文摘
网络中的网络视频流量的比例越来越大,因为网络和流媒体技术不断进步。当前网络环境越来越复杂的新应用程序服务出现。互联网服务提供商也面临着如何有效地分配有限的网络带宽资源,同时保持网络服务质量(互联网服务提供商)。目前,物理训练的过程中,教练使用录像回放和分析管理方法以更少的困难解释运动运动员的必需品,但是它不够直观识别和分类网络视频服务,可以指导互联网服务提供商(isp)优化网络资源管理和合理配置交通工程,以确保服务质量(QOS)的视频服务。最后,使用照片作为单位,发现类似的视频剪辑视频数据库中基于视频用户提交的例子,基于相似性和返回检索结果。本文使用流媒体视频为研究对象,探讨了体育视频传输控制详细使用粒子群优化算法,基于全面介绍体育视频的分析和识别的过程中身体训练。
1。介绍
在当今世界,因特网已经成为完全融入我们的日常生活中由于互联网技术的不断进步,并深刻地改变全球利益模式、经济模式和安全模式(1]。在社会上,互联网已经逐渐形成一个新的经济形式。“智能”和“集成”已经成为网络发展的主要核心功能(新时代2由于“互联网+。“全球互联网进入一个新的智能融合的时代,智能家居,汽车网络,虚拟现实,和其他行业已成为竞争的热点,促进社会发展,极大地改变人们的生活方式3]。视频数据,作为表达媒介的信息,不仅包含低层语义色彩,纹理,运动对象,对象之间的空间位置信息,但是它还包含高层抽象语义的事件(4]。例如,我们可以学习人物的情感,事件的背景,事件的因果关系等从视频数据5]。同时,互联网内容已经从传统的简单的文本信息多媒体信息(6),视频数据的比例增加,和流媒体技术的出现提供了雄厚的技术保证网络视频传输的应用和普及7]。
传统的关键字文本数据检索方法依赖于人类手工注释多媒体片段像视频。查询时,视频被忽略的内容,和检索是基于precalibrated标签,如视频关键字(8,9]。粒子群算法的视频分析和识别的物理训练可以有效地分析信息通过收集大量的视频图像高层运动员正常训练和比赛,和分析运动员的运动轨迹实时跟踪运动员,可以改变教练指导运动员的训练模式的技术动作只有手动的观察和体验,提高标准化。FTP等传统网络应用、电子邮件和Web应用程序占网络流量越来越少,而新兴应用,如网络直播、在线游戏、流媒体视频和即时消息应用程序越来越多(占10]。我们可以有效地减少数据包延迟和丢包率,在一定程度上避免网络拥塞,保证多媒体接收机可以接收在有效的时间内尽可能多的数据包通过控制流媒体的传输反馈控制和优化控制方法11),以确保顺利视频和音频回放和所需的图像和声音效果12]。如何用有限的网络资源提高网络服务质量,同时保证用户体验质量(质量的经验)已经成为一个紧迫的isp(互联网服务提供商)来解决的问题(13]。同时,当前的互联网体系结构和最优服务模式不足的流媒体传输(14]。
结果,实现粒子群优化分析和认识体育视频物理辅导过程中是至关重要的为了指导互联网服务提供商(isp)更好地分配带宽资源,为用户提供更好的服务,并确保良好的用户体验。它还可以确保运动员直观地了解自己的缺点,提高体育锻炼的质量在教练的指导下在体育锻炼过程中(15]。
2。相关工作
有效区分P2P流量,文献[16)提出了一个semisupervised聚类算法,使用四个数据包大小的统计特征,最大值,最小值,和标准偏差。交通提出了基于多目标进化模糊分类器的分类方法在文献[17)(MOE FCS)。MOEFCs有一个高水平的平衡精度和可解释性。现有的识别和分类方法的优点和缺点在识别各种P2P服务讨论了文献[18]。然后,基于支持向量机的研究中,提出了一种新的P2P流量识别模型,它使用三个统计特征来有效地检测P2P视频分析。一种改进的随机森林方法网络流分类提出了在文献[19]。第一次,文献[20.从微信)分类文本和图像信息,并发现了C4。决策树算法具有最好的性能,整体精度为99.93%。基于特征权重学习,文献[21)提出了一种改进的支持向量机网络流量分类方法。特征权重学习中使用这种方法,和相应的重量分配是基于每个特性分类的重要性。C4 - 5和随机森林比较详细文献[22),指出C4 5识别精度最高,和随机森林最高运行效率在25000年的实验数据集样本。方法自动提取字段的颜色在体育视频提出了在文献[23]。与以往的研究不同的是,这种方法得到的参数使用高斯混合模型和算法。实验是类似于之前。隐藏的朴素贝叶斯(HNB)模型用于分类的视频分析文献[24),分类精度为15%高于树增强朴素贝叶斯(tan)。一维卷积神经网络的端到端加密流量分类方法提出了在文献[25]。该方法结合特征提取、特征选择和分类器到一个端到端的框架的目标学习之间的非线性关系最初的自动输入和预期输出。
3所示。分析和识别的体育视频体育训练
3.1。自适应阈值基于粒子滤波预测移动目标分离
如何选择合适的特征子集从大量的数据已成为另一个研究热点在视频分析和分类26]。粒子滤波预测的原理图如图1在下面。
源IP地址、源端口号,目的地IP地址、目的地端口号和传输层协议类型的特性。例如,五个一组192.168.168.1 100 192.168.168.2,80年,和TCP意味着一个IP地址的终端192.168.168.1通过100端口,使用TCP协议,192.168.168.1的IP地址。神经网络的连接权重通常决定以两种方式之一:一,直接根据特定的要求,例如当Hopfield网络用于优化计算,和其他的,通过学习,这被大多数人工神经网络(27- - - - - -29日]。这是一个新的多媒体信息处理和组织技术,不像旧的检索方法。有别于传统的基于内容的视频检索的关键字文本检索视频之间的差异和传统的文本数据。每个颜色空间有自己的上下文或应用领域,和不同的颜色空间应该用于不同情况下(30.]。
运动员的训练视频序列分离是移动的目标。改善移动目标收集的准确性,一种自适应阈值基于粒子滤波器的移动目标分离算法预测。在练习速度越快越好。除非有一个超大的存储设备,速度越快的在每幅图像的像素帧。移动物体分离是视频分析的重要预处理步骤中使用机器学习方法和分类,并对分类器的性能有很大的影响。对于数据传输,大多数网络应用程序将使用TCP或UDP协议。应用程序将显示一个16位的类型标识符在相应的数据包报头。应用程序的端口号是这个标识符。神经网络自动纠正的重量之间的互联网络,逐步减少误差的实际输出和目标输出使用学习算法。神经网络自动纠正的重量之间的互联网络,逐步减少误差的实际输出和目标输出使用学习算法。 Analyzing color images directly with hue and saturation yields better results that reflect the nature of the color. Extraction of keyframes: a key step in video processing is shot-segmentation-based moving object separation, which involves extracting one or more image frames that can reflect the main content of a video shot. The quality of keyframes has a significant impact on content-based video retrieval performance.
3.2。移动视频中运动目标跟踪
培训过程开始学习根据成功分离的基本动作视频序列和运动模型,和运动员的条件随机场模型的基本操作是通过训练获得的。识别流程如图2。
跟踪主要由两部分组成:'搜索算法和功能评价。通过使用搜索算法,我们可以找到给最好的分数的子集评价函数的特性,即最佳子集。流分类方法的原理基于端口映射是实现交通标识根据之间的一对一的映射关系由互联网地址分配机构的端口号分配(IANA)和网络应用程序。虽然每个神经元的操作功能非常简单,信号传输速率很低(约110次/ s),由于极度并行互连功能神经元之间,一个普通人类的大脑终于可以完成任务,当前计算机至少需要11亿在大约1秒处理步骤。在实际视频检索服务的过程,用户的最终要求是能够直接访问指定的视频中的对象,如是否明星在电影中扮演了一定的角色。基于概率推理和采样过程中,随机搜索方法分析了特征对分类结果的影响,给出了每个功能在搜索过程中,不同的权重,最后根据设置的阈值选择特征子集。该方法检测数据包的有效载荷DPI(深度数据包检测)技术,然后确定独特的协议字符串或签名,可以区别不同的应用程序负载内容,然后找出字符串或签名是否包含在特征库,从而达到网络流量识别和分类的目的。因为像素比较法对物体的运动非常敏感,许多研究人员建议使用颜色直方图的方法来检测镜头边界。如果集群的数量太小,分类结果会不准确,导致许多背景分为前景目标。如果集群的数量太大,它将会被噪声严重干扰和其他因素,它并不容易看到群集中心值的规则的变化,和算法的成本也会增加。
每个特性子集生成是随机的,没有影响当前的特征子集。搜索空间的大小可以通过改变的最大迭代数有限,尽管搜索空间是O (2 n)。激活的元素模式(输入向量)提供输入的源节点层形成神经元的输入信号(计算节点)的第二层(第一隐层)。第二层的输出信号作为输入用于第三层,这是不断传播。网络的输出是由最终的输出层与源节点的激活模式。它将图像的灰色空间划分为组件,然后计算有多少像素落入每个子空间。该方法克服了缺点过于依赖端口号,它简单、实用、准确。然而,这种方法需要不断的更新特征库,大量的数据和大量的处理和存储资源。此外,对于未知应用程序类型或加密的数据流量,这个方法是无用的。
4所示。分析体育视频传输控制的基于粒子群优化算法
4.1。运动特征提取
关键帧提取的目的是消除重复信息的图像拍摄和代表的主要内容与一个或多个图片可以表达的内容,从而减少冗余和促进基于内容的视频检索过程的管理。体育视频识别物理训练的目标是识别不规则的训练动作,然后限制运动员采用的训练标准。均值滤波方法可以抑制噪声的不良入侵,和新背景分离获得的概率如下:
特征选择的相关性测量主要措施功能的重要性来自两个方面:一是法官之间是否存在冗余特性根据特征之间的相关性;另一种是判断的预测能力特性根据特征和类别之间的关系。由于干扰参数估计的偏差在相机的静态运动模型后处理结果,假的中国传统方法分离率显著增加,在以后的阶段,但该方法的错误分离率并不改变显著,这表明,该方法可以实现准确的分离运动视频,如图3。
为类别,召回代表的比例的样本正确分类为类别数量的样本总数在类别;精确率代表的数量的比例样本正确分类为类别样本的数量分类为类别A。在实际应用中,通常有多个终端的访问。体育和时代潮流的过程中物理辅导是正常的。因此,体育教练的二阶自回归运动模型是:
因为有多个访问终端,如果一个输出链接配置为每个访问终端,它将不仅浪费资源,而且利用率低的链接。为了满足实际的要求,比如提高利用率的链接,每个访问终端的数据流将通过多路复用器多路复用,然后均匀传播。首先,需要初始化粒子,手动识别的重要骨架模型的联合点对应于第一帧和第二帧的视频跟踪,初始化粒子不同的接合点,然后形状匹配的运动模型基于各关节的位置点,并预测粒子的位置和重量不同的重要的联合点在随后的运动视频帧根据运动模型。如果粒子的重量高于设定阈值,这意味着运动模型是不准确的,应该及时改进。 - - - - - -轴运动坐标系的坐标系统设置是运动员的关节,关节的中心是原点。每个关节位移的计算方法如下:
例如,对于一个固定镜头,没有形式的运动。即使透镜的持续时间很长,没有必要太多的关键帧提取。的准确性和 - - - - - -衡量RFPOS特征选择算法提出了高于Relief-PSO算法在UCI数据集,和精度可以达到93%以上对葡萄酒和电离层数据集。对比结果如图4在下面。
语气概率分布生成的投影图像直方图投影,即投影图像的直方图。概率图像中的每个像素值代表输入像素的概率属于直方图箱。把运动员的实际行动与数据库中的标准动作,提取的值之间的差异,然后通过映射获得语义规则。取代的语义规则提前进入动作实现状态由简洁的数据,需要改进的行动和如何改进它们。通过使用获得的特征子集与类别相关性测量保持高度的相关性和低相关性与其他特性。同时,为了研究算法的运行效率,使用两种特征选择方法进行30多次在同一UCI数据集特征选择实验。两种特征选择方法的平均时间开销图所示5。
其中,TP(真阳性)真的,这意味着实际的分类结果是积极的;FP(假阳性)被称为假阳性,这意味着它实际上是一个负类,分为积极的类。TN(真阴性)被称为真正的负面,这意味着实际和分类结果都是负类。FN(假阴性)被称为假阴性,这意味着它是一个积极的类和归类为负类。令牌桶机制是广泛应用于流媒体视频传输控制,因为它是简单,有效,易于实现。同时,它是一个关键组成部分这种类型的传输控制方案,令牌产生率是影响整体控制效果的关键。控制访问多个访问终端,使用多个令牌桶。每个终端可以访问流媒体服务器或者其他流媒体数据流的来源。远离运动员的中心区域,可靠的像素越少,越有可能被其他对象或属于背景覆盖。
4.2。全球运动特征提取
全球运动和地方运动。全球运动主要是由相机运动,如照相机翻译、旋转和拉伸。因此,它是合理的给予不同的权重的像素在不同位置运动员区域在计算直方图的运动员。下游的波动幅度数据包大小的实时视频较大,但它主要是在400年和600字节。相机的静态两帧之间的运动模型可以表示为:
HTTP视频下载服务的数据包通常维持在高水平,从1430年到1520字节。下行的平均包大小的比较如图三个网络视频服务6在下面。
参考坐标系建立了利用静止坐标系和运动坐标系统,在其中 - - - - - -根据右手坐标系轴面纸,和的起源 - - - - - -轴静止坐标系是运动员的j - 1联合点在初始状态Hanim规范。如果类别之间的距离较大,类别之间的分离性大,分类精度较高。然而,对于非线性分类问题,我们需要把非线性问题转化为线性问题通过一个非线性变换。这是因为随着增加,有效的令牌在令牌桶的数量增加。然后,令牌桶中的数据缓冲区,有更多的机会进入多路复用器,所以延迟和丢包是减少。因此,模糊函数乙状结肠:
例如,一个人的视频站在很长一段时间仍然背景有少量的运动和简单的运动形式。菅直人视频是最不规则的波动,因为由共享节点数据传输的影响,两个流的平均分组到达时间间隔序列数据如图7在下面。
运动形式包括相机翻译、拉伸和人物运动。在追踪的过程中运动员的算法,一个矩形框用于表示跟踪运动员。在大多数情况下,箱子包含背景像素或相邻对象的像素。因此,生成的直方图颜色信息在矩形框中还含有干扰物体或背景的特点。获得视频移动目标和标准的移动目标合成在一起,这样标准的移动目标和运动员的移动目标可以以重叠方式相比,和两个移动目标同步也可以打在同一屏幕上,这两个动作之间的运动差异可以准确地确定,和不同的技术动作可以清楚的视觉和移动目标比较。现场视频中,帧速率在不同的时间显示在图8在下面。
通过检测输入运动视频序列分离 ,条件随机场模型的参数,参数值较高的和类属于相应的类。样本集是非线性时,可以将原始特征空间映射到高维空间目标通过非线性变换,将非线性问题转化成线性问题的高维空间。为了避免“维数灾难”和高计算复杂度的高维空间,支持向量机使用核函数来间接实现从低维空间映射到高维空间。支持向量机核函数表达式如下:
由于多路复用器的输出能力有限,当小于输入流的平均利率,令牌生成的速率相对较低。防止大量的多路复用器数据丢失,数据流流入多路复用器的大小是有限的。因为大量的输入数据被缓存在令牌桶的缓冲区,令牌桶目前令牌短缺。适应度函数计算的健身目标向量,每个粒子,粒子的最高的健康被选为粒子群优化的解决方案。计算最优解向量的区间。由于算法的复杂性,计算整个图像的光流需要很长时间,和大多数视频少当地的运动在左上角。因此,代表图像的整体运动,只提取区域的光流。
5。结论
近年来各种新兴应用类型不断出现,导致网络数据流爆炸,网络结构变得更加复杂和多样化,带宽消耗大幅增加,网络安全问题变得更加突出。当前网络环境变得越来越复杂,新的应用程序服务定期出现,和不同类型的网络应用服务有不同的QoS要求。如何合理、有效地分析和识别物理辅导视频在这种复杂多变的网络环境是我们迫切需要解决的关键问题。因为时间延迟和丢包是两个重要的因素影响流媒体视频传输的性能,有效地减少时间延迟和丢包率将提高流媒体视频传输性能,允许最终用户享受应有的视频质量。因为视频服务流量超过了网络服务流量是最重要的,网络视频服务流正变得越来越重要。它对物理辅导视频分析具有重要的实际意义和认可使用粒子群优化算法,无论是对提高网络的使用环境或确保用户体验质量(质量)的经验。体育视频分析和识别的过程在物理训练过程是本文的主题。该方法研究了假动作识别率高、低离职率,和各种各样的行动的识别率方差较低,具有较高的稳定性。初始化粒子群并不采用随机生成的策略,但根据CI类型特征子集,并使用排名最高的特性来指导粒子群初始化。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者没有任何可能的利益冲突。