随着多媒体技术的快速发展,更多类型的视频出现在网络平台上。此外,5G技术的发展也促使视频数据的增长更加迅猛。面对类型丰富的海量视频,一些旨在提高视频检索效率、视频存储空间利用率的自动化处理技术也随之产生。其中,视频摘要就是视频分析领域的一项基础性工作。它可以代替人工,从原始视频流中自动捕捉最具代表性的关键帧集合,这有效缓解了存储空间不足,并提高了视频的检索速度。方法中,基于镜头边界检测的方法相对简单和实用。这种方法可以在不依赖于大数据驱动和先验知识前提下,仅通过分析视频内容特征的不连续性,便可实现快速镜头分割和关键帧提取。然而,基于镜头边界检测的方法由于依赖于镜头边界检测,因而需要解决以下问题:1)视频内容的动态性变化、物理噪音经常引起镜头内的监测特征数据偏移,这种偏移可能会使得镜头检测算法在某种场景下失效,从而产生过多的假阳性（假镜头）;2)与突变镜头转换的显著变化不同,渐变镜头转换的变化不明显,且渐变转换呈现多样性（例如,叠化、淡入、淡出、擦拭）,这些区别通常会限制算法的检测性能。为解决上述问题,一些研究经常从视频帧的特征表示及差异分析、镜头边界决策两个方面进行优化和创新,附带的实时性也成为衡量算法性能的一个标准。然而,这些研究仍然面临以下挑战:1)在特征表示方面,现有的多视角特征融合方法依赖于大量数据驱动或视频类型。一些方法为改善多类镜头的检测精度,组合多视角特征进行视频表示和差异分析。然而,有些方法将每个视角特征视为同等重要,或者只使用一组固定的超参数来衡量不同视角特征的重要性,而不考虑检测不同视频时同一视角特征的重要性变化。因此,算法的性能取决于视频的类型。此外,一些基于学习的方法,例如,人工神经网络和模糊逻辑方法可以针对不同类型的数据学习视角特征的权重,然而它们的性能对所收集数据的依赖性较强,限制了其实用性;2)在阈值决策方面,现有阈值性能依赖于人工频繁干预。阈值决策是一种无需额外训练的方法,因此适用于在线视频流的检测。然而,突变转换引起的显著差异和渐变转换引起的不明显差异限制了现有阈值决策的性能。例如,静态全局阈值、多阈值以及现有的一些自适应阈值都在一定程度上依赖于人工调优;3)在算法性能方面,现有算法无法较好地平衡检测精度和检测速度。例如,一些方法为提高算法运算速度,采用像素块、颜色直方图、纹理直方图等低水平的特征。虽然这些特征提取速度较快,但是缺乏对于视频内容的语义结构表示,因此在进行差异分析时容易混淆噪音和渐变转换。而采用SIFT、图模型等中高层特征,虽然这些特征可以增强模型对于渐变镜头和噪音的区分能力,但进行差异分析时需要复杂的匹配或计算方法来量化帧差。因此本文针对上述问题,做了如下工作和贡献:（1）针对多视角特征融合方法的性能受限问题,本文提出了一种基于输入多视角图的自适应加权差异融合策略。该策略旨在通过分析四种视角下图模型的结构变化来发掘各视角图特征的重要性,从而自适应地为不同视角图差异分配权重,这对于检测多种类型的镜头转换而言更具鲁棒性。（2）针对现有阈值性能依赖于人工频繁调参问题,本文提出了一种新的基于阈值的自适应决策方法。此方法可以通过分析少量的历史帧和学习当前镜头的容忍系数,动态地选择最合理的镜头边界决策阈值,从而减少人工调优次数并增强阈值对于各类镜头检测的通用性。（3）针对现有算法难以平衡检测精度和检测速度的问题,本文提出一种基于多视角可视图差异分析的轻量级视频摘要框架。与已有工作不同,此方法未对视频帧分块,而是从整个视频帧中提取联合直方图特征,进而将其建模为可视图模型。因此,仅用一个可视图模型就可以完整的表示整帧信息,可有效节约时间成本。此外,本文采用基于谱分解的差异分析方法来代替基于边权的距离度量方式。图的谱特征矩阵可以有效反映图的真实结构变化,且对于噪音不敏感,因而可进一步改善镜头检测的效果。