| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 视频相似度研究现状 | 第12页 |
| 1.2.2 深度学习研究现状 | 第12-14页 |
| 1.3 本文的主要研究工作及组织结构 | 第14-16页 |
| 1.3.1 本文的主要工作 | 第14页 |
| 1.3.2 论文的具体组织结构安排 | 第14-16页 |
| 第2章 视频相似度分析的理论基础 | 第16-28页 |
| 2.1 关键帧提取基本理论 | 第16-19页 |
| 2.1.1 关键帧提取的目的与原则 | 第16-17页 |
| 2.1.2 关键帧提取方法 | 第17-19页 |
| 2.2 图像分割基本理论 | 第19-20页 |
| 2.2.1 基本图像分割方法 | 第19页 |
| 2.2.2 遗传算法 | 第19-20页 |
| 2.3 相似度计算基本理论 | 第20-28页 |
| 2.3.1 几种相似性计算算法 | 第20-24页 |
| 2.3.1.1 基于特征向量的相似性度量 | 第21-22页 |
| 2.3.1.2 SSIM算法 | 第22页 |
| 2.3.1.3 MSE算法 | 第22-23页 |
| 2.3.1.4 感知哈希(PerceptualHash,pHash)算法 | 第23-24页 |
| 2.3.2 几种典型的深度学习模型 | 第24-28页 |
| 2.3.2.1 堆叠自动编码器 | 第24-25页 |
| 2.3.2.2 深信度网络 | 第25-26页 |
| 2.3.2.3 递归神经网络 | 第26-28页 |
| 第3章 融合颜色及内容的自适应关键帧提取方法 | 第28-43页 |
| 3.1 引言 | 第28页 |
| 3.2 基于熵的改进KNN算法 | 第28-29页 |
| 3.3 自适应关键帧提取方法 | 第29-32页 |
| 3.3.1 镜头分割 | 第29-30页 |
| 3.3.2 关键帧提取 | 第30-32页 |
| 3.4 实验结果及分析 | 第32-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于语义的视频关键帧相似度分析 | 第43-67页 |
| 4.1 引言 | 第43-46页 |
| 4.2 基于改进遗传算法的关键帧预处理 | 第46-50页 |
| 4.2.1 改进遗传算法 | 第46-47页 |
| 4.2.2 针对数据集的改进线性拉伸 | 第47页 |
| 4.2.3 实验结果及分析 | 第47-50页 |
| 4.3 基于低层语义特征的相似度计算 | 第50-57页 |
| 4.3.1 改进LBP算子 | 第50-52页 |
| 4.3.2 相似度计算 | 第52页 |
| 4.3.3 实验结果及分析 | 第52-57页 |
| 4.4 基于高层语义特征的相似度计算 | 第57-65页 |
| 4.4.1 VGGNet深度学习框架 | 第57-59页 |
| 4.4.2 实验结果及分析 | 第59-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 本文工作 | 第67页 |
| 5.2 工作展望 | 第67-69页 |
| 参考文献 | 第69-79页 |
| 作者简历 | 第79页 |