Documente Academic
Documente Profesional
Documente Cultură
IMAGINILOR ŞI SECVENŢELOR
VIDEO
1
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
2
Imagini falsificate
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
Bin Laden
9
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
Trucaj in China
10
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
a) Imagine originală;
b) Imagine contrafăcută.
14
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
15
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
a) Imagine originală;
b) Imagine falsificată prin modificarea culorilor;
c) Imagine falsificată prin ajustarea contrastului;
d) Imagine falsificată prin defocalizarea unor zone
din imagine. 17
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
19
Imagine falsificată
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
20
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
21
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
1
2
3
4
5
6
Întoarcerea pe verticală
(50 de linii)
Cadru conţinând
625 de linii (575 de linii vizibile)
570
571
572
573
574
575
Baleierea progresivă 22
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
336 23
337 24
338 25
339 26
2 câmpuri de câte Întoarcerea primului
27
312.5 linii fiecare semicadru (25 de linii)
(2 x 287.5 linii vizibile)
Întoarcerea celui de-al 2-lea
semicadru (25 de linii)
620
621 308
622 309
623 310
Baleierea întreţesută 23
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
336 23
337 24
338 25
339 26
2 câmpuri de câte Întoarcerea primului
27
312.5 linii fiecare semicadru (25 de linii)
(2 x 287.5 linii vizibile)
Întoarcerea celui de-al 2-lea
semicadru (25 de linii)
620
621 308
622 309
623 310
Baleierea întreţesută 24
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
Alb
Nivel de negru
Impuls de Nivel de
sincronizare sincronizare
orizontală
Alb 1.0V
Burst
Nivel de negru
0.3V
Impuls
Nivel
de sincronizare 0V
de sincronizare
linie
linie
Durată Durata activă linie
de stingere Durata linie
orizontală
Amplitudine
Subpurtătoare Purtătoare
de crominanţă de sunet
Crominanţă
0 1 2 3 4 5 f(Mhz)
4.43 5.5
1
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
2
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
4
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
6
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
7
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
8
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
9
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
B
= 0,02
B
B reprezintă variaţia abia perceptibilă a luminanţei
unei suprafeţe în raport cu un fond
Contrastul unei imagini (K):
Bmax
K=
Bmin
nrep = norig
Brep = Borig
factorul de gamma
14
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
• Răspunsul
senzorului
color de
imagine
color la
lumina
vizibila şi
la cea din
infrarosu
apropiat
16
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
➢ Deosebiri
• în timp ce expertizele constituie mijloace de
probă, atât în procesul penal, cât şi civil,
putând fi dispuse de organul de urmărire
penală, cât şi de instanţa de judecată,
constatările tehnico-ştiinţifice sunt mijloace
de probă specifice procesului penal, fiind
determinate de caracterul de urgenţă a
constatării, deci nu pot fi dispuse decât în
faza de urmărire penală; 22
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
Studiu de caz
Metodă pentru identificarea imaginilor achiziţionate
cu camere foto digitale
➢determinarea defectelor din aria de pixeli a
senzorului;
➢profilul zgomotului introdus de senzor;
➢ studiul fişierelor generate de camera video,
determinarea formatului şi a marcajelor prevăzute 24
de fabricant.
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
Defectele de pixeli:
➢defectele de răspuns, în care pixelii pot prezenta
niveluri de ieşire neconforme cu iluminarea
(strălucire mare sau pixeli blocaţi);
➢defectele de coloană care afectează procesul de
transfer al sarcinii sau adresarea, obturând porţiuni
din câte o coloană;
➢defectele de cluster, care afectează grupuri
compacte de pixeli.
25
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
26
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
Defecte de pixel
27
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
28
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
29
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
1
DETECTAREA FALSURILOR ÎN IMAGINI ÎNTREŢESUTE
F( x , y , t )
Estimarea mişcării:
➢presupunem că se păstrează intensitatea
imaginii dintre semicadre consecutive;
➢mişcarea dintre ele poate fi descrisă local ca o
operaţie de translaţie depinzând de doi
parametri. 4
DETECTAREA FALSURILOR ÎN IMAGINI ÎNTREŢESUTE
f (x, y, t ) = f (x + v , y + v , t − 1) x y
v = (v v )
→
T
x y
E( v ) = f ( x, y, t ) − f ( x + v , y + v , t − 1)
→
2
x y
x , y
f ( x, y , t ) − ( f ( x , y , t ) + v x f x ( x, y, t ) + v y f y ( x, y , t ) − f t ( x, y, t )) =
→
E(v )
2
x , y
2
= f − ( f + v x fx + v y fy − ft )
x ,y 2
vx
ft − vx f x − v y f y = ft − ( f f y )
E (v ) = =
2
x v
x , y x , y y
2
→ T
ft − f S v
x , y
5
DETECTAREA FALSURILOR ÎN IMAGINI ÎNTREŢESUTE
dE(v ) → T → T
= − 2 f f − f v
dv
S t S
x , y
f ff f f
−1
2
→
v = −
x x y x t
f f f f f
2
x y y y t
1 1
f = f (x, y, t ) + f (x, y, t − 1) * d (x ) * p(y )
2 2
x t t
1 1
f = f (x, y, t ) + f (x, y, t − 1) * p(x ) * d (y )
2 2
y t t
6
DETECTAREA FALSURILOR ÎN IMAGINI ÎNTREŢESUTE
1 1
f = f (x, y, t ) − f (x, y, t − 1) * p(x ) * p(y )
2 2
t t t
v = v +v
2
x
2
Rezultate experimentale
9
DETECTAREA FALSURILOR ÎN IMAGINI ÎNTREŢESUTE
10
Bmax
K=
Bmin
11
EXPERTIZA CRIMINALISTICĂ A
IMAGINILOR ŞI SECVENŢELOR
VIDEO
1
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
2
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
b) Inserarea semicadrului
Pentru valori impare ale lui t:
f ( x, (y + 1) / 2, t ) y mod 2 = 1
F( x, y, t ) =
f ( x, y / 2, t + 1) y mod 2 = 0
5
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
c) Medierea liniei
Pentru valori impare ale lui t:
f ( x, (y + 1) / 2, t ) y mod 2 = 1
F( x, y, t ) = 1 1
2 f ( x, y / 2, t ) + 2 f ( x, y / 2 + 1, t ) y mod 2 = 0
7
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
10
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
Mişcarea adaptivă
➢încorporează cele mai bune tehnici pentru a
îmbunătăţi rezoluţia verticală;
➢ minimizează artefactele de „combinare”;
➢se creează două secvenţe deîntreţesute, F1 (x, y, t)
şi F2 (x, y, t) utilizând, de exemplu, inserarea
semicadrului sau repetiţia liniei;
11
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
Compensarea mişcării
➢se calculează mişcarea dintre semicadre învecinate,
f (x, y, t ) şi f (x, y, t + 1) pentru a elimina orice mişcare
care ar apărea între semicadre;
➢cadrul rezultat, f (x, y, t + 1), este combinat cu primul
semicadru, f (x, y, t ) , folosind metoda inserării
semicadrului;
➢secvenţa video rezultantă deîntreţesută are o
rezoluţie verticală optimă fără a prezenta artefacte de
mişcare (presupunând o bună estimare a mişcării) 13
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
14
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
15
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
2 paşi iterativi
➢pasul E - estimează probabilitatea fiecărui
pixel de a aparţine unuia sau altuia dintre
modele;
➢Pasul M - estimează forma specifică a
corelaţiilor dintre pixeli.
PF0 (x, y, t ) F0 (x, y, t ) M1 PF0 (x, y, t ) M1
PF0 (x, y, t ) M1 F0 (x, y, t ) =
PF (x, y, t ) F (x, y, t ) M PF (x, y, t ) M
2
i =1 0 0 i 0 i
16
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
F0 (x , y, t ) = F(x, y + i, t ) + F(x, y + i, t + 1)
i i
i −3, −1,1, 3
i − 2 , 0, 2
x ,y
= i w(x, y ) F(x, y + i, t )F(x, y + j, t ) +
i− 3, −1,1, 3 x , y
+ i w(x, y ) F(x, y + i, t )F(x, y + j, t )
i− 2 , 0, 2 x , y
19
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
= i w(x, y ) F (x, y + i, t ) F (x, y + j, t + 1) +
i−3, −1,1, 3 x , y
+ i w (x, y ) F(x, y + i, t + 1) F(x, y + j, t + 1)
i− 2 , 0, 2 x , y
20
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
2 =
x ,y
w(x, y )
21
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
Deîntreţesute Precizie
26
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
28
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
29
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
Deîntreţesute Precizie
- 9 Mbps 6 Mbps 3 Mbps
32
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
Se constată că şi în prezenţa algoritmilor de
compresie, artefactele de deîntreţesere pot fi
detectate, precizia scăzând cu creşterea gradului
de compresie.
Cu ajutorul algoritmului prezentat, se poate
detecta conversia unui fişier video la o viteză de
cadre mărită. Fie o secvenţă video realizată la 25
cadre/sec. Aceasta este manipulată şi, apoi,
salvată la o viteză mai mare, de 30 cadre/sec..
Conversia de viteză necesită operaţii de
interpolare pentru a se genera cadrele 33
suplimentare.
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
1
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
2
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
3
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
Estimarea mişcării 4
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
Algoritmul spaţial
Algoritmul poate stabili dacă un cadru video sau o
parte din el a fost comprimat MPEG de două ori ca
un cadru de tip I. Operaţia de falsificare se poate
face prin înregistrarea unei secvenţe video
comprimată MPEG, editarea ei şi, apoi, salvarea ei
ca o altă secvenţă comprimată MPEG. Compresia
dublă introduce artefacte specifice în coeficienţii
DCT ai cadrelor de tip I. Se pot detecta falsificări
pentru regiuni reduse, de dimensiune 16 x 16 pixeli. 7
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
y = xq1
y, coeficientul decuantizat, este un multiplu de q 1
În a doua etapă de compresie, coeficientul DCT,
y, este cuantizat din nou:
y
z=
q2
Pentru a ilustra efectul dublei cuantizări,
considerăm un exemplu în care coeficienţii DCT
originali au o distribuţie normală în intervalul − 30, 30
10
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
q1 = 5
Distribuţia coeficienţilor 11
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
q2 = 3
13
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
D(P(z ), Pq1 (z )) =
(P(z ) − P (z )) 2
q1
z s 2 (z )
( )
P(Z q1 ) = e
−D P ( z ), Pq1 ( z )
17
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
Distribuţia coeficienţilor 18
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
c(Z, q1 ) = 1 − e −
z
P (z ) / s (z )
21
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
Precizia
detecţiei se
îmbunătăţeşte
cu creşterea
raportului
scalei de
cuantizare
22
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
23
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
24
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
Algoritmul temporal
➢nu numai artefactele spaţiale ale unei duble
compresii pot fi folosite pentru punerea în evidenţă
a unui fals, ci şi cele temporale
26
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
28
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
29
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
30
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
31
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
F1 F2 F3 F4 F5
I1 P2 P3 P4 I 5
32
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
I1 = F1 + N 1
P = F2 + N 2
2
P3 = F3 + N 3
P = F4 + N 4
4
I 5 = F5 + N 5
m2 = P2 − M (I 1 ) = F2 + N 2 − M (F1 + N1 ) =
= F2 + N 2 − M (F1 ) − M (N1 ) =
= F2 − M (F1 ) + (N 2 − M (N1 ))
mi = Fi − M (Fi −1 ) + (N i − M (N i −1 ))
33
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
= F5 + N 5 − M (F4 ) − M (N 4 ) =
= F5 − M (F4 ) + (N 5 − M (N 4 ))
34
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
36
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
39
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
41
EXPERTIZA CRIMINALISTICĂ A
IMAGINILOR ŞI SECVENŢELOR
VIDEO
1
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
3
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
4
C(u, v ) =
(u
i i − u )(v i − v )
(u − ) (v − )
i i u
2
i i v
2
5
6
7
matrici, T şi T .
1 2
9
12
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
13
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
19
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
22
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
Dimensiunea Detecţie
regiunii 3 6 9
23
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
24
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
25
Duplicarea în cadrul unei imagini
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
26
Duplicarea în cadrul unei imagini
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
1
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
y = Ap / q x
Eşantioanele impare ale semnalului reeşantionat, y ,
iau valorile semnalului original, x :
y2i −1 = xi , i = 1, ..., m
N
yi −
k =− N
k yi + k = 0
(i x ) −
N
k ( i+k x ) = 0
k =− N
N
i − k i +k x = 0
k =− N
13
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
15
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
N
M 1 : yi = k y i + k + n(i )
k =− N
i
k =1
Probabilitatea de observare a eşantionului y i ,
cunoscând că el a fost generat de modelul M 1 , este
dată de relaţia: N 2
y − y i k i+k
Py y M = exp−
1 k =− N
i i 1
2 2 2
18
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
De notat că pasul E necesită o estimare a valorii ,
care, în prima iteraţie, este aleasă aleator. În pasul
M, este calculată o nouă estimare a lui , folosind
metoda celor mai mici pătrate ponderate, ceea ce
înseamnă minimizarea funcţiei de eroare pătratică:
2
N
E ( ) = w(i ) yi − k y i + k
i k =− N
unde ponderile
w(i ) Py i M 1 y i
19
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
= (Y WY )
T −1 T
Y Wy
y1 yN y N + 2 y 2 N +1
y y y N +3 y 2 N + 2
2 N +1
Y =
y i y N +i −1 y N +i +1 y 2 N +i
Valoarea finală a lui are proprietatea că
maximizează probabilitatea eşantioanelor observate.
24
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
Imagini reeşantionate
Am analizat semnale unidimensionale, 1-D,
extinderea la semnale 2-D este implicită. La fel ca în
cazul semnalelor 1-D, supraeşantionarea sau
subeşantionarea imaginilor (2-D) implică aceleaşi
trei operaţii analizate până acum. De asemenea,
operaţia de eşantionare introduce corelaţii periodice.
Considerăm, de exemplu, cazul subeşantionării cu
factorul 2.
26
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
29
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
Imagini
reeşantionate prin
supraeşantionare
30
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
Imagini
reeşantionate
prin
subeşantionare
31
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
Imagini rotite
reeşantionate
32
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
Imagini, supuse
transformărilor
afine,
reeşantionate
33
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
Imagini
reeşantionate de
două ori
34
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
39
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
40
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
Porţiune din
imagine
reeşantionată
41
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
42
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
43
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
45
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
47
EXPERTIZA CRIMINALISTICĂ A
IMAGINILOR ŞI SECVENŢELOR
VIDEO
1
FOTOGRAMMETRIE
3
FOTOGRAMMETRIE
Măsurarea
înălţimii unei
persoane
4
ANALIZA IMAGINILOR ŞI ÎNREGISTRĂRILOR VIDEO
FURNIZATE DE UAV-uri
6
FOTOGRAMMETRIE
Măsurarea
înălţimii unei
persoane
7
FOTOGRAMMETRIE
înălţimea punctului.
FOTOGRAMMETRIE
17
FOTOGRAMMETRIE
Desenarea
liniilor de fugă
19
FOTOGRAMMETRIE
20
FOTOGRAMMETRIE
c = (px br ) xl
24
FOTOGRAMMETRIE
27
FOTOGRAMMETRIE
29
Efectul de “butoi”
FOTOGRAMMETRIE
30
Imagine prelucrată pentru eliminare efect de “butoi”
FOTOGRAMMETRIE
31
Imagine corectată (reală)
FOTOGRAMMETRIE
Variaţia de
înălţime
pentru o
persoană care
se deplasează
36
FOTOGRAMMETRIE
Variaţia de
înălţime
pentru a doua
persoană care
se deplasează
37
EXPERTIZA CRIMINALISTICĂ A
IMAGINILOR ŞI SECVENŢELOR
VIDEO
1
VIDEOGRAMMETRIE
6
Obiect de calibrare
VIDEOGRAMMETRIE
7
VIDEOGRAMMETRIE
9
VIDEOGRAMMETRIE
10
VIDEOGRAMMETRIE
Proiecţia perspectivei
x F as 0 X '
= ' '
y Z 0 s Y
X' 1 0 0 cos 0 − sin cos sin 0 X Tx
'
Y = 0 cos sin 0 1 0 − sin cos 0 Y + Ty
Z ' 0 − sin cos sin 0 cos 0 0 1 Z Tz
a 11X i + a 12 Yi + a 13Z i + b x − a 31X i x i − a 32 Yi x i − b z x i = Z i x i
a 21X i + a 22 Yi + a 23Z i + b y − a 31X i y i − a 32 Yi y i − b z y i = Z i y i
11
VIDEOGRAMMETRIE
X1 Y1 Z1 0 0 0 − X1x 1 − Y1x 1 1 0 − x 1 a 11 Z1 x 1
0 0 0 X1 Y1 Z1 − X 1 y1 − Y1 y1 0 1 − y1 a 12 Z1 y1
a
13
a 21
a
22
a 23 =
a
31
a 32
b x
Xi Yi Zi 0 0 0 − Xixi − Yi x i 1 0 − x i b y Z i x i
0 0 0 Xi Yi Zi − Xi yi − Yi y i 0 1 − y i b z Z i y i
Ap = b
p = (A A ) A T b
T −1
12
VIDEOGRAMMETRIE
16
Imagine de test
VIDEOGRAMMETRIE
calibrare
VIDEOGRAMMETRIE
20
EXPERTIZA
CRIMINALISTICA
1
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
2
Recunoaşterea chipurilor umane
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
3
Identificarea chipurilor umane
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
4
Identificarea chipurilor umane
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
5
Identificarea chipurilor umane
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
6
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
Principalele
puncte ale
figurii umane
7
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
Elemente de
morfologie ale
figurii umane
8
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
10
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
PAL 1080p 720p WSVGA SVGA 4CIF VGA 2CIF CIF QCIF
(576i) (576p)
Înălțime 400 1080 720 600 600 576 480 288 288 144
Lățime 720 1920 1280 1024 800 704 640 704 352 176
11
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
Inspectare 400 150 250 300 300 300 350 600 600 1200
Recunoaștere 50 20 30 35 35 35 45 70 70 150
Observare 25 10 15 20 20 20 25 35 35 70
Detectare 10 10 10 10 10 10 10 15 15 30
Monitorizare 5 5 5 5 5 5 5 10 10 15
12
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
Operational
Horizontal pixels / Face Pixels / cm Pixels / inch
requirement
Identification
(Challenging 80 px/face 5 px/cm 12,5 px/in
conditions)
Identification (Good
40 px/face 2,5 px/cm 6,3 px/in
conditions)
Identificarea facială
15
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
16
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
17
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
18
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
DCT cu coeficientul DC
20
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
DCT cu coeficientul DC + 2 AC
21
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
DCT cu coeficientul DC + 9 AC
22
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
23
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
24
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
25
ANALIZA ȘI PRELUCRAREA INFORMAȚIILOR DIN SECVENȚE
VIDEO
26
EXPERTIZA CRIMINALISTICĂ A
IMAGINILOR ŞI SECVENŢELOR
VIDEO
1
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
y = x 0 x m 0 + x 1 x m1 + x 2 x m 2 + x 3 x m 3 + x 4 x m 4 + x 5 x m 5 +
+ x 6 x m 6 + x 7 x m 7 + x 8 x m8
− 1 − 2 − 1 − 1 0 1
Gx = 0 0 0 Gy = − 2 0 2
1 2 1 − 1 0 1 8
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
G = G 2x + G 2y G = Gx + Gy
10
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
p = (x p 0 , y p 0 , x p1 , y p1 )
(x b0 x po x p1 x b1 ) (y p 0 = y b 0 ) (y p1 = y b1 )
Detecţia verticală
Atât faza întâi, cât şi faza a doua se bazează pe
acelaşi principiu. Banda reprezintă o selecţie
verticală din imaginea instantanee, în urma analizei
graficului proiecţiei verticale.
p y (y ) = p ry (y ) *ˆ m hr y
15
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
y bm = arg max p y (y )
y 0 y y1
y b 0 = max y p y (y ) c y p y (y bm )
y0 y y bm
y b1 = min
y bm y y1
y p (y) c
y y
p y (y bm )
Banda selectată
17
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
Detecţia orizontală
y b1
p (x ) = f (x, j)
x
j= y b 0
p x (x ) = p rx (x ) *ˆ m vr x
x bm = arg max p x (x )
x 0 x x1
x b 0 = max x p x (x ) c x p x (x bm )
x 0 x x bm
x b1 = min
x bm x x1
x p (x ) c
x x p x (x bm )
19
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
p x (x ) − p x (x − h )
px (x ) =
h
x p0 = minw x px (x ) c d maxpx (x )
0 x 0 x w
x p1 w x d x
x w 0 x w
2
Conceptul de analiză de bază cuprinde mai multe etape:
1. se detectează posibilele variante de plăci de
înmatriculare;
2. se sortează variantele după costul lor;
3. se alege varianta cu cel mai bun cost;
4. se segmentează şi se analizează această variantă;
5. dacă în urma procesului de analiză, această variantă
este eliminată, se trece la pasul 3. 21
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
1
3 = y b1
23
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
p 0 p n −1
1 n −1
w = wi
n i =0 24
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
28
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
29
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
Normalizarea histogramei
Cu ajutorul acestei metode, intensităţile histogramei
segmentelor caracterului sunt redistribuite.
Suprafeţele cu un contrast mai redus vor avea un
contrast mai mare, fără a afecta caracteristica globală
a imaginii.
36
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
37
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
38
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
41
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
Segmentarea caracterelor
42
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE