《視頻大數據智慧計算方法》：
　　第1章 視頻大數據智慧計算緒論
　　1.1 視頻大數據的特點
　　視頻大數據有三大特點：數據量大、結構復雜、全數據，如圖1.1所示。
　　圖1.1視頻大數據的特點
　　視頻大數據的第一個特點是數據量大，而且視頻大數據的數據量增長速度非�？臁Ｃ刻煊袩o數的人在向優(yōu)酷等在線視頻網站上傳各種視頻，每天都有無數的監(jiān)控器、攝像頭在錄制各種各樣的實時視頻，每天電視臺、電影院都在播放著不斷更新的視頻 。我們的世界是可視的、動態(tài)的，整個世界最原始的狀態(tài)就是一個連續(xù)不斷的、將會延續(xù)無數億年的視頻。
　　隨著視頻錄制設備的普及，特別是智能手機也具備了錄制視頻的能力，現在已經進入視頻大數據的時代。人們喜歡錄制視頻來記錄生活中的點點滴滴，學校喜歡用視頻來記錄教師上課的實況，政府喜歡用視頻來監(jiān)控社會的動態(tài)。一個文本文件或圖像文件或聲音文件，其數據量都一般在M級，但一個視頻文件數據量一般都在G級，而有的高清視頻能達到T級。每個視頻都含有非常豐富的信息，都要占用大量的存儲空間，而視頻的數量又非常龐大，這就使得視頻成為各種格式的數據中數據量最為突出的大數據。
　　同時，隨著互聯網特別是移動互聯網的發(fā)展，越來越多的視頻被上傳到網上進行分享、轉碼、加工、重組，從而使得從無數的原始視頻中，又衍生出更多數據量更大的目標視頻，這又進一步增加了視頻大數據的數據量。
　　視頻大數據的第二個特點是結構復雜。視頻數據相對于文本、圖像、聲音這些單一的數據類型而言，是結構最為復雜的一種數據。視頻大數據是一種集圖像、聲音、文字于一體的大數據，也是一種集時間維、空間維、本性維于一體的大數據。正是因為其組成成分的復雜性，以及不同維之間的關聯性，使得其大數據的特性更為突出。正是由于視頻結構的復雜性，所以以不同的方式來組織視頻數據就形成了視頻的不同編碼格式和封裝格式。視頻的編碼格式和封裝格式之多遠遠超過了文本、圖像、聲音這些類型的文件數據，這也從一個側面反映了視頻結構的復雜性。不但視頻內部的結構復雜，由于視頻轉碼、視頻加工、視頻重組、視頻挖掘等技術的應用，使得不同視頻數據之間也存在著千絲萬縷的聯系，形成了視頻數據之間結構的復雜性。
　　視頻大數據的第三個特點是全數據。視頻所見即所得，是對現實世界的真實記錄和復制，這一點不同于文本數據。因為文本數據是人類或人類程序對客觀世界的記錄，其中有人類對客觀世界的抽象及取舍。全數據在數據的維度上沒有任何損失，所以視頻大數據的挖掘價值更大。視頻大數據相對于文本等類型的大數據而言，其全數據性更為明顯。當然，這也是相對的，因為視頻的分辨率是有限的，而且大部分視頻不是三維的、更不是全息的，因此視頻也無法完全地復制現實，所以說視頻大數據只是相對的全數據，但隨著視頻技術、存儲技術的發(fā)展，視頻的分辨率會越來越高，而且會朝著三維、全息的方向發(fā)展，所以視頻大數據的全數據性會越來越高。
　　1.2視頻大數據對智慧計算的需求
　　大數據的價值在于其中所蘊含的知識，而大數據中的知識只有依靠智慧計算才能充分地發(fā)現和利用。因為大數據不同于傳統(tǒng)的數據，大數據是未經采樣和加工的全數據，因此其數據質量遠遠低于傳統(tǒng)數據，而數據復雜性遠遠高于傳統(tǒng)數據，這就對處理數據的計算方法提出了更高的要求，因此需要一種針對大數據的智慧計算方法。
　　特別是視頻大數據對智慧計算有著更高的要求，因為視頻大數據是最為難以處理的大數據類型之一。傳統(tǒng)處理大數據的框架如hadoop，比較擅長于處理文本大數據，但在處理視頻大數據時就有些力不從心，因為視頻大數據的數據內部、數據之間的關系非常復雜，同時其數據量也不是文本大數據可以同日而語的。所以急需研究專門針對視頻大數據的更為智慧的計算方法，來針對視頻大數據的結構復雜性、海量性、全數據性進行高效的處理，得到預期的結果和效果。
　　從應用的角度來看，視頻大數據對智慧計算的需求包括七大需求：視頻大數據識別的需求、視頻大數據重建的需求、視頻大數據重組的需求、視頻大數據轉碼的需求、視頻大數據監(jiān)控的需求、視頻大數據審查的需求和視頻大數據處理的需求，如圖1.2所示。
　　圖1.2視頻大數據對智慧計算的需求視頻大數據對智慧計算的需求，第一體現在對視頻大數據識別的需求。因為視頻如果不被識別，則毫無意義，但視頻識別對計算機來說不是一件很容易的事情，雖然我們人類每天都在看電影、看電視，識別視頻對于我們人類來說，非常容易。因此，在視頻識別這一方面，計算機當前發(fā)展水平還遠遠不如人腦。但視頻大數據的海量數據性，使得無法完全由人工來進行識別，所以急需一種更為智慧的計算來對視頻進行自動高效的識別。
　　視頻大數據對智慧計算的需求，第二體現在對視頻大數據重建的需求。視頻重建是基于視頻識別所得到知識所進行的創(chuàng)造性活動。視頻本身是源于現實，而視頻重建的結果是對現實的重塑。因此，視頻重建是對視頻的有效利用。但視頻重建比視頻識別對計算機而言更為困難，因為視頻重建是一種創(chuàng)造性的活動，而計算機最不擅長做的事情就是創(chuàng)造性的活動。所以當前視頻重建一般都是人工來做的。例如，根據動畫形象進行三維建模，都是由3D模型設計師進行手工設計。但是當面臨視頻大數據時，如果有大量的視頻需要被重建，則無法完全由人工來進行重建，所以急需一種更為智慧的計算來對視頻進行自動高效的重建。
　　視頻大數據對智慧計算的需求，第三體現在對視頻大數據重組的需求。因為視頻是一個圖像、聲音、文字的時間序列，這個序列可以分片，可以合并，統(tǒng)稱為重組�，F實生活中對視頻重組的需求是巨大而迫切的。例如，不同的人可能關心不同視頻中的某個主題和片段，那么就需要把這些主題和片段切分出來并進行合并后交付給不同的用戶。這個例子講的是用戶的需求。還有一種更大的需求，是對視頻大數據處理的需求，因為為了加快大視頻的處理速度，則需要采用分而治之的云計算模式進行處理，所以需要對視頻進行分片后再合并。但視頻的分片、合并并不像文本那么容易和簡單，如果采用人工交互式地進行分片，那么就會影響對視頻大數據的整體處理的自動化，因此急需一種更為智慧的計算來對視頻進行自動高效的分片。
　　視頻大數據對智慧計算的需求，第四體現在對視頻大數據轉碼的需求。由于視頻結構及其應用的復雜性，所以以不同的方式來組織視頻數據就形成了視頻的不同編碼格式和封裝格式。視頻的編碼格式和封裝格式之多遠遠地超過了文本、圖像、聲音這些類型的文件數據。特別是隨著電視網、電腦網、手機網的互聯互通，使得三網之間視頻格式的互轉變得非常頻繁和泛化，轉碼可以使得視頻大數據在三網之間無礙地流通，這就使得三網上的視頻大數據對轉碼的需求與日俱增。當人們用不同手機、在不同帶寬下觀看或下載同一個視頻源時，所得到的視頻的編碼格式和封裝格式可能都會不同，在這些時候，都有轉碼的發(fā)生。但隨著視頻大數據的數據量的激增，傳統(tǒng)上依靠改進轉碼硬件性能及轉碼串行算法的途徑已經無法滿足需求了，其結果必然會影響視頻下載和在線播放的速度。因此急需一種更為智慧的計算來對視頻進行自動高效的轉碼。
　　視頻大數據對智慧計算的需求，第五體現在對視頻大數據監(jiān)控的需求。高速公路上、個人家庭中、公司中、超市中、ATM機旁等地方，監(jiān)控攝像頭無處不在，但這些“眼睛”真的在發(fā)揮作用嗎？大部分的監(jiān)控攝像頭只能起到事后取證的作用，而無法像人眼那樣看到異常立即報警。當前視頻監(jiān)控大數據沒有做到實時的監(jiān)控和處理，也沒有做到事后的海量挖掘和分析。因此急需一種更為智慧的計算來對視頻進行自動高效的監(jiān)控。
　　視頻大數據對智慧計算的需求，第六體現在對視頻大數據審查的需求�，F在網絡上黃色視頻、暴力視頻嚴重危害了未成年人的身心健康，如果靠人工網絡警察去一個個地看、一個個地查，總是有漏網之魚的視頻，因為視頻的數量實在太大了，而且每一個視頻人工也難以從頭看到尾，即使從頭看到尾也難以對非法內容毫無遺漏。因此迫切需要一種更為智慧的計算來對視頻進行自動高效的審查。
　　視頻大數據對智慧計算還有很多其他需求，統(tǒng)稱為對視頻大數據處理的需求，包括對視頻分類的需求、對視頻推薦的需求、對視頻拆條的需求等。這些需求也隨著視頻大數據的數據量的攀升而越來越需要一種更為智慧的計算來對視頻進行自動高效的處理。
　　1.3視頻大數據智慧計算的分類
　　視頻大數據智慧計算方法，如果按照需求進行分類，則可以分為：視頻大數據識別的方法、視頻大數據重建的方法、視頻大數據重組的方法、視頻大數據轉碼的方法、視頻大數據監(jiān)控的方法、視頻大數據審查的方法和視頻大數據處理的方法，如圖1.3所示。
　　圖1.3視頻大數據智慧計算方法按照需求的分類
　　但如果從結合視頻大數據的時空性三個維度來分類，則視頻大數據智慧計算可以分為：視頻大數據空間智慧計算方法、視頻大數據時間智慧計算方法、視頻大數據時空智慧計算方法，如圖1.4所示。這里沒有提到本性維。因為本性維是最基本的維，不管是哪種類型的計算，本性維都默認存在并且參與其中，因為如果脫離了視頻的本性來討論視頻的時間性、空間性和時空性是沒有意義，“皮之不存，毛將焉附？” 圖1.4視頻大數據智慧計算方法按照維度的分類第2章視頻大數據空間智慧計算方法第2章視頻大數據空間智慧計算方法
　　如果不考慮時間維，則視頻成為了一幅幅靜止的圖像，所以只考慮空間維的視頻大數據實質上是圖像大數據，所以視頻大數據空間智慧計算方法實質上是圖像大數據智慧計算方法。之所以要將視頻大數據的空間維拿出來單獨研究，是因為的確有不少視頻實際應用（如視頻大數據中圖像的識別、重建）中只涉及視頻的空間維，所以研究視頻大數據空間智慧計算方法有其實際意義。將視頻大數據的空間維拿出來單獨研究的另一個原因是，只有將視頻大數據的空間維（各幅圖像）的智慧計算方法研究清楚了，才能與視頻大數據的時間維（各幀）進行結合，從而為視頻大數據的時空智慧計算方法奠定基礎。
　　本章提出了使得視頻空間計算更加智慧的方法，2.1節(jié)利用識別知識庫，2.2節(jié)利用圖像樣本庫，2.3節(jié)利用三維模型庫，加上自動搜索和匹配的算法，使得視頻空間計算（就是圖像的識別重建）更加自動化、普適化、精準化，再加上并行計算，又可使之快速化，從而使得在視頻空間計算方面，計算機更加接近人腦對圖像的處理重建能力，因而更接近人的智慧。
　　2.1識別知識庫下物體識別的方法
　　本方法提供一種基于識別知識庫的識別方法，用于識別多個類型目標，所述識別方法包括：從關聯索引表中尋找與興趣目標最接近的預期目標樣本；根據關聯索引表調用相應的預期目標特征提取規(guī)則，并根據該特征提取規(guī)則確定匹配窗口；根據關聯索引表調用相應的特征提取規(guī)則，由所述匹配窗口對待識別對象進行特征提取；調用對應的特征比較規(guī)則并調用關聯的特征比較程序，根據所述特征比較程序將預期目標樣本的特征與匹配窗口中的對象的特征進行比較，并將特征比較的結果記為相似度；根據所述相似度確定識別結果。本方法提供的基于識別知識庫的識別方法，預先在識別知識庫中存儲若干類型目標樣本，實現識別多個類型目標。
　　2.1.1現有物體識別方法的不足
　　現代信息處理技術的發(fā)展使得自動識別技術成為可能，比較常見的例子就是，將計算機信息處理技術應用到識別技術領域，使得無需人為操作從而實現自動化識別興趣目標。
　　目前，自動識別方法有條碼識別、IC卡識別、射頻識別（RFID）、聲音識別、視覺識別以及光學字符識別等。
　　識別的過程就是從對象中識別出目標，對所述對象中目標進行識別得到的結果被稱為識別結果。
　　識別即是通過目標的特征將目標從對象中分離出來并判斷出目標類型和目標屬性的過程。識別的對象可以是圖像、聲音、視頻、波譜、文本等中的一種類型或其混合。例如，識別一個人，可以同時識別他的語音（聲音識別）、面部相貌（圖像識別）。再如識別草，可以同時識別它的可見光譜（圖像識別）和紅外光譜（波譜識別）。識別的輸入為對象，輸出為目標。
　　樣本，是指用于識別的參照目標，其一般預先存儲在所述識別系統(tǒng)中的數據庫（也稱識別知識庫）。
　　……