基于内容的视频检索技术是当今信息检索领域的一个研究热点,而镜头边界检测又是实现视频检索的前提。然而,由于镜头分割问题本身的复杂性,使得至今都没有任何一套镜头边界检测系统可以做到不仅仅性能可靠,而且适应性强。本文对其中基于小波变换与神经网络的方法进行了研究,在松散型小波网络的镜头检测理论方面做了有益的探索。归纳起来,本文的研究成果主要表现在以下几个方面:对直方图检测法进行了改进。首先对帧图像进行二维小波变换,然后对其低频部分进行RGB到HSV的空间转换,再运用分块直方图法得到帧间差异,然后综合窗口法和双阈值法进行镜头转换边界的判断。通过实验分析调整了镜头检测的自适应阈值参数,最后在对检测结果进行分析后加入了检测容忍度,进一步提高了检测的准确性。运用神经网络的自学习能力,实现了一种无阈值镜头检测法,解决了检测中不同类型的视频要用不同的阈值,且其相关参数选择困难的问题。在传统的帧间直方图差异和像素差的基础上,进行二次差运算,在很大程度上消除了渐变及其他因素对突变检测的影响,然后运用非相邻帧差和神经网络相结合对渐变进行检测,实验结果说明该方法对渐变检测取得了良好效果。由于对渐变转换进行分类检测的时候,往往要利用大量的帧间信息,所以计算量非常的大,检测速度慢,然而检测的效率却并不高,因此,先对各帧图像做小波变换,然后利用低频部分信息做分块直方图,计算帧间差和二次帧差及非相邻帧差,再由神经网络对这些特征值分类,做突变检测和渐变转换的粗检;其次计算各高频部分的边缘,提取帧间差,由神经网络判断淡化转换和融解转换。这一方法能很好地识别突变,对渐变中的淡入、淡出、融解也有较好的识别率。