基于人工智能技术的运动视频内容分类研究

发布时间：2021-11-29 02:02

　　针对分类运动视频内容可帮助用户更有效地获取与管理运动视频信息,设计基于人工智能技术的运动视频内容分类方法。在运动视频压缩域内,采用机器视觉技术中基于主色相似度的差分统计直方图（DCDSH）特征提取算法结合HSV颜色空间,获取运动视频某帧图像的主色特征;利用机器学习技术中的支持向量机（SVM）构建SVM分类器,建立运动视频图像各主色特征向量同视频内容类别间的对应关系;结合one-against-one结构将SVM二分类器推广到运动视频特征的多分类问题上,汇总各SVM二分类器的分类结果,通过投票规则将得票最高的类别标记为待分类运动视频所属类别。分类结果显示,所研究方法能够有效识别并分类篮球、足球、羽毛球、滑冰4种不同类别运动视频内容,平均分类查全率和查准率都高于95%。 

【文章来源】：现代电子技术. 2020,43(09)北大核心

【文章页数】：4 页

【部分图文】：

图1 分类流程图

采用本文方法对实验对象进行分类，分类结果如图2所示。分析图2得到，篮球、足球、羽毛球、滑冰4种不同类别的运动视频内容均被有效识别并分类出来，说明本文方法能够有效分类不同类型的运动视频内容。实验对比本文方法与基于边缘检测的分类方法分类实验对象过程中的查全率与查准率，结果如表2所示。

【参考文献】：
期刊论文
[1]融合的三维卷积神经网络的视频流分类研究[J]. 裴颂文,杨保国,顾春华.  小型微型计算机系统. 2018(10)
[2]体育领域视频运动目标的跟踪方法研究[J]. 于楼成.  电视技术. 2018(09)
[3]局部背景边缘干扰下运动视频完整轮廓检测方法[J]. 安永志.  沈阳工业大学学报. 2018(05)
[4]基于深度学习的人工智能技术在早期胃癌诊断中的应用[J]. 王智杰,高杰,孟茜茜,杨婷,王则远,陈兴春,王东,李兆申.  中华消化内镜杂志. 2018 (08)
[5]基于人工智能的运动教练系统分析与展望[J]. 刘昊扬.  北京体育大学学报. 2018(04)
[6]基于优化粒子滤波器的体育视频目标跟踪算法设计（英文）[J]. 王俊鹏,侯小毛.  机床与液压. 2018(06)
[7]体育视频中基于卡尔曼滤波器的运动员人脸检测识别方法[J]. 张馨娇,李建萍.  湘潭大学自然科学学报. 2017(04)
[8]人工智能技术在智能电网中的应用分析和展望[J]. 李博,高志远.  中国电力. 2017(12)
[9]基于Fisher矢量编码的运动视频自动评分技术[J]. 石念峰,张平,王国强.  计算机应用研究. 2018(10)
[10]小波域基于分段Hurst指数的视频流分类[J]. 汤萍萍,董育宁.  电子与信息学报. 2017(06)



本文编号：3525612