( PDF ) Resumo de vídeo usando àrvore geradora mínima

Download PDF

ads:

PONTIF

ICIA UNIVERSIDADE CAT

OLICA DE MINAS GERAIS

Instituto de Inform´atica

RESUMO DE V

IDEO USANDO

ARVORE

GERADORA M

INIMA

Willer Gomes J´unior

Belo Horizonte

Abril de 2009

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

RESUMO DE V

IDEO USANDO

ARVORE

GERADORA M

INIMA

Projeto apresentado ao programa de P´os-

Gradua¸cao em Inform´atica da Pontif´ıcia

Universidade Cat´olica de Minas Gerais como

parte dos requisitos para a obten¸c˜ao do t´ıtulo

de Mestre em Inform´atica.

Orientador: Prof. S´ılvio Jamil F. Guimar˜aes,

Dr.

Belo Horizonte

ads:

FICHA CATALOGRÁFICA

Elaborada pela Biblioteca da Pontifícia Universidade Católica de Minas Gerais

Gomes Júnior, Willer

G633r Resumo estático de vídeo a partir de agrupamento hierárquico de

quadros. / Willer Gomes Júnior. – Belo Horizonte, 2009.

167f. : il.

Orientador: Sílvio Jamil Ferzoli Guimarães.

Dissertação (Mestrado) – Pontifícia Universidade Católica de Minas

Gerais. Programa de Pós-graduação em Informática.

Bibliografia.

1. Sistemas de recuperação da informação – Teses. 2. Imagens,

ilustrações, etc. como recursos de informação. 3. Sistemas multimídia

I. Guimarães, Sílvio Jamil Ferzoli. II. Pontifícia Universidade Católica

de Minas Gerais. III. Título

CDU: 681.3.023

Bibliotecário: Fernando A. Dias – CRB6/1084

Resumo

V´ıdeo sumariza¸c˜ao ´e uma simpliﬁca¸c˜ao do conte´udo de v´ıdeo para resumir as in-

forma¸c˜oes um de v´ıdeo. O problema de v´ıdeo sumariza¸c˜ao pode ser transformado em um

problema de agrupamento, em que alguns quadros s˜ao selecionados para representar o

conte´udo de v´ıdeo. Neste trabalho, usamos um algoritmo de agrupamento da teoria dos

grafos baseado na constru¸c˜ao de uma ´arvore geradora mimima para selecionar imagens do

v´ıdeo sem segmentar o v´ıdeo em tomadas ou cenas. Resultados experimentais forneceram

uma compara¸c˜ao visual entre a nova abordagem e a de outros algoritmos populares a

partir da literatura, mostrando que o novo algoritmo ´e robusto e eﬁciente.

Palavras chave: Sumariza¸c˜ao; Resumo; Arvore geradora m´ınima; Prim; Video;

Indice; Imagem.

Abstract

Video summarization is a simpliﬁcation of video content for compacting the video in-

formation. The video summarization problem can be transformed to a clustering problem,

in which some frames are selected to saliently represent the video content. In this work,

we use a graph-theoretic divisive clustering algorithm based on construction of a minimum

spanning tree to select video frames without segmenting the video into shots or scenes.

Experimental results provides a visually comparison between the new approach and other

popular algorithms from the literature, showing that the new algorithm is robust and

eﬃcient.

Lista de Figuras

1.1 Exemplo gen´erico de sumariza¸c˜ao de v´ıdeo . . . . . . . . . . . . . . . . . . 22

2.1 Algumas formas para representa¸c˜ao de um v´ıdeo . . . . . . . . . . . . . . 25

2.2 Visualiza¸c˜ao est´atica, vis˜ao dos quadros chave . . . . . . . . . . . . . . . . 26

2.3 Visualiza¸c˜ao dinˆamica, vis˜ao de trechos de um v´ıdeo . . . . . . . . . . . . . 26

2.4 Um exemplo de tabela de conte´udo . . . . . . . . . . . . . . . . . . . . . . 28

2.5 Um segmento de Grafo de transi¸c˜ao de cena . . . . . . . . . . . . . . . . . 29

2.6 Imagem para exemplo de compara¸c˜ao utilizando Interse¸c˜ao do Histograma 32

2.7 Histogramas das ﬁguras 2.7(a), 2.7(b) e 2.7(c) . . . . . . . . . . . . . . . . 34

4.1 Espa¸camento m´aximo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.2 Exemplo de resumo de v´ıdeo. (a) Grafo de similaridade das imagens; (b)

´arvore geradora m´ınima das imagens; (c) excluindo as distˆancias iguais a

72; (d) excluindo as distˆancias iguais a 49; . . . . . . . . . . . . . . . . . . 42

4.3 Metodologia para sumariza¸c˜ao de v´ıdeo utilizando

Arvore Geradora M´ınima 45

5.1 Exemplo de resumo de v´ıdeo aplicado ao ﬁlme “News.mpg” composto por

5 (cinco tomadas: (a) T(35)-grupos; (b) 3-grupos; (c) T(34)-grupos; e (d)

T(25)-grupos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

5.2 Compara¸c˜oes entre modelos (a) Open Video (b) AGM2 V´ıdeo: v23 The

Great Web of Water, segment 2 . . . . . . . . . . . . . . . . . . . . . . . . 50

5.3 Compara¸c˜oes entre modelos (a) Open Video (b) AGM7 V´ıdeo: v23 The

Great Web of Water, segment 2 . . . . . . . . . . . . . . . . . . . . . . . . 50

A.1 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v01 NASA 25th Anniversary Show, Segment 02 . . . . . . . . . . 66

A.2 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v01 NASA 25th Anniversary Show, Segment 02 . . . . . . . . . . . 67

A.3 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v01 NASA 25th Anniversary Show, Segment 02 . . . . . . . . . . . 68

A.4 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v02 NASA 25th Anniversary Show, Segment 03 . . . . . . . . . . 69

A.5 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v02 NASA 25th Anniversary Show, Segment 03 . . . . . . . . . . . 70

A.6 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v02 NASA 25th Anniversary Show, Segment 03 . . . . . . . . . . . 71

A.7 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v03 NASA 25th Anniversary Show, Segment 04 . . . . . . . . . . 72

A.8 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v03 NASA 25th Anniversary Show, Segment 04 . . . . . . . . . . . 73

A.9 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v03 NASA 25th Anniversary Show, Segment 04 . . . . . . . . . . . 74

A.10 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v04 NASA 25th Anniversary Show, Segment 08 . . . . . . . . . . 75

A.11 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v04 NASA 25th Anniversary Show, Segment 08 . . . . . . . . . . . 76

A.12 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v04 NASA 25th Anniversary Show, Segment 08 . . . . . . . . . . . 77

A.13 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v05 Hurricanes and Computer Simulation . . . . . . . . . . . . . . 78

A.14 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v05 Hurricanes and Computer Simulation . . . . . . . . . . . . . . 79

A.15 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v05 Hurricanes and Computer Simulation . . . . . . . . . . . . . . 80

A.16 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v06 Drag Activity Part One . . . . . . . . . . . . . . . . . . . . . 81

A.17 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v06 Drag Activity Part One . . . . . . . . . . . . . . . . . . . . . . 82

A.18 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v06 Drag Activity Part One . . . . . . . . . . . . . . . . . . . . . . 83

A.19 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v07 Model Testing . . . . . . . . . . . . . . . . . . . . . . . . . . 84

A.20 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v07 Model Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

A.21 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v07 Model Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

A.22 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v08 Computer Simulation . . . . . . . . . . . . . . . . . . . . . . 87

A.23 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v08 Computer Simulation . . . . . . . . . . . . . . . . . . . . . . . 88

A.24 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v08 Computer Simulation . . . . . . . . . . . . . . . . . . . . . . . 89

A.25 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v09 Aerosol Measurement and Remote Sensing . . . . . . . . . . . 90

A.26 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v09 Aerosol Measurement and Remote Sensing . . . . . . . . . . . . 91

A.27 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v09 Aerosol Measurement and Remote Sensing . . . . . . . . . . . . 92

A.28 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v10 SAGE II and Picasso-Cena . . . . . . . . . . . . . . . . . . . 93

A.29 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v10 SAGE II and Picasso-Cena . . . . . . . . . . . . . . . . . . . . 94

A.30 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v10 SAGE II and Picasso-Cena . . . . . . . . . . . . . . . . . . . . 95

A.31 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v11 Aerodynamic Forces . . . . . . . . . . . . . . . . . . . . . . . 96

A.32 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v11 Aerodynamic Forces . . . . . . . . . . . . . . . . . . . . . . . . 97

A.33 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v11 Aerodynamic Forces . . . . . . . . . . . . . . . . . . . . . . . . 98

A.34 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v12 Wind Tunnels . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

A.35 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v12 Wind Tunnels . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

A.36 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v12 Wind Tunnels . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

A.37 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v13 Immune System . . . . . . . . . . . . . . . . . . . . . . . . . 102

A.38 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v13 Immune System . . . . . . . . . . . . . . . . . . . . . . . . . . 103

A.39 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v13 Immune System . . . . . . . . . . . . . . . . . . . . . . . . . . 104

A.40 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v14 Flying a Plane . . . . . . . . . . . . . . . . . . . . . . . . . . 105

A.41 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v14 Flying a Plane . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

A.42 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v14 Flying a Plane . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

A.43 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v15 Flight Pioneers . . . . . . . . . . . . . . . . . . . . . . . . . . 108

A.44 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v15 Flight Pioneers . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

A.45 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v15 Flight Pioneers . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

A.46 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v16 Astronauts in Space . . . . . . . . . . . . . . . . . . . . . . . 111

A.47 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v16 Astronauts in Space . . . . . . . . . . . . . . . . . . . . . . . . 112

A.48 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v16 Astronauts in Space . . . . . . . . . . . . . . . . . . . . . . . . 113

A.49 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v17 Space Suits . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

A.50 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v17 Space Suits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

A.51 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v17 Space Suits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

A.52 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v18 The Red Planet . . . . . . . . . . . . . . . . . . . . . . . . . . 117

A.53 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v18 The Red Planet . . . . . . . . . . . . . . . . . . . . . . . . . . 118

A.54 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v18 The Red Planet . . . . . . . . . . . . . . . . . . . . . . . . . . 119

A.55 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v19 Moon Phases . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

A.56 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v19 Moon Phases . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121

A.57 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v19 Moon Phases . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

A.58 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 1 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30

(d) Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40

- Filme: v20 Oil Clean Up . . . . . . . . . . . . . . . . . . . . . . . . . . . 123

A.59 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 10 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v20 Oil Clean Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

A.60 Compara¸c˜oes entre modelos Agrupamento = 10, Amostragem = 15 e (a)

Dissimilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d)

Dissimilaridade = 30 (e) Dissimilaridade = 35 (f) Dissimilaridade = 40 -

Filme: v20 Oil Clean Up . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

A.61 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V21 The Great Web of Wa-

ter, segment 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

A.62 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V22 The Great Web of Wa-

ter, segment 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

A.63 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V´ıdeo: V23 The Great Web

of Water, segment 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

A.64 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V24 A New Horizon, segment 1 130

A.65 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V25 A New Horizon, segment 2 131

A.66 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V26 A New Horizon, segment 3 132

A.67 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V27 A New Horizon, segment 4 133

A.68 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V28 A New Horizon, segment 5 134

A.69 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V29 A New Horizon, segment 6 135

A.70 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V30 A New Horizon, segment 8 136

A.71 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V31 A New Horizon, segment 10 137

A.72 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V32 Take Pride in America,

segment 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

A.73 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V33 Take Pride in America,

segment 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

A.74 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V34 Digital Jewelry: Wear-

able Technology for Every Day Life . . . . . . . . . . . . . . . . . . . . . . 140

A.75 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V35 HCIL Symposium 2002

- Introduction, segment 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

A.76 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V36 Senses And Sensitivity,

Introduction to Lecture 1 presenter . . . . . . . . . . . . . . . . . . . . . . 142

A.77 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V37 Senses And Sensitivity,

Introduction to Lecture 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

A.78 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V38 Senses And Sensitivity,

Introduction to Lecture 3 presenter . . . . . . . . . . . . . . . . . . . . . . 144

A.79 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V39 Senses And Sensitivity,

Introduction to Lecture 4 presenter . . . . . . . . . . . . . . . . . . . . . . 145

A.80 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V40 Exotic Terrene, segment 1 . 146

A.81 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V41 Exotic Terrene, segment 2 . 147

A.82 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V42 Exotic Terrene, segment 3 . 148

A.83 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V43 Exotic Terrene, segment 4 . 149

A.84 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V44 Exotic Terrene, segment 6 . 150

A.85 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V45 Exotic Terrene, segment 8 . 151

A.86 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V46 America’s New Frontier,

segment 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152

A.87 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V47 America’s New Frontier,

segment 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

A.88 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V48 America’s New Frontier,

segment 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

A.89 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V49 America’s New Frontier,

segment 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

A.90 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V50 America’s New Frontier,

segment 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156

A.91 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V51 The Future of Energy

Gases, segment 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

A.92 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V52 The Future of Energy

Gases, segment 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158

A.93 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V53 The Future of Energy

Gases, segment 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

A.94 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V54 The Future of Energy

Gases, segment 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

A.95 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V55 Ocean ﬂoor Legacy, segment 1161

A.96 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V56 Ocean ﬂoor Legacy, segment 2162

A.97 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V57 Ocean ﬂoor Legacy, segment 4163

A.98 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V58 Ocean ﬂoor Legacy, segment 8164

A.99 Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V59 Ocean ﬂoor Legacy, segment 9165

A.100Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V60 The Voyage of the Lee,

segment 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166

A.101Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V61 The Voyage of the Lee,

segment 15 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

A.102Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V62 The Voyage of the Lee,

segment 16 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168

A.103Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V63 Hurricane Force - A Coastal

Perspective, segment 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169

A.104Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V64 Hurricane Force - A Coastal

Perspective, segment 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170

A.105Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V65 Drift Ice as a Geologic

Agent, segment 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171

A.106Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V66 Drift Ice as a Geologic

Agent, segment 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172

A.107Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V67 Drift Ice as a Geologic

Agent, segment 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

A.108Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V68 Drift Ice as a Geologic

Agent, segment 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174

A.109Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V69 Drift Ice as a Geologic

Agent, segment 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

A.110Compara¸c˜oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d)

VSUMM1 [2] (e) AGM2 (f) AGM7 V´ıdeo: V70 Drift Ice as a Geologic

Agent, segment 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176

Lista de Tabelas

5.1 Filmes utilizados na fase ﬁnal do experimento. . . . . . . . . . . . . . . . . 47

5.2 Filmes utilizados na fase ﬁnal do experimento. . . . . . . . . . . . . . . . . 47

5.3 Filmes utilizados na fase ﬁnal do experimento. . . . . . . . . . . . . . . . . 52

5.4 Tabela comparativa baseada em [1] - AGM2 1/2 . . . . . . . . . . . . . . . 53

5.5 Tabela comparativa baseada em [1] - AGM2 2/2 . . . . . . . . . . . . . . . 54

5.6 Tabela comparativa baseada em [1] - AGM7 1/2 . . . . . . . . . . . . . . . 55

5.7 Tabela comparativa baseada em [1] - AGM7 2/2 . . . . . . . . . . . . . . . 56

5.8 Tabela comparativa modiﬁcada baseada em [1] - AGM2/AGM7 1/2 . . . . . 57

5.9 Tabela comparativa modiﬁcada baseada em [1] - AGM2/AGM7 2/2 . . . . . 58

5.10 Resultados experimentais resumidos comparados com Open V´ıdeo - baseada

em [1] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

5.11 Resultados experimentais - Tomadas observadas por usu´arios X Imagens

chaves dos resumos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

5.12 Compara¸c˜ao de modelos 1/2 . . . . . . . . . . . . . . . . . . . . . . . . . . 60

5.13 Compara¸c˜ao dos modelos 2/2 . . . . . . . . . . . . . . . . . . . . . . . . . 61

Sum´ario

1 Introdu¸c˜ao 21

1.1 Principais contribui¸c˜oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

1.2 Estrutura do trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2 Sumariza¸c˜ao de V´ıdeo 24

2.1 Formas de navega¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.1.1 Tabela de conte´udo . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.1.2 Grafo de transi¸c˜ao de cena . . . . . . . . . . . . . . . . . . . . . . . 29

2.1.3

Indices gr´aﬁcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.2 Extra¸c˜ao de imagens chave . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3 Reconhecimento de imagens . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3.1 Interse¸c˜ao do Histograma . . . . . . . . . . . . . . . . . . . . . . . 31

2.4 Considera¸c˜oes ﬁnais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3 Agrupamento 35

3.1 K-means . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.2

Arvore Geradora M´ınima . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.3 Considera¸c˜oes ﬁnais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4 Resumo de v´ıdeo usando ´arvore geradora m´ınima 38

4.1 Deﬁni¸c˜oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.2 Resumo de v´ıdeo utilizando ´arvore geradora m´ınima . . . . . . . . . . . . . 43

4.3 Considera¸c˜oes ﬁnais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

5 Experimentos 46

6 Conclus˜ao 62

6.1 Trabalhos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

A Compara¸c˜oes entre Resumos 65

A.1 Diferentes conﬁgura¸c˜oes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

A.2 Compara¸c˜oes entre Resumos . . . . . . . . . . . . . . . . . . . . . . . . . . 126

Referˆencias Bibliogr´aﬁcas 177

Cap

ıtulo 1

Introduc¸

O crescente n´umero de v´ıdeos digitais tornou a tarefa de encontrar um conte´udo espec´ıﬁco

muito dif´ıcil, porque ´e necess´ario um´ındice contendo informa¸c˜oes do v´ıdeo. Normalmente,

h´a duas abordagens para lidar com o problema de ´ındice: (i) cria¸c˜ao manual, e (ii) cria¸c˜ao

autom´atica. A manual ´e cara e subjetiva, pois depende de peritos para executar esta

tarefa. A autom´atica ´e um objetivo e est´a diretamente relacionada ao conte´udo visual,

por´em depende das caracter´ısticas que s˜ao utilizadas para a indexa¸c˜ao. O custo para

encontrar um conte´udo espec´ıﬁco relacionado a um v´ıdeo est´a relacionado ao tamanho do

´ındice. Em vez de considerar todo o conte´udo v´ıdeo, vamos resumi-lo, a ﬁm de reduzir

a pesquisa espacial. Na literatura, existem v´arias abordagens para simpliﬁcar um v´ıdeo

conte´udo [3], [4], [5], [6], [7], [8], [9], [10], [2], [1] e [11]. Assim, a sumariza¸c˜ao de v´ıdeo

´e uma simpliﬁca¸c˜ao do conte´udo de v´ıdeo para a compacta¸c˜ao da informa¸c˜ao do v´ıdeo

. A sumariza¸c˜ao de v´ıdeo ´e um problema que pode ser transformado em um problema

de agrupamento, em que alguns quadros destacados s˜ao selecionados para representar o

conte´udo do v´ıdeo, como ilustrado na ﬁgura 1. Em [10] e [2], foi proposta uma abordagem

para lidar com o problema sumariza¸c˜ao v´ıdeo em que o agrupamento ´e realizado atrav´es

do algoritmo k-means. Nesta abordagem,

e necess

ario conhecer, a priori, o n

umero de clusters.

Em [1], utilizou-se a triangulac¸

ao Delaunay para identiﬁcar o agrupamento. Em [11], foi usado

um algoritmo de agrupamento que re

une os frames em grupos com maior similaridade, anal-

CAP

ıTULO 1. INTRODUC¸

AO 22

isando caracter

ısticas de baixo n

ıvel utilizando uma variac¸

ao do algoritmo de primeiro ponto

de Furtherest. Neste trabalho, utilizamos um algoritmo, da teoria de agrupamento, baseado

na construc¸

ao da

arvore geradora m

ınima, para selecionar imagens do v

ıdeo sem segmentar o

ıdeo em tomadas ou cenas, ou seja, a nossa abordagem elimina o passo de pr

e-processamento.

E importante notar que, de acordo com [12], a abordagem da

arvore geradora m

ınima para

agrupamento

e hier

arquica, ou seja, o tamanho do resumo do v

ıdeo pode variar de acordo com

o fator de compactac¸

ao desejado.

Figura 1.1: Exemplo gen

erico de sumarizac¸

ao de v

ıdeo

1.1 Principais contribuic¸

oes

A principal contribuic¸

ao deste trabalho

e o desenvolvimento de um m

etodo capaz de criar

resumos de v

ıdeo rapidamente produzindo os efeitos desejados. A proposta da aplicac¸

ao de uma

metodologia s

olida e muito utilizada,

arvore geradora m

ınima, aplicada

area de sumarizac¸

de v

ıdeo.

CAP

ıTULO 1. INTRODUC¸

AO 23

1.2 Estrutura do trabalho

Este trabalho est

a estruturado em seis cap

ıtulos. No primeiro ser

ao apresentados a introduc¸

ao,

nossa contribuic¸

ao e estrutura do trabalho. No segundo cap

ıtulo ser

a abordada a sumarizac¸

ao,

formas de navegac¸

ao, tabela de conte

udo, Grafo de transic¸

ao de cena,

Indices gr

aﬁcos, extrac¸

de imagens chave, reconhecimento de imagens, intersec¸

ao do histograma. No terceiro cap

ıtulo

uma abordagem sobre agrupamentos, k-means e

arvore geradora m

ınima. No quarto cap

ıtulo,

o m

etodo de Sumarizac¸

ao de v

ıdeo utilizando

Arvore Geradora M

ınima. No quinto, os ex-

perimentos realizados. No sexto cap

ıtulo, a conclus

ao, recomendac¸

ao e trabalhos futuros. No

endice comparac¸

oes entre resumos.

Cap

ıtulo 2

Sumarizac¸

ao de V

ıdeo

Para uma boa gest

ao de um reposit

orio de v

ıdeos, ou simplesmente, para localizar um pequeno

trecho de um ﬁlme, muitas vezes

e exigido do usu

ario um elevado tempo para a localizac¸

e aquisic¸

ao das informac¸

oes necess

arias. Sendo desta forma, necess

ario executar operac¸

oes

para varrer o ﬁlme at

e que se consiga encontrar o que est

a procurando. Entretanto, com a

utilizac¸

ao de algumas t

ecnicas

e poss

ıvel organizar o v

ıdeo de forma que, rapidamente, seja

poss

ıvel extrair itens representativos, deﬁnir uma cena e gerar um

ındice. Possibilitando f

acil e

agil recuperac¸

ao de informac¸

oes.

Existem diversas formas para se representar o conte

udo de um v

ıdeo, a ﬁgura 2.1 ilustra

uma forma, veja tamb

em [3], [6], [8], [9] e [13]. Al

em disto, [14] mostram as formas que os

ıdeos podem ser apresentados:

• Quadros chave s

ao aquelas imagens que melhor representam um trecho do v

ıdeo e s

apresentadas em ordem temporal.

• Segmentos de v

ıdeo

e a extens

ao din

amica do quadro chave e geralmente preservam tanto

o movimento quanto o

audio.

• Graﬁcamente apresentam um n

ıvel maior de detalhe, pode incrementar ou mesmo substi-

tuir outras t

ecnicas. Possuem cores bidimensionais, possibilitando distinguir momen-

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 25

tos do di

alogo, explos

oes, textos entre outros. O sistema de an

alise de conte

udo de

ıdeo (Moca) [15] apresenta codiﬁcac¸

ao de cor bidimensional que distingue momentos

de di

alogo, extrac¸

ao de texto do v

ıdeo, faces, explos

oes, identiﬁcac¸

ao de armas, entre

outros.

• Textualmente resumem o conte

udo do v

ıdeo atrav

es da detecc¸

ao autom

atica da presenc¸a

de legenda, manual ou h

ıbrida que

e uma combinac¸

ao das duas.

Figura 2.1: Algumas formas para representac¸

ao de um v

ıdeo

De forma geral, existem quatro tipos de resumos de v

ıdeo [14]:

• os est

aticos em que ocorre a extrac¸

ao e visualizac¸

ao dos quadros chave (ﬁgura 2.2).

• os din

amicos s

ao uma extens

ao dos quadros chave, compostos por trechos reduzidos do

ﬁlme, podendo conter ou n

ao o

audio do v

ıdeo original. (ﬁgura 2.3).

Entretanto, [16] classiﬁcam de duas formas:

• as sumarizac¸

oes caracterizadas pela criac¸

ao de quadros chave.

• os esquemas representados pelo v

ıdeo original na forma de v

ıdeo clipe.

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 26

Figura 2.2: Visualizac¸

ao est

atica, vis

ao dos quadros chave

Figura 2.3: Visualizac¸

ao din

amica, vis

ao de trechos de um v

ıdeo

[17] prop

oem a criac¸

ao de sum

arios compostos por resumos est

aticos e din

amicos.

A sumarizac¸

ao de v

ıdeo para utilizac¸

ao em sistemas de seguranc¸a, ou situac¸

oes onde ex-

ige uma grande atenc¸

ao de operadores e pode exigir um tempo muito grande para localizar

um determinado evento, podendo resultar em perda de desempenho pelo desgaste f

ısico. Para

isto, [18] prop

oem que um m

etodo que extrai quadros do v

ıdeo que n

ao apresentam movimento,

desta forma, mantendo os eventos mais interessantes. De forma semelhante, veriﬁcou a necessi-

dade de sumarizac¸

ao para redes sem ﬁo e m

oveis, [19], removem o conte

udo visual redundante,

criam grupos contendo imagens semelhantes e identiﬁcam as imagens mais representativas.

Um visualizador de v

ıdeo al

em possuir as caracter

ısticas tradicionais, deve tamb

em possi-

bilitar a navegac¸

ao por tomadas e cenas. Isto

e, ap

os a identiﬁcac¸

ao dos quadros chave permitir

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 27

a navegac¸

ao atrav

es deles. Deve permitir tamb

em uma navegac¸

ao hier

arquica, isto

e, com a

selec¸

ao de uma determinada cena, possibilitar ao usu

ario navegar por seus quadros chave e

respectivas tomadas. Deve tamb

em permitir a navegac¸

ao em paralelo, isto

e, permitir que o

usu

ario assista simultaneamente a v

arios v

ıdeos ao mesmo tempo, permitindo que o usu

ario

selecione com o mouse o v

ıdeo que deseja ouvir o som [20].

2.1 Formas de navegac¸

Devido a limitac¸

oes principalmente da largura de banda em redes, [21], propuseram um

processo de otimizac¸

ao que deram o nome de Minimax. Processo baseado no tempo, saltos

de quadros e taxa de transmiss

ao. Al

em de permitir a visualizac¸

ao de v

ıdeos com baixa taxa

de transmiss

ao e com uma qualidade de v

ıdeo razo

avel, permite tamb

em a visualizac¸

ao de um

ıdeo num tempo reduzido.

Percebendo a necessidade de criac¸

ao de ferramentas, t

ecnicas e modelos para navegac¸

ao e

gerenciamento de um v

ıdeo, [22] identiﬁcaram duas formas complementares de navegac¸

ao em

um v

ıdeo:

• a microsc

opica: que

e em baixo n

ıvel, refere-se a quadros e tomadas. As imagens podem

ser exibidas naturalmente. Ou reduzidas espacialmente, desta forma, possibilitando um

apido acesso, conservando a largura da banda e da rede dispon

ıveis.

• a macrosc

opica: que

e em alto n

ıvel, refere-se a hist

orias e cenas. Com isto, surgiu a id

eia

de grafo de transic¸

ao de cena [23] e pictorial [6].

2.1.1 Tabela de conte

udo

Tabela de conte

udo ﬁgura 2.4, na an

alise de um v

ıdeo, tem o mesmo signiﬁcado e objetivos

de um

ındice de um livro, um DVD e etc, isto

e, tem a func¸

ao de facilitar o acesso r

apido

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 28

informac¸

oes em seu interior. A tarefa fundamental na an

alise de v

ıdeo

e extrair estruturas do

ıdeo e, com isto, a criac¸

ao de uma tabela para facilitar o acesso dos usu

arios

as informac¸

oes

[8] e [24]. Al

em de simpliﬁcar a visualizac¸

ao do conte

udo do v

ıdeo, a criac¸

ao da tabela, aliada

a identiﬁcac¸

ao e associac¸

ao dos quadros chaves,

as suas respectivas cenas e tomadas, favorece

a criac¸

ao de

ındices com imagens [3], [5] e [6]. Desta forma, associando imagens, ao conte

udo

do v

ıdeo.

(a)

Figura 2.4: Um exemplo de tabela de conte

udo

[8] constru

ıram a tabela de conte

udo, baseando no agrupamento de tomadas parecidas. At

mesmo as que n

ao t

em similaridade s

ao agrupadas em uma

unica cena, se tiverem relac¸

sem

antica. Por ser seq

uencial, mesmo dois ou mais processos que aparec¸am simultaneamente

em um v

ıdeo, tem que manter a seq

encia e ﬁcar um ap

os o outro. Assim, as tomadas de uma

mesma cena, devem permanecer de forma que seja mantido a est

oria e o andamento normal do

ıdeo.

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 29

2.1.2 Grafo de transic¸

ao de cena

Mesmo sem ter que pesquisar em todas as imagens de um v

ıdeo, pesquisar utilizando as

tomadas tamb

e um processo que requer um tempo substancial. Em um ﬁlme pode haver

milhares de tomadas. [22] propuseram a construc¸

ao de uma representac¸

ao gr

aﬁca da transic¸

de cena. Esta representac¸

ao foi chamada de grafo de transic¸

ao de cena ﬁgura 2.5, gerada au-

tomaticamente e deﬁnida representando-se cada tomada por um v

ertice, e as arestas represen-

tando as transic¸

oes entre as tomadas na similaridade visual e o tempo decorrido. O que facilita

a visualizac¸

ao do conte

udo do v

ıdeo. Entretanto, [25] e [26], sugerem a realizac¸

ao de uma

otimizac¸

ao atrav

es da inclus

ao de percentuais, indicando a probabilidade de ocorr

encia das

tomadas. Com isto, atrav

es do algoritmo de menor caminho, ser

ao realizadas an

alises e detec-

tadas as cenas.

Figura 2.5: Um segmento de Grafo de transic¸

ao de cena

2.1.3

Indices gr

aﬁcos

Existem autores que baseiam seus sum

arios em esquemas de v

ıdeo, que s

ao resumos do

ıdeo [3], outros, dividem o v

ıdeo em partes consideradas mais importantes [22], [6], [27]. [22]

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 30

introduziram a id

eia de exibic¸

ao dos quadros que representam as cenas similares mais comuns

num tamanho superior

as menos comuns. Diferenciando as cenas mais importantes das que tem

menos import

ancia.

A busca de um determinado v

ıdeo em uma biblioteca de v

ıdeos

e uma tarefa que, man-

ualmente, pode levar um elevado tempo. [28] localiza um trecho em ﬁlme, utilizando o al-

goritmo Boyer-Moore-Horspool (BMH) modiﬁcado, para localizar quadros do trecho similares

aos quadros do ﬁlme.

E um processo utilizado eﬁciente que n

ao depende de pr

e-processamento.

Entretanto para localizar um v

ıdeo em uma biblioteca de v

ıdeos, um pr

e-processamento para

criac¸

ao de tabelas de conte

udo dos ﬁlmes, pode acelerar a pesquisa, tendo em vista que o

umero de quadros a se comparar ser

a bem reduzido.

2.2 Extrac¸

ao de imagens chave

Um ﬁlme

e uma sequ

encia de imagens. Uma maneira de simpliﬁcar um ﬁlme

e identiﬁcar

as imagens que sejam mais relevantes, denominadas imagens chave. Para obter estas imagens

[29] classiﬁcam as imagens do ﬁlme de acordo com a relev

ancia da imagem. Consideram

que imagens muito diferentes devem ser mais propensas a ser chave, que aquelas que s

ao muito

perecidas. Surge a id

eia de previsibilidade, isto

e, se as imagens s

ao previs

ıveis, elas n

ao s

ao t

importantes quanto aquelas que s

ao imprevis

ıveis. Quadros de uma nova tomada geralmente

ao podem ser previstos apartir da tomada anterior. Assim, uma boa maneira de determinar

a previsibilidade

e veriﬁcar se uma imagem n

e similar a imagem n + 1. Se elas s

ao muito

similares, ent

ao a imagem n + 1

e previs

ıvel em relac¸

a imagem n.

2.3 Reconhecimento de imagens

Para [30] um dos principais objetivos do reconhecimento de imagens por computadores

executar um programa com as qualidades de um observador humano. Por exemplo, reconhecer

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 31

a escrita independentemente de quem escreveu, e automaticamente transform

a-la em texto. O

que

e uma tarefa dif

ıcil, pois muitas vezes nem mesmo uma pessoa consegue ler o que outra es-

creveu. Entre outros problemas relacionados a este est

a o reconhecimento de pessoas, separac¸

ıculos, pedestres, carrinhos e bicicletas em uma fotograﬁa a

erea em uma rua, ou mesmo,

pesquisar uma determinada impress

ao digital em um banco de imagens.

A maioria das t

ecnicas indexac¸

e baseada em cor, forma e textura [31].

• Cor: a recuperac¸

ao de imagens baseada na similaridade de cor

e processada, por exemplo,

pela computac¸

ao de um histograma para cada cor da imagem que identiﬁca a proporc¸

de pontos.

• Textura: a identiﬁcac¸

ao de texturas espec

ıﬁcas em uma imagem

e conseguida pela mod-

elagem bidimensional de variac¸

oes do n

ıvel de cinza. O problema est

a em identiﬁcar a

variac¸

ao dos padr

oes de pontos relacionados e associ

a-los a determinados tipos de tex-

turas tais como “sedoso” ou “grosseiro”.

• Forma: o processamento de pesquisas pela forma

e geralmente realizado, por exem-

plo, selecionando uma imagem fornecida pelo sistema ou pelo usu

ario para esboc¸ar uma

forma.

Diversas s

ao as abordagens existentes para o reconhecimento de imagens, entre elas:

2.3.1 Intersec¸

ao do Histograma

[32] mostra que os histogramas de cor de um objeto podem oferecer uma s

olida e eﬁciente

ferramenta para a indexac¸

ao de um grande banco de dados. Para resolver este problema foi

criada uma t

ecnica chamada intersec¸

ao do histograma. Eﬁciente para trabalhar com um grande

volume de dados utiliza processos que necessitam de baixo processamento. Este m

etodo al

de distinguir objetos, permite alterac¸

oes como rotac¸

ao e variac¸

oes moderadas de dist

ancia do

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 32

objeto. Mesmo com um grande n

umero de cores existentes, apenas cerca de 16 tonalidades de

cinza

e capaz de distinguir um grande n

umero de objetos. A identiﬁcac¸

ao pode ser feita mesmo

quando uma parte signiﬁcativa do objeto n

ao est

a vis

ıvel. A precis

ao do reconhecimento pouco

se altera com a resoluc¸

ao do histograma utilizado.

O resultado da intersec¸

ao do histograma

e o n

umero de pontos que tem correspond

encia

de uma mesma cor nas imagens. A frac¸

ao resultante

e o modelo normalizado e fornece um

resultado entre 0 e 1.

Sejam I e M histogramas, a intersec¸

ao do histograma H(I, M) =



n=1

min(I

, M

)



n=1

min(M

)

As ﬁguras 2.8(a), 2.8(b) e 2.8(c) mostra os histogramas das ﬁguras 2.7(a), 2.7(b) e 2.7(c)

respectivamente, o resultado da comparac¸

ao utilizando o histograma de intersec¸

ao para as ﬁg-

uras 2.7(a), 2.7(b)

e H(I, M) =

72734

76800

= 0,94, enquanto para as ﬁguras 2.7(a) e 2.7(c) H(I, M) =

30822

76800

= 0,40. Este resultado aponta que as ﬁguras 2.7(a) e 2.7(b) tem uma semelhanc¸a muito

grande devido ao seu resultado ter dado aproximadamente 1. O resultado = 1 signiﬁcaria que

as imagens s

ao iguais. J

a em relac¸

as ﬁguras 2.7(a) e 2.7(c) o histograma de intersec¸

ao deu

um valor baixo indicando que as ﬁguras tem pouca relac¸

ao uma com a outra.

Figura 2.6: Imagem para exemplo de comparac¸

ao utilizando Intersec¸

ao do Histograma

(a) (b) (c)

2.4 Considerac¸

oes ﬁnais

As informac¸

oes abordadas neste cap

ıtulo

e a estrutura b

asica para este trabalho. Foram

resgatadas informac¸

oes fundamentais para o seu andamento, como formas de apresentac¸

ao do

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 33

resumo, identiﬁcac¸

ao de imagens chave, reconhecimento e comparac¸

ao de imagens. Atual-

mente existem diversas abordagens bibliogr

aﬁcas envolvendo estes assuntos. Todavia, focando

atingir os objetivos do trabalho, foram identiﬁcadas e aplicadas t

ecnicas conhecidas e de f

acil

implementac¸

ao.

CAP

ıTULO 2. SUMARIZAC¸

AO DE V

ıDEO 34

Figura 2.7: Histogramas das ﬁguras 2.7(a), 2.7(b) e 2.7(c)

(a)

(b)

(c)

Cap

ıtulo 3

Agrupamento

Um problema de agrupamento busca identiﬁcar elementos semelhantes e diferentes de um de-

terminado conjunto. Possibilitando a formac¸

ao de grupos com objetos que mais se parecem,

sendo cada grupo criado com caracter

ısticas diferentes entre si, dado um determinado crit

erio

para a formac¸

ao destes grupos. Para [33], este tipo de problema surge quando se tem uma

colec¸

ao de fotograﬁas, documentos ou microrganismos, na tentativa de se classiﬁcar ou organi-

zar em grupos coerentes. Sendo natural veriﬁcar o quanto estes objetos s

ao iguais ou diferentes.

E assim, deﬁnir uma dist

ancia entre eles. Dist

ancia no sentido abstrato, signiﬁcando que quanto

mais distantes mais diferentes s

ao estes objetos. Tratando-se de imagem, a dist

ancia entre duas

imagens parecidas

e pequena, enquanto em imagens distintas

e grande. Existem v

arios algo-

ritmos para o problema do agrupamento, entre eles,

Arvore Geradora M

ınima, K-means [34],

K-means++ [35].

3.1 K-means

Provavelmente o mais conhecido dos algoritmos de agrupamento, classiﬁca objetos com

base em atributos ou caracter

ısticas em k grupos escolhidos de forma uniforme e aleat

oria. A

seguir a maneira que o algoritmo separa as informac¸

oes em k grupos previamente determinados.

1. Inicialmente o algoritmo recebe os dados.

CAP

ıTULO 3. AGRUPAMENTO 36

2. Em seguida, identiﬁca aleatoriamente k valores iniciais que ser

ao inseridos um em cada

grupo. Neste ponto, cada um dos k grupos tem um elemento cada.

3. O algoritmo processa a m

edia aritm

etica dos valores dos elementos de cada grupo for-

mado separadamente. Inicialmente como cada grupo possui apenas um elemento, a m

edia

e o pr

oprio valor deste elemento.

4. Cada um dos elementos do conjunto de dados

e introduzido ao grupo que o seu valor

estiver mais pr

oximo.

5. Retorna ao passo 3 at

e que se estabilize. Uma das t

ecnicas para determinar a estabilizac¸

e veriﬁcada se as m

edias aritm

eticas criadas n

ao se modiﬁcarem.

3.2

Arvore Geradora M

ınima

Algoritmo bastante conhecido e de f

acil implementac¸

ao a

arvore geradora m

ınima [36]

e o

algoritmo mais utilizado em problemas que envolvem agrupamento [12].

Segundo [12], uma soluc¸

ao poss

ıvel para o problema de agrupamento em grandes bases

de dados

e a aplicac¸

ao mais eﬁciente destes algoritmos. Um exemplo disto

e uma abordagem

sugerida para o problema de agrupamento. Para isto, as arestas com maiores valores devem

ser eliminadas resultando na formac¸

ao de grupos. S

ao muitas as abordagens bibliogr

aﬁcas

existentes. Uma delas, proposta por [37], escolhe um conjunto de pontos como refer

encia,

semelhante ao k-means, e os pontos restantes s

ao atribu

ıdos a um ou mais pontos de refer

encia

ou grupos. Assim a

arvore geradora m

ınima

e obtida para cada ponto em separado. Em seguida

estes grupos s

ao unidos formando uma

arvore geradora m

ınima aproximada. Desta forma, as

comparac¸

oes s

ao realizadas em apenas parte dos pontos, reduzindo signiﬁcativamente o proces-

samento. Outras t

ecnicas buscaram diminuir a utilizac¸

ao de memoria ou mesmo incrementaram

a velocidade do algoritmo, veja em [38], [39], [40], [41], [42] e [43]. O algoritmo CLARANS

CAP

ıTULO 3. AGRUPAMENTO 37

(Clustering Large Applications based on RANdom Search) [42] e o BIRCH (Balanced Iterative

Reducing and Clustering) [43] s

ao destaques. CLARANS identiﬁca os candidatos a centroide

dos grupos atrav

es de repetidas an

alises de amostras aleat

orias, por isto, o tempo de processa-

mento

e O(n). J

a o algoritmo BIRCH armazena informac¸

oes resumidas sobre os candidatos em

uma

arvore de estrutura de dados din

amica. Esta

arvore organiza hierarquicamente os grupos

representado nas folhas. A

arvore pode ser reconstru

ıda quando o tamanho limite especiﬁcado

do grupo for atualizado manualmente, ou quando a mem

oria atingir este limiar. Este algoritmo

tamb

em tem tempo linear. Entretanto, a escolha do algoritmo

e muito importante para obter

uma boa performance sem comprometer o resultado.

3.3 Considerac¸

oes ﬁnais

Para a gerac¸

ao autom

atica de resumos est

aticos de v

ıdeo existem diversas t

ecnicas. Neste

cap

ıtulo foram listadas t

ecnicas de agrupamento de v

ıdeo especiﬁcamente k-means e

arvore ger-

adora m

ınima. Foi apresentado o funcionamento do algoritmo k-means e diversas abordagens

respeito do algoritmo da

arvore geradora m

ınima.

Cap

ıtulo 4

Resumo de v

ıdeo usando

arvore geradora

ınima

4.1 Deﬁnic¸

oes

Seja A ⊂ N

, A = {0, . . . , A − 1} × {0, . . . , L − 1}, onde A e L s

ao a altura e largura de

cada imagem, respectivamente, e, T ⊂ N, T = {0, . . . , N − 1}, no qual N

e o tamanho do

ﬁlme.

Deﬁnic¸

ao 1 (Imagem) Uma imagem f

e uma func¸

ao de A para Z, onde para cada posic¸

espacial (x, y) em A, f(x, y) representa um ponto em tons de cinza (x, y).

Deﬁnic¸

ao 2 (Filme) Um ﬁlme V

, no dom

ınio 2D × T, pode ser visto como uma seq

encia

de imagens f . Ele pode ser descrito por

= (f)

t∈T

(4.1)

onde N

e o n

umero de imagens contidas no ﬁlme.

Deﬁnic¸

ao 3 (Similaridade de imagens) Sejam f

e f

duas imagens de um v

ıdeo nas posic¸

oes

e t

, respectivamente. Duas imagens s

ao similares se a dist

ancia D(f

, f

) entre elas for

menor que um limiar (δ). A similaridade de imagens

e deﬁnida por

FS(f

, f

, δ) =



1, if D(f

, f

) ≤ δ

0, otherwise

(4.2)

CAP

ıTULO 4. RESUMO DE V

ıDEO USANDO

ARVORE GERADORA M

ıNIMA 39

Existem diversas maneiras para medir a dist

ancia D(f

, f

), isto

e, a dist

ancia entre duas im-

agens, por exemplo, diferenc¸a de histograma ou imagem, intersec¸

ao dos histogramas, diferenc¸a

da m

edia dos histogramas entre outros. A dist

ancia satisfaz a diversas propriedades naturais.

Property 1: D(f

, f

) ≥ 0 (Potitiva);

Property 2: D(f

, f

) = D(f

, f

) (Simetrica);

Property 3: D(f

, f

) = 0 if t

= t

(Reﬂexiva).

Depois do ﬁlme selecionado,

e poss

ıvel construir um grafo de similaridade de imagens

baseado em um ﬁlme V

e uma dist

ancia medida conforme a seguir.

Deﬁnic¸

ao 4 (Grafo de similaridade – G

) Seja V

um ﬁlme contendo N imagens. Um grafo

de similaridade G

= (N, E

)

e um grafo n

ao direcionado. Cada n

o v

∈ N representa uma

imagem f

∈ V

. Existem uma e ∈ E

com tamanho D(f

, f

) entre os dois n

os v

e v

se a

similaridade de imagens das imagens associadas for igual a 1, isto

= { (v

, v

, D(f

, f

)) | v

∈ N, v

∈ N,

FS(f

, f

, δ) = 1} (4.3)

A Figura 4.2(a) mostra um grafo de similaridade de um ﬁlme real no qual apenas as imagens

1, 501, 1001, 1501, 2001, 2501 e 3001 s

ao exemplos. A medida de dissimilaridade utilizada

a intersecc¸

ao de histograma no modelo RGB e est

a no intervalo [0, 100].

Para gerar um resumo de v

ıdeo sem considerar o passo de particionamento (ou segmentac¸

ao),

foi proposta a utilizac¸

ao de um algoritmo de agrupamento. De acordo com [12]

e o melhor al-

goritmo de agrupamento conhecido na teoria dos grafos e

e baseado na construc¸

ao da

arvore

geradora m

ınima [36]. Neste trabalho, foi deﬁnida a

arvore geradora m

ınima como a estrutura

que armazena o conte

udo de um ﬁlme e o relacionamento entre todas as cenas deste ﬁlme.

CAP

ıTULO 4. RESUMO DE V

ıDEO USANDO

ARVORE GERADORA M

ıNIMA 40

Figura 4.1: Espac¸amento m

aximo

Deﬁnic¸

ao 5 (

Arvore geradora m

ınima das imagens - AGM

) Seja G

= (N, E

) um grafo

de similaridade das imagens. A

arvore geradora m

ınima AGM

= (N, E

)

e um subgrafo de

que contem as menores dist

ancias entre as imagens E

De acordo com a [33], o algoritmo de k-means divide objetos em k grupos n

ao vazios. No

que diz respeito a sumarizac¸

ao de um v

ıdeo, k-means divide a seq

encia de um v

ıdeo em k onde

o espac¸o representa a dist

ancia m

ınima medida entre qualquer par de n

os. Assim, a dist

ancia

axima entre os grupos, conforme ilustrado na ﬁgura 4.1, est

a relacionada com o k-

ezimo

grupo de espac¸amento m

aximo da

arvore geradora m

ınima das imagens. Para processar o k-

means, e conseq

uentemente, as k cenas do v

ıdeo sem deﬁnir o n

umero de grupos,

e importante

deﬁnir a seq

encia ordenada das dist

ancias e colocar os valores em ordem a ﬁm de simpliﬁcar

o algoritmo de agrupamento de imagens.

Deﬁnic¸

ao 6 (Seq

encia ordenada das dist

ancias – S

) Seja AGM

uma

arvore geradora

ınima. Seja E

= {e = (a, b, c)} o conjunto das dist

ancias da AGM

. Seja S

a dist

ancia

= (a

, b

, c

) ∈ E

entre duas imagens a

e b

com tamanho c

. A seq

encia ordenada das

CAP

ıTULO 4. RESUMO DE V

ıDEO USANDO

ARVORE GERADORA M

ıNIMA 41

dist

ancias (S

) no que diz respeito ao peso

= (S

)

i∈[1,N]

no qual S

≤ S

i+1

if c

≤ c

i+1

Deﬁnic¸

ao 7 (Transformac¸

ao dos valores – T(∆) ) Seja AGM

arvore geradora m

ınima.

Seja S

a seq

encia ordenada das dist

ancias da AGM

. A transformac¸

ao dos valores T(∆)

e deﬁnida por

T(∆) = {||S

|| − i + 2 | w(S

i−1

) < ∆ and w(S

i+1

) ≥ ∆} (4.4)

no qual w(S

) signiﬁca a dist

ancia entre as imagens S

Se todos os valores na seq

encia ordenada s

ao diferentes T(max{S

})

e igual a 2. Assim

para computar 2 grupos

e necess

ario eliminar as dist

ancias na AGM

com valores superiores.

Finalmente, para identiﬁcar as cenas de v

ıdeo da

arvore geradora m

ınima

e necess

ario apagar

as arestas de acordo com algum crit

erio.

Deﬁnic¸

ao 8 (Exclus

ao de arestas - e → λ ) Seja AGM

arvore geradora m

ınima. A

operac¸

ao de remoc¸

ao, deﬁnida por e → λ, remove uma aresta de acordo com algum crit

erio.

A operac¸

ao de exclus

ao aplicada a uma

arvore, produz dois componentes conectados. Aqui,

cada componente conectado

e chamado grupo de imagens, tal qual deﬁnido a seguir. O processo

de exclus

ao de arestas deve ser utilizado de acordo com os seguintes crit

erios. Neste trabalho,

foram utilizados dois diferentes: (i) remoc¸

ao de arestas com maior dist

ancia, ou (ii) exclus

ao de

arestas com peso igual ou superior a um determinado limiar. O primeiro

util quando o n

umero

de grupos (deﬁnido anteriormente)

e pr

e-deﬁnido. O segundo pode ser considerado quando a

medida m

axima de dissimilaridade entre grupos for especiﬁcada, e pode ser considerado um

caso especial da primeira. Por exemplo, a eliminac¸

ao, na ﬁgura 4.2, de todas as arestas com

CAP

ıTULO 4. RESUMO DE V

ıDEO USANDO

ARVORE GERADORA M

ıNIMA 42

(a) (b)

Figura 4.2: Exemplo de resumo de v

ıdeo. (a) Grafo de similaridade das imagens; (b)

arvore ger-

adora m

ınima das imagens; (c) excluindo as dist

ancias iguais a 72; (d) excluindo as dist

ancias

iguais a 49;

CAP

ıTULO 4. RESUMO DE V

ıDEO USANDO

ARVORE GERADORA M

ıNIMA 43

peso igual ou superior a 49, produz o mesmo resultado da remoc¸

ao das 2 maiores dist

ancias

entre as imagens.

Deﬁnic¸

ao 9 (Grupo de imagens – C

∗,k

) Seja AGM

uma

arvore geradora m

ınima. Seja C

∗,k

indicando os k componentes conectados C

∗,k

, C

∗,k

, · · · , C

∗,k

formado pela remoc¸

ao das k − 1

maiores dist

ancias do AGM

nos quais C

∗,k

= (N

, E

). C

∗,k

ao k-grupos de espac¸amento

aximo.

O n

umero de grupos, e, conseq

uentemente, o n

umero de cenas v

ıdeo est

ao diretamente

relacionados ao n

umero de operac¸

oes de remoc¸

ao. Al

em disso, o processo para gerar o agrupa-

mento das imagens

e hierarquizado no sentido de que a remoc¸

ao de uma imagem de um grupo

divide em dois grupos diferentes.

E importante notar que dois grupos nunca ser

ao fundidos

posteriormente

a aplicac¸

ao da operac¸

ao de remoc¸

ao. Entretanto, a import

ancia de um grupo de

imagens pode depender do seu tamanho, pois grupos com um pequeno n

umero de imagens po-

dem representar ru

ıdos. Por exemplo, uma imagem negra ou branca s

ao provavelmente muito

diferentes de todas as outras imagens e, conseq

uentemente, as dist

ancias adjacentes ser

ao as

maiores das imagens AGM

. O grupo de imagens produzido pela eliminac¸

ao vai apresentar

um n

umero muito reduzido de imagens, e, conseq

uentemente, pode ser ignorado pela nossa

alise.

4.2 Resumo de v

ıdeo utilizando

arvore geradora m

ınima

De acordo com [12] o algoritmo mais conhecido para agrupamento

e baseado na

Arvore

Geradora M

ınima [36], seguido pela exclus

ao das arestas, com maiores valores, para gerar os

grupos. Em nossa aplicac¸

ao, as imagens representam os dados e cada grupo representa uma

cena do ﬁlme. A seguir, n

os descrevemos uma abordagem que est

a ilustrada na ﬁgura 4.3.

Em [10] e [2] o m

etodo proposto

e baseado no K-means para agrupamento. Infelizmente

esta proposta, mesmo sendo simples e eﬁciente,

e baseada em n

umero de grupos ﬁxos o que

CAP

ıTULO 4. RESUMO DE V

ıDEO USANDO

ARVORE GERADORA M

ıNIMA 44

Algorithm 1 Sumarizac¸

ao de v

ıdeo utilizando AGM

Require: Video V

Require: Limiar (δ) para agrupamento

Require: Limiar (α) para o tamanho do componente conectado

1: Criar um grafo ponderado n

ao direcionado G = (V, E)

2: Computar a

arvore geradora m

ınima H = (V

, E

) para G

3: SUM ← 

4: for todos os elementos e

∈ E

5: if e

≥ δ then

6: Remove e

de H

7: end if

8: end for

9: for Todos os elementos conectados CC = (V

, E

) ∈ H do

10: if |V

| ≥ α then

11: SUM ← SUM∪ Selecionar um v

ertice V

para representar CC

12: end if

13: end for

14: return SUM

pode resultar em alguns erros. Grac¸as

a abordagem da

arvore geradora m

ınima, os passos para a

criac¸

ao dos grupos e segmentac¸

ao do v

ıdeo s

ao eliminados. Assim, o processamento da

arvore

geradora m

ınima foi baseado no grafo de similaridade das imagens que foi gerado a partir da

seq

encia do v

ıdeo. Em seguida, foram excluidos os grupos at

e que ﬁque est

avel. O conceito

de est

avel est

a relacionado a duas abordagens:

• N

umero de grupos desejado. Est

a relacionado ao n

umero de imagens chave, uma vez que

o processamento gera apenas uma imagem chave por grupo.

• Padr

ao de semelhanc¸as em um grupo. Cujo objetivo

e lidar com a subdivis

ao de um grupo

caso haja algum padr

ao de imagem superior a um determinado limiar.

A ﬁgura 4.3 apresenta a metodologia para a criac¸

ao do resumo de v

ıdeo.

CAP

ıTULO 4. RESUMO DE V

ıDEO USANDO

ARVORE GERADORA M

ıNIMA 45

Figura 4.3: Metodologia para sumarizac¸

ao de v

ıdeo utilizando

Arvore Geradora M

ınima

4.3 Considerac¸

oes ﬁnais

Uma abordagem

a respeito de sumarizac¸

ao de v

ıdeos utilizando

arvore geradora m

ınima

foi apresentada neste cap

ıtulo. Aqui foram listadas a metodologia proposta e as formas de

conﬁgurac¸

ao. Para isto, foram deﬁnidos ﬁlme, similaridade de imagens, grafo de similaridade,

arvore geradora m

ınima de imagens, seq

encia ordenada das dist

ancias, transformac¸

ao de val-

ores, exclus

ao das arestas, grupos de imagens e para encerrar, o algoritmo para agrupamento.

Cap

ıtulo 5

Experimentos

Em nossos experimentos, utilizamos alguns ﬁlmes extra

ıdos a partir do reposit

orio Open Video

Foram utilizados 20 ﬁlmes para a realizac¸

ao de experimentos preliminares, listados na tabela

5.1, que tamb

em cont

em o tempo de durac¸

ao e o n

umero de quadros do ﬁlme. Nesta etapa

foram aplicadas 15 conﬁgurac¸

oes diferentes para cada um dos 20 ﬁlmes, dispostas na tabela

5.2. Nesta tabela, dissimilaridade indica o qu

ao semelhantes s

ao as imagens para pertencerem

a um mesmo grupo, o agrupamento determina quais grupos pertencer

ao ao resumo dependendo

da quantidade de elementos que cada um destes grupos possui. Por ﬁm, o limiar de amostragem

que indica quais imagens do ﬁlme ser

ao consideradas no processamento. Pode-se considerar

todas as imagens, ou saltar imagens com o intuito de elevar a velocidade de processamento. Em

um ﬁlme, para se ter a sensac¸

ao de movimento s

ao necess

arios em torno de 25 imagens por

segundo, sendo assim, muitas destas imagens s

ao iguais ou bem parecidas. Foram escolhidas

duas das conﬁgurac¸

oes desta etapa para gerar os resumos que ser

ao comparados com outras

abordagens, a denominada AGM2 com as conﬁgurac¸

oes Dissimilaridade = 25, Agrupamento =

10 e Amostragem = 1 e o AGM7 com as conﬁgurac¸

oes Dissimilaridade = 25, Agrupamento =

10 e Amostragem = 10, estas e outras abordagens foram utilizadas na fase de comparac¸

ao dos

resumos apresentados na tabela 5.2. Para realizar uma comparac¸

ao visual e outras formas de

http://www.open-video.org

CAP

ıTULO 5. EXPERIMENTOS 47

comparac¸

ao foi considerado o conjunto de dados utilizados no Visto

composto por 50 v

ıdeos

de diferentes g

eneros (document

ario, palestras, ef

emero, hist

oricos e educativos), que tamb

contemplam o mesmo universo utilizado por [2] todos dispon

ıveis no Open Video. Desta forma

foi poss

ıvel realizar comparac¸

oes entre as metodologias utilizadas pelo Open Video, Visto [11],

DT [1], (d) VSUMM1 [2], (e) AGM2 - Dissimilaridade = 25, Agrupamento = 10 e Amostragem

= 1 e (f) AGM7 - Dissimilaridade = 25, Agrupamento = 10 e Amostragem = 10.

Tabela 5.1: Filmes utilizados na fase ﬁnal do experimento.

Nome Quadros Durac¸

v01 NASA 25th Anniversary Show* Segment 02 2.494 01:23

v02 NASA 25th Anniversary Show* Segment 03 4.267 02:22

v03 NASA 25th Anniversary Show* Segment 04 3.895 02:10

v04 NASA 25th Anniversary Show* Segment 08 2.775 01:32

v05 Hurricanes and Computer Simulation 6.099 03:23

v06 Drag Activity Part One 3.620 02:00

v07 Model Testing 3.534 01:58

v08 Computer Simulation 6.902 03:50

v09 Aerosol Measurement and Remote Sensing 3.630 02:01

v10 SAGE II and Picasso-Cena 3.609 02:01

v11 Aerodynamic Forces 3.302 01:50

v12 Wind Tunnels 4.662 02:35

v13 Immune System 5.874 03:16

v14 Flying a Plane 3.458 01:55

v15 Flight Pioneers 6.019 03:20

v16 Astronauts in Space 3.269 01:49

v17 Space Suits 4.273 02:22

v18 The Red Planet 4.306 02:23

v19 Moon Phases 6.449 03:35

v20 Oil Clean Up 3.537 01:58

Tabela 5.2: Filmes utilizados na fase ﬁnal do experimento.

odigo Dissilaridade Agrupamento Amostragem

AGM1 20 10 1

AGM2 25 10 1

AGM3 30 10 1

AGM4 35 10 1

AGM5 40 10 1

AGM6 20 10 10

AGM7 25 10 10

AGM8 30 10 10

AGM9 35 10 10

AGM10 40 10 10

AGM11 20 10 15

AGM12 25 10 15

AGM13 30 10 15

AGM14 35 10 15

AGM15 40 10 15

http://visto.iit.cnr.it/

CAP

ıTULO 5. EXPERIMENTOS 48

Figura 5.1: Exemplo de resumo de v

ıdeo aplicado ao ﬁlme “News.mpg” composto por 5 (cinco

tomadas: (a) T(35)-grupos; (b) 3-grupos; (c) T(34)-grupos; e (d) T(25)-grupos.

(a)

(b)

(c)

(d)

A ﬁgura 5.1(a), ﬁgura 5.1(c) e a ﬁgura 5.1(d) ilustram os resultados da aplicac¸

ao do Algo-

ritmo 1 para T(35) = 2, T(34) = 4 e T(25) = 5.

E importante notar que os valores 25, 34 e 35

representam tr

es mais altos valores na

arvore geradora m

ınima, no entanto, existem 1, 2 e 1

arestas com esses pesos, respectivamente. Assim, existem duas opc¸

oes diferentes para calcular

um 3-grupo. A ﬁgura 5.1(b) ilustra um 3-grupo.

CAP

ıTULO 5. EXPERIMENTOS 49

A tabela 5.3 lista os ﬁlmes utilizados nos experimentos com a quantidade de imagens, tempo

de durac¸

ao e o n

umero de tomadas contadas manualmente por um observador. Estes ﬁlmes

est

ao com a resoluc¸

ao de 352 X 240 pixels a 30 imagens por segundo. Foi utilizada a ferra-

menta Virtualdup

para a extrac¸

ao das imagens e caracter

ısticas dos ﬁlmes utilizados. Para o

desenvolvimento das aplicac¸

oes foi utilizada a linguagem Microsoft C++ 6.0.

O processamento da

arvore geradora m

ınima das imagens, foi inicialmente realizado em

dois passos gerac¸

ao histogramas das imagens do ﬁlme em 16 tons de cinza, seguido pela gerac¸

arvore geradora m

ınima das imagens que utiliza estes histogramas. Para a comparac¸

ao das

imagens foi utilizado a intersec¸

ao dos histogramas.

O procedimento utilizado para avaliar os experimentos, tabelas 5.4, 5.5, 5.6, 5.7, 5.8, 5.9 e

5.10, foi baseado em [1]. A tabela 5.10

e um resumo comparativo entre os m

etodos e apresenta

as seguintes informac¸

oes, quantidade de ﬁlmes que foram utilizados nos experimentos, quantos

resumos o AGM2

, AGM7

, Visto, DT E SUMM1 tiveram o mesmo n

umero, tiveram mais ou

menos imagens chave comparados com o resumo dispon

ıvel no Open Video. E para encerrar,

ultima coluna indica o n

umero de imagens parecidas que aparecem nos ﬁlmes, identiﬁcadas

por um observador humano. As tabelas 5.4 e 5.5 para o m

etodo AGM2, 5.6 e 5.7 para o AGM7.

A primeira coluna apresenta o nome do ﬁlme, na segunda a quantidade total de imagens, na

coluna seguinte o n

umero total de imagens chave, ou grupos, foi identiﬁcado pela respectiva

abordagem. Na quarta aparece o percentual do n

umero de imagens do resumo em relac¸

ao ao

umero total de imagens, isto

e, o percentual entre a terceira e a segunda coluna. Para calcular

a quinta coluna, percentual de coincidentes, antes foram coletadas as informac¸

oes da sexta

coluna, import

ancia, que

e a quantidade de imagens que cada um dos grupos gerados no resumo

apresentou. Em seguida, foram realizadas comparac¸

oes visuais entre cada uma das imagens

geradas no resumo e comparada com o resumo gerado pelo Open Video. Para a imagem que

http://www.virtualdub.org/

Resumo com as conﬁgurac¸

oes Dissimilaridade = 25, Agrupamento = 10 e Amostragem = 1

Resumo com as conﬁgurac¸

oes Dissimilaridade = 25, Agrupamento = 10, e Amostragem = 10

CAP

ıTULO 5. EXPERIMENTOS 50

foi considerada visualmente igual, o valor do respectivo grupo da sexta coluna foi somado. No

ﬁnal das comparac¸

oes pega-se esta soma e divide-se pela soma total de todos os grupos. Veja

exemplos para os m

etodos AGM2 e AGM7 ﬁguras 5.2 e 5.3 respectivamente. Para todas as

imagens, exceto a segunda, do modelo AGM2,

e poss

ıvel encontrar uma semelhante no resumo

do Open Video. Vamos ent

ao na sexta coluna da tabela 5.4, 28, 6, 71, 68, 24, 9, s

ao os valores

de import

ancia para as imagens. Desta forma, (28+71+68+24+9)*100/(28+6+71+68+24+9) =

97,09%. Agora para AGM7, veja ﬁgura 5.6,

e visivel que todas as imagens da abordagem possui

uma seelhante no modelo Open V

ıdeo. Assim paga-se os valores, 28, 71, 68, 24, da coluna 6,

(28+71+68+24)*100/(28+71+68+24) = 100%

Figura 5.2: Comparac¸

oes entre modelos (a) Open Video (b) AGM2 V

ıdeo: v23 The Great Web

of Water, segment 2

(a)

(b)

Figura 5.3: Comparac¸

oes entre modelos (a) Open Video (b) AGM7 V

ıdeo: v23 The Great Web

of Water, segment 2

(a)

(b)

Nas tabelas 5.8 e 5.9

e poss

ıvel comparar os resultados entre os m

etodos AGM2 e AGM7,

CAP

ıTULO 5. EXPERIMENTOS 51

atrav

es de relac¸

oes entre estes m

etodos e o Open Video.

Na tabela 5.11 foram apresentadas comparac¸

oes entre os m

etodos dispostos e o Open Video,

com a ﬁnalidade de comparar os resultados dos resumos. Nestas tabelas n

ao est

ao as colunas

import

ancia e coincidentes tendo em vista que n

ao existem informac¸

oes dispon

ıveis para o

alculo. Denominamos compress

ao relativa a relac¸

ao entre o n

umero de grupos gerado pelo

etodo e o n

umero de tomadas detectadas por um observador. Desta forma, Compress

ao rela-

tiva = Quantidade de grupos/N

umero de tomadas.

As tabelas 5.12 e 5.13 apresentam o resultado da comparac¸

ao entre os grupos formados

pelos modelos AGM2, AGM7, Visto, DT e SUMM1. Nelas est

ao dispostos os nomes dos

ﬁlmes, quantidade de tomadas, quantidade de grupos gerados pelo resumo Open Video e as

imagens coincidentes, isto

e, imagens dos modelos AGM2, AGM7, Visto, DT e SUMM1 que

tem semelhanc¸a com alguma das imagens do resumo do Open Video.

CAP

ıTULO 5. EXPERIMENTOS 52

Tabela 5.3: Filmes utilizados na fase ﬁnal do experimento.

odigo Nome Quadros Durac¸

ao Tomadas

614 v21 The Great Web of Water, segment 01 3.279 01:50 32

615 v22 The Great Web of Water, segment 02 2.118 01:11 5

670 v23 The Great Web of Water, segment 07 1.745 00:59 17

684 v24 A New Horizon, segment 01 1.806 01:01 12

685 v25 A New Horizon, segment 02 1.797 01:00 11

686 v26 A New Horizon, segment 03 6.249 03:29 29

687 v27 A New Horizon, segment 04 3.192 01:47 17

689 v28 A New Horizon, segment 05 3.561 01:59 22

690 v29 A New Horizon, segment 06 1.944 01:05 10

661 v30 A New Horizon, segment 08 1.815 01:01 8

663 v31 A New Horizon, segment 010 2.517 01:24 12

635 v32 Take Pride in America, segment 01 2.691 01:30 15

637 v33 Take Pride in America, segment 03 3.261 01:49 30

4586 v34 Digital Jewelry: Wearable Technology for Every Day Life 4.204 03:00 10

4923 v35 HCIL Symposium 2002 - Introduction, segment 01 2.336 01:18 15

422 v36 Senses And Sensitivity, Introduct. to Lecture 1 presenter 4.221 02:20 19

425 v37 Senses And Sensitivity, Introduct. to Lecture 2 3.411 01:53 13

430 v38 Senses And Sensitivity, Introduct. to Lecture 3 presenter 4.566 02:32 41

538 v39 Senses And Sensitivity, Introduct. to Lecture 4 presenter 5.249 02:55 40

719 v40 Exotic Terrane, segment 01 2.940 01:38 32

720 v41 Exotic Terrane, segment 02 2.776 01:32 28

721 v42 Exotic Terrane, segment 03 2.676 01:29 20

722 v43 Exotic Terrane, segment 04 4.797 02:40 34

724 v44 Exotic Terrane, segment 06 2.425 01:21 12

726 v45 Exotic Terrane, segment 08 2.428 01:21 11

731 v46 America’s New Frontier, segment 01 3.591 01:59 12

733 v47 America’s New Frontier, segment 03 2.166 01:12 5

734 v48 America’s New Frontier, segment 04 3.705 02:03 10

737 v49 America’s New Frontier, segment 07 3.615 02:00 19

740 v50 America’s New Frontier, segment 10 4.830 02:41 9

744 v51 The Future of Energy Gases, segment 03 2.934 01:37 13

746 v52 The Future of Energy Gases, segment 05 3.615 02:00 9

750 v53 The Future of Energy Gases, segment 09 1.884 01:02 6

753 v54 The Future of Energy Gases, segment 12 2.886 01:36 11

785 v55 Oceanﬂoor Legacy, segment 01 1.740 00:58 6

786 v56 Oceanﬂoor Legacy, segment 02 2.325 01:17 8

788 v57 Oceanﬂoor Legacy, segment 04 3.450 01:55 10

792 v58 Oceanﬂoor Legacy, segment 08 3.186 01:46 16

793 v59 Oceanﬂoor Legacy, segment 09 2.106 01:10 14

803 v60 The Voyage of the Lee, segment 05 2.094 01:09 13

813 v61 The Voyage of the Lee, segment 15 2.277 01:15 12

814 v62 The Voyage of the Lee, segment 16 2.619 01:27 5

838 v63 Hurricane Force - A Coastal Perspective, segment 03 2.310 01:17 12

839 v64 Hurricane Force - A Coastal Perspective, segment 04 5.310 02:57 19

850 v65 Drift Ice as a Geologic Agent, segment 03 2.742 01:31 11

852 v66 Drift Ice as a Geologic Agent, segment 05 2.187 01:12 7

853 v67 Drift Ice as a Geologic Agent, segment 06 2.425 01:30 10

854 v68 Drift Ice as a Geologic Agent, segment 07 1.950 01:05 4

855 v69 Drift Ice as a Geologic Agent, segment 08 3.618 02:00 14

857 v70 Drift Ice as a Geologic Agent, segment 10 1.407 00:46 4

CAP

ıTULO 5. EXPERIMENTOS 53

Tabela 5.4: Tabela comparativa baseada em [1] - AGM2 1/2

Nome Quantidade Grupos Compressao Coincidente Import

ancia

de imagens AGM2 AGM2 (%) AGM2 (%) AGM2

v21 The Great Web of Water, 3.279 27 0,82 37,74 13, 9, 5, 6, 31, 2, 8, 9, 9, 2, 58, 13, 5, 5, 2, 24,

segment 01 19, 8, 9, 8, 10, 5, 3, 14, 2, 6, 25

v22 The Great Web of Water, segment 02 2.118 6 0,28 97,09 28, 6, 71, 68, 24, 9

v23 The Great Web of Water, 1.745 11 0,63 64,95 7, 10, 9, 12, 17, 13, 8, 7, 5, 7, 2

segment 07

v24 A New Horizon, segment 01 1.806 14 0,78 52,44 2, 10, 11, 11, 9, 17, 9, 11, 15, 4, 3, 10,

13, 39

v25 A New Horizon, segment 02 1.797 13 0,72 58,18 62, 15, 3, 5, 8, 8, 8, 8, 12, 11, 7, 7, 11

v26 A New Horizon, segment 03 6.249 23 0,37 25,29 15, 18, 98, 15, 24, 102, 12, 20, 24, 2, 14, 14,

37, 41, 17, 25, 12, 6, 10, 35, 19, 27, 14

v27 A New Horizon, segment 04 3.192 16 0,50 29,87 57, 22, 14, 24, 2, 6, 40, 14, 19, 7, 17, 11, 28,

19, 10, 18

v28 A New Horizon, segment 05 3.561 24 0,67 33,43 21, 11, 17, 31, 15, 5, 5, 26, 2, 12, 6, 10, 10, 24,

14, 18, 12, 15, 15, 13, 17, 4, 22, 10

v29 A New Horizon, segment 06 1.944 12 0,62 45,70 23, 13, 7, 13, 5, 27, 3, 26, 23, 21, 14, 11

v30 A New Horizon, segment 08 1.815 9 0,50 88,30 19, 10, 22, 26, 25, 27, 13, 22, 7

v31 A New Horizon, segment 010 2.517 11 0,44 40,25 27, 20, 8, 13, 7, 30, 23, 35, 26, 27, 25

v32 Take Pride in America, 2.691 17 0,63 28,87 20, 7, 13, 8, 3, 9, 8, 13, 8, 9, 3, 6, 11, 67, 8, 6,

segment 01 40

v33 Take Pride in America, 3.261 33 1,01 26,20 6, 3, 2, 4, 8, 7, 8, 13, 16, 30, 3, 3, 18, 6, 12, 10,

segment 03 2, 5, 15, 5, 5, 5, 6, 4, 12, 2, 2, 12, 7, 7, 9, 9, 15

v34 Digital Jewelry: Wearable 4.204 4 0,10 89,05 19, 303, 52, 46

Technology for Every Day Life

v35 HCIL Symposium 2002 - 2.336 7 0,30 99,11 140, 53, 8, 11, 2, 9, 2

Introduction, segment 01

v36 Senses And Sensitivity, 4.221 10 0,24 92,27 11, 13, 202, 4, 74, 13, 78, 4, 13, 2

Introduct. to Lecture 1 presenter

v37 Senses And Sensitivity, 3.411 6 0,18 88,76 29, 16, 212, 57, 2, 22

Introduct. to Lecture 2

v38 Senses And Sensitivity, 4.566 16 0,35 76,73 10, 221, 43, 14, 13, 9, 10, 16, 15, 30, 13, 16,

Introduct. to Lecture 3 presenter 18, 9, 8, 2

v39 Senses And Sensitivity, 5.249 11 0,21 90,75 8, 3, 450, 2, 8, 13, 10, 6, 6, 5, 8

Introduct. to Lecture 4 presenter

v40 Exotic Terrane, segment 01 2.940 15 0,51 100,00 30, 11, 10, 13, 15, 17, 30, 12, 12, 22, 22, 21,

16, 12, 27

v41 Exotic Terrane, segment 02 2.776 5 0,18 100,00 13, 29, 26, 2, 3

v42 Exotic Terrane, segment 03 2.676 13 0,49 66,15 21, 12, 36, 54, 16, 7, 14, 2, 11, 14, 12, 28, 33

v43 Exotic Terrane, segment 04 4.797 20 0,42 84,36 17, 14, 14, 16, 29, 36, 62, 15, 12, 9, 28, 74, 5,

9, 8, 27, 45, 7, 18, 28

v44 Exotic Terrane, segment 06 2.425 8 0,33 0,00

v45 Exotic Terrane, segment 08 2.428 10 0,41 100,00 49, 14, 21, 23, 20, 19, 16, 24, 39, 9

v46 America’s New Frontier, 3.591 9 0,25 49,15 104, 18, 34, 16, 41, 31, 40, 32, 38

segment 01

v47 America’s New Frontier, 2.166 7 0,32 99,05 2, 3, 16, 19, 23, 30, 117

segment 03

v48 America’s New Frontier, segment 04 3.705 9 0,24 91,11 65, 59, 59, 21, 12, 29, 32, 40, 54

v49 America’s New Frontier, 3.615 19 0,53 89,37 2, 7, 55, 33, 19, 11, 10, 15, 10, 9, 20, 14, 15,

segment 07 47, 5, 18, 24, 12, 22

v50 America’s New Frontier, 4.830 10 0,21 100,00 25, 43, 79, 24, 91, 15, 17, 28, 58, 100

segment 10

CAP

ıTULO 5. EXPERIMENTOS 54

Tabela 5.5: Tabela comparativa baseada em [1] - AGM2 2/2

Nome Quantidade Grupos Compressao Coincidente Import

ancia

de imagens AGM2 AGM2 (%) AGM2 (%) AGM2

v51 The Future of Energy Gases, 2.934 10 0,34 53,58 42, 102, 4, 59, 34, 3, 5, 11, 22, 11

segment 03

v52 The Future of Energy Gases, 3.615 9 0,25 77,05 4, 81, 12, 17, 56, 64, 53, 35, 31

segment 05

v53 The Future of Energy Gases, 1.884 5 0,27 100,00 82, 31, 43, 9, 20

segment 09

v54 The Future of Energy Gases, 2.886 14 0,49 56,69 88, 17, 4, 2, 3, 8, 10, 7, 5, 8, 6, 2, 2, 122

segment 12

v55 Oceanﬂoor Legacy, segment 01 1.740 5 0,29 34,10 32, 25, 2, 111, 3

v56 Oceanﬂoor Legacy, segment 02 2.325 10 0,43 55,07 3, 42, 19, 6, 20, 19, 12, 9, 11, 86

v57 Oceanﬂoor Legacy, segment 04 3.450 14 0,41 77,48 4, 96, 36, 2, 2, 13, 23, 29, 12, 12, 5, 21, 76, 2

v58 Oceanﬂoor Legacy, segment 08 3.186 17 0,53 13,59 81, 10, 9, 2, 2, 9, 9, 17, 12, 34, 82, 4, 6, 3, 10,

11, 8

v59 Oceanﬂoor Legacy, segment 09 2.106 16 0,76 57,00 2, 41, 14, 20, 11, 9, 14, 6, 2, 20, 15, 5, 6, 19,

13, 3

v60 The Voyage of the Lee, segment 05 2.094 8 0,38 95,63 21, 16, 3, 9, 127, 9, 8, 13

v61 The Voyage of the Lee, segment 15 2.277 8 0,35 28,07 28, 49, 105, 13, 14, 6, 4, 9

v62 The Voyage of the Lee, segment 16 2.619 5 0,19 93,46 19, 6, 38, 11, 186

v63 Hurricane Force - A Coastal 2.310 13 0,56 67,70 2, 54, 9, 5, 12, 10, 5, 14, 23, 50, 15, 12, 15

Perspective, segment 03

v64 Hurricane Force - A Coastal 5.310 16 0,30 87,87 7, 21, 9, 11, 36, 251, 31, 26, 10, 5, 2, 8, 9, 11,

Perspective, segment 04 42, 32

v65 Drift Ice as a Geologic Agent, 2.742 12 0,44 51,69 14, 23, 54, 27, 16, 23, 10, 12, 9, 30, 21, 28

segment 03

v66 Drift Ice as a Geologic Agent, 2.187 11 0,50 57,42 13, 27, 35, 12, 9, 7, 25, 39, 38, 2, 2

segment 05

v67 Drift Ice as a Geologic Agent, 2.425 8 0,33 80,15 14, 97, 18, 12, 18, 55, 30, 23

segment 06

v68 Drift Ice as a Geologic Agent, 1.950 5 0,26 83,77 14, 22, 29, 9, 117

segment 07

v69 Drift Ice as a Geologic Agent, 3.618 11 0,30 28,21 14, 45, 24, 95, 17, 17, 13, 39, 29, 24, 41

segment 08

v70 Drift Ice as a Geologic Agent, 1.407 5 0,36 67,97 35, 19, 28, 41, 5

segment 10

CAP

ıTULO 5. EXPERIMENTOS 55

Tabela 5.6: Tabela comparativa baseada em [1] - AGM7 1/2

Nome Quantidade Grupos Compressao Coincidente Import

ancia

de imagens AGM7 AGM7 (%) AGM7 (%) AGM7

v21 The Great Web of Water, 3.279 9 0,27 72,95 13, 31, 58, 13, 24, 19, 10, 14, 25

segment 01

v22 The Great Web of Water, segment 02 2.118 4 0,19 100,00 28, 71, 68, 24

v23 The Great Web of Water, 1.745 11 0,63 75,00 10, 12, 17, 13

segment 07

v24 A New Horizon, segment 01 1.806 9 0,50 79,56 10, 11, 11, 17, 11, 15, 10, 13, 39

v25 A New Horizon, segment 02 1.797 5 0,28 69,37 62, 15, 12, 11, 11

v26 A New Horizon, segment 03 6.249 21 0,34 25,63 15, 18, 98, 15, 24, 102, 12, 20, 24, 14, 14,

37, 41, 17, 25, 12, 10, 35, 19, 27, 14

v27 A New Horizon, segment 04 3.192 13 0,41 26,28 57, 22, 14, 24, 40, 14, 19, 17, 11, 28, 19, 10,

v28 A New Horizon, segment 05 3.561 19 0,53 38,34 21, 11, 17, 31, 15, 26, 12, 10, 10, 24, 14, 18,

12, 15, 15, 13, 17, 22, 10

v29 A New Horizon, segment 06 1.944 9 0,46 63,74 23, 13, 13, 27, 26, 23, 21, 14, 11

v30 A New Horizon, segment 08 1.815 8 0,44 92,07 19, 10, 22, 26, 25, 27, 13, 22

v31 A New Horizon, segment 010 2.517 9 0,36 39,82 27, 20, 13, 30, 23, 35, 26, 27, 25

v32 Take Pride in America, 2.691 17 0,63 34,76 20, 13, 13, 11, 67, 40

segment 01

v33 Take Pride in America, 3.261 10 0,31 15,69 13, 16, 30, 18, 12, 10, 15, 12, 12, 15

segment 03

v34 Digital Jewelry: Wearable 4.204 4 0,10 89,05 19, 303, 52, 46

Technology for Every Day Life

v35 HCIL Symposium 2002 - 2.336 3 0,13 100,00 140, 53, 11

Introduction, segment 01

v36 Senses And Sensitivity, 4.221 7 0,17 93,56 11, 13, 202, 74, 13, 78, 13

Introduct. to Lecture 1 presenter

v37 Senses And Sensitivity, 3.411 5 0,15 88,69 29, 16, 212, 57, 22

Introduct. to Lecture 2

v38 Senses And Sensitivity, 4.566 12 0,26 84,25 10, 221, 43, 14, 13, 10, 16, 15, 30, 13, 16, 18

Introduct. to Lecture 3 presenter

v39 Senses And Sensitivity, 5.249 3 0,06 0,00 450, 13, 10

Introduct. to Lecture 4 presenter

v40 Exotic Terrane, segment 01 2.940 15 0,51 100,00 30, 11, 10, 13, 15, 17, 30, 12, 12, 22, 22, 21,

16, 12, 27

v41 Exotic Terrane, segment 02 2.776 3 0,11 100,00 13, 29, 26

v42 Exotic Terrane, segment 03 2.676 11 0,41 68,53 21, 12, 36, 54, 16, 14, 11, 14, 12, 28, 33

v43 Exotic Terrane, segment 04 4.797 15 0,31 93,56 17, 14, 14, 16, 29, 36, 62, 15, 12, 28, 74, 27,

45, 18, 28

v44 Exotic Terrane, segment 06 2.425 8 0,33 0,00

v45 Exotic Terrane, segment 08 2.428 9 0,37 100,00 49, 14, 21, 23, 20, 19, 16, 24, 39

v46 America’s New Frontier, 3.591 9 0,25 49,15 104, 18, 34, 16, 41, 31, 40, 32, 38

segment 01

v47 America’s New Frontier, 2.166 5 0,23 100,00 16, 19, 23, 30, 117

segment 03

v48 America’s New Frontier, segment 04 3.705 9 0,24 91,11 65, 59, 59, 21, 12, 29, 32, 40, 54

v49 America’s New Frontier, 3.615 15 0,41 93,85 55, 33, 19, 11, 10, 15, 10, 20, 14, 15, 47, 18,

segment 07 24, 12, 22

v50 America’s New Frontier, 4.830 10 0,21 100,00 25, 43, 79, 24, 91, 15, 17, 28, 58, 100

segment 10

CAP

ıTULO 5. EXPERIMENTOS 56

Tabela 5.7: Tabela comparativa baseada em [1] - AGM7 2/2

Nome Quantidade Grupos Compressao Coincidente Import

ancia

de imagens AGM7 AGM7 (%) AGM7 (%) AGM7

v51 The Future of Energy Gases, 2.934 7 0,24 100,00 42, 102, 59, 34, 11, 22, 11

segment 03

v52 The Future of Energy Gases, 3.615 8 0,22 100,00 81, 12, 17, 56, 64, 53, 35, 31

segment 05

v53 The Future of Energy Gases, 1.884 4 0,21 100,00 82, 31, 43, 20

segment 09

v54 The Future of Energy Gases, 2.886 4 0,14 0,00 88, 17, 10, 122

segment 12

v55 Oceanﬂoor Legacy, segment 01 1.740 4 0,23 33,93 32, 25, 111

v56 Oceanﬂoor Legacy, segment 02 2.325 7 0,30 55,50 42, 19, 20, 19, 12, 11, 86

v57 Oceanﬂoor Legacy, segment 04 3.450 9 0,26 88,99 96, 36, 13, 23, 29, 12, 12, 21, 76

v58 Oceanﬂoor Legacy, segment 08 3.186 8 0,25 46,30 81, 10, 17, 12, 34, 82, 10, 11

v59 Oceanﬂoor Legacy, segment 09 2.106 9 0,43 52,69 41, 14, 20, 11, 14, 20, 15, 19, 13

v60 The Voyage of the Lee, segment 05 2.094 4 0,19 28,25 21, 16, 127, 13

v61 The Voyage of the Lee, segment 15 2.277 5 0,22 36,36 28, 49, 105, 13, 14

v62 The Voyage of the Lee, segment 16 2.619 4 0,15 95,67 19, 38, 11, 186

v63 Hurricane Force - A Coastal 2.310 9 0,39 73,66 54, 12, 10, 14, 23, 50, 15, 12, 15

Perspective, segment 03

v64 Hurricane Force - A Coastal 5.310 10 0,19 95,33 21, 11, 36, 251, 31, 26, 10, 11, 42, 32

Perspective, segment 04

v65 Drift Ice as a Geologic Agent, 2.742 11 0,40 53,49 14, 23, 54, 27, 16, 23, 10, 12, 30, 21, 28

segment 03

v66 Drift Ice as a Geologic Agent, 2.187 7 0,32 81,48 13, 27, 35, 12, 25, 39, 38

segment 05

v67 Drift Ice as a Geologic Agent, 2.425 8 0,33 80,15 14, 97, 18, 12, 18, 55, 30, 23

segment 06

v68 Drift Ice as a Geologic Agent, 1.950 4 0,21 87,91 14, 22, 29, 117

segment 07

v69 Drift Ice as a Geologic Agent, 3.618 11 0,30 28,21 14, 45, 24, 95, 17, 17, 13, 39, 29, 24, 41

segment 08

v70 Drift Ice as a Geologic Agent, 1.407 4 0,28 43,90 35, 19, 28, 41

segment 10

CAP

ıTULO 5. EXPERIMENTOS 57

Tabela 5.8: Tabela comparativa modiﬁcada baseada em [1] - AGM2/AGM7 1/2

Nome Quantidade Grupos Grupos Compressao Compressao Coincidente Coincidente

de imagens AGM2 AGM7 AGM2 (%) AGM7 (%) AGM2 (%) AGM7 (%)

v21 The Great Web of Water, 3.279 27 9 0,82 0,27 37,74 72,95

segment 01

v22 The Great Web of Water, segment 02 2.118 6 4 0,28 0,19 97,09 100,00

v23 The Great Web of Water, 1.745 11 11 0,63 0,63 64,95 75,00

segment 07

v24 A New Horizon, segment 01 1.806 14 9 0,78 0,50 52,44 79,56

v25 A New Horizon, segment 02 1.797 13 5 0,72 0,28 58,18 69,37

v26 A New Horizon, segment 03 6.249 23 21 0,37 0,34 25,29 25,63

v27 A New Horizon, segment 04 3.192 16 13 0,50 0,41 29,87 26,28

v28 A New Horizon, segment 05 3.561 24 19 0,67 0,53 33,43 38,34

v29 A New Horizon, segment 06 1.944 12 9 0,62 0,46 45,70 63,74

v30 A New Horizon, segment 08 1.815 9 8 0,50 0,44 88,30 92,07

v31 A New Horizon, segment 010 2.517 11 9 0,44 0,36 40,25 39,82

v32 Take Pride in America, 2.691 17 17 0,63 0,63 28,87 34,76

segment 01

v33 Take Pride in America, 3.261 33 10 1,01 0,31 26,20 15,69

segment 03

v34 Digital Jewelry: Wearable 4.204 4 4 0,10 0,10 89,05 89,05

Technology for Every Day Life

v35 HCIL Symposium 2002 - 2.336 7 3 0,30 0,13 99,11 100,00

Introduction, segment 01

v36 Senses And Sensitivity, 4.221 10 7 0,24 0,17 92,27 93,56

Introduct. to Lecture 1 presenter

v37 Senses And Sensitivity, 3.411 6 5 0,18 0,15 88,76 88,69

Introduct. to Lecture 2

v38 Senses And Sensitivity, 4.566 16 12 0,35 0,26 76,73 84,25

Introduct. to Lecture 3 presenter

v39 Senses And Sensitivity, 5.249 11 3 0,21 0,06 90,75 0,00

Introduct. to Lecture 4 presenter

v40 Exotic Terrane, segment 01 2.940 15 15 0,51 0,51 100,00 100,00

v41 Exotic Terrane, segment 02 2.776 5 3 0,18 0,11 100,00 100,00

v42 Exotic Terrane, segment 03 2.676 13 11 0,49 0,41 66,15 68,53

v43 Exotic Terrane, segment 04 4.797 20 15 0,42 0,31 84,36 93,56

v44 Exotic Terrane, segment 06 2.425 8 8 0,33 0,33 0,00 0,00

v45 Exotic Terrane, segment 08 2.428 10 9 0,41 0,37 100,00 100,00

v46 America’s New Frontier, 3.591 9 9 0,25 0,25 49,15 49,15

segment 01

v47 America’s New Frontier, 2.166 7 5 0,32 0,23 99,05 100,00

segment 03

v48 America’s New Frontier, segment 04 3.705 9 9 0,24 0,24 91,11 91,11

v49 America’s New Frontier, 3.615 19 15 0,53 0,41 89,37 93,85

segment 07

v50 America’s New Frontier, 4.830 10 10 0,21 0,21 100,00 100,00

segment 10

CAP

ıTULO 5. EXPERIMENTOS 58

Tabela 5.9: Tabela comparativa modiﬁcada baseada em [1] - AGM2/AGM7 2/2

Nome Quantidade Grupos Grupos Compressao Compressao Coincidente Coincidente

de imagens AGM2 AGM7 AGM2 (%) AGM7 (%) AGM2 (%) AGM7 (%)

v51 The Future of Energy Gases, 2.934 10 7 0,34 0,24 53,58 100,00

segment 03

v52 The Future of Energy Gases, 3.615 9 8 0,25 0,22 77,05 100,00

segment 05

v53 The Future of Energy Gases, 1.884 5 4 0,27 0,21 100,00 100,00

segment 09

v54 The Future of Energy Gases, 2.886 14 4 0,49 0,14 56,69 0,00

segment 12

v55 Oceanﬂoor Legacy, segment 01 1.740 5 4 0,29 0,23 34,10 33,93

v56 Oceanﬂoor Legacy, segment 02 2.325 10 7 0,43 0,30 55,07 55,50

v57 Oceanﬂoor Legacy, segment 04 3.450 14 9 0,41 0,26 77,48 88,99

v58 Oceanﬂoor Legacy, segment 08 3.186 17 8 0,53 0,25 13,59 46,30

v59 Oceanﬂoor Legacy, segment 09 2.106 16 9 0,76 0,43 57,00 52,69

v60 The Voyage of the Lee, segment 05 2.094 8 4 0,38 0,19 95,63 28,25

v61 The Voyage of the Lee, segment 15 2.277 8 5 0,35 0,22 28,07 36,36

v62 The Voyage of the Lee, segment 16 2.619 5 4 0,19 0,15 93,46 95,67

v63 Hurricane Force - A Coastal 2.310 13 9 0,56 0,39 67,70 73,66

Perspective, segment 03

v64 Hurricane Force - A Coastal 5.310 16 10 0,30 0,19 87,87 95,33

Perspective, segment 04

v65 Drift Ice as a Geologic Agent, 2.742 12 11 0,44 0,40 51,69 53,49

segment 03

v66 Drift Ice as a Geologic Agent, 2.187 11 7 0,50 0,32 57,42 81,48

segment 05

v67 Drift Ice as a Geologic Agent, 2.425 8 8 0,33 0,33 80,15 80,15

segment 06

v68 Drift Ice as a Geologic Agent, 1.950 5 4 0,26 0,21 83,77 87,91

segment 07

v69 Drift Ice as a Geologic Agent, 3.618 11 11 0,30 0,30 28,21 28,21

segment 08

v70 Drift Ice as a Geologic Agent, 1.407 5 4 0,36 0,28 67,97 43,90

segment 10

Tabela 5.10: Resultados experimentais resumidos comparados com Open V

ıdeo - baseada em

[1]

etodo Total de Menos Mesmo n

umero de Mais Imagens

ﬁlmes imagens chave de imagens chave imagens chave Parecidas

AGM2 50 18 3 29 24

AGM7 50 28 3 19 3

Visto 50 14 5 31 50

DT 50 30 8 12 10

SUMM1 50 20 3 27 5

CAP

ıTULO 5. EXPERIMENTOS 59

Tabela 5.11: Resultados experimentais - Tomadas observadas por usu

arios X Imagens chaves

dos resumos

Nome Grupos Compress

ao relativa

Open Open AGM2 AGM7 Visto DT SUMM1

Tomadas Video AGM2 AGM7 Visto DT SUMM1 Video (%) (%) (%) (%) (%) (%)

v21 32 9 27 9 13 4 15 28,13 84,38 28,13 40,63 12,50 46,88

v22 5 5 6 4 7 4 4 100,00 120,00 80,00 140,00 80,00 80,00

v23 17 11 11 4 7 7 15 64,71 64,71 23,53 41,18 41,18 88,24

v24 12 10 14 9 11 6 9 83,33 116,67 75,00 91,67 50,00 75,00

v25 11 5 13 5 6 4 10 45,45 118,18 45,45 54,55 36,36 90,91

v26 29 4 23 21 22 8 17 13,79 79,31 72,41 75,86 27,59 58,62

v27 17 6 16 13 10 7 13 35,29 94,12 76,47 58,82 41,18 76,47

v28 22 14 24 19 11 7 19 63,64 109,09 86,36 50,00 31,82 86,36

v29 10 5 12 9 6 7 9 50,00 120,00 90,00 60,00 70,00 90,00

v30 8 7 9 8 7 7 8 87,50 112,50 100,00 87,50 87,50 100,00

v31 12 5 11 9 8 6 11 41,67 91,67 75,00 66,67 50,00 91,67

v32 15 7 17 6 10 3 11 46,67 113,33 40,00 66,67 20,00 73,33

v33 30 13 33 10 16 6 16 43,33 110,00 33,33 53,33 20,00 53,33

v34 10 7 4 4 14 9 4 70,00 40,00 40,00 140,00 90,00 40,00

v35 15 15 7 3 7 6 11 100,00 46,67 20,00 46,67 40,00 73,33

v36 13 11 10 7 14 6 11 84,62 76,92 53,85 107,69 46,15 84,62

v37 13 4 6 5 11 4 5 30,77 46,15 38,46 84,62 30,77 38,46

v38 41 10 16 12 15 8 14 24,39 39,02 29,27 36,59 19,51 34,15

v39 40 9 11 3 17 6 11 22,50 27,50 7,50 42,50 15,00 27,50

v40 32 18 15 15 9 6 13 56,25 46,88 46,88 28,13 18,75 40,63

v41 28 14 5 3 9 9 10 50,00 17,86 10,71 32,14 32,14 35,71

v42 20 14 13 11 8 5 7 70,00 65,00 55,00 40,00 25,00 35,00

v43 34 28 20 15 16 10 16 82,35 58,82 44,12 47,06 29,41 47,06

v44 12 14 8 8 11 5 11 116,67 66,67 66,67 91,67 41,67 91,67

v45 11 15 10 9 10 3 7 136,36 90,91 81,82 90,91 27,27 63,64

v46 12 8 9 9 11 8 10 66,67 75,00 75,00 91,67 66,67 83,33

v47 5 7 7 5 7 5 5 140,00 140,00 100,00 140,00 100,00 100,00

v48 10 12 9 9 12 7 7 120,00 90,00 90,00 120,00 70,00 70,00

v49 19 22 19 15 12 9 13 115,79 100,00 78,95 63,16 47,37 68,42

v50 9 15 10 10 16 6 8 166,67 111,11 111,11 177,78 66,67 88,89

v51 13 15 10 7 9 8 8 115,38 76,92 53,85 69,23 61,54 61,54

v52 9 14 9 8 12 4 8 155,56 100,00 88,89 133,33 44,44 88,89

v53 6 6 5 4 6 5 5 100,00 83,33 66,67 100,00 83,33 83,33

v54 11 8 14 4 9 6 7 72,73 127,27 36,36 81,82 54,55 63,64

v55 6 2 5 3 6 3 4 33,33 83,33 50,00 100,00 50,00 66,67

v56 8 5 10 7 7 8 8 62,50 125,00 87,50 87,50 100,00 100,00

v57 10 7 14 9 11 7 9 70,00 140,00 90,00 110,00 70,00 90,00

v58 16 5 17 8 10 8 12 31,25 106,25 50,00 62,50 50,00 75,00

v59 14 7 16 9 8 8 12 50,00 114,29 64,29 57,14 57,14 85,71

v60 13 10 8 4 7 8 11 76,92 61,54 30,77 53,85 61,54 84,62

v61 12 12 8 5 8 5 7 100,00 66,67 41,67 66,67 41,67 58,33

v62 5 7 5 4 8 4 4 140,00 100,00 80,00 160,00 80,00 80,00

v63 12 6 13 9 7 6 9 50,00 108,33 75,00 58,33 50,00 75,00

v64 19 12 16 10 17 11 15 63,16 84,21 52,63 89,47 57,89 78,95

v65 11 6 12 11 9 8 11 54,55 109,09 100,00 81,82 72,73 100,00

v66 7 6 11 7 7 8 9 85,71 157,14 100,00 100,00 114,29 128,57

v67 10 6 8 8 15 7 7 60,00 80,00 80,00 150,00 70,00 70,00

v68 4 4 5 4 6 4 4 100,00 125,00 100,00 150,00 100,00 100,00

v69 14 5 11 11 12 5 9 35,71 78,57 78,57 85,71 35,71 64,29

v70 4 5 5 4 5 5 5 125,00 125,00 100,00 125,00 125,00 125,00

CAP

ıTULO 5. EXPERIMENTOS 60

Tabela 5.12: Comparac¸

ao de modelos 1/2

Imagens Coincidentes

com Open Video

Quant Grupos

Filme Tomadas Open AGM2 AGM7 Visto DT SUMM1

Usu

ario Video

v21 The Great Web of Water, 32 9 11 5 4 2 6

segment 01

v22 The Great Web of Water, segment 02 5 5 5 4 5 3 3

v23 The Great Web of Water, 17 11 10 7 4 4 9

segment 07

v24 A New Horizon, 12 10 9 7 8 4 8

segment 01

v25 A New Horizon, segment 02 11 5 5 2 2 3 4

v26 A New Horizon, segment 03 29 4 4 4 1 0 2

v27 A New Horizon, segment 04 29 4 4 4 1 0 2

v28 A New Horizon, segment 05 22 14 8 7 8 5 10

v29 A New Horizon, segment 06 10 5 6 6 4 4 4

v30 A New Horizon, segment 08 8 7 7 7 6 6 6

v31 A New Horizon, segment 010 12 5 5 4 2 3 5

v32 Take Pride in America, 15 7 6 6 2 1 5

segment 01

v33 Take Pride in America, 30 13 12 2 8 2 6

segment 03

v34 Digital Jewelry: Wearable 10 7 3 3 10 6 3

Technology for Every Day Life

v35 HCIL Symposium 2002 - 15 15 6 3 4 5 8

Introduction, segment 01

v36 Senses And Sensitivity, 13 4 4 3 5 3 3

Introduct. to Lecture 1 presenter

v37 Senses And Sensitivity, 41 10 8 8 8 7 8

Introduct. to Lecture 2

v38 Senses And Sensitivity, 40 9 3 0 7 1 4

Introduct. to Lecture 3 presenter

v39 Senses And Sensitivity, 32 18 15 15 9 6 13

Introduct. to Lecture 4 presenter

v40 Exotic Terrane, segment 01 28 14 5 3 6 5 9

v41 Exotic Terrane, segment 02 20 14 8 8 5 5 6

v42 Exotic Terrane, segment 03 34 28 19 14 10 9 13

v43 Exotic Terrane, segment 04 12 14 4 4 7 4 8

v44 Exotic Terrane, segment 06 11 15 10 9 9 2 6

v45 Exotic Terrane, segment 08 12 8 3 3 2 3 4

v46 America’s New Frontier, 5 7 6 5 6 5 6

segment 01

v47 America’s New Frontier, 10 12 7 7 11 7 7

segment 03

v48 America’s New Frontier, segment 04 19 22 17 14 12 9 13

v49 America’s New Frontier, 9 15 10 10 14 6 10

segment 07

v50 America’s New Frontier, 13 15 8 7 7 6 7

segment 10

CAP

ıTULO 5. EXPERIMENTOS 61

Tabela 5.13: Comparac¸

ao dos modelos 2/2

Imagens Coincidentes

com Open Video

Quant Grupos

Filme Tomadas Open AGM2 AGM7 Visto DT SUMM1

Usu

ario Video

v51 The Future of Energy Gases, 9 14 9 8 8 3 6

segment 03

v52 The Future of Energy Gases, 6 6 5 4 2 3 3

segment 05

v53 The Future of Energy Gases, 11 8 6 0 2 2 3

segment 09

v54 The Future of Energy Gases, 6 2 3 2 2 2 1

segment 12

v55 Oceanﬂoor Legacy, segment 01 8 5 5 3 4 4 4

v56 Oceanﬂoor Legacy, segment 02 10 7 9 7 3 6 6

v57 Oceanﬂoor Legacy, segment 04 16 5 4 4 1 3 5

v58 Oceanﬂoor Legacy, segment 08 14 7 7 5 2 4 7

v59 Oceanﬂoor Legacy, segment 09 14 7 7 5 2 4 7

v60 The Voyage of the Lee, segment 05 13 10 7 3 6 4 8

v61 The Voyage of the Lee, segment 15 12 12 4 3 5 3 6

v62 The Voyage of the Lee, segment 16 5 7 3 3 5 3 3

v63 Hurricane Force - A Coastal 12 6 6 5 3 3 5

Perspective, segment 03

v64 Hurricane Force - A Coastal 19 12 8 8 6 4 7

Perspective, segment 04

v65 Drift Ice as a Geologic Agent, 11 6 6 6 5 5 7

segment 03

v66 Drift Ice as a Geologic Agent, 7 6 7 6 6 6 7

segment 05

v67 Drift Ice as a Geologic Agent, 10 6 5 5 4 5 5

segment 06

v68 Drift Ice as a Geologic Agent, 4 4 3 3 4 3 3

segment 07

v69 Drift Ice as a Geologic Agent, 14 5 4 4 2 4 4

segment 08

v70 Drift Ice as a Geologic Agent, 4 5 4 2 4 5 5

segment 10

Cap

ıtulo 6

Conclus

Diversas s

ao as

areas de pesquisa que envolve sumarizac¸

ao de v

ıdeo, elas est

ao num processo

de evoluc¸

ao bem avanc¸ado. Entretanto, ainda existem v

arias oportunidades. Atualmente diver-

sos mecanismos t

em sido criados para a realizac¸

ao de sumarizac¸

ao de v

ıdeo. Alguns utilizando

ainda meios manuais para a construc¸

ao, outros semi-autom

aticos dependendo de iterac¸

ao com o

usu

ario e, ﬁnalmente, os autom

aticos. Ainda faltam recursos e existe muito a se fazer a respeito

de sumarizac¸

ao de v

ıdeo.

Este trabalho apresentou uma proposta de metodologia para a elaborac¸

ao autom

atica de resumos

est

aticos de v

ıdeos. Resgatando as vantagens do algor

ıtimo da

arvore geradora m

ınima bem

difundido, considerado o algor

ıtmo mais utilizado para problemas de agrupamento, e r

apido.

Proposto para a

area de sumarizac¸

ao de v

ıdeos. Eliminando os passos de formac¸

ao de grupos e

segmentac¸

ao do v

ıdeo, al

em de n

ao ter limitac¸

ao quanto ao n

umero de grupos formados. Para

as relac¸

oes de entre as imagens foi utilizado a intersec¸

ao dos histogramas.

Veriﬁca-se atrav

es do resultado apresentado que o resumo gerado com a utilizac¸

ao da

arvore

geradora m

ınima apresentou resultados que condizem com a realidade visual. Possibilitou a

formac¸

ao de grupos de imagens semelhantes seguida pela apresentac¸

ao de uma imagem repre-

sentando cada um dos principais grupos formados dispensando aqueles com poucos elementos.

Disponibiliza tr

es poss

ıveis conﬁgurac¸

oes, a dissilaridade que deﬁne o qu

ao semelhantes s

ao as

imagens para pertencerem a um mesmo grupo, o limiar de exclus

ao que determina quais gru-

CAP

ıTULO 6. CONCLUS

AO 63

pos pertencer

ao ao resumo dependendo da quantidade de elementos que cada um destes grupos

cont

em e, ﬁnalmente, o limiar de amostragem que determina quais imagens ser

ao consideradas

no processamento, o que reduz a quantidade de imagens processadas e incrementa a velocidade

de processamento.

Foram apresentadas diversas informac¸

oes a respeito de sumarizac¸

ao de v

ıdeo, destaque para

[11] e [1] que disponibilizaram eletronicamente resumos e ﬁlmes que possibilitaram fazer com-

parativos com o m

etodo proposto, respectivamente Visto

e Open V

ıdeo

Baseado nas avaliac¸

oes feitas anteriormente a abordagem da

arvore geradora m

ınima para

gerac¸

ao de resumos de v

ıdeo pode ser utilizada. Vamos continuar trabalhando para sua mel-

horia.

6.1 Trabalhos futuros

• Reﬁnar os resultados dos resumos, buscando evitar imagens repetidas.

• Determinac¸

ao autom

atica dos limiares de agrupamento e exclus

ao baseados em estudos

estat

ısticos do ﬁlme realizados a priori.

• Testar outras t

ecnicas em substiuic¸

a intersec¸

ao do histograma [32] para as comparac¸

oes

entre as imagens, por exemplo Sift [44] [45] [46], e veriﬁcar se altera o comportamento

do programa.

• Selec¸

ao estat

ıstica da imagem chave de um grupo, buscando uma imagem que tenha mais

semelhanc¸as com todas as outras do grupo.

• Experimentar a utilizac¸

ao desta abordagem em ﬁlmes de outros g

eneros, esportivo, ca-

seiros, desenhos animados e etc, para veriﬁcar se o comportamento se mant

em o mesmo.

http://visto.iit.cnr.it/

http://www.open-video.org

CAP

ıTULO 6. CONCLUS

AO 64

• Alterac¸

ao no tamanho das imagens seguindo o padr

ao [6], colocando cada imagem do

resumo num determinado tamanho de acordo com a quantidade de imagens no grupo

correspondente.

• Inserc¸

ao de

ancoras html nas imagens do resumo para direcionamento ao trecho do ﬁlme

correspondente [17].

endice A

Comparac¸

oes entre Resumos

Aqui no ap

endice, foram apresentados diversos resumos de ﬁlmes produzidos por diferentes

abordagens. A fase inicial, das ﬁguras A.1 at

e a A.60, est

ao os resumos gerados pela

arvore

geradora m

ınima em diferentes conﬁgurac¸

oes. Nas ﬁguras A.61 at

e A.110, est

ao ilustrados os

resumos gerados a partir das abordagens do Open Video, Visto [11], DT [1], VSUMM1 [2],

AGM2 - Dissimilaridade = 25, Agrupamento = 10 e Amostragem = 1 e AGM7 Dissimilaridade

= 25, Agrupamento = 10 e Amostragem = 10.

A.1 Diferentes conﬁgurac¸

oes

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 66

Figura A.1: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissimi-

laridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v01 NASA 25th Anniversary Show,

Segment 02

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 67

Figura A.2: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v01 NASA 25th Anniversary Show,

Segment 02

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 68

Figura A.3: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v01 NASA 25th Anniversary Show,

Segment 02

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 69

Figura A.4: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissimi-

laridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v02 NASA 25th Anniversary Show,

Segment 03

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 70

Figura A.5: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v02 NASA 25th Anniversary Show,

Segment 03

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 71

Figura A.6: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v02 NASA 25th Anniversary Show,

Segment 03

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 72

Figura A.7: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissimi-

laridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v03 NASA 25th Anniversary Show,

Segment 04

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 73

Figura A.8: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v03 NASA 25th Anniversary Show,

Segment 04

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 74

Figura A.9: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v03 NASA 25th Anniversary Show,

Segment 04

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 75

Figura A.10: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v04 NASA 25th Anniversary Show,

Segment 08

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 76

Figura A.11: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v04 NASA 25th Anniversary Show,

Segment 08

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 77

Figura A.12: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v04 NASA 25th Anniversary Show,

Segment 08

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 78

Figura A.13: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v05 Hurricanes and Computer Simula-

tion

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 79

Figura A.14: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v05 Hurricanes and Computer Simula-

tion

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 80

Figura A.15: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v05 Hurricanes and Computer Simula-

tion

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 81

Figura A.16: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v06 Drag Activity Part One

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 82

Figura A.17: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v06 Drag Activity Part One

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 83

Figura A.18: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v06 Drag Activity Part One

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 84

Figura A.19: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v07 Model Testing

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 85

Figura A.20: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v07 Model Testing

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 86

Figura A.21: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v07 Model Testing

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 87

Figura A.22: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v08 Computer Simulation

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 88

Figura A.23: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v08 Computer Simulation

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 89

Figura A.24: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v08 Computer Simulation

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 90

Figura A.25: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v09 Aerosol Measurement and Remote

Sensing

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 91

Figura A.26: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v09 Aerosol Measurement and Remote

Sensing

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 92

Figura A.27: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v09 Aerosol Measurement and Remote

Sensing

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 93

Figura A.28: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v10 SAGE II and Picasso-Cena

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 94

Figura A.29: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v10 SAGE II and Picasso-Cena

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 95

Figura A.30: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v10 SAGE II and Picasso-Cena

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 96

Figura A.31: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v11 Aerodynamic Forces

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 97

Figura A.32: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v11 Aerodynamic Forces

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 98

Figura A.33: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v11 Aerodynamic Forces

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 99

Figura A.34: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v12 Wind Tunnels

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 100

Figura A.35: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v12 Wind Tunnels

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 101

Figura A.36: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v12 Wind Tunnels

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 102

Figura A.37: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v13 Immune System

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 103

Figura A.38: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v13 Immune System

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 104

Figura A.39: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v13 Immune System

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 105

Figura A.40: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v14 Flying a Plane

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 106

Figura A.41: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v14 Flying a Plane

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 107

Figura A.42: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v14 Flying a Plane

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 108

Figura A.43: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v15 Flight Pioneers

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 109

Figura A.44: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v15 Flight Pioneers

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 110

Figura A.45: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v15 Flight Pioneers

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 111

Figura A.46: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v16 Astronauts in Space

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 112

Figura A.47: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v16 Astronauts in Space

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 113

Figura A.48: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v16 Astronauts in Space

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 114

Figura A.49: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v17 Space Suits

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 115

Figura A.50: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v17 Space Suits

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 116

Figura A.51: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v17 Space Suits

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 117

Figura A.52: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v18 The Red Planet

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 118

Figura A.53: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v18 The Red Planet

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 119

Figura A.54: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v18 The Red Planet

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 120

Figura A.55: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v19 Moon Phases

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 121

Figura A.56: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v19 Moon Phases

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 122

Figura A.57: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v19 Moon Phases

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 123

Figura A.58: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 1 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v20 Oil Clean Up

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 124

Figura A.59: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 10 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v20 Oil Clean Up

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 125

Figura A.60: Comparac¸

oes entre modelos Agrupamento = 10, Amostragem = 15 e (a) Dissim-

ilaridade = 20 (b) Dissimilaridade = 25 (c) Dissimilaridade = 30 (d) Dissimilaridade = 30 (e)

Dissimilaridade = 35 (f) Dissimilaridade = 40 - Filme: v20 Oil Clean Up

(a)

(b)

(c)

(d)

(e)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 126

A.2 Comparac¸

oes entre Resumos

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 127

Figura A.61: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V21 The Great Web of Water, segment 1

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 128

Figura A.62: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V22 The Great Web of Water, segment 2

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 129

Figura A.63: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V

ıdeo: V23 The Great Web of Water, segment 7

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 130

Figura A.64: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V24 A New Horizon, segment 1

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 131

Figura A.65: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V25 A New Horizon, segment 2

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 132

Figura A.66: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V26 A New Horizon, segment 3

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 133

Figura A.67: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V27 A New Horizon, segment 4

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 134

Figura A.68: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V28 A New Horizon, segment 5

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 135

Figura A.69: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V29 A New Horizon, segment 6

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 136

Figura A.70: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V30 A New Horizon, segment 8

(a)

(b)

(c)

(d)

(e)

(f)

(g)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 137

Figura A.71: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V31 A New Horizon, segment 10

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 138

Figura A.72: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V32 Take Pride in America, segment 1

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 139

Figura A.73: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V33 Take Pride in America, segment 3

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 140

Figura A.74: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V34 Digital Jewelry: Wearable Technology for Every Day Life

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 141

Figura A.75: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V35 HCIL Symposium 2002 - Introduction, segment 1

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 142

Figura A.76: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1 [2]

(e) AGM2 (f) AGM7 V

ıdeo: V36 Senses And Sensitivity, Introduction to Lecture 1 presenter

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 143

Figura A.77: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V37 Senses And Sensitivity, Introduction to Lecture 2

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 144

Figura A.78: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1 [2]

(e) AGM2 (f) AGM7 V

ıdeo: V38 Senses And Sensitivity, Introduction to Lecture 3 presenter

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 145

Figura A.79: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1 [2]

(e) AGM2 (f) AGM7 V

ıdeo: V39 Senses And Sensitivity, Introduction to Lecture 4 presenter

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 146

Figura A.80: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V40 Exotic Terrene, segment 1

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 147

Figura A.81: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V41 Exotic Terrene, segment 2

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 148

Figura A.82: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V42 Exotic Terrene, segment 3

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 149

Figura A.83: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V43 Exotic Terrene, segment 4

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 150

Figura A.84: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V44 Exotic Terrene, segment 6

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 151

Figura A.85: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V45 Exotic Terrene, segment 8

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 152

Figura A.86: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V46 America’s New Frontier, segment 1

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 153

Figura A.87: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V47 America’s New Frontier, segment 3

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 154

Figura A.88: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V48 America’s New Frontier, segment 4

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 155

Figura A.89: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V49 America’s New Frontier, segment 7

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 156

Figura A.90: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V50 America’s New Frontier, segment 10

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 157

Figura A.91: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V51 The Future of Energy Gases, segment 3

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 158

Figura A.92: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V52 The Future of Energy Gases, segment 5

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 159

Figura A.93: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V53 The Future of Energy Gases, segment 9

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 160

Figura A.94: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V54 The Future of Energy Gases, segment 12

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 161

Figura A.95: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V55 Ocean ﬂoor Legacy, segment 1

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 162

Figura A.96: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V56 Ocean ﬂoor Legacy, segment 2

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 163

Figura A.97: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V57 Ocean ﬂoor Legacy, segment 4

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 164

Figura A.98: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V58 Ocean ﬂoor Legacy, segment 8

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 165

Figura A.99: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V59 Ocean ﬂoor Legacy, segment 9

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 166

Figura A.100: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V60 The Voyage of the Lee, segment 5

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 167

Figura A.101: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V61 The Voyage of the Lee, segment 15

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 168

Figura A.102: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V62 The Voyage of the Lee, segment 16

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 169

Figura A.103: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V63 Hurricane Force - A Coastal Perspective, segment 3

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 170

Figura A.104: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V64 Hurricane Force - A Coastal Perspective, segment 4

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 171

Figura A.105: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V65 Drift Ice as a Geologic Agent, segment 3

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 172

Figura A.106: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V66 Drift Ice as a Geologic Agent, segment 5

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 173

Figura A.107: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V67 Drift Ice as a Geologic Agent, segment 6

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 174

Figura A.108: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V68 Drift Ice as a Geologic Agent, segment 7

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 175

Figura A.109: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V69 Drift Ice as a Geologic Agent, segment 8

(a)

(b)

(c)

(d)

(e)

(f)

ENDICE A. COMPARAC¸

OES ENTRE RESUMOS 176

Figura A.110: Comparac¸

oes entre modelos (a) Open Video (b) Visto (c) DT [1] (d) VSUMM1

[2] (e) AGM2 (f) AGM7 V

ıdeo: V70 Drift Ice as a Geologic Agent, segment 10

(a)

(b)

(c)

(d)

(e)

(f)

177

Refer

encias Bibliogr

aﬁcas

[1] Padmavathi Mundur, Yong Rao, and Yelena Yesha. Keyframe-based video summarization

using delaunay clustering. Int. J. Digit. Libr., 6(2):219–232, 2006.

[2] de Avila Sandra E. F., da Luz Jr. Antonio, de A. Ara

ujo Arnaldo, and Matthieu Cord.

Vsumm: An approach for automatic video summarization and quantitative evaluation. In

SIBGRAPI ’08: Proceedings of the 2008 XXI Brazilian Symposium on Computer Graphics

and Image Processing, pages 103–110, Washington, DC, USA, 2008. IEEE Computer

Society.

[3] Daniel M. Russell and Andreas Dieberger. Synthesizing evocative imagery through design

patterns. In HICSS, page 101, 2003.

[4] Yap-Peng Tan and Hong Lu. Video scene clustering by graph partitioning, , iee. Electron-

ics Letters, 39:841–842, 2003.

[5] Farshid Arman, Remi Depommier, Arding Hsu, and Ming-Yee Chiu. Content-based

browsing of video sequences. In ACM Multimedia, pages 97–103, 1994.

[6] Boon-Lock Yeo and Minerva M. Yeung. Video visualization for compact presentation and

fast browsing of pictorial content. IEEE Trans. CSVT, 7(5):771–785, 1997.

[7] Song-Hao ZHU and Yun-Cai LIU. Automatic video partition for high-level search. IJC-

SES International Journal of Computer Sciences and Engineering Systems, Vol.2, No.3,

July 2008, pages 163–172, 2008.

REFER

ENCIAS BIBLIOGR

AFICAS 178

[8] Yong Rui, Thomas S. Huang, and Sharad Mehrotra. Constructing table-of-content for

videos. Multimedia Systems, 7(5):359–368, 1999.

[9] Y. Rui, T. Huang, and S. Mehrotra. Browsing and retrieving video content in a uniﬁed

framework, 1998.

[10] de Avila Sandra E. F., da Luz Jr. Antonio, and de A. Ara

ujo Arnaldo. Vsumm: A simple

and efﬁcient approach for automatic video summarization. pages 449–452, June 2002.

[11] Marco Furini, Filippo Geraci, Manuela Montangero, and Marco Pellegrini. Visto: visual

storyboard for web video browsing. In CIVR ’07: Proceedings of the 6th ACM interna-

tional conference on Image and video retrieval, pages 635–642, New York, NY, USA,

2007. ACM.

[12] A. K. Jain, M. N. Murty, and P. J. Flynn. Data clustering: a review. ACM Comput. Surv.,

31(3):264–323, September 1999.

[13] Yong Rui, Ziyou Xiong, Regunathan Radhakrishnan, Ajay Divakaran, and Thomas S.

Huang. A uniﬁed framework for video summarization, browsing and retrieval. technical

report, mitsubishi electric research laboratories, 2004.

[14] A.G. Money and H. Agius. Video summarisation: A conceptual framework and survey of

the state of the art. 19(2):121–143, February 2008.

[15] Fleming Lampi Wolfgang Effelsberg, Stephan Kopf and Thomas Haenselmann. Auto-

matic movie content analysis - the moca project. 2006.

[16] Ying Li, Shih-Hung Lee, Chia-Hung Yeh, and C. C. J. Kuo. Techniques for movie content

analysis and skimming: tutorial and overview on video abstraction techniques. Signal

Processing Magazine, IEEE, 23(2):79–89, 2006.

REFER

ENCIAS BIBLIOGR

AFICAS 179

[17] Yu-Fei Ma, Xian-Sheng Hua, Lie Lu, and HongJiang Zhang. A generic framework of

user attention model and its application in video summarization. IEEE Transactions on

Multimedia, 7(5):907–919, 2005.

[18] J. Li, S.G. Nikolov, C.P. Benton, and N.E. Scott Samuel. Adaptive summarisation of

surveillance video sequences. pages 546–551, 2007.

[19] P. Rao, Y.; Mundur. Automatic video summarization for wireless and mobile environ-

ments. In IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS, page 1532,

2004.

[20] Klaus Sch

offmann. Towards interactive video browsing. smap, 0:237–240, 2007.

[21] Zhu Li, Guido M. Schuster, and Aggelos K. Katsaggelos. Minmax optimal video summa-

rization. IEEE Trans. Circuits Syst. Video Techn., 15(10):1245–1256, 2005.

[22] Boon-Lock Yeo and Minerva M. Yeung. Retrieving and visualizing video. Commun.

ACM, 40(12):43–52, 1997.

[23] M. M. Yeung, B.-L. Yeo, W. Wolf, and B. Liu. Video browsing using clustering and

scene transitions on compressed sequences. In A. A. Rodriguez and J. Maitan, editors,

Proc. SPIE Vol. 2417, p. 399-413, Multimedia Computing and Networking 1995, Arturo

A. Rodriguez; Jacek Maitan; Eds., pages 399–413, March 1995.

[24] Arnaldo de Albuquerque Ara

ujo and Silvio Jamil Ferzoli Guimar

aes. Recuperac¸

ao de

informac¸

ao visual com base no conte

udo em imagens e v

ıdeos digitais. RITA, 7(2):43–72,

2000.

[25] Chong-Wah Ngo, Yu-Fei Ma, and Hong-Jiang Zhang. Automatic video summarization by

graph modeling. In ICCV ’03: Proceedings of the Ninth IEEE International Conference

on Computer Vision, page 104, Washington, DC, USA, 2003. IEEE Computer Society.

REFER

ENCIAS BIBLIOGR

AFICAS 180

[26] Chong-Wah Ngo, Yu-Fei Ma, and HongJiang Zhang. Video summarization and scene

detection by graph modeling. IEEE Trans. Circuits Syst. Video Techn., 15(2):296–305,

2005.

[27] Shingo Uchihashi, Jonathan Foote, Andreas Girgensohn, and John S. Boreczky. Video

manga: generating semantically meaningful video summaries. In ACM Multimedia (1),

pages 383–392, 1999.

[28] Silvio Jamil F. Guimar

aes. Hugo Bastos de Paula Zenilton K. G. do Patrioc

ınio Jr. Bipartite

graph matching for video clip localization. 2007.

[29] L. Latecki, D. de Wildt, and J. Hu. Extraction of key frames from videos by optimal color

composition matching and polygon simpliﬁcation, 2001.

[30] V. Rajaraman. Introduction to Information Technology. PHI Learning Pvt. Ltd., Bangalore,

2004.

[31] Md. Farooque. Image indexing and retrieval. In DRTC Workshop on Digital Libraries:

Theory and Practice, Bangalore, 2003.

[32] Michael J. Swain and Dana H. Ballard. Color indexing. Int. J. Comput. Vision, 7(1):11–32,

November 1991.

[33] Jon Kleinberg and Eva Tardos. Algorithm Design. Addison-Wesley Longman Publishing

Co., Inc., Boston, MA, USA, 2005.

[34] J. B. MacQueen. Some methods for classiﬁcation and analysis of multivariate observa-

tions. In L. M. Le Cam and J. Neyman, editors, Proc. of the ﬁfth Berkeley Symposium on

Mathematical Statistics and Probability, volume 1, pages 281–297. University of Califor-

nia Press, 1967.

REFER

ENCIAS BIBLIOGR

AFICAS 181

[35] David Arthur and Sergei Vassilvitskii. k-means++: The advantages of careful seeding.

Technical Report 2006-13, Stanford InfoLab, June 2006.

[36] C.T. Zahn. Graph-theoretical methods for detecting and describing gestalt clusters. C-

20(1):68–86, 1971.

[37] G. J. S. ROSS. Classiﬁcation techniques for large sets of data. Ed. Academic Press, Inc.,

New York, NY., 1968.

[38] J. L. Bentley and J. H. Friedman. Fast algorithms for constructing minimal spanning trees

in coordinate spaces. IEEE Trans. Comput., 27(2):97–105, 1978.

[39] J ZUPAN. Clustering of Large Data Sets. Research Studies Press Ltd., Taunton,UK.,

1982.

[40] N. B. Venkateswarlu and P. S. V. S. K. Raju. Fast isodata clustering algorithms. Pattern

Recogn., 25(3):335–342, 1992.

[41] William F. Eddy, Audris Mockus, and Shingo Oue. Approximate single linkage cluster

analysis of large data sets in high-dimensional spaces. Comput. Stat. Data Anal., 23(1):29–

43, 1996.

[42] Raymond T. Ng and Jiawei Han. Efﬁcient and effective clustering methods for spatial

data mining. In VLDB ’94: Proceedings of the 20th International Conference on Very

Large Data Bases, pages 144–155, San Francisco, CA, USA, 1994. Morgan Kaufmann

Publishers Inc.

[43] Tian Zhang, Raghu Ramakrishnan, and Miron Livny. Birch: an efﬁcient data clustering

method for very large databases. In SIGMOD ’96: Proceedings of the 1996 ACM SIG-

MOD international conference on Management of data, pages 103–114, New York, NY,

USA, 1996. ACM.

REFER

ENCIAS BIBLIOGR

AFICAS 182

[44] David G. Lowe. Local feature view clustering for 3d object recognition. In IEEE Confer-

ence on Computer Vision and Pattern Recognition, pages 682–688. Springer, 2001.

[45] David G. Lowe. Object recognition from local scale-invariant features. pages 1150–1157,

1999.

[46] David G. Lowe. Distinctive image features from scale-invariant keypoints. Int. J. Comput.

Vision, 60(2):91–110, 2004.

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 