信息传输速度的不断提升和视频拍摄设备的普及,引发了人们对于视频分享和创作的热情。然而,只有少部分视频创作者具备编辑视频封面的时间和能力,大量缺乏优质封面的视频降低了视频的分享和检索效率。针对以上问题,本文对视频帧的视觉美学度和内容代表度进行建模,构建了通用的视频封面提取算法。而后,针对人物视频,构建人脸识别模型获取视频帧中的人脸语义信息,并将信息嵌入到上述通用的视频封面提取算法中,以确保封面包含视频中的主要人物,进一步提升了封面提取的效果。在探究过程中,本文实现了以下成果:第一,提出了引入特征重标定机制的稠密连接网络。针对稠密连接网络中大量的复用特征,引入特征重标定机制,对特征之间的通道相关性进行建模,增强有用特征的同时压缩无用的特征,进而提升模型的表征能力,为视频帧的美学评价和代表性评价奠定基础。通过和MNA-CNN、ILGNet等同类模型在测试集上的比较,验证了模型的优越性。第二,采用逐层可分离卷积层替换ShuffleNet网络末端的全局池化层,来获取人脸对齐后面部特征点相对稳定的分布信息。人脸对齐操作是将图像中检测到的面部特征点映射到指定区域,以实现人脸主要特征的稳定分布,本文利用逐层可分离卷积层获取这一分布信息。对比原网络的全局池化层,提升了人脸识别任务的精度。在控制算法参数量为20MB的情况下,实现了在人脸数据集MegaFace上误检率百万分之一,识别率为96.37%,超过了MobiFace、FaceNet等同类模型的效果,为封面提取算法提供更准确的人脸语义信息。第三,提出多表征视频封面提取方法,融合美学特征、帧的代表性特征和人脸特征。从多个表征出发,选择最优帧作为封面。通过在多个视频数据集上的实验,验证了该方法的有效性。