TÓM TẮT VIDEO SỬ DỤNG KỸ THUẬT TRỪ NỀN

Ngô Hữu Huy; Lê Hùng Linh; Nguyễn Duy Minh; Ngô Thị Thu Hằng

doi:10.34238/tnu-jst.5582

TÓM TẮT VIDEO SỬ DỤNG KỸ THUẬT TRỪ NỀN

Thông tin bài báo

Ngày nhận bài: 24/02/22 Ngày hoàn thiện: 28/04/22 Ngày đăng: 11/05/22

Các tác giả

1. Ngô Hữu Huy , Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
2. Lê Hùng Linh, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
3. Nguyễn Duy Minh, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
4. Ngô Thị Thu Hằng, Trường THCS Kim Đồng - Thành phố Hạ Long, Quảng Ninh

Tóm tắt

Hệ thống thông tin đa phương tiện đã được sử dụng rộng rãi và đa dạng trong các nghiên cứu và ứng dụng thực tế. Trong đó, dữ liệu video là một trong những kiểu dữ liệu phổ biến nhất. Tuy nhiên, việc quản lý và sử dụng dữ liệu video gặp nhiều vấn đề như việc tổ chức lưu trữ, hay tìm kiếm sự kiện trong một video. Do đó, nghiên cứu này sẽ trình bày một phương pháp tóm tắt video hiệu quả và đơn giản, sử dụng kỹ thuật trừ nền. Đầu tiên, video đầu vào được sử dụng để trích xuất các khung ảnh liên tiếp. Sau đó, các khung ảnh này sẽ được tiền xử lý, như chuyển sang ảnh đa mức xám và làm mịn ảnh. Kỹ thuật trừ nền được sử dụng để phát hiện chuyển động trong khung ảnh hiện tại so với khung ảnh ngay trước đó. Nếu khung ảnh có phát hiện chuyển động thì nó sẽ được lưu lại cho video đầu ra. Chúng tôi cũng đề xuất một thuật toán tóm tắt video. Các kết quả thực nghiệm cho thấy tính hiệu quả của phương pháp này, đặc biệt đối với các video giám sát.

Từ khóa

Kỹ thuật trừ nền; Phát hiện chuyển động; Theo dõi chuyển động; Tóm tắt video; Video giám sát

Toàn văn:

PDF

Tài liệu tham khảo

[1] A. S. Murugan, K. S. Devi, A. Sivaranjani, and P. Srinivasan, “A Study on Various Methods Used for Video Summarization and Moving Object Detection for Video Surveillance Applications,” Multimedia Tools and Applications, vol. 77, no. 18, pp. 23273-23290, 2018.

[2] H. Wei, B. Ni, Y. Yan, H. Yu, X. Yang, and C. Yao, “Video Summarization via Semantic Attended Networks,” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 32, no. 01, pp. 216-223, 2018.

[3] B. A. Plummer, M. Brown, and S. Lazebnik, “Enhancing Video Summarization via Vision-Language Embedding,” in Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp. 5781-5789.

[4] Y. Yuan, T. Mei, P. Cui, and W. Zhu, “Video Summarization by Learning Deep Side Semantic Embedding,” IEEE Transactions on Circuits and Systems for Video Technology, vol. 29, no. 1, pp. 226-237, 2019.

[5] S. Zhang, Y. Zhu, and A. K. Roy-Chowdhury, “Context-Aware Surveillance Video Summarization,” IEEE Transactions on Image Processing, vol. 25, no. 11, pp. 5469-5478, 2016.

[6] S. K. Kuanar, K. B. Ranga, and A. S. Chowdhury, “Multi-View Video Summarization Using Bipartite Matching Constrained Optimum-Path Forest Clustering,” IEEE Transactions on Multimedia, vol. 17, no. 8, pp. 1166-1173, 2015.

[7] O. Elharrouss, N. Al-Maadeed, and S. Al-Maadeed, “Video Summarization Based on Motion Detection for Surveillance Systems,” in Proc. 15th International Wireless Communications & Mobile Computing Conference (IWCMC), Tangier, Morocco, 2019, pp. 366-371.

[8] A. Kanehira, L. Van Gool, Y. Ushiku, and T. Harada, “Viewpoint-Aware Video Summarization,” in Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Salt Lake City, UT, USA, 2018, pp. 7435-7444.

[9] T. -J. Fu, S. -H. Tai, and H. -T. Chen, “Attentive and Adversarial Learning for Video Summarization,” in Proc. IEEE Winter Conference on Applications of Computer Vision (WACV), Waikoloa, HI, USA, 2019, pp. 1579-1587.

[10] X. He, Y. Hua, T. Song, Z. Zhang, Z. Xue, R. Ma, N. Robertson, and H. Guan, “Unsupervised Video Summarization with Attentive Conditional Generative Adversarial Networks,” in Proc. 27th ACM International Conference on Multimedia, New York, NY, USA, 2019, pp. 2296-2304.

[11] Z. Ji, K. Xiong, Y. Pang, and X. Li, “Video Summarization with Attention-Based Encoder–Decoder Networks,” IEEE Transactions on Circuits and Systems for Video Technology, vol. 30, no. 6, pp. 1709-1717, 2020.

[12] M. Rochan and Y. Wang, “Video Summarization by Learning from Unpaired Data,” in Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 2019, pp. 7902-7911.

[13] M. Rochan, L. Ye, and Y. Wang, “Video Summarization Using Fully Convolutional Sequence Networks,” in Proc. European Conference on Computer Vision (ECCV), Munich, Germany, 2018, pp. 347-363.

[14] A. Khumaidi, E. M. Yuniarno, and M. H. Purnomo, “Welding Defect Classification Based on Convolution Neural Network (CNN) and Gaussian Kernel,” in Proc. International Seminar on Intelligent Technology and Its Applications (ISITIA), Surabaya, Indonesia, 2017, pp. 261-265.

[15] S. Zhang, E. Staudt, T. Faltemier, and A. K. Roy-Chowdhury, “A Camera Network Tracking (CamNeT) Dataset and Performance Baseline,” in Proc. IEEE Winter Conference on Applications of Computer Vision, Waikoloa, HI, USA, 2015, pp. 365-372.

[16] S. Oh, A. Hoogs, A. Perera, N. Cuntoor, C. -C. Chen, J. T. Lee, S. Mukherjee, J. K. Aggarwal, H. Lee, L. Davis, E. Swears, X. Wang, Q. Ji, K. Reddy, and M. Shah, “A Large-Scale Benchmark Dataset for Event Recognition in Surveillance Video,” in Proc. IEEE Computer Vision and Pattern Recognition (CVPR), Colorado Springs, CO, USA, 2011, pp. 3153-3160.

DOI: https://doi.org/10.34238/tnu-jst.5582

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ