视频指纹作为多媒体信息安全领域中的一项重要研究课题,在视频版权保护、视频认证以及近似视频推荐等方面得到了广泛应用。鲁棒性、独特性和紧凑性是衡量视频指纹性能的三个基本指标,三者之间相互影响。为了兼顾三者性能的提升以及增强算法的编码效率,本文以深度学习理论为基础,采用深度度量学习的方法,在深度神经网络的搭建方案和目标函数的设计策略两个方面展开研究,不断完善视频指纹算法的性能,具体研究成果如下:1.在满足鲁棒性、独特性前提下,为提高视频指纹系统的紧凑性,提出一种端到端的深度度量学习视频指纹算法。算法整体框架由权值共享的三分支网络组成,分支网络采用改进的3D残差网络将多层特征进行融合并压缩,实现了由视频数据到指纹的端到端映射。网络目标函数由度量和分类双损失函数组成,其中,设计的边界约束三元组角度度量损失函数,克服了普通三元组损失函数对特征相关性表达不足的问题,增强了指纹的鲁棒性;分类损失函数弥补了度量损失对样本特征整体分布不敏感的问题,提升了指纹的独特性。在公开数据集上实验结果表明,该算法仅用32bit的指纹就取得了优于对比算法的性能;增强指纹紧凑性的同时其鲁棒性与独特性也得到了相应的提升。2.在保证视频指纹三者性能提升的基础上,为进一步提高算法的编码效率,提出一种端到端的混合卷积胶囊网络视频指纹算法。该算法以权值共享的三分支网络作为整体框架,每个分支网络采用轻量级的3D/2D混合卷积模块提取浅层视频特征并作为后续胶囊层的输入,将视频数据直接映射为紧凑的实值向量。在目标函数方面,提出一种自适应间隔的三元组损失函数,采用自适应的方式调节三元组损失的间隔值,以减少网络的训练难度,提高算法的性能。在公开数据集上实验结果表明,在输出32bit视频指纹的情况下,该算法相较于对比算法的性能有了进一步提升。3.为充分利用视频的时空信息,提高算法的整体性能;并保证量化编码后视频指纹的质量,提出一种端到端的时空胶囊网络视频指纹算法。该算法将设计的时空胶囊网络嵌入到权值共享的双胞胎网络结构中,以滑动窗合成相邻帧的方式作为网络输入,提取多个关键帧的映射特征并融合,从而构造32bit的视频指纹,增强指纹的稳健性以及算法的泛化能力。在目标函数方面,将对比损失函数与量化损失函数相结合,实现了由特征提取到量化编码的整体优化过程,促进了指纹编码质量的提升。在公开数据集上实验结果表明,该算法在少样本训练下仍具备较强的鲁棒性与独特性,其整体性能优于对比算法。本文以深度学习理论为基础,提出的三种视频指纹算法在整体性能方面相较于对比算法都具有显著提升,其编码效率以及少样本学习能力也得到了相应的增强,在多媒体信息安全等相关领域具备重要的研究价值。论文有图30幅,表15个,参考文献72篇。