由于工作需要，要做海量视频检索。但是视频是一种复杂的文件形式，不能直接拿来做检索。所以，要先将视频解码成图像的形式，借用图像检索即以图搜图的思想来实现，所以如何把很长的视频文件解码并提取关键帧就显的尤为重要。
博主在查阅大量论文资料的基础上，总结出了一个切实可行的方案：即利用聚类的思想，把从视频中解码出的海量帧图像自适应的聚类，然后选取每个聚类中与聚类中心最为接近的图像最为该类的代表，从而实现从巨量的视频帧活得关键帧。
在这里要说明一下，博主的代码都是自己一行一行琢磨出来的，并且实际用到了工作中，所以本博主不会提供源代码，但是会详细记录下算法实现的过程，并且欢迎大家来讨论和交流。
一、简单的数据集的聚类大家都能做，这个网上有很多现成的代码。而图像的聚类要比数据集的聚类更为复杂，主要是图像数据都是高维的而且数据量较大，如果直接用图像数据间的欧式距离来作为聚类的标准，计算量过于庞大，而且会出现内存溢出的情况，因为所有的数据都要加载到内存中进行运算，这是非常不可取的也是效率极低的算法，虽然有实现的可能性。
二、所以对于图像数据的聚类，思想是降维，进一步说就是聚类的准则要进行改变。不能再以图像之间的直接欧式距离来做度量。论文中提到了一种很好的方法用来做聚类标准，即图像间的相似性度量。这种方法不用计算欧式距离，而是计算图像颜色直方图之间的最大相似性，然后根据这个数进行聚类。
算法过程如下：
（1）转换图像颜色空间：RGB2HSV
（2）计算图像在HSV颜色空间的颜色直方图，但是要做类似归一化的处理。即H颜色直方图分成12份，S、V分成5份，然后在分别计算他们的颜色直方图。这样做是为了简化后续的计算，当然你也可以有别的分法，只不过我建议还是直接用论文中的数据比较好，毕竟是经过大量的实验证明的。
（3）开始聚类：
这里要说一下，聚类是逐帧进行的，这样一是可以覆盖整个数据集使得聚类的结果真实可靠，而且不会漏帧，基本可以提取到数量足够而又准确的关键帧。
首先：图像数据集中的第一帧图像作为初始聚类中心，之后拿出一帧和当前所有的聚类中心进行相似性度量，如果其中最大的相似性值仍然小于你给定的一个阈值thrshold,则是表明该帧与所有聚类中心的距离都太远，所以要自成一类。然后重复此过程，直到取完所有的帧。
然后：聚类中心的计算。每一次当前类中加入一张新的图像时，就要重新计算聚类中心。即求一次平均值。
（4）聚类完成后，在每个聚类中心中计算与聚类中心最为接近的帧作为关键帧。
至此，整个关键帧的提取过程就完成了。