祁 冰

（海南工商职业学院 海南 海口 570228）

1 引言

随着科技数码产品的普及和网络信息时代的发展，人们可以利用数码产品轻松拍摄、制作视频，分享到网络上，使得网络视频呈爆炸式的增长。在数量庞大的视频内容面前，人们需要从中挑选自己感兴趣的视频内容，就像搜索文本信息一样，搜索视频资源的需求与日俱增，视频检索技术也随之发展。以往的视频检索工作主要集中在输入一个视频，返回与输入视频相似的视频结果，即输入视频，返回视频。然而，按照人们日常的信息检索习惯应当是在搜索框输入描述性的文字，返回视频结果，这种跨模态的检索方式才更加便捷实用。视频检索的关键问题应当是如何为视频提供准确的文字描述，便于人们能像检索文字一样来检索视频。随着深度学习的发展，视频描述技术已经有了显著提高[1]，本文主要围绕视频描述技术的发展及其关键技术来探究视频描述的发展前景。

2 视频描述技术的发展阶段

视频描述技术涉及视频和文本两个模态的转换，得益于计算机视觉和自然语言处理技术的发展，其大体经历了4个发展阶。第1阶段是传统的人工方法，在观看完视频内容后，人为视频添加文字描述，这种方法虽然简单，但是低效，很难适应大数据时代的视频描述需求。第2阶段是基于模板的方法，即利用目标检测技术检测出视频的主体、动作、对象等信息，套用主语、谓语、宾语之类的语法模板来生成文字描述，虽然基于模板的方法可以自动为视频添加描述，然而它不能很好地描述有复杂内容及有较大时间长度的视频，而且受语法模板的限制，生成的文字描述种类单一，缺乏多样性。……