面向移动视频点播的内容分析技术研究

This project researches semantics analysis methods for video on demand in mobile social networks. Such issues as video retrieval and recommendation on servers and distributed peer nodes in mobile networks are raised. The researches on peer nodes are: first, video object detection of SVM regression method on partial least squares technique is proposed to meet the demand of low complexity on mobile nodes. Second, video text detection on multi-scale and multi-classifiers evidence fusion is proposed to improve the accuracy of video text detection. The above two methods use distributed capacities of computing, storage and bandwidth on massive distributed nodes to decrease huge cost in computing and communication burdens on servers. Meanwhile researches on servers are: first, video attribute modelling on multiple kernel learning by introducing group sparsity constraints is proposed. And second, video recommendation based on servering capacity selection in distributed peers is proposed. The researches can contribute to such services on servers as near duplicate video detection, huge video semantic retrieval and high reliability in playing video on demand. The above researches will explore the problems of searching and smoothly playing massive video in mobile social networks. And it will eventually bring both good economical and social benefits.

本项目研究移动社交网络上视频点播的相关内容分析技术，从分布式用户与服务器两方面研究移动社交网络中的视频资源搜索和内容推荐问题。在分布式用户节点上研究:1.基于偏最小二乘的支持向量回归机的视频对象检测方法，以适应移动用户低计算复杂度的要求；2.基于空间多尺度多分类器证据融合的视频文本检测方法，以提高视频文本的检测效果。以上研究可以利用海量分布式用户上的分布式计算、存储和带宽资源，从而减少服务器的通信、计算负载以及所带来的巨额花销。而在服务器上将研究:1.基于组稀疏性约束的多核学习上海量视频的对象属性模型，2.基于节点服务能力选择的用户视频搜索推荐方法。使得服务器上能够为用户提供近重复视频检测、海量视频语义分类检索、高可靠的视频点播等服务。以上研究将探索移动社交视频点播的海量视频数据的搜索以及流畅播放，最终将产生很好的经济效益和社会效益。

本项目研究移动社交网络上视频点播的相关内容分析技术, 从视频特征降维，对象检测与分类以及分布式视频搜索推荐等多个角度，研究移动社交网络中的视频资源搜索和内容推荐问题。具体研究内容如下：1.视频特征降维方法。研究了一种核化典型关联集成的方法，以得到视频对象的关联集成鲁棒表达。研究了最小二乘流形嵌入框架下的多图流形数据降维研究，使得抽取的视频特征保持全局结构和局部特性，从而具有更好的鉴别性。2.视频语义分类方法。研究了基于多样性诱导的分类器集成方法，以及基于CCA关联分析与近邻加权的分类器集成方法。通过多分类器的集成策略与分类器的关联分析建模，使得视频分类器具有较好的鲁棒效果，能适应多样化的视频分类要求。3.近重复视频检测方法。提出一种基于Toeplitz核偏最小二乘的海量近重复视频检测方法，该算法通过偏最小二乘的核关联分析去进行近重复视频对象检测，以提高准确性，并且通过循环矩阵变换实现快速运算的目的。4.分布式用户视频内容推荐方法。研究了基于增强学习的P2P网络视频内容推荐的拥塞控制方法，通过增强学习的Q-Learning学习算法，来实现非结构化P2P网络的路由负载均衡策略，可以有效发现网络中的负载过高节点，并通过节点重连达到网络中个节点负载均衡的目的，从而为用户提供高质量的视频搜索、下载体验。.以上研究将产生移动社交视频点播的海量视频数据的搜索以及流畅播放的基础理论与方法，为今后移动社交视频的传播将产生很好的经济效益和社会效益。