基于多特征的视频关联文本关键词提取方法
视频内容特征的提取
视频内容特征的提取0 引言关键帧是视频的镜头表示帧。
基于关键帧的特征检索是基于内容视频检索的重要一部分。
虽然人们更倾向于使用语义特征进行视频查询，但由于语义特征很难做到自动提取，所以通常视频检索所采用的是较低层的关键帧的视觉特征，包括颜色特征、纹理特征、形状特征等静态特征，也包括反映镜头一定语义内容的运动特征等。
1 视频特征描述的要求基于内容的视频检索实际上就是基于特征的检索。
因此是视频检索的基础，也是难点所在。
良好的特征应具有以下特点：1）可区别性：对于不同的图像来说，其特征值应具有明显的差异，便于比较；2）可靠性：对相似图像的特征值应比较相近，查询的结果是按特征值相似程度排列的图像集合；3）独立性：所用的各个特征之间应彼此不相关；4）特征维度低：检索复杂度随着特征数量和特征维数会迅速增长，不利于检索。
2 静态特征提取2.1 提取颜色特征色彩是物体表面的一种视觉特性，是人类视觉的重要组成部分。
每种物体都有其特有的色彩特征，同一类物体往往有着相似的色彩特征。
因此可以根据色彩特征来区分物体。
而且颜色特征非常稳定，对于旋转、平移、尺度变化，甚至各种形变都不敏感，表现出相当强的鲁棒性。
颜色内容一般包含两个方面，一个对应于全局颜色分布，一个对应于局部颜色信息。
按照全局颜色分布来索引图像可以通过计算每种颜色的象素的个数并构造颜色灰度直方图来实现，这对检索具有相似的总体颜色内容的图像是一个很好的途径。
局部颜色信息是指局部相似的颜色区域，它考虑了颜色的分类与一些初级的几何特征。
比如，颜色集是通过抽取空间局部颜色信息来提供颜色区域的有效索引。
而颜色矩特征的数学依据是任何颜色的分布均可由它的矩来刻画，且大部分信息集中在低阶矩上。
2.2 提取纹理特征纹理就是图像局部不规则而宏观有规律的特性。
它是与物体表面材质有关的图像特征。
目前也是基于内容检索系统中所采用的一个重要手段。
纹理特征表达是Tamura 等人在对人类对纹理的视觉感知的心理学研究的基础上提出的，在视觉上和心理上都是有意义的。
视频图像中的文字提取技术论文
摘要
视频图像中的文字提取技术研究
摘 要
视频中的文本为描述视频内容提供了十分有用的信息， 对于构建 基于内容的多媒体检索系统具有重要作用。因此，有效地提取和识别 这些文字对于图像理解、视频内容分析、基于内容的图像和视频检索 等领域具有重要意义。 目前商业的OCR技术对于二值图像中文字的提取识别已经趋于成 熟，但视频中的文字具有分辨率低、背景复杂、文字形态差异大等特 点，这给视频中文字的有效提取带来了极大的挑战，限制了OCR技术 的成功应用。针对这些问题，本文主要围绕如何充分利用文字的各种 特性，更鲁棒地从复杂背景图像中提取出文字进行了研究，具体研究 了文字区域检测、文字恢复、文字分割这三部分的算法。 在视频文字检测方面， 本文提出了一种基于线条分类的视频文字 检测算法。首先利用 Canny 算子对图像进行边缘检测，然后根据文字 边缘线条的特征，过滤非字符的边缘线条，并利用文字线条区域的相 似性，设置综合阈值，得到最终的文字区域。该算法在边缘检测的基 础上， 有效地利用了文字本身的结构特征和文字笔画的线条特征对文 字区域进行判别，在获得较高查全率的同时大大降低了虚警，而且对 不规则排列及发生形变的文字也能够准确定位，并对光照、阴影等条
1
义。例如，在新闻视频中检测到的字幕文字，不仅可以为新闻故事单元切分提供 时间标志，还能够为新闻事件内容的理解提供直接的语义特征；在体育视频中， 比赛中出现的比分、运动员号码等文字信息对于自动体育视频内容分析，精彩事 件检测也具有重要的作用。因此，若能准确地将这些文字信息检测出来，并进行 处理，使之能够被传统的 OCR 软件识别并被转化成为机器内码，这样就可以用类 似文本检索的“关键字”查询方法，对视频片断进行快速有效的查询，并对其内 容 进 行 理 解 和 分 析 。 图 像 文 字 提 取 与 识 别 (image text extraction and recognition)就是将这些文字提取出来，经过识别转化为纯文本的过程[3]。 图像文字的识别可以借助于现有的 OCR 技术。OCR 技术以自动识别二维点阵 字符并将其转换为纯文本为目标，经过数十年的发展己经相当成熟，被广泛用于 文档扫描。然而，与文档不同的是，嵌入在图像和视频中的文字通常都带有复杂 的背景，而且文字出现的位置未知，在没有去除背景和二值化之前，现有的 OCR 系统难以识别出字符， 因而在提交给 OCR 系统之前都必不可少地需要一个文字提 取(text extraction)的过程[4]。这样，如何从复杂背景中提取出图像文字就成 为以文字为线索来理解和检索图像和视频内容的一个关键任务。
关键词提取方法
关键词提取方法在信息爆炸的时代，我们经常需要从大量文本中提取出关键词来帮助我们理解和归纳文本的主题和要点。
关键词提取是一项重要的自然语言处理技术，它可以自动地从文本中抽取出最具代表性和重要性的词语。
本文将介绍一些常用的关键词提取方法。
1. 基于词频的关键词提取方法基于词频的关键词提取方法是最简单和直观的一种方法。
它根据词语在文本中的出现频率来衡量其重要性。
常见的算法包括TF（Term Frequency，词频）和TF-IDF（Term Frequency-Inverse Document Frequency，词频-逆文档频率）。
TF算法将一个词在文本中出现的次数作为该词的重要性。
但是，如果一个词在文本中多次出现，它的重要性也会被放大。
为了解决这个问题，TF-IDF算法引入了逆文档频率的概念。
逆文档频率表示一个词在整个语料库中的信息量，它的计算方式是语料库中总文档数除以包含该词的文档数的对数。
TF-IDF算法将词频和逆文档频率相乘，使得频繁出现但在整个语料库中信息量小的词的重要性降低，而那些在少数文档中出现但信息量大的词的重要性增加。
2. 基于词性的关键词提取方法除了词频，词性也可以作为关键词提取的依据。
在自然语言中，不同的词性承担着不同的语义角色。
例如，名词往往是一个句子的主语或宾语，动词表示动作或状态，形容词描述事物的属性等。
基于词性的关键词提取方法通过词性标注技术，将文本中的词与其对应的词性进行匹配，然后选择特定的词性作为关键词。
常用的基于词性的关键词提取方法有两种：基于规则的方法和基于统计的方法。
基于规则的方法依赖于人工编写的规则集，通过匹配词性模式来提取关键词。
基于统计的方法则是根据大规模语料库的统计特征来计算每个词性的重要性，然后选择具有高重要性的词性作为关键词。
3. 基于语义的关键词提取方法基于词频和词性的关键词提取方法可以帮助我们抽取出一些关键词，但是它们无法处理一些歧义词和多义词的情况。
基于大数据分析的文本自动摘要与关键词提取技术研究
基于大数据分析的文本自动摘要与关键词提取技术研究文本自动摘要与关键词提取技术在信息检索和文本处理领域有着重要的应用价值。
随着互联网信息爆炸式增长和用户对高效获取信息的需求不断增加，基于大数据分析的文本自动摘要与关键词提取技术的研究和应用变得尤为重要。
本文将从技术原理、应用场景和发展趋势三个方面对基于大数据分析的文本自动摘要与关键词提取技术进行研究。
首先，我们将介绍文本自动摘要技术的基本原理。
文本自动摘要技术的目标是从一篇文本中自动提取出具有代表性和概括性的摘要。
基于大数据分析的文本自动摘要技术通常包括以下几个步骤：文本预处理、特征提取、关键句提取和摘要生成。
文本预处理阶段主要包括分词、词性标注和句法分析等步骤，以便对文本进行结构化表示。
特征提取阶段涉及到从文本中提取出一些重要的特征，如关键词、句子的位置和权重等。
关键句提取阶段根据关键句的特征对文本中的句子进行筛选。
最后，根据关键句生成具有概括性的摘要。
接下来，我们将探讨基于大数据分析的关键词提取技术。
关键词提取技术旨在从文本中自动提取出一些最具代表性和区分性的关键词。
关键词提取技术难点在于如何准确抽取出文本中最重要的信息，并过滤掉一些不具有代表性的词语。
基于大数据分析的关键词提取技术一般包括以下几个步骤：文本预处理、词频统计、关键词权重计算和关键词筛选。
文本预处理阶段同样用于对文本进行结构化表示。
词频统计阶段将统计词语在文本中出现的频率，以便确定关键词候选集。
关键词权重计算阶段通过计算词语的重要性得分，以确定最终的关键词集合。
关键词筛选阶段则对候选集中的词语进行排除，确保提取的关键词具有高质量。
基于大数据分析的文本自动摘要与关键词提取技术具有广泛的应用场景。
例如，对于新闻报道，自动摘要技术可以帮助用户快速获取新闻的核心内容，节省阅读时间。
对于科研论文，关键词提取技术可以帮助研究人员准确定位感兴趣的研究领域，并提高文献检索的效果。
还有，在智能问答、社交媒体分析和智能广告推荐等领域，都可以使用文本自动摘要与关键词提取技术来提高用户体验和效率。
融合多特征的TextRank关键词抽取方法
融合多特征的TextRank关键词抽取方法李航;唐超兰;杨贤;沈婉婷【摘要】[目的/意义]关键词提取在自然语言处理领域有着广泛的应用,如何快速准确地实现关键词的提取已经成为文本处理的关键问题.目前关键词提取方法非常多,但准确率仍有待提升.为此,提出一种结合单一文档内部结构信息;词语对于单文档和文档集整体的重要性的关键词抽取方法.[方法/过程]首先,根据词语的平均信息熵特征计算词语对文档集整体的重要性,利用词语的词性;位置特征计算词语对单文档中的重要性.然后,通过神经网络训练的方式优化三个特征的权重分配实现特征的融合.最后,利用三个特征计算得到词语的综合权值来改进TextRank模型词汇节点的初始权重以及概率转移矩阵,再通过迭代法实现关键词的抽取.[结果/结论]该研究方法结合了文档集整体信息和单文档自身信息,其关键词提取的准确率较传统TextRank 方法;TFIDF-TextRank方法有了明显的提高.【期刊名称】《情报杂志》【年(卷),期】2017(036)008【总页数】5页(P183-187)【关键词】TextRank算法;关键词抽取;神经网络;平均信息熵【作者】李航;唐超兰;杨贤;沈婉婷【作者单位】广东工业大学计算机学院广州 510006;广东工业大学艺术与设计学院广州 510075;广东工业大学艺术与设计学院广州 510075;广东工业大学计算机学院广州 510006【正文语种】中文【中图分类】TP391DOI 10.3969/j.issn.1002-1965.2017.08.031关键词抽取是指从指定文档中快速获取能代表文档主题和核心内容词语的过程，其在信息检索、文本分类、自动摘要等领域发挥着重要作用。
从是否需要标记训练语料集的角度看，文本关键词抽取方法可分为有监督和无监督两类。
有监督关键词抽取算法的代表思想是把关键词抽取看作分类问题[1-2]，首先通过标注训练语料，进行训练得到分类器，然后将分类器应用于测试文档，判断文档中词语是否为关键词。
如何快速提取短视频中的文字
如何快速提取短视频中的文字随着短视频的兴起，短视频中的文字已经成为了一种重要的信息传递方式。
很多时候，我们需要从短视频中提取文字作为关键词，以便于更好的理解视频内容或进行相关研究。
但是，手动提取文字是非常费时费力的，因此，如何快速提取短视频中的文字就成为了一个热门话题。
下面我们将介绍一些快速提取短视频中的文字的方法。
1. 使用OCR技术OCR（Optical Character Recognition）技术是一种将图像中的文字转换为可编辑的文本的技术。
使用OCR技术可以快速识别短视频中的文字，并将其转换为可编辑的文本。
目前市面上有很多OCR工具，如ABBYY FineReader、Adobe Acrobat、Readiris等。
这些工具可以将短视频中的文字转换为电子文档，以便于我们更好地管理和处理。
2. 使用AI技术随着人工智能技术的发展，越来越多的智能化工具可以帮助我们快速提取短视频中的文字。
比如，微软的VideoOCR技术可以自动提取短视频中的文字，识别率可以达到90%以上。
此外，谷歌的Cloud Video Intelligence API也可以提供类似的功能，可以自动提取视频中的文本信息，并将其转换为可编辑的文本。
3. 使用专业软件除了OCR和AI技术之外，还有一些专业的软件可以帮助我们快速提取短视频中的文字。
比如，ABBYY Recognition Server可以帮助我们自动提取视频中的文本信息，并将其转换为可编辑的文本。
此外，还有一些其他的专业软件，如Adobe Premiere Pro、Final Cut Pro等，这些软件可以帮助我们快速编辑和处理视频中的文本信息。
4. 手动提取虽然手动提取短视频中的文字是一种费时费力的方式，但是在一些特定的场景下，手动提取仍然是最有效的方法。
比如，在一些低质量的视频中，自动识别和提取文字的效果可能会受到很大的影响，此时手动提取就成为了一种更加可靠的方式。
基于SVM的融合多特征TextRank关键词提取算法
基于SVM的融合多特征TextRank关键词提取算法1. 引言1.1 研究背景关键词提取是文本挖掘领域中一个重要的研究问题，在文本摘要、信息检索、文档分类等任务中都有着重要的应用价值。
传统的方法主要基于统计特征、词频等信息进行关键词提取，但这些方法往往忽视了词汇之间的语义关系和上下文信息，导致提取的关键词质量不高。
随着自然语言处理技术的发展，基于机器学习算法的关键词提取方法逐渐受到研究者的关注。
本文旨在基于SVM算法，结合多特征TextRank算法，提出一种融合多种特征的关键词提取算法，实现对文本中关键信息的精准提取。
通过综合利用文本的词频、位置信息、上下文关系等多种特征，提高关键词提取的质量和效果，为文本挖掘和信息检索任务提供更好的解决方案。
1.2 问题提出在关键词提取领域，传统的基于统计方法的算法存在着一些问题，比如无法充分考虑文本中的语义信息、难以处理长文本和多文本等情况。
本文提出了一种基于SVM的融合多特征TextRank关键词提取算法，旨在解决这些问题。
在传统的TextRank算法基础上，我们引入了多种特征，包括词频、词性、词义等，通过SVM进行特征融合，提高了关键词提取的准确性和鲁棒性。
1.3 研究意义关键词提取是自然语言处理领域中的一个重要任务，可以帮助人们快速理解文本内容，提高信息检索和文本摘要的效率。
当前，基于机器学习的关键词提取算法在不断发展并取得了一定的成果，但仍然存在一些问题和挑战，如单一特征的不足以充分表达文本特点、难以处理文本中的复杂关系等。
本文提出的基于SVM的融合多特征TextRank关键词提取算法具有重要的研究意义。
通过引入支持向量机(SVM)技术，可以更好地处理文本中的复杂关系，提高关键词提取的准确性和稳定性。
融合多种特征，如词频、词性、位置信息等，可以充分挖掘文本信息，使得算法更加全面地理解文本内容。
本算法可以有效解决传统TextRank算法中单一特征不足的问题，提升关键词提取的效果，对于提高文本处理和信息检索的效率具有重要意义。
一种基于多特征融合的视频目标跟踪方法
ｔａｋｎ ｒｍｅ ｒ ｓｐ ｏ ｏ ｅ ．Ｔｈ ｒ ｃ ｅ ｂｅ ｔｉ ｒｐ ｅ ｅ ｔｄ ｂ ｈ ｕ ｉｎｏ ｌｆａｕ ｅ ｎ ｅ ｉｅｒ ｒｃ ｉｇｆａ ｗｏ ｋｉ ｒ ｐ ｓ ｄ ｅｔａ ｋ ｄ ｏ ｊｃ ｅ ｒｓ ｎ ｅ ｙｔ ｅｆｓｏ ｆａｌ ｅ ｔ ｒｓｕ ｄ ｒｌ ａ ｓ ｎ
ｆａｕ ｅ ｕ ｉｎ ｅ ｔ ｒｓｆ ｓｏ ．Ｂｅｉｅ ，ａ ｄ ｎ ｍｉ ｐ ａｉｇ ｓｒ ｔｇ ｓ ｕ ｅ ｏ ａ ｊ ｓ ｈ ｐ ａｅ ｓ ｅ ｄ ｏ ａ ｈ ｆａｕ ｅ ｓｄ ｓ ｙ ａ ｃ ｕ ｄ ｔ ｔａｅ ｙ ｉ ｓｄ ｔ ｄｕ ｔ ｔｅ ｕ ｄ ｔ ｐ ｅ ｆｅ ｃ ｅ ｔ ｒ ｎ ｔｍｐ ａｅａ ａ ｔ ｅｙ， ｈ ｓａｌｖａｉｇｔ ｅａｆｃｉｎｏ ｂｅ ｔｄ ｆｒ ｔｏ ｅ ｌｔ ｄ ｐ ｉ ｌ ｔ ｕ ｌ ｉｔ ｈ ｆｅ ｔ ｆｏ Ｓｃ ｅｏ ｍａｉｎ．Ａｃ ｏ ｄｎ ｏｔ ｅｃ ｎｉｅ ｃ ｆｅｃ ｖ ｅ ｎ ｏ ｃ ｒ ｉｇｔ ｈ ｏ ｆｄ ｎ ｅｏ ａｈ
验 证 明该 方 法 对 复 杂 的跟 踪 场 景 具 有 更 强 的鲁 棒 性 ， 适 用 于 目标 被 遮 挡 时 的跟 踪 ． 并
关 键 词 ： 目标 跟 踪 ； 特 征 融 合 ； 子 滤 波 ； 型 更 新 多 粒 模
中图分类号 ： ３１ ＴＰ ９ 文 献标 识 码 ： Ａ 文 章 编 号 ： ０ １２ ０ （ ０ ２ ０ — ０ １０ １ ０ — ４ ０ ２ １ ） ４０ ０ ～ ６
一
种 基 于 多特 征 融 合 的视 频 目标 跟 踪 方法
李 远 征 ， 卢 朝 阳 ， 李 静
（ 西安 电子 科 技 大 学 综 合 业 务 网理 论 及 关键 技 术 国 家重 点 实 验 室 ， 西 西安 ７ ０ ７ ） 陕 １０ １
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ 浙江工业大学 计算机科学与技术学院 ， 浙江 杭州 ３ １ ０ ０ ２ ３ ）
摘要 ： 针 对互联 网 多媒体 视 频数 量 的爆 炸 式增 长导 致快 速获取 视 频 的 内容 变得 非 常 困难 问题 ， 提出
了一 种基 于多特征 的 关键词提 取 算 法 ＴＦ Ｌ — ＷＳ算 法． 通过 分析视 频 包含 丰 富的 相 关文 本信 息 的特
．
ａ ｎ ｄ ｌ ｏ ｃ ａ ｔ ｉ ｏ ｎ ｗｅ ｉ ｇ ｈ ｔ ａ ｒ ｅ ｃ ｏ ｍｂ ｉ ｎ ｅ ｄ ｄ ｙ ｎ ａ ｍｉ ｃ ａ ｌ ｌ ｙ ｉ ｎ ｔ ｈ ｉ ｓ ｆ ｏ ｒ ｍｕ ｌ ａ Ｃｏ ｎ ｓ ｉ ｄ ｅ ｒ ｉ ｎ ｇ ｔ ｈｅ ｐ ａ ｒ ｔ ｏ ｆ ｓ ｐ ｅ ｅ ｃ ｈ，
第４ ５卷 第 １期 ２ ０ １ ７年 ２ 月
浙 江 工 业 大 学 学 报
Ｊ ＯＵＲＮＡＬ ＯＦ Ｚ ＨＥ Ｊ Ｉ ＡＮＧ ＵＮＩ ＶＥＲＳ Ｉ ＴＹ ＯＦ ＴＥＣＨＮＯＬ ＯＧＹ
Ｖｏ １ ． ４５ Ｎ ｏ． １
Ｆｅ ｂ． ２ ０１７
基 于多 特 征 的视 频 关 联 文 本 关 键 词 提 取 方 法
．
ｗｏ ｒ ｄ ｓ ｐ ａ ｎ ｏｆ ｃ ａ ｎ ｄｉ ｄ ａ ｔ ｅ ｗｏ ｒ ｄｓ ，ｅ ｘｐ ａ ｎｄ ｅ ｄ ｓ ｙｎ ｏ ｎｙ ｍ ｄｉ ｃ ｔ ｉ ｏｎ ａ ｒ ｙ ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｅ ｘｔ ｒ ａ ｃ ｔ ｋｅ ｙ ＷＯｒ ｄｓ Ｓｏ ｔ ｈｅ
ｃ ｏ ｎｔ ａ ｉ ｎｓ ａ ｂｕｎ ｄａ ｎｔ ｒ ｅ ｌ ａ ｔ ｅ ｄ ｔ ｅ ｘｔ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ，ａ ｗｏ ｒ ｄ ｗｅ ｉ ｇｈｔ ｃ ａ ｌ ｃ ｕｌ ａ ｔ ｉ ｏ ｎ ｆ ｏ ｒ ｍｕ１ ａ ｗｈｉ ｃ ｈ ｉ ｓ ｂ ａ ｓ ｅ ｄ ｏｎ ｉ ｍｐｒ ｏ ｖｅ ｄ ＴＦ ａ ｎ ｄ ｍｕｌ ｔ ｉ ｐ ｌ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｉ ｓ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ Ｔｈｅ ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ａ ｌ ｃ ｈａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｏ ｆ ｃ ａ ｎｄ ｉ ｄａ ｔ ｅ ｗｏ ｒ ｄｓ
．
ｃ ｏｎｔ ｅ ｎ ｔ ｏ ｆ ｔ ｈｅ ｖ ｉ ｄｅ ｏ ｉ ｎｆ ｏ ｒ ｍａ ｔ ｉ ｏｎ ｃ ａ ｎ ｂ ｅ ｅ ｘ ｐｒ ｅ ｓ ｓ ｅ ｄ ｂ ｙ ｔ ｈｅ ｋｅ ｙ ｗｏｒ ｄ ｓ
．
Ｔｈｅ ｅ ｘｐ ｅ ｒ ｉ ｍｅ ｎｔ ａ １ ｒ ｅ ｓ ｕ Ｉ ｔ
．
ｓ ｈｏ ｗｓ ｔ ｈａ ｔ ｔ ｈ ｅ ｉ ｍｐｒ ｏ ｖｅ ｄ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ｏｆ ｅ ｘｔ ｒ ａ ｃ ｔ ｉ ｎ ｇ ｔ ｈｅ ｋｅ ｙ ｗｏ ｒ ｄｓ ｈａ ｓ ａ ｂ ｅ ｔ ｔ ｅ ｒ ｒ ｅ ｓ ｕ１ ｔ Ｉ ｔ ｈａ ｓ ｓ ｏ ｍｅ Ｉ ｍｐ ｒ ｏ ｖ ｅ ｍｅ ｎｔ ｉ ｎ ｔ ｈｅ ｐｒ ｅ ｃ ｉ ｓ ｉ ｏｎ ａ ｎｄ ｒ ｅ ｃ ａ ｌ ｌ ｒ ａｔ ｅ ｓ ，ａ ｎｄ ｉ ｔ ｃ ａ ｎ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎｔ ｔ ｈ ｅ ｖ ｉ ｄ ｅ ｏ ｃ ｏ ｎｔ ｅ ｎｔ ｍｕ ｃ ｈ ｂ ｅ ｔ ｔ ｅ ｒ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔｈ ｅ ｅ ｘｐ ｌ ｏｓ ｉ ｖ ｅ ｇｒ ｏ ｗｔ ｈ ｏ ｆ ｍｕｌ ｔ ｉ ｍｅ ｄｉ ａ ｖ ｉ ｄ ｅ ｏ ｏｎ ｔ ｈｅ Ｉ ｎ ｔ ｅ ｒ ｎｅ ｔ ｌ ｅ ａ ｄ ｓ ｔ ｏ ａ ｃ ｃ ｅ ｓ ｓ ｔ ｈｅ ｃ ｏｎ ｔ ｅ ｎ ｔ ｏｆ ｔ ｈｅ ｖ ｉ ｄｅ ｏ ｍｏｒ ｅ ａ ｎｄ ｍｏ ｒ ｅ ｄ ｉ ｆ ｆ ｉ ｃ ｕ ｌ ｔ ｙ，ａ ｋｅ ｙ ｗｏｒ ｄ ｅ ｘｔ ｒ ａ ｃ ｔ ｉ ｏｎ ａ ｌ ｇｏ ｒ ｉ ｔ ｈｍ ＴＦＬ— Ｗ Ｓ ｂａ ｓ ｅ ｄ ｏｎ ｍ ｕｌ ｔ ｉ ｐ ｌ ｅ
点， 建 立 了基 于 改进 ＴＦ和 多特 征 的候 选词权 重计 算公 式 ， 该公 式将 候选 词的 统 计特 征 与位 置权 重 动 态结 合起 来 ， 并考虑候 选词 的词性 、 词跨 度 等属性 ， 借 助扩展 的 同义 词词 林来提 取 关键 词 ， 通 过提
取到 的 关键词 来表 述视 频 的 内容 信 息． 实验 结果表 明 ： 改进 后 的 算 法 所提 取 的 关键 词 效 果 更好 ， 在 准确 率和 召回率 方 面都 有 一定 的提 升 ， 并且 能够很 好 的表 示视 频 的 内容 ．
ｆ ｅ ａ ｔ ｕｒ ｅ ｓ ｉ ｓ ｐ ｒ ｏ ｐ ｏｓ ｅ ｄ ｉ ｎ ｔ ｈｉ ｓ ｐ ａ ｐｅ ｒ
．
Ｔｈｒ ｏ ｕｇ ｈ ａ ｎａ ｌ ｙ ｚ ｉ ｎｇ ｔ ｈｅ ｃ ｈ ａ ｒ ａｆ ｔ ｈｅ ｖ ｉ ｄ ｅ ｏ ｗｈｉ ｃ ｈ
ｔ ｅ ｘｔ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｍｕ ｌ ｔ ｉ ｐ ｌ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ
Ｗ ＡＮＧ Ｗａ ｎｌ ｉ ａ ｎ ｇ，ＰＡＮ Ｍｅ ｎｇ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， Ｚ ｈ ｅ ｊ ｉ ａ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｈａ ｎ ｇ ｚ ｈ ０ ｕ ３ １ ０ ０ ２ ３ ，Ｃ ｈ ｉ ｎ ａ ）
关键 词 ： 关键 词提 取 ； 视 频 内容 ； ＴＦ； 特 征 词 权 重 中 图分类 号 ： ＴＰ １ ８ １ 文 献标志 码 ： Ａ 文章 编号 ： １ ０ ０ ６ — ４ ３ ０ ３ （ ２ ０ １ ７ ） ０ １ — ０ ０ １ ４ — ０ ５
Ａｎ ｋｅ ｙ ｗｏ ｒ ｄ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｐｐｒ ｏ ａ ｃ ｈ ｆ ｒ ｏ ｍ ｖ ｉ ｄ ｅ ｏ ａ ｓ ｓ ｏ ｃ ｉ ａ ｔ ｅ ｄ