1.一种高鲁棒的侵权视频分析识别方法，其特征在于，所述方法包括：S1：对待侵权分析视频进行分割得到视频帧序列，提取视频帧序列中视频帧的直方图特征，根据直方图特征确定视频帧序列的分簇数量；

视频帧序列的表示形式为：

I＝(I1,I2,...,In,...,IN)其中：

I表示待侵权分析视频的视频帧序列，In表示待侵权分析视频的第n帧视频帧，N表示待侵权分析视频的视频帧总数；

提取视频帧序列I中视频帧的直方图特征，其中视频帧In的直方图特征提取流程为：计算得到视频帧In中任意第x行第y列像素In(x,y)的颜色值：其中：

hn(x,y)表示视频帧In中任意第x行第y列像素In(x,y)的颜色值；

依次表示像素In(x,y)在RGB颜色通道的颜色值；

统计任意颜色值i在视频帧In中出现的次数countn(i)，构成视频帧In的直方图特征，其中i∈[0,360]；

根据相邻视频帧的直方图特征确定视频帧序列的分簇数量；

其中视频帧序列I的分簇数量确定流程为：S11：计算相邻视频帧的直方图特征距离，其中视频帧In与视频帧In+1之间的直方图特征距离为disn：其中：

exp(·)表示以自然常数为底的指数函数；

Sum表示视频帧的像素总数；

表示视频帧In中颜色值i的概率度量结果；

S12：计算得到平均直方图特征距离disave：S13：初始化控制参数α以及分簇数量m，其中m的初始值为0；

S14：对分簇数量m进行迭代：

S15：选取最终迭代得到的分簇数量作为视频帧序列I的分簇数量M；

S2：基于分簇数量对视频帧序列进行分簇处理，并确定每一簇视频帧序列的关键帧；

基于分簇数量M对视频帧序列进行分簇处理，得到若干簇视频帧序列，其中视频帧序列的分簇处理流程为：S21：随机选取M个视频帧的直方图特征作为初始聚类中心；

S22：对于非聚类中心的视频帧的直方图特征，计算直方图特征到聚类中心的直方图特征距离，将视频帧的直方图特征加入到距离最近的聚类中心所在的簇中；

S23：计算每个簇的直方图特征均值，将直方图特征均值作为簇的聚类中心，返回步骤S22；

S24：重复步骤S22‑S23，直到M个聚类中心不再发生变化，每个簇中包含若干视频帧，构建得到M个簇视频帧序列；

确定每一簇视频帧序列的关键帧，其中簇视频帧序列中与聚类中心直方图特征距离最m近的视频帧为簇视频帧序列中的关键帧，则第m个簇视频帧序列的关键帧为I；

S3：构建视频关键帧特征提取模型将每一簇视频帧序列的关键帧转化关键帧向量，构成待侵权分析视频的关键帧向量序列；

S4：将待侵权分析视频的关键帧向量序列与视频库中的视频关键帧向量序列进行鲁棒相似性度量，若鲁棒相似性度量结果超过指定阈值则说明二者内容的相似程度较高，待侵权分析视频可能存在视频侵权行为；

将待侵权分析视频的关键帧向量序列F与视频库中的视频关键帧向量序列G进行鲁棒相似性度量，根据鲁棒相似性度量结果进行待侵权分析视频的侵权识别，其中G＝(G1,G2,...,Gk,...,GK)，G表示视频库中任意视频对应的视频关键帧向量序列，K表示视频库中任意视频划分得到的关键帧总数，Gk表示视频关键帧向量序列G中第k个关键帧对应的关键帧向量，所述鲁棒相似性度量流程为：S41：构造鲁棒统计量：

E＝max{M,K}

其中：

QM(F)表示关键帧向量序列F的鲁棒统计量；QK(G)表示视频关键帧向量序列G的鲁棒统计量；QE(F,G)表示关键帧向量序列F与视频关键帧向量序列G之间的鲁棒统计量；

βM,βK,βE分别为三种鲁棒统计量的调节系数；

表示对关键帧向量序列F中任意两个关键帧向量的差进行升序排序后，第 个关键帧向量差值；

表示对视频关键帧向量序列G中任意两个关键帧向量的差进行升序排序后，第 个关键帧向量差值；

表示对关键帧向量序列F与视频关键帧向量序列G之间任意两个关键帧向量的差进行升序排序后，第 个关键帧向量差值；

S42：基于鲁棒统计量计算得到不同关键帧向量之间的鲁棒相似性，构建得到鲁棒相似性矩阵：Y＝min{M,K}

其中：

RF表示关键帧向量序列F的鲁棒相似性矩阵，RF(1,Y)表示关键帧向量F1与关键帧向量FY之间的鲁棒相似性；

RG表示视频关键帧向量序列G的鲁棒相似性矩阵，GF(1,Y)表示关键帧向量G1与关键帧向量GY之间的鲁棒相似性；

RF,G表示关键帧向量序列F与视频关键帧向量序列G之间的鲁棒相似性矩阵，RF,G(1,Y)表示关键帧向量F1与关键帧向量GY之间的鲁棒相似性；

S43：计算得到待侵权分析视频的关键帧向量序列F与视频库中的视频关键帧向量序列G的鲁棒相似性度量结果：其中：

Sim(F,G)表示待侵权分析视频的关键帧向量序列F与视频库中的视频关键帧向量序列G的鲁棒相似性度量结果。

2.如权利要求1所述的一种高鲁棒的侵权视频分析识别方法，其特征在于，所述S3步骤中构建视频关键帧特征提取模型将每一簇视频帧序列的关键帧转化关键帧向量，包括：构建视频关键帧特征提取模型将每一簇视频帧序列的关键帧转化关键帧向量，并构成待侵权分析视频的关键帧向量序列，其中视频关键帧特征提取模型包括输入层、卷积池化层以及散列映射层，输入层用于接收关键帧，卷积池化层用于对关键帧进行卷积池化操作，得到关键帧的卷积特征图，散列映射层用于对卷积特征图进行散列映射处理，生成关键帧m向量，基于视频关键帧特征提取模型的关键帧I的特征提取流程为：m m

S31：输入层接收关键帧I，对关键帧I进行灰度化处理；

m

S32：卷积池化层对灰度化后的关键帧I进行卷积池化处理，得到关键帧的卷积特征图，其中卷积池化处理公式为：其中：

m m

F1(I)表示关键帧I的卷积特征图；

W表示卷积权重矩阵，s表示池化步长，T表示转置；

Pooling(·)表示平均池化操作；

m m

g表示关键帧I的灰度化处理结果；

m

S33：散列映射层对卷积特征图F1(I)进行散列映射处理，生成关键帧向量：m b

Fm＝(A·F1(I)mod 2)rsh(b―r)其中：

m

Fm表示关键帧I对应的关键帧向量；

rsh(·)表示右移；

b―r b

A表示奇数，其中2

b表示bit位数，将b设置为32；

r表示右移步长；

mod表示取模运算符。

3.如权利要求1所述的一种高鲁棒的侵权视频分析识别方法，其特征在于，所述S3步骤中构成待侵权分析视频的关键帧向量序列，包括：所述待侵权分析视频的关键帧向量序列为：F＝(F1,F2,...,Fm,...,FM)其中：

F表示待侵权分析视频的关键帧向量序列；

m

Fm表示关键帧I对应的关键帧向量。

4.如权利要求1所述的一种高鲁棒的侵权视频分析识别方法，其特征在于，所述S4步骤中根据鲁棒相似性度量结果进行待侵权分析视频的侵权识别，包括：若鲁棒相似性度量结果Sim(F,G)超过指定阈值则说明待侵权分析视频与视频库中任意视频的内容相似程度较高，待侵权分析视频可能存在视频侵权行为。