视频摘要研究综述

刘波

1重庆工商大学人工智能学院，重庆，400067 2重庆工商大学计算机科学与信息工程学院，重庆，400067

0 引言

随着互联网的快速发展以及计算机、终端设备的广泛使用，使得视频数据呈爆炸式增长.据统计，2018年中国观看网络视频的人数已经达到6.09亿，而著名的视频网站YouTube每分钟上传的视频有300小时左右.视频是人们共享和获取信息的有效载体.

图像、声音和文字是构成视频内容的三个基本要素，这些信息可以构成事件、动作等连续的信息.对于海量的视频，人们若要获取它的主要信息，通常需要观看完整个视频，这将花费大量时间.因此，需要寻找方法来让人们能从视频中迅速获取主要内容.视频摘要是解决该问题的重要方法.所谓视频摘要，就是指从视频中提取包含视频主要内容的视频帧或视频段(Video Segmentation).视频摘要主要涉及的视频类型包括：1)电影、电视节目(比如新闻、体育、娱乐等)的视频.2)视频监控领域.这类视频数量巨大，内容变化较少，视角通常固定.3)Egocentric视频[1]，也称第一人称视频(the First Person Video)，通常是指由可穿戴设备(比如Google眼镜、微软的AR眼镜)所摄像的视频.这类视频的特点是内容会出现较多的遮挡，视角变换频繁、视频内容变化明显、时间长.4)用户视频，通常包含一组有趣的事件，但未经编辑.这类视频通常比较长，存在大量冗余内容[2].

Pfeiffer等在1996年首次提出了视频摘要的概念[3].目前，研究视频摘要主要有两类方法：1)静态视频摘要方法，也称关键帧选择方法.该方法通过提取……