视频数据通常有两个层次:镜头和场景.一个镜头被定义为一些连续的帧,表达了在时间上和空间上连续的内容.一个场景被定义为一些内容上相关的镜头的集合.把镜头通过聚类的方法形成为场景是构造场景很自然的方法,视频数据的聚类对于视频的摘要、浏览和检索是很重要的问题.该文认为视频聚类是把相似的原始视频数据按照确定的相似度测量准则进行聚集,形成更高一级的视频语义层次,以便于对视频数据进行组织、浏览、建立索引、查询和摘要等视频处理的分析方法.该文首先论述和分析了基于内容对视频数据进行聚类涉及到的一些关键技术如:基于距离的聚类分析技术、视频数据特征的提取技术、视频镜头的分段技术、视频镜头关键帧提取技术、视频帧及镜头相似度测量技术等.文中介绍了两种基于颜色空间的帧间距离计算方法,然后基于对这两种方法的分析,提出一种基于分块主色的帧间距离的计算方法,并与上述两种帧间距离计算方法进行了对比实验,然后详细分析了视频镜头聚类对关键帧提取的要求,并基于这种分析,采用了非相邻帧比较的关键帧提取算法.提出了关键帧持续时间的概念,以满足视频镜头聚类的需要.基于以上帧间相似度和关键帧提取算法,该文提出一种基于关键帧持续时间的镜头相似度计算模型.该文使用上述方法对视频镜头进行聚类,并展示了聚类的结果.该文最后简要分析了COM的概念、结构和特征,以及基于COM架构的DirectShow组件的体系结构和使用方法.然后介绍了基于COM架构的DirectShow组件实现视频处理的方法.在此基础上,该文提出了一种基于COM架构的视频聚类系统框架,并用此框架实现了该文提出的视频聚类及检索原型系统(VCRS-1).