Κατηγοριοποίηση βίντεο ως προς το είδος τους με τη χρήση της λογιστικής παλινδρόμησης

Abstract

Στην εποχή μας, η χρήση του βίντεο έχει αποκτήσει ιδιαίτερη σημασία, ιδίως με την εξέλιξη της τεχνολογίας, του διαδικτύου και των ψηφιακών μέσων. Οι χρήστες έχουν τη δυνατότητα πρόσβασης σε ένα τεράστιο όγκο δεδομένων μέσω του διαδικτύου και της τηλεόρασης. Συχνά, όμως, μέσα σε αυτό το μεγάλο πλήθος των δεδομένων, είναι δύσκολο να αναζητήσει κανείς το κατάλληλο βίντεο που τον ενδιαφέρει, προκειμένου να το χρησιμοποιήσει όπου το χρειάζεται και ιδιαίτερα, όταν δεν είναι πρακτικά εφικτό να παρακολουθήσει όλα τα βίντεο, προκειμένου να βρει αυτό που τον ενδιαφέρει. Η αξιοποίηση του περιεχομένου των βιντεοσκοπήσεων απαιτείται συνεχώς από πολλές εφαρμογές για παράδειγμα στην ανάκτηση μιας βιντεοσκοπημένης ακολουθίας, στη δημιουργία μιας αυτόματης σύνοψης ή στην ανίχνευση συγκεκριμένων ενεργειών ή δραστηριοτήτων σε ένα βίντεο παρακολούθησης [Herview et. Al,2008]. Πολλές εργασίες έχουν γίνει για να αντιμετωπίσουν το πρόβλημα ταξινόμησης των βίντεο σε συγκεκριμένες κατηγορίες, επιχειρώντας να γεφυρώσουν το χάσμα μεταξύ των υπολογιστικών χαρακτηριστικών χαμηλού επιπέδου και των εννοιών υψηλού επιπέδου, ώστε να βοηθήσουν τους χρήστες να βρουν τα βίντεο που τους ενδιαφέρουν εντός ενός στενού πεδίου ορισμού. Για να κατανοηθεί όσο το δυνατόν καλύτερα το περιεχόμενο των βίντεο, έχουν αναπτυχθεί πολλές και διαφορετικές τεχνικές. Τέτοιου είδους τεχνικές που χρησιμοποιούνται για την ταξινόμηση των βίντεο είναι το μοντέλο Bayesian, το μοντέλο Hidden Markov Model (HMM), το Μοντέλο Gaussian Mixture (GMM), το Νευρωνικό δίκτυο (NN) και το SupportVectorMachine (SVM) [Oh et al,2003]. Σε αυτή την εργασία πρόκειται να χρησιμοποιηθεί λογιστική παλινδρόμηση για την κατηγοριοποίηση των βίντεο ανά είδος. H λογιστική παλινδρόμηση έχει αποδείξει την αποτελεσματικότητά της ως τεχνική ταξινόμησης σε διάφορους τομείς. Η λογιστική παλινδρόμηση χρησιμοποιείται για πολλούς λόγους. Καταρχήν η λογιστική παλινδρόμηση έχει μελετηθεί πολύ και δεν κάνει υποθέσεις για την κατανομή των ανεξάρτητων μεταβλητών, ενώ από την άλλη μπορεί να επεκταθεί για την αντιμετώπιση προβλημάτων πολλαπλής κατηγοριοποίησης. Έτσι, με τον σωστό αλγόριθμο, ο χρόνος υπολογισμού μπορεί να μειωθεί σημαντικά σε σχέση με αυτόν που απαιτείται από άλλες μεθόδους, όπως της Support Vector Machine (SVM).