全景视频作为一种新颖的视频格式受到了人们的广泛关注,而虚拟现实游戏的热潮进一步促进了全景视频的发展。全景视频提供观看者沉浸的视频体验,视频的内容呈现于立体球面。本文主要研究全景视频视口预测和全景视频人物检测两方面内容。全景视频的视口预测具有重要的研究意义。在传统的视频传输过程中,视频服务器发送完整的视频数据到接收端。然而,观看者仅对视口内的图像可见,视口外的视频内容浪费了大量的传输带宽。因此,视口自适应的全景视频传输方式受到了广泛的关注,其只传输观看者视口内的视频内容,从而节省了大量的传输带宽。目前,现有的视口预测方法主要依赖历史的视口轨迹进行视口预测,忽略了图像内容对视口的影响。另外,现有的一些视口预测方法利用卷积神经网络来提取图像特征,然而该网络并不适应球面表示的全景视频。基于以上背景,本文提出了两种视口预测的方法。本文首先提出基于物体跟踪的视口预测方法。该方法的设计主要基于以下两方面因素:观看者的历史视口轨迹与未来的视口轨迹具有较强的相关性;基于视口数据集分析,我们发现观看者倾向于持续跟踪全景视频中其感兴趣的前景物体。因此,本文结合历史轨迹和物体跟踪信息预测视口轨迹。实验结果表明,对比基于线性回归的视口预测模型,该方法的视口预测性能提升33.5%。针对以上视口预测方法进行改进,本文提出基于球面注意力的全景视口预测方法。除视口历史轨迹和物体跟踪因素外,改进方法的设计也注意到以下因素:显著性检测可以车较好的表征视频的内容;观看者的视口轨迹与视频内前景物体的运动具有高度的相关性。基于以上因素,我们提出了球面注意力图,其由物体跟踪、显著性检测和前向中心偏置构成。实验结果表明,对比最新的视口预测方法,该方法的性能提升7%。除全景视频视口预测之外,本文还对全景视频的人物检测进行研究。其难点在于二维矩形表示的全景图像存在内容失真和图像边界问题。本文利用全景视频的球面特性,首先基于三维欧拉旋转将全景图像分割为多个球面子图,然后再对这些子图中的人物进行检测,最后对这些检测结果进行后处理。该方法具有以下优势:减缓图像失真的问题;避免由图像边界引起的不连续问题;能与其他的人物检测方法结合,从而提高全景视频人物检测的性能。实验结果表明,对比直接检测平面全景视频方法,该方法性能提升35%至48.6%。