互联网上海量的视频数据需要高效的视频浏览和检索策略。以前它是在视频摘要（VS）的帮助下通过提取关键帧来实现的。同时,高质量的VS特征提取使得其可以应用于视频相关的巨大应用中,而随着处理时间的推移,这些应用又显示出相当大的效果。视觉注意建模也被用于视觉系统中,其中关键帧提取（KFE）技术是基于人类注意建模理论的。然而,由于在日常情况下计算成本高,这些技术的使用受到限制。在此背景下,基于有效的视觉注意模型推荐KFE技术。通过使用基于时间梯度的动态视觉高亮,而不是传统的光流技术,将计算工作量降到最低。此外,利用离散余弦变换对静态视觉显著性进行分析。采用非线性加权融合技术,将动态和静态视觉注意度量融合。我们的工作提出了一个基于视频视觉注意的KFE有效框架。利用静态和动态帧融合结果得到的信息,得到具有代表性的帧。静态帧中的信息通常是前景和背景模式的组合。我们使用了一种“自底向上”的空间显著性方法,通过使用图像签名模型来获得视觉上更清晰的前景数据。自下而上的方法是反思性的、自主的、临时的和快速的。在调整大小和静态静默技术之后,将地图计算与其他计算一起使用,以获得表示静默帧的平均注意值。另一方面,对于时间显著性,通过在相邻帧之间寻找强度值的详细处理来获得注意值。人类的大脑更关注那些被快速解释的非线性方面。因此,非线性方法的应用要优于线性方法,这也是我们采用非线性融合技术的原因。两个模型的结果通过一个非线性加权融合模式进行融合,融合了之前使用的模式的所有优点,得到了相应的注意曲线,最终得到特定视频数据的代表性关键帧。该方法不仅能提供有效的结果,而且适用于小型器件。时间梯度的使用有效地替代了目前使用的传统的面向流动的光学特性。基于一组准则的实验结果表明,使用该模式提取的关键帧在语义上是相关的,并且比用于评估该模式的其他方法生成的关键帧更注重突出显示。