Метою роботи є підвищення точності знаходження часових міток зміни сцен у відеопотоці чи відеозаписі шляхом розробки методів та алгоритмів, а також перевірки їх на практиці, з метою подальшого застосування різноманітних перетворень над окремими сценами відеозапису або їх незалежного аналізу.Основою розроблених методів є адаптивні підходи на базі машинного навчання, які було апробовано на різноманітних доступних вибірках даних, що довело високу ефективність запропонованих методів. В сфері обробки відео актуальними є багато задач, і визначення меж сцен – одна з важливих. Відомі методи або недостатньо точно вирішують поставлену задачу, або стають надто складними і вибагливими до обчислювальних ресурсів, все ще не досягаючи високих показників якості.Розбиття на сцени дозволяє: розділити весь відеопотік на відносно відокремлені та корисні частини (з різних причин: реклама, ефективна пауза); проаналізувати присутність визначених персонажів у спостережуваній сцені та їх поведінку (що саме роблять дійові особи; аналіз частоти появи – це може бути використане з міркувань безпеки, аби знайти епізоди відеозаписів з певною діяльністю; а також для трансляцій змагань, щоб знайти конкретний або кульмінаційний момент, або відстежувати дії гравців та робити інший аналіз гри); надалі анотувати окремі сцени, визначати їх характеристики; відстежуватилюдей та їх дії або переміщення об’єктів з широкою сферою застосувань, а також виявляти важливі моменти у довгих відеозаписах чи відеопотоках. Розбиття на сцени дозволяє впровадити швидшу та більш зручну навігацію по довільномувідеозапису: відеофільму, відеозапису шоу, чи, скажімо, запису гри (зокрема, комп’ютерної) – аби знайти моменти, які викликають найбільший інтерес; та багато інших застосувань. Також розбиття на сцени, безперечно, покращитьзручність перегляду (user experience), адже замість переміщення в часі («перемотка», стрибки вперед і назад на певний час, коли важко локалізувати подію в записі, яка цікавить) з’явиться можливість швидкої навігації між окремими сценами, як, наприклад, при розмітці відео в YouTube.^UThe purpose of the work is to increase the accuracy of finding time stamps of scene changes in a videostream or videorecording by developing methods and algorithms, as well as verifying them in practice, with the aim of the following application of various transformations to individual scenes of a video recording or their independent analysis. The basis of the developed methods are adaptive approaches based on machine learning, which were tested on various available datasets, which proved the high efficiency of the proposed methods. In the field of video processing, scene boundaries localization is one of the important tasks. Known methods either do not solve the task accurately enough, or become too complex and demanding on computing resources, but still do not achieve high quality indicators.Splitting the whole video into scenes allows to: divide the entire video stream into relatively separate and useful parts (for various reasons: advertising, effective pause); analyze the presence of specific characters in the observed scene and their behavior(what exactly the actors are doing; occurrence frequency analysis – this can be useful for security reasons, to find episodes of video recordings with a certain activity; and for broadcasts of competitions, to find a specific or culmination moment, or trackplayer actions and perform other game analysis); for individual scenes further annotation, determine their characteristics; track people and their actions or the movement of objects with a wide range of applications, as well as detect important moments in long videos or video streams. Video scenes localization allows faster and more convenient navigation on any video recording: a video film, a video recording of a show, or, say, a recording of a game (in particular, a computer one) – to find the moments of the greatest interest; and many other applications. Also, the division into scenes will undoubtedly improve the user experience (viewing convenience), becauseinstead of moving in time (backward and forward rewinding, jumping for a certain time, when it is difficult to localize an event in the record of interest), there will be an opportunity to quickly navigate between individual scenes, as, for example, in a YouTube video labeled with time ticks.