estimating motion in image sequences christoph stiller, janusz konrad ieee signal processing...
TRANSCRIPT
Estimating motion in image sequences
Christoph Stiller, Janusz Konrad
IEEE signal processing magazine, 16(4),pp.70-91
Estructura
• Modelos– Representación del movimiento– Regiones de soporte
• Interdependencia entre movimiento y datos
• Criterios de estimación
• Métodos de búsqueda
Representación del movimiento
Posición 3D
Desplazamiento 3D
Desplazamiento 2D
Representación del movimiento
Movimiento afín
Planar patch
Ortographic projection
Movimiento afín 2D del planar patch bajo Proyección ortográfica
Representacion del movimiento
• La más utilizada en compresión es la traslacional, en visión se utilizan una variedad
• Modelos de segundo orden
Regiones de soporte
• Calidad de la aproximación
Regiones de soporte
• Global: la más economica y restringida• Densa: movimiento de los pixels individuales
• Regiones– Bloques rectangulares
– Regiones segmentadas en la imagen
• Modelos jerarquicos
Modelos jerárquicos de soporte
Interdependencia entre movimientos y datos
• Restricción de intensidad constante a lo la trayectoria
Interdependencia
• Extensión a imágenes en color
Interdependencias
• Restricciones de constancia del gradiente espacial en la dirección de movimiento
Criterios de estimación
• La estimación del movimiento se basa en la minimización de un cierto criterio– Diferencias de desplazamiento entre tramas
DFD– Criterios en el dominio frecuencial– Regularización– Criterios bayesianos
DFD
• La diferencia de trama desplazada surge de la restricción de intensidad constante
• Puede aplicarse a nivel de la imagen, de bloque o de pixel
Predicción compensada en movimiento
DFD variantes
Lorentziano
Criterios en el dominio frecuencial
• En el caso de movimiento espacial constante se puede recuperar el desplazamiento a partir de la fase
Dominio frecuencial
• En el caso de velocidad constante se extiende el análisis a 3D frecuencial
Regularización
• Penalización de suavización del flujo optico
Criterio bayesiano
MAP
Criterio bayesiano
• Observaciones o probabilidades condicionadas
Criterio bayesiano
• Distribuciones a priori: favorecen la continuidad del flujo detectado
Criterio bayesiano
• Campos markovianos para modelar los apriori
Distribución de Gibbs
Propiedad markoviana
Criterio bayesiano
• Restricció de suavidad
• Discontinuidades para evitar sobre suavización
Estrategias de búsqueda
• Matching-emparejamiento
• Relajación
• Descenso de gradiente
• Campo medio
• Tecnicas jerarquicas
Emparejamiento
• Es la aproximación más frecuente y más simple
• Tiene aplicación en la codificaciónde video
• Consiste en evaluar el criterio para un número de candidatos y escoger el mejor
• Pude jerarquizarse la búsqueda
Relajación
• Consiste en variar la solución elemento a elemento
• Determinista: Iterated conditional modes
• Aleatorio: – algoritmo de metrópolis,– Gibss sampler– Simulated annealing
Relajación
•
relajación
• Metropolis
• Gibss sample
• Simulated annealing: Boltzmann distrib.
Tecnicas jerarquicas
• Muestreo a distintos niveles, criterios a distintos niveles, suavización de la transición entre niveles