2.1 視訊瀏覽（Video Browsing）
如同 Zhong 等人在[1]所採用，常見的視訊瀏覽包含場景轉換偵測（shot detection）
和場景分群（shot clustering）兩大部分。首先利用 RGB 色彩直方圖進行畫面的表示，
若相鄰兩畫面之色彩直方圖差異大於給定的數值，則兩畫面屬於不同場景，即發生場景 轉換。接著各場景中皆挑選出一色彩直方圖作為場景代表，最後藉由各場景之色彩直方 圖搭配分群演算法進行場景分群，將視訊影片當中具有類似特性之畫面或片段分配至相 同單元中，提供影片檢視之功能。為了獲得多影片資訊，Zhong 等人在[1]中提出階層性 瀏覽（hierarchical video browsing）的概念，針對各場景群組再進行更細部的分群動作，
透過多階層的場景分類，提供更多且更精確的視訊資訊。以新聞影片為例，在第一階層 中劃分為主播台、人物受訪、運動新聞、氣象報導等不同單元。接下來針對不同單元繼 續作分類，例如將主播台單元再分成雙主播螢幕、單一主播等各種播報型態，或是將人 物受訪單元進行人物的區分。
不同於上述技術，Tan 等人在[2]中提出利用圖型理論中端點切割（graph partition）
之概念進行場景的分群，每一個場景均代表一個端點（node），利用 HSV 色彩空間
（hue-saturation-value color space）之色彩直方圖進行相似度（likeness）的評估，若兩場 景具有高相似度，則以邊（edge）連結兩場景所對應之端點，最後，對此圖型進行切割 達到場景分群之結果。
除了針對畫面內容進行的瀏覽外，許多以演員為瀏覽對象的方法也被廣泛討論，將 演員出現的片段標示於時間軸上，提供使用者關於演員的演出資訊。例如 Ma 等人在[3]
中提出，針對自製影片內的演員片段進行分類，利用演員的臉部影像作為分群元素，搭 配人臉辨識技術進行分群，達到人物索引之目的。Peker 等人在[4]中同樣提出人物索引 的分法，將新聞節目以及脫口秀影片進行人物的分群，並將瀏覽單元分為單人物、雙人 物、多人物等多種以人物為主要對像的視訊瀏覽功能。
2.2 人臉偵測（Face Detection）
現存的人臉偵測演算法大多都將“膚色像素（skin color pixel）”所組成膚色區塊（skin region）作為人臉偵測的首要處理對象，再搭配不同的機制來進行人臉的偵測。Czirjek 等人在[6]提出以膚色區塊的面積、形狀、旋轉角度等資訊作為第一階段篩選之依據，接 著利用 Eigenfaces 對通過第一階段的膚色區塊進行人臉之判定。相似於[6]中所提出的判 定方法，Jin 等人在[7]提出先對膚色區塊進行眼睛偵測（eye detection），利用眼睛座標 將膚色區塊旋轉至水平的正臉，最後再與資料庫人臉進行比對計算（template matching）， 決定是否為真實人臉。而 Hsu 等人在[8]中所提出：將膚色區塊分別進行眼睛偵測、嘴巴 偵測、以及橢圓偵測，利用這三個偵測結果判定膚色區塊是否為真實人臉，除此之外，
這三個偵測結果還能夠提供我們臉部姿勢（face pose）資訊。
除了上述的幾種偵測方法，Hjelmas 等人在[5]中整理了所有常見的臉部偵測方法，
主要分成特徵導向（feature-based）和影像導向（image-based）兩種方式，其中特徵導 向包含：低階分析（low-level analysis）、特徵分析（feature analysis）和有效形狀分析（active shape models）三種主要形式；而影像導向則分為：線性子空間方法（linear subspace methods）、類神經網路（neural networks）和統計方法（statistical approaches）等。
2.3 人臉辨識（Face Recognition）
在人臉辨識的工作上，由於大部分的人臉影像包含數百甚至數千個像素，以大小70
*70的影像為例，就有4900個像素，為了降低高維度所帶來的高度計算量，各種利用較 低維度向量表示人臉的方法一一被提出，Turk 等人在[9]中介紹了最為著名且常見的方 法─Eigenfaces。
除了Eigenfaces外，Kepenekci在[10]中整理了相當多進行人臉辨識的方法，例如：
FLD（Fisher’s Linear Discriminant）、LDA（Linear Discriminant Analysis）、SVD（Singular Value Decomposition）、Hidden Markov Model、Template Based Matching等多種辨識方 法，並提出Gabor Wavelet，將人臉以空間頻率（spatial frequency）、空間局部性（spatial locality）、方向選擇性和（orientation selectivity）等特徵來表示。此外LBP（Local Binary
Patterns）也是常被拿來進行臉部影像描述的工具，例如Ahonen等人在[11]即是使用此工 具來進行人臉辨識。
Zhao等人在[12]中對臉部辨識的方法進行統整，將辨識方法分類為以下三種：整體 匹配方法（holistic matching methods）、基於特徵的匹配方法（feature-based (structural) matching methods）和混合方法（hybrid methods），除了對各方法一一進行說明外，也 討論了許多相關議題，例如光影對影像的影響、影片品質的影響、以及圖片或視訊影片 來源之人臉影像等進行了探討。
2.4 人臉分群（Face Clustering）
所謂的人臉分群，即是多個臉部影像同時進行人臉辨識之行為，直覺上，我們可以 藉由上段所介紹的臉部描述方法，配合分群演算法對量化的臉部資訊進行分群，然而在 實際應用時，卻常因為臉部影像的過大變化，造成分群效果的低落，因此各種針對不同 特性之人臉影像所產生的分群方法被相繼提出。
如同[12]中所說，來自圖片與來自視訊影片之人臉是不同的，來自視訊影片之臉部 影像較來自圖片的影像有更多額外資訊可以使用。例如 Tao 等人在[13]中使用畫面相依 性及時間軸兩種資訊，藉由畫面之間的相依特性，將影片中連續出現的人臉結合成為演 員串列（Actor Sequence），接著將各串列依照臉部姿勢切割成數個子串列，最後利用“在 時間軸上重疊的串列，必屬於不同演員”以及“來自相同串列的子串列，必屬於相同演員”
兩項時間軸資訊來幫助分群工作的進行。
上段中，Tao 等人希望透過上述方式[13]，解決臉部姿勢所造成的人臉分群問題，
其中最常見的情況為：“不同角色、相同臉部姿勢”較“相同角色、不同臉部姿勢”更為相 似，即多視角臉部分群（face clustering with multi-views）問題。針對此問題，Huang 等 人在[14]中提出兩階段式分群，首先依據臉部姿勢進行第一階段分群，接著針對不同臉 部姿勢的群組，分別進行一般的人臉分群演算法。面對類似問題，Ramanan 等人在[15]
中提出以頭髮、衣服等額外資訊進行輔助，避開需要複雜的臉部姿勢矯正。
[15]所提出的方法，除了可以幫助不同臉部姿勢的人臉進行分群，也可藉由資訊權
重的設定，提升人臉間的描述力，例如影集資料中，同一集內的人臉分群和不同集間的 人臉分群所使用的資訊權重是不同的，同一集中，可以大量倚重頭髮及衣服的資訊，不 同集中，衣服資訊將不被使用。Khoury 等人也在[16]提出臉部資訊搭配衣服資訊的人物 分群方法，藉由臉部影像之 SIFT(Scale Invariant Feature Transform)特徵、膚色資訊、身 體區塊的色彩直方圖和衣服主要色彩等資訊，搭配其提出的階層式分群方法進行脫口秀 節目中的人物分群。除了人物本身的資訊外，Yamamoto 等人在[17]提出場景資訊的使用，
藉由人臉所在場景特性的應用，提升人臉分群之效率。