导读:本文包含了视频结构特征论文开题报告文献综述及选题提纲参考文献，主要关键词:府际关系,平台型媒体,社会网络,政务抖音
视频结构特征论文文献综述
曾润喜,朱迪[1]（2019）在《政务短视频平台府际关系结构特征研究——基于公安政务抖音的社会网络分析》一文中研究指出政务新媒体形成的网络府际关系呈多元化趋势,这种网络府际关系是否会因新媒体平台的变换表现出不同的结构特点?运用社会网络分析法研究影响力排名前列的公安政务抖音账号的关系网络结构,并与已有的政务微博、政务微信和政府网站研究结果进行比较分析,总结网络府际关系在各平台的异同。研究发现,在抖音、微博、微信等平台型媒体上,府际关系的网络结构在节点紧密程度、群落划分和地区分布、核心节点的特征和影响因素以及网络形态等方面表现出趋稳定性。研究认为,呈现出趋稳定性特征的可能原因是政府在现实社会的府际关系具有强迁移性和平台型媒体的内在结构属性具有相似性。(本文来源于《电子政务》期刊2019年10期）
袁茵茵[2]（2019）在《短视频平台的双边市场结构特征分析》一文中研究指出近年来,短视频平台依托网络经济飞速发展。本文在前人对双边市场理论研究的基础上,对短视频平台的双边市场结构特征从网络外部性、需求无限性和非对称价格策略叁个方面进行了详细的分析,并探究该特征对平台商业模式的影响以期为短视频平台运营商提供一定的指导意义。(本文来源于《大众投资指南》期刊2019年08期）
和志杰[3]（2017）在《视频压缩感知中基于结构特征的重构算法与量化方法研究》一文中研究指出传统视频压缩编码方案基于香农-奈奎斯特采样定理,对连续的视频信号首先以高于二倍信号最高频率的采样频率进行采样,然后通过复杂的压缩编码技术去除信号的冗余信息以减小码率。这种视频信号编码方案具有较高的采集复杂度,不适用于资源受限的视频采集设备,如无线视频监控、无线多媒体传感网络等。视频压缩感知(compressed video sensing,CVS)是基于压缩感知(compressed sensing,CS)理论的一种新颖的视频信号采集方案,在对信号采样的同时完成了压缩的过程。CVS特别适合于采集端资源受限的应用场景,一经提出,就受到了广泛的关注。视频压缩感知主要包括观测矩阵、稀疏表示、重构算法和量化方法四个方面的研究内容。本文在分析视频信号结构特征和CVS观测值特征的基础上,深入地研究了重构算法和量化方法两个关键技术。主要工作和研究成果如下:1.利用视频帧内图像的非局部相似性和帧间信号的相关性,本文提出了一种基于结构相似的帧间组稀疏表示重构算法(SSIM-InterF-GSR),有效地提升了视频压缩感知的重构性能。在SSIM-InterF-GSR算法中,提出以结构相似度(SSIM)作为相似块匹配准则,在当前帧和参考帧内搜索匹配块生成相似块组,以相似块组的稀疏性作为正则项重构当前帧。同时,还提出了阶梯递减匹配块个数调整方案用于SSIM-InterF-GSR重构算法的迭代过程。仿真结果表明,本文所提SSIM-InterF-GSR算法能够很好地利用视频信号的相关性,显着提高视频信号的重构质量。2.现有的视频压缩感知观测值量化方法大多基于固定量化深度的均匀标量量化,然而,CS观测值或观测值残差(视频序列当前帧观测值与前一参考帧量化后观测值的差)通常是非均匀分布的。本文在对CVS观测值残差特征分析的基础上,提出了视频压缩感知中基于帧间差分脉冲编码调制的非均匀量化方法(DPCM-NSQ)。此外,量化深度对率失真性能有很大的影响,本文在DPCM-NSQ量化方法的基础上,提出了自适应最优量化深度估计(AOBE)模型,在AOBE模型中,量化深度通过预测残差特征和采样率(SR)的函数计算得到。仿真结果表明,本文提出的AOBE模型与固定比特深度的量化方法相比,具有更好的率失真性能,同时几乎不增加采样端的复杂度。(本文来源于《华南理工大学》期刊2017-04-17）
饶春阳[4]（2017）在《基于特征融合的结构化相关滤波视频跟踪方法研究》一文中研究指出视觉目标跟踪(Visual Object Tracking,VOT)是计算机视觉研究与应用中最核心和最具挑战性的工作之一,在人机接口、监控和安全系统、交通监控与控制、医疗诊断等领域有着广泛的应用,也是场景检测、行为识别等一些计算机视觉的高级研究课题中的重要组件。目标的颜色、形状、纹理等表观特征是视觉目标跟踪中重要的研究内容之一,很多学者在研究视觉目标跟踪方法时,都是从目标表观建模入手。为建立鲁棒的目标跟踪方法,本文对VOT方法的研究并不局限于目标表观建模方式,而是在常用视觉目标跟踪方法基础上,将VOT系统从功能上划分成运动模型、特征抽取、观察者模型、模型更新和联合处理5个部分,从目标跟踪系统的角度研究分析各功能部分的主要方法并加以改进,论文主要研究工作有如下几点:(1)在CVPR2016的VOT Benchmark数据集上,通过实验对比方式研究了VOT系统中5个组成部分的常用方法及其对视频目标跟踪性能的影响和贡献,提出了基于多特征融合的结构化相关滤波跟踪方法(FFBS-CF)方法。首先将被跟踪目标进行拆分,并将拆分后松散的部件空间关系应用到跟踪器中;然后提出特征融合框架,将被跟踪目标的整体颜色统计特征融合到跟踪器中,使用部件空间关系和目标整体颜色统计特征组合起来进行目标跟踪。(2)基于上述思路实现了FFBS-CF方法,并在CVPR2016的VOT Benchmark的测试数据集上对该方法的可行性和有效性进行了验证,并与MOSSE、KCF和DSST算法在特定情况下的跟踪进行了实验对比分析。实验结果表明:FFBS-CF的性能在整体上优于MOSSE方法;在遮挡、运动模糊、表观形变和快速运动现象发生时,性能略优于KCF和DSST方法;在剧烈光照变化时,因为FFBS-CF跟踪器中颜色模板的L分量失真,其性能不如KCF和DSST方法;由于FFBS-CF目标搜索框恒定,在目标尺度剧烈变化时,会引入多余的背景或丢失部分目标表观特性,也会导致性能降低。(3)将FFBS-CF方法应用到智能交通系统(ITS)的行人和车辆的跟踪,并与MOSSE、KCF和DSST算法相比较。结果表明FFBS-CF方法增强了系统对复杂环境的整体适应能力,但是在目标表观被遮挡物分割后,性能则有所下降,因此FFBS-CF方法仍然有较大的优化和改进空间。(本文来源于《武汉理工大学》期刊2017-03-01）
翟素兰,查到丽[5]（2012）在《基于视觉与结构谱特征融合的视频检索》一文中研究指出视频的时序结构特征是视频的重要特征。提出了一种基于DTW和图谱理论的视频结构特征提取与表示方法,并将这种结构特征融合视觉特征用于视频的镜头检索。根据镜头分割中的帧差曲线,使用DTW原理得到视频镜头特征帧,以镜头特征帧作为图的顶点,以特征帧间的关系作为图的边,生成镜头关系图,分解图的邻接矩阵,得到镜头结构谱,融合镜头的视觉特征得到最终的检索结果。实验结果表明,视频的结构谱特征可以有效地表示视频的结构特征,在视频检索中也是有效的。(本文来源于《计算机工程与应用》期刊2012年32期）
周大伟,刘雨[6]（2011）在《视频中运动目标结构特征提取的子区域分割方法》一文中研究指出视频中为了研究运动目标的结构特征,利用最远点、信息瓶颈、均值漂移等方法对运动目标进行图像分割实验,获得运动目标的结构子区域。通过对比实验数据,用均值漂移分割方法获得的运动目标子区域较合理,为下一步研究视频中运动目标结构特征提供了合适的运动目标结构子区域,对深入研究运动目标结构特征,利用结构特征进行目标跟踪与识别具有重要意义。(本文来源于《现代电子技术》期刊2011年08期）
刘嘉琦[7]（2011）在《基于多模态特征的新闻视频结构分析》一文中研究指出近年来随着数据压缩、通讯、存储技术的飞速发展，以及计算机性能的不断提高和网络的广泛普及，多媒体视频的应用得到了极大的发展。尤其是新闻视频已成为人们获取新闻信息的重要来源。面对如此海量的新闻信息，如何快速有效地查询到包含人们所需要的新闻内容的信息成为多媒体技术的研究热点。新闻视频摘要和检索是解决这些问题的主要方法，而其中一个重要的基础工作就是新闻视频结构分析。本文提出了一种融合主持人镜头、视觉特征、音频特征和文本信息等多模态特征的新闻视频结构分析框架，该框架针对绝大部分的新闻视频结构模式，设计并实现了新闻视频的故事单元分割。首先对新闻视频进行预处理，将新闻视频分割成音频流和视频流。对于音频流，选择静音区间作为音频候选点；对于视频流，首先对新闻视频进行镜头分割，将镜头边界切变点作为视频候选点，然后进行主持人镜头和主题字幕的探测，将主持人镜头作为候选区间并记录主题字幕的起始位置和结束位置；最后基于时间轴融合音频候选点，视频候选点，主持人镜头和主题字幕对新闻视频进行故事单元分割。通过对中等规模的CCTV《新闻联播》视频进行实验，结果表明本文提出的分割方法可以较好的对新闻视频结构进行有效分析，获得平均83.18%的查全率和83.92%的查准率，可以较好的对新闻视频结构进行有效分析。(本文来源于《西安电子科技大学》期刊2011-01-01）
周大伟[8]（2010）在《视频中运动目标的结构特征提取方法》一文中研究指出视频中的运动目标识别的前提是准确的运动目标分割及目标底层特征的提取。对视频而言,除了目标的点、线、区域、纹理等图像底层特征以外,在时间域上的特征,如速度、加速度,是最显着的特征。为了区分运动目标,例如区分车辆、人、动物等,只利用底层特征是不够的,必须进一步提取能反映目标结构的结构特征,例如,动物的躯干和四肢,车辆的车体与车轮等,才能提高运动目标的识别与跟踪的效果。本文在分析运动目标识别、跟踪及特征提取等问题国内外现状的基础上,研究复杂背景下目标尺寸变化范围较大的运动目标的结构特征提取。首先对运动目标结构特征的概念、组成及其数学描述进行了介绍,提出了一种复杂背景下运动目标结构特征的提取方法。本文主要工作由叁部分组成:1)用混合高斯运动目标检测方法对视频进行前背景分离,并用最远点聚类方法对可能的运动目标区域进行聚类,得到备选目标区域;2)对比信息瓶颈方法和均值漂移方法对备选目标运动目标进行子区域的分割,并用互信息损失最小原则进行子区域分割一致性评判,得到合理的运动目标结构子区域,从而获得由目标各子区域的几何特征和统计特征组成的目标结构特征;3)用无迹粒子滤波方法对运动目标各子区域进行跟踪,得到目标各子区域的运动特征。最后,将该方法应用于运动目标的跟踪与识别方面,验证了该方法的有效性。(本文来源于《国防科学技术大学》期刊2010-11-01）
任绍刚[9]（2008）在《基于混合特征的视频结构化与摘要提取技术研究》一文中研究指出随着电子技术和信息处理技术的发展,视频数据在现代社会中发挥着越来越重要的作用。然而由于视频数据本身线性和非结构化数据形式使得视频数据不便于浏览、编辑和检索。视频结构化和摘要提取技术正是为了解决上述问题而出现的,视频数据结构化是把视频制作过程中“消失”的镜头和场景恢复出来;视频摘要提取是从视频数据中摘取具有代表性的图像帧或视频片段。通过视频结构化和摘要提取,能够生成一个有意义的并且能够体现视频内容的结构大纲,便于用户对视频内容进行浏览、编辑和检索。基于混合特征的视频结构化和摘要提取采用高层特征和低层特征相结合的方法,以加强对镜头关键帧的描述能力,进而提高视频结构化的准确性和提取摘要的广泛性。首先,利用颜色和图像边界方向特征快速地检测镜头并提取镜头的关键帧。其次,依照先前已建立好的视频场景语义模型,利用视觉词袋(Bag-of-Words)模型对镜头关键帧进行语义分析和高层特征的提取。然后借助于镜头关键帧的高层和低层特征,采用两遍滑窗法实现对视频场景边界的检测。最后,根据镜头时间长度、运动特性、以及镜头间的相似性等信息提取场景的关键镜头,并根据场景时间长度信息提取基于章节的视频摘要。实验结果表明,基于混合特征的视频结构化方法在场景检测的查全率和查准率方面比传统的仅仅依靠底层特征的方法有较大提高;而在此基础上提取的场景和章节摘要适合于光盘等存储介质视频数据的导航系统和方便用户进行视频浏览和分析。(本文来源于《华中科技大学》期刊2008-06-01）
史迎春,方鹏飞,周献中[10]（2004）在《综合利用声视特征的新闻视频结构化模型》一文中研究指出视频结构化表征和基于这种表征进行相似度比较是视频检索的前提和最基础的重要工作。该文受视频制作过程的启发,通过分析新闻视频的内容结构特点,提出一个基于多语义抽象层次表示的5层视频目录结构化模型;在此基础上,采用分层处理思想,通过综合利用声视特征实现了基于目录结构的新闻视频结构化,克服了单纯用视觉特征难以胜任场景分段的困难,实验验证了该文思想及相应算法的有效性。(本文来源于《计算机工程与应用》期刊2004年32期）
视频结构特征论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近年来,短视频平台依托网络经济飞速发展。本文在前人对双边市场理论研究的基础上,对短视频平台的双边市场结构特征从网络外部性、需求无限性和非对称价格策略叁个方面进行了详细的分析,并探究该特征对平台商业模式的影响以期为短视频平台运营商提供一定的指导意义。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
视频结构特征论文参考文献
[1].曾润喜,朱迪.政务短视频平台府际关系结构特征研究——基于公安政务抖音的社会网络分析[J].电子政务.2019
[2].袁茵茵.短视频平台的双边市场结构特征分析[J].大众投资指南.2019
[3].和志杰.视频压缩感知中基于结构特征的重构算法与量化方法研究[D].华南理工大学.2017
[4].饶春阳.基于特征融合的结构化相关滤波视频跟踪方法研究[D].武汉理工大学.2017
[5].翟素兰,查到丽.基于视觉与结构谱特征融合的视频检索[J].计算机工程与应用.2012
[6].周大伟,刘雨.视频中运动目标结构特征提取的子区域分割方法[J].现代电子技术.2011
[7].刘嘉琦.基于多模态特征的新闻视频结构分析[D].西安电子科技大学.2011
[8].周大伟.视频中运动目标的结构特征提取方法[D].国防科学技术大学.2010
[9].任绍刚.基于混合特征的视频结构化与摘要提取技术研究[D].华中科技大学.2008
[10].史迎春,方鹏飞,周献中.综合利用声视特征的新闻视频结构化模型[J].计算机工程与应用.2004