基于自分裂竞争学习算法的关键帧提取

doi:10.3778/j.issn.1002-8331.2011.02.045

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (2): 146-148.DOI: 10.3778/j.issn.1002-8331.2011.02.045

• 图形、图像、模式识别 • 上一篇下一篇

基于自分裂竞争学习算法的关键帧提取

夏利民，邓克捷

中南大学信息与工程学院，长沙 410075

收稿日期:2009-08-11 修回日期:2009-10-20 出版日期:2011-01-11 发布日期:2011-01-11
通讯作者: 夏利民

Key frames extraction based on self-splitting competitive learning

XIA Limin，DENG Kejie

School of Information Science and Engineering，Central South University，Changsha 410075，China

Received:2009-08-11 Revised:2009-10-20 Online:2011-01-11 Published:2011-01-11
Contact: XIA Limin

摘要/Abstract

摘要： 模糊C均值算法在进行关键帧提取时难以取得全局最优值，导致所提取的关键帧无法完整地描述镜头信息。提出一种基于自分裂竞争学习（SSCL）的关键帧提取方法，根据SSCL的分裂机制确定全局最优类数目的特点来确定关键帧的数量，同时根据SSCL的竞争学习机制有效确定类中心的特点来确定准确的帧图像作为视频的关键帧。实验证明基于SSCL的关键帧提取的方法比基于模糊C均值关键帧提取的方法能够更好地描述镜头内容。

关键词: 自分裂竞争学习, 关键帧, 聚类数目, 聚类中心

Abstract: Due to the limitation of getting global optimal solution on Fuzzy C Mean（FCM） clustering algorith in key frames etraction，it is difficult to describe the shot fully.An new way of extracting key frame on Slef-Splitting Competitive Learning（SSCL） will be proposed in this paper.It is effectively to calculate numbers of key frames by the characteristic of splitting of SSCL that get global optimal clusting numbers validly.At the same time，exact key frame will be extracted by the characteristic of competitive learning that get clustering center.The experiment will present，the advance which the result of SSCL is better than FCM in shot describing.

Key words: self-splitting competitive learning, key frame, clustering number, clustering center

中图分类号:

TP391

夏利民，邓克捷. 基于自分裂竞争学习算法的关键帧提取[J]. 计算机工程与应用, 2011, 47(2): 146-148.

XIA Limin，DENG Kejie. Key frames extraction based on self-splitting competitive learning[J]. Computer Engineering and Applications, 2011, 47(2): 146-148.

[1]	周彦，旷鸿章，牟金震，王冬丽，刘宗明. 面向半稠密三维重建的改进单目ORB-SLAM[J]. 计算机工程与应用, 2021, 57(8): 180-184.
[2]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[3]	陈庆林，谷雨，宋忠浩，聂圣东. 融合检测与跟踪的半自动视频目标标注[J]. 计算机工程与应用, 2021, 57(14): 223-230.
[4]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[5]	郭永坤，章新友，刘莉萍，丁亮，牛晓录. 优化初始聚类中心的K-means聚类算法[J]. 计算机工程与应用, 2020, 56(15): 172-178.
[6]	伍锡如，黄榆媛，王耀南. 改进ORB特征的机器人RGB-D SLAM算法[J]. 计算机工程与应用, 2020, 56(14): 35-44.
[7]	杨俊闯，赵超. K-Means聚类算法研究综述[J]. 计算机工程与应用, 2019, 55(23): 7-14.
[8]	薛印玺，许鸿文，李羚. 基于样本密度的全局优化K均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 143-147.
[9]	陈雷雷，葛洪伟，杨金龙，袁运浩. 基于流形结构的多聚类中心近邻传播聚类算法[J]. 计算机工程与应用, 2016, 52(6): 67-73.
[10]	付芦静1，钱军浩1，钟云飞2. 基于汉字连通分量的印刷图像版面分割方法[J]. 计算机工程与应用, 2015, 51(5): 178-182.
[11]	魏英姿1，2，李静静1. 红外图像分割的改进模糊C均值聚类方法[J]. 计算机工程与应用, 2014, 50(9): 163-166.
[12]	邢长征，谷浩. 基于平均密度优化初始聚类中心的k-means算法[J]. 计算机工程与应用, 2014, 50(20): 135-138.
[13]	闫新庆，王换换，栗青霞，傅喆. 基于改进K-Means聚类的煤炭交易者信誉度划分[J]. 计算机工程与应用, 2014, 50(2): 231-236.
[14]	沈国珍. 依赖数据密度的K均值初始化调优[J]. 计算机工程与应用, 2014, 50(11): 139-144.
[15]	张建明，刘海燕，孙淑敏. 改进的蚁群算法与凝聚相结合的关键帧提取[J]. 计算机工程与应用, 2013, 49(3): 222-225.

基于自分裂竞争学习算法的关键帧提取

Key frames extraction based on self-splitting competitive learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics