關鍵幀提取，提取視頻中具有表征意義的視頻幀作為關鍵幀，來簡潔的表述該視頻的內容．主要應用於視頻的壓縮存儲，視頻結構化索引等領域．
由於關鍵幀的選擇與人的視覺感受有關，存在一定的主觀性，目前，大多數關鍵幀提取主要是局限某個領域的視頻，像體育視頻，新聞，電影等．
這樣可以利用視頻本身的特點來完善關鍵幀提取算法的准確度．
我主要關注於監控視頻的關鍵幀的提取，下面將介紹的方法，主要針對監控視頻的．
基本思路：
1).利用背景建模，目標檢測技術，檢測前景目標，即運動信息．
2).針對每幀圖像中的前景目標，提取相應的特征，作業衡量運動信息的特征．
3).計算出每幀圖像的運動信息特征．
4).根據運動信息，按照一定策略選擇關鍵幀．
關鍵在於，用什么特征，描述每幀圖像的運動信息，根據運動信息，采用何種策略選擇關鍵幀．
參考文獻 A Novel Video Key-Frame-Extraction Algorithm Based on Perceived Motion Energy Model IEEE Trans. Circuits Syst. Video Technol 2003
文中提取運動信息特征：在視頻壓縮域里，利用編碼信息提取的．(不是很懂)
選擇關鍵幀的策略：
1).平滑和分割運動信息特征
2).然后每段里面，選取運動信息最大的幀為關鍵幀.
3).如果關鍵幀的數目有限制，則統計每段里面的運動信息，進行排序，選擇運動信息大作為關鍵幀候選段．
文中提出一種三角模型，一個三角代表一個分段，然后選取這個三角頂點對應的幀為關鍵幀．
不足之處：
1).運動信息最終的三角模型，與平滑和分割窗口的大小有關，文中設置的Filter_Win = 20,Split_Win = 200.
對於某些視頻，這兩個值大小的設定，對最終的檢測結果影響較大．
2).由於只選擇三角頂點對應的幀為關鍵幀，因而只能代表前景目標全部出現視頻中，但不能表現出前景目標對應運動方向，運動軌跡的特征．
以車輛和人為例，無法判斷車輛和人運動的大致軌跡．
PS:這點也與具體應用有關，如果應用中不需要關注前景目標的運動軌跡信息，則可以忽略．
擴展：
由於文中提得的運動信息提取方法，是從壓縮域的壓縮編碼中獲取，自己不是很懂．
因而，我主要改變運動信息的獲取方法，利用運動目標檢測來獲取運動信息．
其次，運動信息的特征只是簡單的前景目標的像素點數目．
關鍵幀選取策略，與上文類似．