檢測到的數(shù)據(jù)，去除后面相似的數(shù)據(jù)，這種保留方式不完全具有代表性。通過FD-means算法將近重復(fù)視頻聚類，同一個類內(nèi)視頻都是近重復(fù)的，在該前提下進(jìn)行視頻清洗，樣本特征間的距離可以反應(yīng)視頻內(nèi)容的差異。因此，聚類中心能夠代表聚類簇中的近重復(fù)視頻數(shù)據(jù)，通過保留聚類中心的視頻，刪除聚類中心點之外的視頻，達(dá)到近重復(fù)視頻清洗的效果，如式（6）所示。

其中，“-”為差集運算。雖然刪除非聚類中心視頻會損失這些視頻的細(xì)節(jié)信息，但近重復(fù)視頻在整體上是相同或者近似的，刪除非中心視頻不會損失這些近重復(fù)視頻的主要信息，并且保證了數(shù)據(jù)集的最小性、一致性、完整性和數(shù)據(jù)的正確性。

3 實驗結(jié)果與分析

3.1 實驗環(huán)境與數(shù)據(jù)集

本文，采用Python 3.6.5版本編程語言，Windows10操作系統(tǒng)，Intel Core?i5-4200H@2.80 GHz×4 處理器和8.0 GB 內(nèi)存空間的環(huán)境實現(xiàn)所提方法。本文分別在煤礦井下監(jiān)控視頻數(shù)據(jù)集和CC_WEB_VIDEO 數(shù)據(jù)集上[6]進(jìn)行算法對比分析。其中，CC_WEB_VIDEO數(shù)據(jù)集包含24個場景總共13 129個多媒體視頻。本文隨機選取其中5 個場景（“The Lion Sleeps Tonight”“Evolution of dance”“Folding Shirt”“Cat Massage”“ok go-here it goes again”）共63個視頻來驗證算法有效性。為了進(jìn)一步驗證本文方法的有效性，使用復(fù)雜背景下的煤礦井下監(jiān)控視頻數(shù)據(jù)集驗證本文方法。煤礦井下監(jiān)控視頻數(shù)據(jù)集包含10個場景共86個視頻，總時長9 678.36 s。

3.2 參數(shù)設(shè)置與實驗方案

在使用MOG2 模型對測試樣本的視頻數(shù)據(jù)進(jìn)行背景分割和中值濾波去噪時，涉及的參數(shù)有高斯分量數(shù)量NMixtures，背景比率BackgroundRatio 和濾波器尺寸ksize。參數(shù)設(shè)置如表1所示。

表1 參數(shù)設(shè)置Table 1 Parameters setting

假設(shè)視頻集V={V1,V2,…,Vn} ，F(xiàn)D-means 聚類中心對應(yīng)的視頻S={S1,S2,…,Sk} ，需要保留的視頻T={T1,T2,…,Tj} 。在近重復(fù)視頻的數(shù)據(jù)清洗過程中，一方面要保證視頻數(shù)據(jù)集的完整性，另一方面要盡可能的清除近重復(fù)視頻數(shù)據(jù)。為此，本文參考文獻(xiàn)[22]采用準(zhǔn)確度Acc、召回率Rec以及F1-score 作為實驗評價指標(biāo)。

為了驗證本文所提方法的有效性及其性能，本文針對CC_WEB_VIDEO和煤礦井下監(jiān)控視頻數(shù)據(jù)集，通過對比VGG-16+FD-means方法、LSH+SNM[12]、背景分割+SNM（BS_SNM）和本文所提方法背景分割+VGG16+FD-means（BS+VGG16+FD-means），進(jìn)行實驗對比與分析。

3.3 實驗結(jié)果及分析

為了分析FD-means算法對近重復(fù)視頻清洗結(jié)果的影響，首先對K-means與FD-means算法做了對比實驗，如圖4 所示。在給出近重復(fù)視頻種類數(shù)及最優(yōu)距離閾值時，在兩個數(shù)據(jù)集上分別進(jìn)行5 次實驗，在煤礦井下監(jiān)控視頻集中FD-means的F1-score在0.71～0.74范圍波動，K-means 的F1-score 在0.58～0.67 范圍波動，在CC_Web數(shù)據(jù)集上，F(xiàn)D-means的F1-score在0.70～0.76范圍波動，K-means 算法的F1-score 在0.57～0.64 范圍波動。總的來看，F(xiàn)D-means 和K-means 算法均存在初始值敏感問題，但是FD-means 算法波動下限依舊高于K-means算法的波動上限。本文認(rèn)為這是因為K-means在聚類過程中由于固定的聚類數(shù)，將一些差異性較大的數(shù)據(jù)強行劃分到同一個類別中，從而造成了數(shù)據(jù)誤刪的情況，這種誤刪容易破壞視頻數(shù)據(jù)集的完整性，而FD-means 算法在更新聚類簇時，如公式（3）和（4）通過距離閾值盡量避免了強行劃分的問題，從而改善聚類結(jié)果。

圖4 隨機初始值對最終聚類算法結(jié)果的影響Fig.4 Effect of random initial value on final clustering algorithm result

為了說明特征距離閾值對視頻清洗結(jié)果的影響，圖5顯示了F1-score隨特征距離閾值Th的變化曲線，可以看出當(dāng)距離閾值在8～9 之間時結(jié)果最佳。本文方法的曲線先增再降，這是由于一開始Th較小，大多數(shù)視頻被認(rèn)為不是近重復(fù)，此時召回率高，準(zhǔn)確度低。隨著Th的增加，F(xiàn)D-means能夠準(zhǔn)確檢測到近重復(fù)視頻，從而提高了準(zhǔn)確度。當(dāng)Th持續(xù)增大時，不相似視頻被認(rèn)作近重復(fù)視頻造成誤刪，導(dǎo)致算法召回率下降。對比圖中曲線，本文算法明顯優(yōu)于傳統(tǒng)的LSH+SNM算法。

圖5 各方法的F1-score隨距離閾值的變化曲線Fig.5 Change curve of F1-score with distance threshold for each method

表2 是各方案分別與CC_WEB_VIDEO 數(shù)據(jù)集在煤礦井下監(jiān)控視頻下的近重復(fù)視頻清洗方法對比的結(jié)果。由表2可見，與使用全局特征的VGG-16+FD-means方法相比，本文提出的方案清洗結(jié)果更好，這說明使用煤礦井下監(jiān)控視頻的背景和前景特征能更好的描述視頻特征。

表2 視頻清洗結(jié)果對比Table 2 Comparison of video cleaning results

本文方案與BFFS方法相比，采用FD-means方法的視頻清洗結(jié)果優(yōu)于采用SNM 算法的BFFS 方案。本文提出的方法與現(xiàn)有的LSH+SNM方法相比，具有更好的性能。相對于煤礦井下監(jiān)控視頻的清洗結(jié)果，在CC_WEB_VIDEO數(shù)據(jù)下本文提出的方法清洗結(jié)果與LSH+SNM相比F1-score更高。其原因在于CC_WEB_VIDEO中的視頻為多媒體視頻，背景變化復(fù)雜多樣，在使用視頻背景檢測近似背景視頻時，出現(xiàn)錯誤結(jié)果，從而降低了實驗的準(zhǔn)確度和F1-score。

此外，如圖6 所示，分別在煤礦井下監(jiān)控視頻數(shù)據(jù)集和CC_WEB_VIDEO數(shù)據(jù)集上進(jìn)行視頻清洗，可以減少視頻占用磁盤大小，降低存儲成本。對比圖6，在F1-score 最優(yōu)時，降低了70%的視頻所需磁盤大小。視頻存儲節(jié)約的具體情況依賴于近重復(fù)視頻的密度，同一個類內(nèi)近重復(fù)視頻越多，通過視頻清洗節(jié)約的存儲越多。在視頻清洗過程中，只保留近重復(fù)視頻中的中心視頻，極大降低視頻存儲空間。在兩個不同數(shù)據(jù)集上進(jìn)行實驗驗證，使用視頻背景及前景特征進(jìn)行FD-means 視頻聚類能夠準(zhǔn)確檢測到近重復(fù)視頻，該方法能夠自動清洗視頻，且清洗結(jié)果也優(yōu)于其他方法，并且能夠有效降低存儲。

圖6 本文方法清洗后結(jié)果占用磁盤大小隨距離閾值的變化曲線Fig.6 Change curve of occupies disk size with threshold distance of proposed method cleaning results

4 結(jié)束語

本文提出了一種融合VGG-16 深度網(wǎng)絡(luò)與FDmeans 聚類的近重復(fù)視頻清洗方法，首先，使用MOG2算法對視頻背景建模提取前景目標(biāo)，其次使用VGG-16網(wǎng)絡(luò)模型提取視頻深度特征，最后，提出一種新的FD-means 聚類算法用于進(jìn)重復(fù)視頻檢測及清洗。本文分別在煤礦井下監(jiān)控視頻集和CC_WEB_VIDEO公共數(shù)據(jù)集進(jìn)行實驗，結(jié)果表明：使用背景和前景特征描述視頻比全局特征更好；相比于SNM，使用FD-means 進(jìn)行視頻清洗具有較高的準(zhǔn)確率。本文方法在保證視頻集完整性的基礎(chǔ)上，能夠?qū)貜?fù)視頻實現(xiàn)自動清洗。將在后期的工作中對本文的方法加以改進(jìn)，一方面結(jié)合數(shù)據(jù)密度的度量方法降低FD-means算法對初始值的敏感性，另一方面通過結(jié)合視頻的時空特征或結(jié)合視頻的其他特征，使其能夠提高視頻清洗的準(zhǔn)確度。