《面向移動視頻點播的內容分析技術研究》是依託江蘇大學，由沈項軍擔任項目負責人的面上項目。
基本介紹
- 中文名：面向移動視頻點播的內容分析技術研究
- 項目類別：面上項目
- 項目負責人：沈項軍
- 依託單位：江蘇大學
項目摘要,結題摘要,
項目摘要
本項目研究移動社交網路上視頻點播的相關內容分析技術，從分散式用戶與伺服器兩方面研究移動社交網路中的視頻資源搜尋和內容推薦問題。在分散式用戶節點上研究:1.基於偏最小二乘的支持向量回歸機的視頻對象檢測方法，以適應移動用戶低計算複雜度的要求；2.基於空間多尺度多分類器證據融合的視頻文本檢測方法，以提高視頻文本的檢測效果。以上研究可以利用海量分散式用戶上的分散式計算、存儲和頻寬資源，從而減少伺服器的通信、計算負載以及所帶來的巨額花銷。而在伺服器上將研究:1.基於組稀疏性約束的多核學習上海量視頻的對象屬性模型，2.基於節點服務能力選擇的用戶視頻搜尋推薦方法。使得伺服器上能夠為用戶提供近重複視頻檢測、海量視頻語義分類檢索、高可靠的視頻點播等服務。以上研究將探索移動社交視頻點播的海量視頻數據的搜尋以及流暢播放，最終將產生很好的經濟效益和社會效益。
結題摘要
本項目研究移動社交網路上視頻點播的相關內容分析技術, 從視頻特徵降維，對象檢測與分類以及分散式視頻搜尋推薦等多個角度，研究移動社交網路中的視頻資源搜尋和內容推薦問題。具體研究內容如下：1.視頻特徵降維方法。研究了一種核化典型關聯集成的方法，以得到視頻對象的關聯集成魯棒表達。研究了最小二乘流形嵌入框架下的多圖流形數據降維研究，使得抽取的視頻特徵保持全局結構和局部特性，從而具有更好的鑑別性。2.視頻語義分類方法。研究了基於多樣性誘導的分類器集成方法，以及基於CCA關聯分析與近鄰加權的分類器集成方法。通過多分類器的集成策略與分類器的關聯分析建模，使得視頻分類器具有較好的魯棒效果，能適應多樣化的視頻分類要求。3.近重複視頻檢測方法。提出一種基於Toeplitz核偏最小二乘的海量近重複視頻檢測方法，該算法通過偏最小二乘的核關聯分析去進行近重複視頻對象檢測，以提高準確性，並且通過循環矩陣變換實現快速運算的目的。4.分散式用戶視頻內容推薦方法。研究了基於增強學習的P2P網路視頻內容推薦的擁塞控制方法，通過增強學習的Q-Learning學習算法，來實現非結構化P2P網路的路由負載均衡策略，可以有效發現網路中的負載過高節點，並通過節點重連達到網路中個節點負載均衡的目的，從而為用戶提供高質量的視頻搜尋、下載體驗。以上研究將產生移動社交視頻點播的海量視頻數據的搜尋以及流暢播放的基礎理論與方法，為今後移動社交視頻的傳播將產生很好的經濟效益和社會效益。
