Documente Academic
Documente Profesional
Documente Cultură
InformaŃia de mişcare
= informaŃia fundamentală a unei secvenŃe de imagini (imagini în mişcare).
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 2 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 3
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 4 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 5
DetecŃia mişcării
> cea mai simplă abordare a conŃinutului de mişcare,
S0
observaŃie
sursă canal + zgomot recepŃie
r={r1, r2, … rN}∈RN
S1
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 6 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 7
decizie cu prag fix decizie cu prag fix > criteriul de decizie Bayes (continuare): exemplu
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 8 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 9
> criteriul de decizie Bayes (continuare): > criteriul de decizie Bayes (continuare):
situaŃii posibile: costuri decizie ⇒ C = C00 ⋅ P0 ⋅ P( D0 / S 0 ) + C01 ⋅ P0 ⋅ P ( D1 / S 0 ) +
1. am emis S0 (ipoteza H0) am decis D0 (corect) C00
C10 ⋅ P1 ⋅ P ( D0 / S1 ) + C11 ⋅ P1 ⋅ P ( D1 / S1 )
2. am emis S0 (ipoteza H0) am decis D1 (alarmă falsă) C10
3. am emis S1 (ipoteza H1) am decis D0 (non detecŃie) C01 unde P0 este probabilitatea de emisie a simbolului S0 iar P1 a
4. am emis S1 (ipoteza H1) am decis D1 (corect) C11 simbolului S1.
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 10 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 11
DetecŃia mişcării DetecŃia mişcării
decizie cu prag fix decizie cu prag fix
> criteriul de decizie Bayes (continuare): > criteriul de decizie Bayes (continuare):
C10 ⋅ P1 ⋅ ∫ ω ( r / S1 ) dr + C11 ⋅ P1 ⋅ ∫ ω ( r / S1 ) dr ∫ [P ⋅ (C
∆0
1 10 − C11 ) ⋅ ω ( r / S1 ) − P0 ⋅ (C01 − C00 ) ⋅ ω ( r / S 0 )]dr
∆0 ∆1
alegerea intervalului ∆0 care minimizează costul mediu:
∫ ω (r / S )dr + ∫ ω (r / S )dr = ∫ ω (r / S )dr = 1
0 0 0
∆0 ∆1 R N
{
∆ 0 = r ∈ R N | P1 ⋅ (C10 − C11 ) ⋅ ω (r / S1 ) − P0 ⋅ (C01 − C00 ) ⋅ ω ( r / S 0 ) < 0 }
⇒ C = C01 ⋅ P0 + C11 ⋅ P1 +
∫ [P ⋅ (C
1 10 − C11 ) ⋅ ω ( r / S1 ) − P0 ⋅ (C01 − C00 ) ⋅ ω ( r / S 0 )]dr {
∆1 = r ∈ R N | P1 ⋅ (C10 − C11 ) ⋅ ω ( r / S1 ) − P0 ⋅ (C01 − C00 ) ⋅ ω ( r / S 0 ) > 0 }
∆0
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 12 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 13
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 14 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 15
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 16 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 17
DetecŃia mişcării DetecŃia mişcării
> aplicarea criteriului Bayes la detecŃia mişcării > aplicarea criteriului Bayes la detecŃia mişcării
decizie cu prag fix decizie cu prag fix
(continuare): (continuare):
DM DM
> 2 ⋅ L ⋅ PS ⋅ϑ 1 > > limitări: obiecte mari netexturate, tendinŃa de a
⇒ ρ k (n) 2 ⋅ σ ⋅ ln
<
2
=θ
N
∑ρ k ( m) θ
<
selecta doar conturul exterior;
PM ⋅ 2πσ 2 m∈Wn
DS DS [J. Konrad, Motion Detection and Estimation, 2009]
> limitări: - pentru valori mici ale lui θ se marchează şi zgomotul
(regiuni mici izolate);
- pentru valori mari ale lui θ tendinŃa este să fie marcate doar
contururile obiectelor cât şi zonele mai texturate;
DM
1 > : medierea pixelilor într-o anumită fereastră ameliorare:
⇒
N
∑ρ
m∈Wn
k (m) θ
<
centrată în punctul n (Wn) ρ k (n) = I k (n) − Bk ( n)
(optimală pentru zgomot alb);
DS unde Bk() este cea ce numim fundalul secveŃei la momentul k.
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 18 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 19
metode nerecursive
- diferenŃa cadrelor succesive,
timp
y - aplicarea principiului filtrului median;
• fundal (background) ~ ceea ce
- metode statistice neparametrice, ...
rămâne neschimbat;
• prim plan (foreground) ~ ceea ce se metode recursive
modifică = obiect de interes.
- amestec de Gaussiene,
> robusteŃe:
- schimbări de iluminare, - medie alunecătoare;
- mişcări oscilatorii, - bazate pe filtrul Kalman, ...
- modificări ale geometriei.
0 x
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 20 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 21
[Tamersoy 09]
DetecŃia mişcării DetecŃia mişcării
estimarea fundalului estimarea fundalului
...
Ik I k +1 I k +2 I k + N −1 I k+ N
d k ,k +1 =| I k +1 − Bk +1 |
> dacă dk,k+1(n) > τ ⇒ pixelul n=(x,y) face parte din obiect. Ik+1 mască, τ = 100 mască, τ = 200
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 22 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 23
DetecŃia mişcării DetecŃia mişcării
estimarea fundalului estimarea fundalului
1 N −1
Bk (n) = ⋅ ∑ I k −l ( n )
N l =0
unde Bk reprezintă fundalul estimat la momentul k, n=(x,y)
coordonatele pixelului curent iar N este numărul de imagini
fundal, N = 10 obiecte, N = 10
considerate (fereastra temporală),
→ d k =| I k − Bk | Ik
> dacă dk(n) >τ ⇒ pixelul n=(x,y) face parte din obiect.
fundal, N = 50 obiecte, N = 50
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 24 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 25
→ d k +1 =| I k +1 − Bk +1 | > dacă dk(n) >τ ⇒ pixelul n=(x,y) face parte din obiect.
> dacă dk+1(n) >τ ⇒ pixelul n=(x,y) face parte din obiect.
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 26 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 27
[Tamersoy 09]
DetecŃia mişcării DetecŃia mişcării
estimarea fundalului estimarea fundalului
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 28 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 29
DetecŃia mişcării DetecŃia mişcării
estimarea fundalului decizie cu prag fix
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 30 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 31
> estimarea probabilităŃii de distribuŃie a > metodele anterioare plecau de la ipoteza că nu există informaŃii
fundalului (continuare): despre distribuŃia pixelilor de mişcare (consideraŃi uniform distribuiŃi);
DS
> PM > ipoteza: pe măsură ce un obiect se deplasează în timp, intensităŃile
⇒ ΓS ( I k ( n)) =θ
< 2 ⋅ L ⋅ ϑ ⋅ PS Ik(n), Ik+1(n), ... sunt de fapt valori ce aparŃin acestui obiect;
DM
putem folosi istoricul spaŃial în locul celui temporal (ergodicitate în
pixelul la locaŃia n este considerat staŃionar dacă domeniul spaŃial);
este probabil ca aceasta să fie extras din ΓS(),
model local-în-timp ≈ model local-în-spaŃiu;
ΓS() este bazat pe N cadre ceea ce îi permite să
astfel, la un moment dat, trebuie identificaŃi toŃi pixelii obiectului ce se
se adapteze la schimbări lente de fundal (variaŃii de
deplasează din care face parte pixelul curent n;
iluminare, zi-noapte),
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 32 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 33
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 34 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 35
DetecŃia mişcării
[J. Konrad, Motion Detection and Estimation, 2009]
DS
> M5. InformaŃia de mişcare
P ( I (n)) > PM [ Estimarea mişcării ]
⇒ S k =θ ce produce decizia → e (n)
i
PM i ( I k (n)) < ϑ ⋅ PS
k
DM
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 36 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 37
[Marichal 98]
Estimarea mişcării plan imagine Estimarea mişcării
plan imagine
> punerea problemei: > punerea problemei (continuare): obiect 3D
y y y y
R’
x ro x R x x R
r’p
rp rp
z z
camera video obiect 3D camera video
- proiecŃie ortogonală: imaginea ro a punctului R este obŃinută prin > în imagine mişcarea se manifestă prin schimbări ale intensităŃii pixelilor
raza perpendiculară pe planul imaginii (distanŃă) de-a lungul timpului ⇒ estimarea este bazată pe intensitate.
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 38 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 39
r r r r r
DFD(r , d , ∆t ) = I (r + d , t + ∆t ) − I (r , t )
r
under r reprezintă poziŃia pixelului/blocului de pixeli în imaginea curentă
I(t), d reprezintă vectorul de deplasare între momentele t şi t+∆t exprimat
în funcŃie de deplasarea pe cele două axe, oX şi respectiv oY:
DFD = Displaced Frame Difference
r r
d = (dx, dy), r = ( x, y )
⇒ exemplu estimare …
[”The Wicker Man”, Copyright 2006 Warner Bros Pictures]
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 40 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 41
Estimarea mişcării Estimarea mişcării
r r r r r
DFD(r , d , ∆t ) = I (r + d , t + ∆t ) − I (r , t )
B. flux optic (continuare)
B. flux optic r r r
r r ∂I (r , t ) ∂I (r , t ) ∂I (r , t )
> dacă considerăm imaginile ca fiind funcŃii continue, atunci putem aplica DFD(r , d , ∆t ) = ⋅ dx + ⋅ dy + ⋅ dt
o descompune în serie Taylor (ordin 1), ⇒ ∂x ∂y ∂t
r r
r r r ∂I (r , t ) ∂I (r , t ) > minimizând DFD obŃinem:
I ( r + d , t + ∆t ) = I ( r , t ) + ⋅ dx + ⋅ dy r r r
∂x ∂y ∂I (r , t ) ∂I (r , t ) ∂I (r , t )
r ⋅u + ⋅v + =0 ecuaŃia fluxului optic
∂I (r , t ) ∂x ∂y ∂t
+ ⋅ dt + ...
∂t unde u şi v definesc vectorul de deplasare din imagine:
> înlocuind în ecuaŃia anterioară, rezultă:
r r r dx dy
r r ∂I (r , t ) ∂I (r , t ) ∂I (r , t ) (u, v) = ,
DFD(r , d , ∆t ) = ⋅ dx + ⋅ dy + ⋅ dt dt dt
∂x ∂y ∂t
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 42 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 43
[Marichal 98]
Estimarea mişcării Estimarea mişcării
> principalele limitări:
B. flux optic (continuare)
problema estimării într-o ferestră (apertură):
vector real
r r r fereastră de
∂I (r , t ) ∂I (r , t ) ∂I (r , t ) fluxul optic nu este
⋅u + ⋅v + =0 analiză
unic determinat de
∂x ∂y ∂t vectori posibili informaŃia locală din
flux optic = imaginea în care valoarea fiecărui pixel reprezintă
imaginea ce se schimbă;
estimarea proiecŃiei vitezei de translaŃie ce corespunde unui punct de
pe suprafaŃa obiectului ce se află în mişcare relativă în câmpul vizual t t+1
al camerei video.
problema corespondenŃei:
mişcare reală dacă viteza unghiulară
> mişcare este estimată doar pe direcŃia gradientului spaŃial. mişcare aparentă π
a roŃii > nr.spite ⋅ cadre / s
> este posibil ca fluxul optic să nu poată fi estimat în toate punctele. roata se va roti aparent
invers;
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 44 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 45
[Marichal 98]
Estimarea mişcării Estimarea mişcării
> principalele limitări (continuare):
> pentru a reduce erorile implicite de estimare sunt adoptate o serie de
sensibilitate la fluctuaŃii de intensitate: ipoteze iniŃiale, exemplu:
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 46 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 47
Estimarea mişcării Estimarea mişcării
> în funcŃie de nivelul de detaliu şi de precizia câmpului vectorial de > două tipuri de implementări (continuare):
mişcare (ansamblul vectorilor de mişcare), întâlnim două tipuri de
implementări:
2. multi-scală
1. multi-rezoluŃie nivel grosier
foloseşte imaginile în
estimarea mişcării se rezoluŃia iniŃială, dar
face pentru mai multe nivel mediu furnizează mai multe
reprezentări, de rezoluŃii niveluri de detaliu pentru
diferite, ale aceleaşi vectorii de mişcare;
imagini;
nivel fin
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 48 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 49
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 50 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 51
> bazate pe calculul gradientului (ecuaŃie flux optic): metode directe: metode iterative
r r r
∂I (r , t ) ∂I (r , t ) ∂I (r , t ) • [Horn 81] pentru a rezolva ecuaŃia fluxului optic adoptă o ipoteză
=− ⋅u − ⋅v u şi v sunt deplasările suplimentară: modulul gradientului să aibă valori mici, condiŃie valabilă
∂t ∂x ∂y în realitate doar pentru micile deplasări ale pixelilor din imagine;
diferenŃa dintre componentele orizontale şi problema estimării = problema minimizării funcŃiei de cost:
cadre succesive verticale ale gradientului
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 52 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 53
Estimarea mişcării Estimarea mişcării
metode directe: metode iterative (continuare) metode directe: metode iterative (continuare)
∂I ( x, y , t ) 1 I ( x, y + 1, t ) − I ( x, y, t ) + I ( x + 1, y + 1, t ) − I ( x + 1, y , t ) +
≈
4 I ( x, y + 1, t + 1) − I ( x, y , t + 1) + I ( x + 1, y + 1, t + 1) − I ( x + 1, y, t + 1)
o posibilă soluŃie sunt:
∂x
P P
uˆ = um − I x ⋅ , vˆ = vm − I y ⋅
D D ∂I ( x, y , t ) 1 I ( x, y + 1, t ) − I ( x + 1, y + 1, t ) + I ( x, y , t ) − I ( x + 1, y , t ) +
≈
unde um şi vm sunt valorile medii locale ale lui u şi v, iar P şi D sunt doi ∂y 4 I ( x, y + 1, t + 1) − I ( x + 1, y + 1, t + 1) + I ( x, y, t + 1) − I ( x + 1, y, t + 1)
parametri definiŃi astfel:
∂I ( x, y , t ) 1 I ( x, y , t + 1) − I ( x, y, t ) + I ( x + 1, y, t + 1) − I ( x + 1, y , t ) +
P = I x ⋅ u m + I y ⋅ vm + I t , D = λ + I x2 + I y2 ≈
∂t 4 I ( x, y + 1, t + 1) − I ( x, y + 1, t ) + I ( x + 1, y + 1, t + 1) − I ( x + 1, y + 1, t )
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 54 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 55
> deplasarea pixelilor din imagine este modelată pe baza unui anumit
metode directe: metode iterative (continuare)
set de parametri (model).
soluŃia este calculată iterativ: estimare = determinare parametri.
(uˆi , vˆi ) = f {(uˆi −1 , vˆi −1 )} > ipoteză geometrică: obiectele din imagine sunt suprafeŃe
unde i reprezintă iteraŃia curentă; soluŃia adoptată fiind soluŃia furnizată plane şi rigide.
de iteraŃia pentru care este îndeplinit un anumit criteriu de convergenŃă.
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 56 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 57
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 58 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 59
Estimarea mişcării Estimarea mişcării
• model de rotaŃie: • model afin (se separă rotaŃia pe cele două axe):
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 60 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 61
• model al transformării biliniare: > estimarea mişcării este realizată prin introducerea în ecuaŃia fluxului
x ' = a1 ⋅ x + a2 ⋅ y + a3 ⋅ x ⋅ y + a4 optic a modelului de mişcare şi estimarea parametrilor prin
minimizarea unei funcŃii de cost:
y ' = a5 ⋅ x + a6 ⋅ y + a7 ⋅ x ⋅ y + a8
p = arg min Ψ (I x ⋅ f ( x, y; p) + I y ⋅ g ( x, y; p ) + I t )
• modele ce iau în calcul acceleraŃia mişcării, [Sanson 81]: p
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 62 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 63
> estimarea mişcării este realizată pe baza diferenŃelor dintre blocuri > principiul estimării:
de pixeli;
un vector de mişcare pentru fiecare bloc;
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 64 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 65
Estimarea mişcării Estimarea mişcării
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 66 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 67
( )
r r r r Mean Absolute Difference (MAD)
d min = argr min FC I (r + d , t + l ), I (r , t )
d ∈S X Y
r 1
unde d min reprezintă deplasarea blocului
r
r curent I ( r , t ) pentru care MAD(b1 , b2 ) =
X ⋅Y
∑∑ | b ( x, y) − b ( x, y ) |
x =1 y =1
1 2
funcŃia Fc este minimă, iar valorile lui d sunt toate deplasările
posibile ale blocului de comparare în interiorul ferestrei S. unde b1 şi b2 reprezintă două blocuri de pixeli iar X şi Y dimensiunile
imaginii.
> căutare completă (full search) = compararea se face cu toate
blocurile posibile din fereastra S; Mean Square Difference (MSD)
X Y
1
⇒ complexitate de calcul maximă vs. precizie maximă. MSD(b1 , b2 ) =
X ⋅Y
∑∑ [b ( x, y ) − b ( x, y )]
x =1 y =1
1 2
2
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 68 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 69
(IP) Y X X
∑ ∑ b ( x, y) − ∑ b ( x, y )
y =1 x =1
1
x =1
2
[http://alpha.imag.pub.ro/VideoIndexingRP2/]
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 70 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 71
Estimarea mişcării Estimarea mişcării fereastra S
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 72 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 73
> căutarea în 3 paşi (varianta H.263+): noua poziŃie este căutată în > căutarea în 3 paşi (continuare):
bloc curent nou
direcŃia minimului local al funcŃiei de cost:
minim FC
S
S
I(t+l) minim FC
I(t+l) bloc curent
• se repetă procesul pentru noul bloc curent (la t+l) şi vecinii acestuia:
• funcŃia de cost este estimată între blocul curent (la t) şi cele patru N, E, S şi V,
blocuri vecine la distanŃă de 1 pixel (la t+l): N, E, S şi V, II
I • D2D1; D1 = noua valoare minimă FC ; blocul respectiv devine bloc
• D1 = valoarea minimă FC ; blocul respectiv devine bloc curent în
curent în imaginea la t+l;
imaginea la t+l;
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 74 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 75
S S
> căutarea logaritmică (mai multe variante): complexitatea de calcul este > căutarea logaritmică (continuare):
logaritmică
minim FC p pixeli
p pixeli
S S
• funcŃia de cost este estimată între blocul curent (la t) şi cele patru • funcŃia de cost este estimată între blocul curent (la t) şi cele patru
blocuri vecine la distanŃă de p pixeli (la t+l): N, E, S şi V, blocuri vecine la distanŃă de p pixeli (la t+l): N, E, S şi V,
it.1 it.2
• blocul pentru care FC este minim devine bloc curent în imaginea la • blocul pentru care FC este minim devine bloc curent în imaginea la
t+l; pp/2, t+l;
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 78 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 79
> căutarea logaritmică (continuare): > căutarea intercalată: similară cu cea logaritmică, căutare în X:
bloc curent nou
1 pixel
S S
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 80 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 81
III. metode bazate pe blocuri III. metode bazate pe blocuri bloc curent nou
minim FC p pixeli
> căutarea intercalată (continuare): bloc curent
> căutarea intercalată (continuare):
S
S
• blocul pentru care FC este minim devine bloc curent în imaginea • se repetă pasul anterior blocul pentru care FC este minim devine
la t+l; bloc curent în imaginea la t+l;
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 82 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 83
Estimarea mişcării Estimarea mişcării
> căutarea intercalată (continuare): bloc curent nou > căutarea intercalată (continuare): bloc curent nou
S S
minim FC minim FC
I(t+l) I(t+l)
• dacă p==1 şi FC minim este obŃinut pentru vecinul din stânga jos sau • dacă p==1 şi FC minim este obŃinut pentru vecinul din stânga sus
dreapta sus al ultimului bloc curent sau dreapta jos al ultimului bloc curent
se re-evaluează FC în +; se re-evaluează FC în X;
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 84 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 85
S S
p pixeli
I(t+l) bloc curent I(t+l) bloc curent nou
• iniŃial, funcŃia de cost este estimată între blocul curent (la t) şi două • funcŃia de cost este estimată între blocul curent (la t) şi alte două
blocuri vecine la distanŃă de p pixeli pe orizontală (la t+l), blocuri vecine la distanŃă de p pixeli pe verticală (la t+l),
• blocul pentru care FC este minim devine bloc curent în imaginea • blocul pentru care FC este minim devine bloc curent în imaginea
la t+l; la t+l;
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 86 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 87
S
S
minim FC
I(t+l)
I(t+l)
• dacă p>1, pp/2 şi se repetă paşii anteriori; • se defineşte o grilă de 9 puncte
S
• altfel STOP repartizată după cele 8 direcŃii cardianale
(accentul se pune pe regiunea centrală ~ cea mai probabilă);
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 88 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 89
[Petrescu 09]
Estimarea mişcării Estimarea mişcării
> exemple: mişcare de translaŃie spre
III. metode bazate pe blocuri III. metode bazate pe blocuri
stânga:
> căutarea binară (continuare):
I(t+l)
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 90 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 91
căutare
căutare
căutare
logaritmică,
intercalată,
ortogonală,
completă, B=16
B=16
căutare intercalată căutare ortogonală
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 92 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 93
Estimarea mişcării
Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 94 Analiza şi Prelucrarea SecvenŃelor de Imagini, Ş.l. Bogdan IONESCU 95