隨著多媒體和計算機網絡技術的快速發(fā)展,多媒體基于內容的訪問、檢索和交互操作的應用越來越廣泛。視頻作為各種媒體中形式和內容最豐富的媒體類型,越來越受到用戶的青睞,然而視頻信息內容的豐富性是以視頻數據的無結構性和數據量巨大為代價的。因此,無法對視頻數據直接進行基于內容的提取，如何高效、快速的把視頻媒體中用戶感興趣的內容分析并提取出來,作為快速搜尋、過濾的重點是這些應用的技術關鍵。
　　何為視頻摘要，我們可以通過一個比喻來分析。眾所周知，一篇文章的摘要對這篇文章的高度概括，通過文章的摘要，我們基本可以了解全文的主要內容，我們利用文字的摘要對文獻進行初選，然后再對自己感興趣的文章進行精度。
　　而對于視頻的摘要，我們可以理解為對視頻的結構和內容進行分析，從原始視頻文件中提取出有意義的部分，并將它以某種方式進行組合，形成簡潔的能夠充分表現視頻內容的概要，是對長視頻內容的簡短總結，通常用一段靜態(tài)或者動態(tài)的圖像序列來表示，并對原始信息予以保留。
　　由上述分析，視頻摘要的理論基礎，就是從時域、空域兩方面去除冗余信息，并結合視頻索引技術。提供給人們一個概括原始視頻主要內容，但長度卻比原始視頻短得多的較為精煉的關鍵信息。
　　那么，基于此理論，我們來討論一下視頻摘要的生成過程。
　　在此之前，我們先了解一下幾個概念。視頻，是多幅靜止圖片（圖片幀）與連續(xù)的音頻信息在時間軸上同步運動的混合媒體，多幀圖片隨時間變化而產生運動感，因此視頻也被稱為運動圖像。而視頻關鍵幀，是指在視頻文件的一系列圖像幀序列中，具有很強的代表性，能夠比較準確、全面的反映一個鏡頭甚至整個視頻內容的圖片幀。
　　視頻摘要技術，應該主要包括視頻內容提取、摘要合成、摘要表現等三大技術要點。
　　任何視頻摘要的算法，都應遵循“先分后合”的原則，要進行視頻內容的理解和分析，必須首先將視頻切分成合理的基本單位，這些基本單位包括場景、鏡頭、關鍵幀、元素、軌跡等。再采用模式識別或視頻結構探測的方法，獲取能夠被計算機直接處理?；蚰軌虮蝗说母杏^直接感覺到的信息。這就是對視頻內容的提取過程。
　　摘要的合成，應該能夠與視頻索引技術等相結合，通過播放速度、軌跡密度等參數，將重要的元素組合在一起，進行視頻片段的重鑄，形成某種形式的視頻流。
　　摘要表現，是基于內容的視頻檢索和分析，考慮符合人類的感觀和便于瀏覽的原則。其瀏覽方式包括視頻總體摘要和單個事件軌跡摘要等。
　　對于視頻摘要分析，它的最終目標就是讓計算機視覺達到或接近人的視覺水平，由于視頻內容的復雜性和人類理解的多樣性，因此生成完整、準確、令人滿意的視頻摘要比較困難，所以目前計算機的視覺水平與人的視覺能力相差還有一段距離。但總體來說，視頻摘要正在向更高級的方向發(fā)展，具有廣闊的研究空間和極大的應用價值。