| 主权项 |
1.一种基于对象分割和特征加权融合的视频语义提取方法，其特征在于，通过将基于背景帧构造的视频对象语义分类和基于关键帧特征的视频语义分类进行加权计算，即对于每一种语义所对应的视频对象的快速鲁棒特征、关键帧的SURF特征、颜色直方图、边缘直方图和局部二进制特征对应的分类结果分别设置为r<sub>0</sub>，r<sub>1</sub>，r<sub>2</sub>，r<sub>3</sub>和r<sub>4</sub>，其中r<sub>i</sub>的值为0或1，其权重分别为w<sub>0</sub>，w<sub>1</sub>，w<sub>2</sub>，w<sub>3</sub>和w<sub>4</sub>，其中：0≤w<sub>i</sub>≤1，w<sub>i</sub>是预先对每一种语义的每种特征进行的小样本训练和测试所得的结果；然后根据<img file="FDA00002727920900011.GIF" wi="129" he="122" />与阈值T<sub>c</sub>进行比较确定镜头中是否具有测试的语义，当<img file="FDA00002727920900012.GIF" wi="218" he="123" />则该镜头中包含所测试的语义，反之<img file="FDA00002727920900013.GIF" wi="246" he="123" />则镜头中不包含该语义；所述的基于背景帧构造的视频对象语义分类，通过以下方式获得：第一步，通过检测镜头内相邻帧对应的像素点间的变化来构造背景帧；第二步，提取被检测镜头中的关键帧，查找关键帧中与背景帧不同的区域，以此作为视频对象候选区域；第三步，采用静态图像阴影检测方法消除视频对象候选区域中的阴影区域；第四步，提取视频对象的快速鲁棒特征，然后利用支持向量机对SURF特征分类；所述的基于关键帧特征的视频语义分类，通过以下方式获得：步骤一，提取镜头关键帧图像的全局特征和局部特征；步骤二，采用支持向量机对已知语义的图像的特征进行预先训练，生成训练文件；步骤三，使用支持向量机测试，把提取的每一种特征和预先训练好的语义的对应的特征文件进行匹配，以得到分类结果。 |
