随着数字录像设备的普及以及网络技术的发展,视频逐渐成为人们记录个人生活、并进行沟通的一种重要形式。每一天都会产生大量的视频,这些视频内容的范围很广,包括新闻、体育赛事、电视剧、综艺节目以及自拍等等。这些海量的视频,一方面给人们带来巨大的观看负担,全部看完非常耗时;另一方面,也给视频服务器、网站带来了巨大的存储压力。因此,人们迫切需要一种方法能够把视频中的关键内容提取出来进行快速观看、有效存储。视频摘要技术就是为了满足这种需求而诞生的。近年来视频摘要技术有了巨大发展,但还未成熟。本文的研究正是针对提高视频摘要的性能展开的。本文对视频摘要技术中存在的问题进行了深入的研究。目前,视频内容种类繁多,内容千差万别;甚至在同一个视频中,也可能会包含很多的场景、且这些场景之间的差异非常大。视频数据的这种多样性,给视频摘要算法的适应性提出了较高的要求。算法需要能够根据视频数据的内容,自适应地调节其提取特征的方式,进行视频分段,提取关键帧,组成视频摘要。瞄准这些需求,在已有的视频摘要算法研究成果的基础上,本文结合目前的字典学习和稀疏表示、深度学习等技术,对视频摘要中的特征提取、视频分段和视频内容重要性评价等环节进行了深入研究,提出了相应的解决方法,并在标准数据集上进行了测试,对结果进行了分析。下面对本文的工作进行简要介绍:1)提出了一种基于图正则化稀疏编码的视频摘要算法。传统的视频摘要算法在特征提取环节,往往直接按照某种事先制定好的规则来计算特征值。但是由于视频内容较为多样,这种事先制定好规则的提取特征方式,往往不能够准确描述多样的视频内容。为了提高算法的适应能力,我们使用字典学习和稀疏表示方法,用无监督特征学习的方式,根据视频内容,自适应地学习出视频内容对应的合适的特征空间,对视频进行特征提取。通过采用这样的方法,视频特征能够更加准确地描述其内容,且具有较强的场景适应性。2)提出了一种基于自适应阈值的视频摘要算法。在提取了视频帧的特征之后,需要进行视频分段,获得视频的结构信息,作为生成视频摘要的参考。现有的视频分段算法,采用的是度量视频帧之间的相似度、用固定阈值的方式来对视频进行分段。然而,由于视频数据的多样性,同一个固定阈值很难在不同视频中达到理想效果。这是因为,在不同的视频中,其视频内容的变化剧烈程度不同,因此其最优的分割阈值也应该不同。为了能够增强分段算法的适应性,文中提出了一种基于自适应阈值的视频摘要算法。该算法能够根据每个视频中视频帧变化的剧烈程度,自适应地调整视频分段的阈值。这样增强了算法的适应能力,有助于提高所生成的视频摘要的质量。3)提出了一种基于自动编码机的视频摘要算法。对视频进行了分段、获得了视频结构信息之后,需要确定不同视频段的重要性程度,并将最重要的部分提取出来作为视频摘要。重要性评价是一个非常重要且复杂的问题。一方面,其评价结果直接影响着视频摘要的结果:另一方面,视频内容的重要性评价比较主观和抽象,很难用一组公式去进行概括和总结。本文首先通过视频标题来收集网络上和视频内容相关的图片;然后,用自动编码机来学习图片和视频中共有的模式信息;最后,用训练好的编码机模型,对视频内容进行重要性评价,依之生成视频摘要。本文的方法,通过使用深度网络对网络图片中的信息进行挖掘,能了解大众对某些事物的判断,因而能够更加准确地判断视频内容的重要性。4)在实验环节,我们将以上提出的方法,在VSUMM,Youtube和SumMe等标准数据集上进行了测试,并进行了详细的分析。结果表明,我们的方法在这些数据集上得到了更好的结果,生成了比现有方法质量更高的视频摘要。