Informatik-Spektrum

, Volume 32, Issue 1, pp 50–53 | Cite as

Keyframe Extraktion für Video-Annotation und Video-Zusammenfassung

  • Damian Borth
  • Adrian Ulges
  • Christian Schulze
  • Thomas M. Breuel
STUDENT’S CORNER KEYFRAME EXTRAKTION
  • 75 Downloads

Zusammenfassung

Zur Zeit erleben Videoclips, welche auf online Videoportalen wie YouTube zur Verfügung gestellt werden, immer mehr an Popularität. Wir schlagen einen Ansatz vor, der basierend auf unüberwachtem Lernen, Keyframes für Video-Retrieval und Video-Zusammenfassungen extrahiert. Unser Ansatz nutzt Methoden der ,,Shot-Segmentierung“ um ein Video temporär zu segmentieren und einen ,,k-Means“ Algorithmus um Repräsentanten für jeden Shot zu bestimmen. Zusätzlich führen wir ein ,,Meta-Clustering“ auf den extrahierten Keyframes aus um kompakte Videozusammenfassungen zu erhalten. Um unsere Methoden zu testen haben wir diese auf einer Datenbank von YouTube Videos angewendet. Wir erhielten Ergebnisse, welche (1) eine Verbesserung des Retrievals und (2) kompakte Video-Zusammenfassungen zeigen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

References

  1. 1.
    Bailer W, Mayer H, Neuschmied H, Haas W, Lux M, Klieber W (2003) Content-based video retrieval and summarization using MPEG-7. In: Santini S, Schettini R (Hrsg) Internet Imaging V. Proc SPIE 5304:1–12Google Scholar
  2. 2.
    Hammoud R, Mohr R (2000) A Probabilistic Framework of Selecting Effective Key-Frames for Video Browsing and Indexing. In: Intern. Worksh. on Real-Time Img. Seq. Anal., S 79–88Google Scholar
  3. 3.
    Koprinska I, Carrato S (2001) Temporal Video Segmentation: A Survey. Signal Process Image Commun 16:477–500CrossRefGoogle Scholar
  4. 4.
    Lienhart R (2001) Reliable Transition Detection in Videos: A Survey and Practitioner’s Guide. Int J Image Graph 1(3):469–486CrossRefGoogle Scholar
  5. 5.
    McQueen JB (1967) Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, S 281–297Google Scholar
  6. 6.
    O’Connor B (1991) Selecting Key Frames of Moving Image Documents: A Digital Environment for Analysis and Navigation. Microcomput Inf Manage 8(2):119–33MathSciNetGoogle Scholar
  7. 7.
    Rautiainen M, Ojala T, Seppanen T (2004) Cluster-temporal browsing of large news video databases. IEEE Int Conf Multimed Expo 2:751–754Google Scholar
  8. 8.
    Schwarz G (1978) Estimating the dimension of a model. Ann Stat 6(2):461–464MATHCrossRefGoogle Scholar
  9. 9.
    Ulges A, Schulze C, Keysers D, Breuel TM (2007) Content-Based Video Tagging for Online Video Portals. In: MUSCLE/Image-CLEF WorkshopGoogle Scholar

Copyright information

© Springer-Verlag 2008

Authors and Affiliations

  • Damian Borth
    • 1
  • Adrian Ulges
    • 1
  • Christian Schulze
    • 2
  • Thomas M. Breuel
    • 1
    • 2
  1. 1.Image Understanding & Pattern RecognitionTechnische Universität KaiserslauternKaiserslauternDeutschland
  2. 2.Image Understanding & Pattern RecognitionDeutsches Forschungszentrum für Künstliche Intelligenz (DFKI)KaiserslauternDeutschland

Personalised recommendations