随着互联网的普及和人们娱乐方式的改变,观看在线视频成为现代人日常生活中重要的一环。近年来,网络视频资源大量累积,视频平台用户需要一种可以快速浏览视频内容的方法,帮助他们节约视频筛选的时间成本。现有的视频概览方案主要包括视频总结和视频描述,但前者生成的短视频在观看时仍较耗时,而后者生成的文字描述则较浮于表面。论文针对现有的视频概览方案和相关视觉技术进行了研究,并综合多项技术提出了可自动生成概览的视频概览生成框架。论文提出的视频概览框架主要针对以人物为核心,有一定故事背景的视频类型。该框架可分为视频流预处理和视频概览生成两个阶段:第一阶段以流的形式从视频中提取人体框、人脸框、人物轨迹、视频镜头等视觉信息;第二阶段利用得到的视觉信息提取出视频中的场景和人物,并最终生成场景-人物图片对作为视频概览。其中,一部分方法经过分析对比后使用了现有的技术成果,另一部分方法则由论文首次提出。其中,核心的人脸聚类方法和场景检测方法由论文提出,相比其他同类方法具有更高的性能和可泛化性。为了展示视频概览框架在真实视频上的实验结果和使用场景,论文中还提出并开发了一个DEMO应用,该应用的主要功能包括上传视频、查看全部概览、检索视频、点播精彩场景、管理主要人物和场景等。论文框架生成的视频概览可泛化性高、方便快速阅读,为视频平台用户节约了筛选内容的时间。论文的主要研究内容和贡献如下:(1)提出了一个新的视频概览形式和生成框架,用于帮助用户快速浏览视频内容。视频概览以人物-场景图片对的形式概括原视频内容,如果场景中没有人物则仅展示场景图片。该方法比视频总结、视频描述等方法更简单明了,且具有高可泛化性。(2)提出了一个新的人脸聚类方法,用以自动识别视频中的人物。该方法基于一个严谨标签传播算法,并利用了视频人物轨迹具有连贯性的特点,以轨迹为基本单位进行标签迭代,在真实视频的数据集上体现出了比其他主流算法更好的性能。(3)提出了一个新的场景检测方法,用以将视频分割成场景。该方法综合运用了视觉和听觉信息,通过空间聚类、时间聚类、逻辑聚类和声音聚类四个步骤将原视频切割成场景。通过在真实视频数据集上的实验,证明新的场景检测方法可以从三个不同方面提高场景检测效果,并具有高可泛化性。(4)开发了一个展示视频概览框架的WEB应用。该应用可用于展示视频概览框架在不同类型视频上的实验结果,同时可体现出该框架的实用价值。