CURS Merged

EXPERTIZA CRIMINALISTICĂ A
IMAGINILOR ŞI SECVENŢELOR
VIDEO
1
EXPERTIZA CRIMINALISTICĂ A IMAGINILOR ŞI SECVENŢELOR
VIDEO
2
Imagini falsificate
VIDEO
Imaginea lui Abraham Lincoln şi imaginea

lui John Calhoun 3
VIDEO
Imagine falsificată prin îmbinare de

două fotografii
4
VIDEO
Operaţiile de falsificare erau mai puţin

performante şi constau în:
➢ retuşări;
➢ decupări
➢ modificarea contrastului;
➢ ajustarea culorilor;
➢ etc.
5
VIDEO
Imagini falsificate prin adăugare

sau eliminare de personaje 6
VIDEO
2006 - Agenţia Reuters

Urmările bombardamentelor israeliene asupra
Libanului
Imagine reală (stânga) şi imagine falsificată (dreapta)
7
VIDEO
Razboiul din Crimeea (1853-1856)

Prima fotografie trucata
8
VIDEO
Bin Laden
9
VIDEO
Trucaj in China
10
VIDEO
Imagini falsificate prin compoziţie - utilizarea a două

sau mai multe imagini, care au fost combinate
într-o imagine nouă
11
VIDEO
Imagini falsificate prin compoziţie

August, 1989 - prezentatoarea Oprah Winfrey cu
corpul actriţei Ann-Margaret
12
VIDEO
Imagine falsificată prin acoperirea copierii

13
VIDEO
a) Imagine originală;
b) Imagine contrafăcută.
14
VIDEO
Imagine falsificată prin morfism
15
VIDEO
Imagine falsificată prin retuşare

16
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
VIDEO
Imagini generate de computer

18
VIDEO
19
Imagine falsificată
VIDEO
Angelina este cu faţa în soare:

➢ umbra Angelinei de pe nisip;
➢ umbra de sub bărbie;
➢ iluminarea feţei;
➢ gradientul de lumină din jurul piciorului ei
drept.
20
VIDEO
➢ partea dreaptă a feţei lui Pitt să fie iluminată

➢ pentru Pitt, poziţia soarelui este decalată cu
cel puţin 90 de grade faţă de poziţia soarelui
pentru Angelina
21
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
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
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
Baleierea întreţesută Baleierea progresivă

(vehiculul se deplasează (vehiculul se deplasează
cu 20 Km/h ) cu 20 Km/h )
25
VIDEO
Alb
Nivel de negru
Impuls de Nivel de
sincronizare sincronizare
orizontală
Stingere Durata activă (vizibilă) a liniei

orizontală Durata totală a liniei
Descrierea semnalului video monocrom pe o linie

26
VIDEO
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
Semnalul video complex color pe o linie

27
VIDEO
Amplitudine
Subpurtătoare Purtătoare
de crominanţă de sunet
Crominanţă
0 1 2 3 4 5 f(Mhz)
4.43 5.5
Spectrul de frecvenţe pentru sistemul PAL 28

VIDEO
1
EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR
În procedura penală română, în capitolul II,

secţiunea V (art. 91, paragrafele 1-5), printre
mijloacele de probă au fost introduse şi
înregistrările video
2
Expertizarea fotografiilor şi a înregistrărilor

video are ca obiect identificarea aparatelor
de luat vederi, de fotografiat, de filmat sau
de înregistrare video, determinarea
condiţiilor de folosire a acestora, stabilirea
identităţii de gen a materialelor fotosensibile
(negativ, pozitiv, reversibil), precum şi
determinarea autenticităţii fotografiilor.
3
“Un expert este o persoană care a făcut toate

greșelile care se pot face într-un domeniu
foarte restrâns.”
Niels Bohr
4
Probleme care se pot rezolva în cadrul expertizelor:

➢ identificarea materialelor fotosensibile utilizate;
➢ dacă materialul negativ fotosensibil a fost utilizat
la un anumit aparat fotografic;
➢ determinarea condiţiilor de fotografiere sau de
filmare (lumină naturală, lumină artificială – bec
incandescent, blitz, descărcări în gaze inerte, vapori
de sodiu, vapori de mercur etc. – folosirea
obiectivului normal, superangular sau a
teleobiectivului, stabilirea direcţiei, distanţei sau
unghiului de fotografiere; 5
➢identificarea concretă a aparatului fotografic

sau de filmat cu care s-a executat materialul
fotosensibil negativ sau filmul reversibil;
➢dacă fotografia este obţinută după modelul
original sau a fost confecţionată prin
intermediul unei reproduceri;
➢dacă fotografia este originală sau a fost
obţinută prin trucaj.
6
Metode de lucru folosite:

➢examinarea separată a materialului supus
expertizării prin măsurări;
➢examinarea comparativă în situaţia în care se
pune problema identificării concrete a
aparatului întrebuinţat la fotografiere,
filmare sau mărire.
7
➢Expertiza video se află într-un proces de

stabilire a unor norme, algoritmi, proceduri
şi metode care să fie acceptate de toţi cei ce
lucrează în domeniul juridic.
➢Metodele moderne de analiză şi procesare a
imaginilor au impus noi standarde în
domeniul expertizei video.
8
Mutaţii importante privind înregistrările video:

➢trecerea de la tehnologia de generare şi
stocare a semnalului video de la formatul
analogic la cel digital;
➢prezenţa în viaţa noastră a înregistrărilor
video;
➢folosirea înregistrărilor video în justiţie.
9
Echipamente video de generare a imaginilor:

➢ aparate foto;
➢ camere video.
Domenii spectrale:
• Vizibil;
• Infraroşu;
• Ultraviolete;
• Raze X.
10
Caracteristici ale sistemului vizual uman:

➢ dinamica unui film este mult mai redusă decât cea
a unui ochi uman care răspunde la schimbări de
strălucire (luminanţă) de 9 ordine de mărime;
➢ ochiul uman nu distinge simultan toate aceste
niveluri de strălucire;
➢ răspunsul sistemului vizual este limitat la
detectarea schimbărilor de strălucire de circa 2%
(un factor de 1,02);
➢ percepţia diferenţelor de luminanţă se face după
legea lui Weber 11
Bmax
K=
Bmin
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
Fie n numărul de trepte de contrast abia

perceptibil 12
Pentru K=100 avem n=230

Valoarea n=230 determină raportul semnal-
zgomot pentru:
➢sistemele de televiziune analogică
S
= 20 lg 230  47,24 dB
Zg
➢numărul de niveluri de cuantizare pentru

televiziunea digitală
28 = 256 13
Relaţie logaritmică între contrast şi numărul

treptelor de contrast
ln k 2,3 lg K
n =
0,02 0,02
nrep =   norig

Brep = Borig
 factorul de gamma
14
Rezoluţia spaţială şi temporală:

➢ tehnologie CCD – zgomotele sunt
proporţionale cu semnalul;
➢tehnologie CMOS - zonele întunecate (unde
sistemul vizual este mai sensibil la
schimbări mici de iluminare) sunt mai
zgomotoase;
➢tehnologia CMOS este mai zgomotoasă
decât tehnologia CCD; 15
• Răspunsul
senzorului
color de
imagine
color la
lumina
vizibila şi
la cea din
infrarosu
apropiat
16
➢senzorii CMOS au rezoluţii mai mari decât

cei CCD;
➢senzorii CCD sunt sensibili şi în zona
infraroşului şi mai puţini sensibili în zona
albastrului şi ultravioletului;
➢filtru de blocare a radiaţiei infraroşu – optica
nu poate focaliza lungimile de undă lungi în
acelaşi punct ca şi lumina vizibilă.
17
Funcţionarea senzorilor CCD 18

Funcţionarea senzorilor CMOS

19
Înregistrarea informaţiei video

➢ operaţiile de scriere şi de citire a benzii introduc
mici erori, care sunt cumulative, distorsionând
informaţia;
➢ VHS (mixează informaţia de luminanţă şi culoare)
– 240 linii (pentru imagini color);
➢ DV (informaţia de luminanţă nu este mixată cu cea
de crominanţă)– 500 linii (stabilă în timp şi
robustă);
➢ înregistrare pe videorecorder-e digitale (nu mai
este limitată calitatea imaginilor).
20
Expertizele şi constatările tehnico-ştiinţifice

➢ Asemănări
• atât expertizele cât şi constatările tehnico-ştiinţifice
îşi aduc o contribuţie însemnată la realizarea
scopului procesual penal: aflarea adevărului şi
tragerea la răspundere penală a făptuitorului;
• atât expertizele cât şi constatările tehnico-ştiinţifice
au obiectul fixat de organul judiciar;
• atât la expertize cât şi constatările tehnico-
ştiinţifice, operaţiile şi concluziile se consemnează
într-un raport. 21
➢ 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
•în timp ce constatările au ca obiect

cercetarea mai puţin aprofundată a unor
situaţii de fapt prin intermediul cărora se
dovedesc anumite împrejurări, conţinutul
acestora fiind redus la o constatare, în
cazul expertizelor, obiectul acestora este
mai amplu, investigarea fiind mai
amănunţită pentru problema de
specialitate supusă soluţionării, putând
chiar interpreta constatările anterior
efectuate. 23
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.
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
Pentru evidenţiere s-au realizat experimente cu o

cameră Trust 3500 cu senzor CCD, cu rezoluţie
VGA. Punerea în evidenţă a defectelor de pixeli
s-a realizat cu o secvenţă de capturi (mai mult de
10), cu un fundal negru static, fără compresie,
care au fost prelucrate printr-un procedeu de tip
frame-merger urmat de întărirea contrastului.
26
Defecte de pixel
27
Defecte de pixel în imagine reală
28
Alteraţiile din imagine nu pot fi stabilite decât

prin referirea la amprenta determinată în
laborator, iar pentru un set de fotograme reale,
diferite (identificare în absenţa camerei - probă),
cercetarea se poate realiza doar prin examinarea
atentă de către operator, datorită conţinutului
diferit al scenei şi a vizibilităţii diferite a
defectelor în funcţie de expunere.
29
Elemente care pot influenţa conţinutul imaginii

formate pe senzor:
➢reflexiile;
➢eventualele obturări parţiale;
➢zgârieturile obiectivului camerei;
➢cunoaşterea la modul propriu a scenei reale
pentru filtrarea setului de alteraţii punctuale
determinat. 30
O precizare curentă din datele de catalog ale

senzorilor de imagine conduce la realizarea unui
alt tip de analiză, ce evidenţiează defectele de
pixel în funcţie de temperatură. Acest tip de
analiză se poate dovedi util în unele dintre
situaţiile practice întâlnite.
O serie de amprente ridicate pentru diferite
temperaturi (senzor Sharp LZ23BP2), arată
creşterea vizibilităţii defectelor cu creşterea
temperaturii. 31
0°C 20°C 40°C

Comportamentul senzorului cu variaţia
temperaturii
32
Se pot extrage informaţii privind contextul

termic în care a fost preluată o imagine (regim de
temperatură ridicată provenind de la o
funcţionare continuă a camerei sau temperatură
joasă desemnând funcţionare scurtă într-un
mediu cu temperatură scăzută).
Această tehnică, împreună cu analiza
pattern-urilor de zgomot, poate fi folosită pentru
descrierea unei amprente complexe a unei camere
foto digitale, respectiv realizarea unui profil de
zgomot. 33
VIDEO
1
DETECTAREA FALSURILOR ÎN IMAGINI ÎNTREŢESUTE
F( x , y , t )
Cadrul F(x, y, t ) împreună cu cele două

semicadre f (x, y, t ) şi f (x, y, t + 1) de la momentele
t şi t+1 2
Corelaţia temporală în imagini întreţesute

Ipoteze:
➢mişcarea este constantă în cel puţin trei
semicadre consecutive (pt. 30 cadre/sec,
rezultă 1/20 sec)
➢mişcarea dintre semicadrele f (x, y,1) şi f (x, y,2)
să fie aceeaşi cu cea dintre semicadrele f (x, y,2)
şi f (x, y,3)
3
Fiecare cadru RGB este convertit în imagine în

tonuri de gri, Y, :
Y = 0,299R + 0,587G + 0,114B
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
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

 

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
1 1

f =  f (x, y, t ) − f (x, y, t − 1) * p(x ) * p(y )
2 2 
t t t
d () = 0,425287 0,0 − 0,425287

p() = 0,2298791 0,540242 0,2298791
Dorim să comparăm mişcarea care are loc

între semicadrele f (x, y, t ) şi f (x, y, t + 1),
precum şi mişcarea dintre cadre, f (x, y, t + 1)
şi f (x, y, t + 2 ) , pentru t număr impar.
7

v = v +v
2
x
2
Rezultate experimentale
Estimarea mişcării pentru cele 3 secvenţe video

8
Micşorarea vitezei cadrelor
9
Secvenţa video originală şi secvenţa video

falsificată
10
Bmax
K=
Bmin
Punctul slab al acestei metode este acela că

nu poate detecta manipulările din regiunile
în care nu are loc nici o mişcare, deoarece,
în această situaţie, mişcarea între semicadre
şi dintre cadre este constant zero.
11
VIDEO
1
DETECTAREA FALSURILOR ÎN IMAGINI DEÎNTREŢESUTE
De regulă, secvenţele video întreţesute prezintă

artefacte spaţiale „de combinare” pentru obiecte
care se deplasează rapid în cadrul imaginii.
Pentru a minimiza aceste artefacte, liniile impare
şi cele pare sunt combinate cu scopul de a obţine
o secvenţă deîntreţesută
2
Există doi algoritmi de bază pentru realizarea

operaţiei de deîntreţesere:
➢combinarea semicadrelor;
➢extensia semicadrului.
a) Repetiţia liniilor
 y 
F( x, y, t ) = f  x,  , t 
 2 
➢rezoluţie verticală înjumătăţită;
➢rezoluţia orizontală identică cu cea din 3
imaginea originală.
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
Pentru valori pare ale lui t:

f ( x, y / 2, t ) y mod 2 = 0
F( x, y, t ) = 
f ( x, (y + 1) / 2, t + 1) y mod 2 = 1
4
➢rezoluţie verticală identică cu cea din imaginea

originală;
➢rezoluţia orizontală identică cu cea din imaginea
originală;
➢mişcări semnificative care au loc între semicadre
introduc artefacte în secvenţa video finală, datorită
nealinierii semicadrelor. Apare aşa numitul efect de
„combinare”.
5
c) Medierea liniei
 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

f ( x, y / 2, t ) y mod 2 = 0
F( x, y, t ) =  1 1
 2 f ( x, (y + 1) / 2 − 1, t ) + 2 f ( x, (y + 1) / 2, t, ) y mod 2 = 1
6
➢îmbunătăţeşte rezoluţia verticală scăzută a

metodei de repetiţie a liniilor;
➢evită apariţia artefactelor de „combinare”
specifice algoritmului de inserare a semicadrului.
7
Algoritmi de deîntreţesere - a) repetiţia liniilor,

8
b) inserarea semicadrului, c) medierea liniei
Interpolarea temporală verticală

 f ( x, (y + 1) / 2, t ) y mod 2 = 1
c1f ( x, y / 2 − 1, t ) + c 2 f ( x, y / 2, t ) + c 3f (x, y / 2 + 1, t ) +
F( x, y, t ) = 
+ c f (x, y / 2 + 2, t ) + c 5f (x, y / 2 − 1, t + 1) + y mod 2 = 0
 4
+ c 6f (x, y / 2, t + 1) + c 7 f (x, y / 2 + 1, t + 1)

f ( x, y / 2, t ) y mod 2 = 0
 c1f ( x, ( y + 1) / 2 − 2, t ) + c 2 f ( x, (y + 1) / 2 − 1, t ) +

F( x, y, t ) =  + c 3f (x, (y + 1) / 2, t ) + c 4 f (x, (y + 1) / 2 + 1, t ) + y mod 2 = 1
 + c 5f (x, (y + 1) / 2 − 1, t + 1) + c 6f (x, (y + 1) / 2, t + 1) +

 + c 7 f (x, (y + 1) / 2 + 1, t + 1)
9
➢ îmbunătăţeşte rezoluţia temporală verticală, aşa

cum face şi algoritmul de mediere a liniilor;
➢ medierea pe o vecinătate spaţială şi temporală mai
mare duce la îmbunătăţirea rezoluţiei;
➢ prin încorporarea vecinătăţilor temporale, acest
algoritm este, totuşi, vulnerabil la artefactele de
„combinare” ale algoritmului de inserare a
semicadrului.
10
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
➢o „hartă de mişcare”,  (x, y) , cu valori de 1,

pentru regiunile cu mişcare, şi valori de 0,
pentru regiunile în care mişcarea nu este
prezentă.
F(x, y, t ) = (1 −  (x, y))F1 (x, y, t ) +  (x, y)F2 (x, y, t )
➢este mai complicat din punctul de vedere al
implementării, datorită necesităţii estimării
mişcării;
➢algoritmul duce la obţinerea unei bune rezoluţii
verticale, cu artefacte de „combinare” minime. 12
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
Corelaţii spaţiale/temporale ale secvenţelor video

deîntreţesute
➢pentru algoritmul de mediere a liniei
1 1
F( x, y, t ) = F(x, y − 1, t ) + F(x, y + 1, t )
2 2
Notăm cu EM algoritmul de estimare (E) şi
maximizare (M), care rezolvă simultan problemele
de segmentare şi estimare
F0 ( x, y, t ) =   F(x, y + i, t ) +   F(x, y + i, t + 1) + n(x, y )
i i
 
i −3, −1,1, 3  
i − 2 , 0, 2
14
➢pixelii aparţinând modelului M1 satisfac

ecuaţia anterioară;
➢pixelii aparţinând modelului M2 sunt
consideraţi ca fiind generaţi de un proces
„extern”;
➢ecuaţia este valabilă pentru toţi algoritmii
descrişi, mai puţin cel de compensare a
mişcării
15
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.
PF0 (x, y, t ) F0 (x, y, t )  M1 PF0 (x, y, t )  M1 
PF0 (x, y, t )  M1 F0 (x, y, t ) =
 PF (x, y, t ) F (x, y, t )  M PF (x, y, t )  M 
2
i =1 0 0 i 0 i
16
Probabilitatea de observare a eşantionului F0 ( x, y, t ) ,

ştiind că el a fost generat din modelul M1 , este dată
de relaţia:
1  (F0 (x, y, t ) − F0 (x, y, t ))2 
PF0 (x, y, t ) F0 (x, y, t )  M1  = exp− 
 2  2  2

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
Etapa (E) implică estimarea coeficienţilor  i şi  i ,

care în prima iteraţie sunt aleşi aleator 17
În etapa (M), se face o nouă estimare a acestora,

folosind metoda celor mai mici pătrate ponderate,
prin minimizarea următoarei funcţii de eroare
pătratică:
( )
E( i ,  i ) =  w (x, y ) F0 (x, y, t ) − F0 (x, y, t )
2
x ,y
w(x, y)  PF0 (x, y, t )  M1 F0 (x, y, t )

Această funcţie de eroare este minimizată prin
calcularea derivatelor parţiale în raport cu  i şi  i
18
Derivata în raport cu  j este:
 w(x, y ) F(x, y + j, t )F (x, y, t ) =

x,y
0
 
=  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
Derivata în raport cu  j este:
 w(x, y ) F (x, y + j, t + 1)F (x, y, t ) =

x ,y
0
 
=   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
x ,y w(x, y )(F0 (x, y, t ) − F0 (x, y, t ))

2
2 =
 x ,y
w(x, y )
Etapele (E) şi (M) se calculează iterativ, până

când se obţin estimări stabile pentru  i şi  i
Experiment -11 cadre dintr-o secvenţă de 250
cadre
21
Cele 11 cadre întreţesute 22

Cele 11 cadre deîntreţesute prin medierea liniei 23

Imaginile întreţesute au fost deîntreţesute prin

folosirea algoritmilor:
➢de repetiţie a liniei;
➢inserarea de semicadru;
➢medierea liniei;
➢interpolarea temporală verticală;
➢adaptarea mişcării;
➢compensarea mişcării.
VirtualDub a fost folosit pentru algoritmul de
adaptare a mişcării 24
Procentele pixelilor clasificaţi ca aparţinând

modelului M arată corelarea spaţială cu vecinii lor.
1
Deîntreţesute Precizie
Repetiţia liniilor 100%
Inserarea semicadrului 100%
Medierea liniei 100%
Interpolarea temporală verticală 99,5%
Adaptarea mişcării (fără mişcare/cu 97,8% / 100%

mişcare)
Compensarea mişcării 97,8%
VirualDub (fără mişcare/cu mişcare) 99,9% / 100% 25

Un pixel se consideră că aparţine lui M1 dacă

probabilitatea este mai mare de 0,9. Pixelii
incorect clasificaţi sunt împrăştiaţi în toate cadrele
şi prin urmare, se constată că nu sunt regiuni din
imagine falsificate. Aceşti pixeli ar putea fi uşor
eliminaţi dacă s-ar realiza o operaţie de filtrare
spaţială mediană.
26
Pentru deîntreţesarea imaginilor prin folosirea

metodei de adaptare a mişcării şi a aplicaţiei
software VirtualDub, algoritmul EM se aplică
separat pentru regiuni din imagine cu şi fără
mişcare.
Regiunile cu mişcare sunt detectate prin calcularea
diferenţei cadrelor. Pixelii cu o diferenţă de
intensitate mai mare decât 3 pe o scală 0, 255
sunt clasificaţi ca având mişcare, restul pixelilor
sunt consideraţi ca fiind fără mişcare. 27
Algoritmul de adaptare a mişcării lucrează diferit

pentru regiunile cu mişcare, comparativ cu
regiunile fără mişcare. În ceea ce priveşte
deîntreţeserea prin compensarea mişcării, sunt
analizaţi numai pixelii fără mişcare.
28
29
Secvenţa video originală a fost deîntreţesută cu

ajutorul algoritmului de integrare temporală
verticală. Fiecare cadru al secvenţei de desene
animate a fost redimensionat, distrugându-se
orice corelaţii de deîntreţesere. În partea de jos a
fiecărui cadru este dată harta de probabilitate
rezultată prin folosirea algoritmului EM. Astfel,
sunt foarte bine puse în evidenţă regiunile din
imagine care au fost falsificate.
30
Diferitele metode de compresie, precum MPEG,

ar putea afecta corelaţiile introduse de algoritmii
de deîntreţesere. Pentru a testa senzitivitatea la
compresie, secvenţa de 250 cadre descrisă
anterior a fost deîntreţesută prin folosirea
algoritmilor de repetiţie a liniilor şi de mediere a
liniei. Apoi, secvenţa video a fost comprimată
folosind aplicaţia software Adobe Premier,
obţinându-se viteze de 9, 6 şi 3 Mbps
31
Deîntreţesute Precizie
- 9 Mbps 6 Mbps 3 Mbps
Repetiţia liniilor 100% 97,1% 96,2% 93,2%
Medierea liniei 100% 97,0% 96,0% 93,5%
Influenţa algoritmilor de compresie asupra

clasificării pixelilor
32
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.
Există mai mulţi algoritmi care fac acest lucru.

Repetiţia cadrelor este cel mai simplu mod de a
realiza viteza dorită. Astfel, unele cadre din secvenţa
video originală sunt repetate. De exemplu, pentru a
obţine 30 cadre/sec. din cele 25 cadre/sec. existente
în secvenţa originală, fiecare al cincilea cadru este
duplicat. Conversia după o lege liniară a cadrelor
reprezintă o altă metodă des utilizată. Cadrele
suplimentare necesare sunt obţinute prin combinarea
liniară a cadrelor succesive în timp. 34
Pentru cele două metode, numai unele cadre din

secvenţa video convertită vor fi o combinaţie liniară
a cadrelor învecinate. Prin utilizarea algoritmului
EM, cadrele video sunt împărţite în cadre care sunt
şi cadre care nu sunt o combinaţie liniară a cadrelor
învecinate. Se pot determina coeficienţii liniari ai
acestei combinaţii.
Relaţia dintre cadre se poate scrie sub forma:
F( x, y, t ) =   F(x, y, t + i )
i
( )
i −1,1
35
VIDEO
1
DETECTAREA FALSURILOR ÎN SECVENŢE VIDEO COMPRIMATE
MPEG DE DOUĂ ORI
Când o secvenţă video MPEG este modificată,

iar apoi este salvată tot în format MPEG, avem
de-a face cu o dublă compresie. În cadrul acestui
proces, în secvenţa video rezultată sunt introduse
o serie de artefacte spaţiale şi/sau temporale.
Aceste artefacte pot fi cuantificate şi estimate
pentru a demonstra falsificarea secvenţei video
iniţiale.
2
MPEG DE DOUĂ ORI
I1 B2 B3 P4 B5 B6 P7 B8 B9 P10 B11 B12 I13 B14 . . .

➢Cadrele de tip I oferă cea mai bună calitate, dar
au cea mai redusă compresie. Cadrele de tip I sunt
codate folosind algoritmul de compresie JPEG;
➢Cadrele de tip P micşorează redundanţa
temporală de-a lungul cadrelor. Astfel, se obţine un
raport de compresie mai bun;
3
MPEG DE DOUĂ ORI
Estimarea mişcării 4
MPEG DE DOUĂ ORI
Cu erori de mişcare relativ reduse, această

modalitate de compresie duce la obţinerea unor rate
de compresie bune. Operaţia de decodare a cadrului
de tip P constă în modificarea cadrului precedent, în
concordanţă cu vectorul de mişcare, şi în adăugarea
erorii de mişcare. Prin eliminarea redundanţelor
temporale, cadrele de tip P realizează compresii mai
bune decât cadrele de tip I, dar, prin reducerea
uşoară a calităţii, datorată erorilor în estimarea
mişcării şi compresiilor succesive ale erorii de5
mişcare.
MPEG DE DOUĂ ORI
➢Cadrele de tip B sunt codate folosind compensarea

mişcării. Spre deosebire de cadrele de tip P,
estimarea mişcării cadrelor de tip B implică
utilizarea cadrelor învecinate de tip I sau P,
anterioare şi viitoare. Prin analiza realizată la două
momente de timp, estimarea mişcării este mai
precisă, iar rata de compresie este mai mare.
Decodarea cadrelor de tip B necesită prezenţa celor
două tipuri de cadre, care trebuie transmise cu
prioritate, deoarece estimarea mişcării s-a făcut pe6
baza lor.
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
MPEG DE DOUĂ ORI
Calitatea finală a secvenţelor video MPEG este

determinată de mai mulţi factori. Printre aceştia se
numără şi tipul cuantizării aplicate fiecărui cadru de
tip I. Prin urmare, când un cadru de tip I este
comprimat de două ori cu „calităţi” de compresie
diferite, coeficienţii DCT sunt cuantizaţi cu două
niveluri diferite.
Cuantizarea finală este determinată de tabelul de
cuantizare şi de scala de cuantizare.
8
MPEG DE DOUĂ ORI
Deoarece, encoderele video folosesc, de regulă,

matricea de cuantizare implicită, presupunem că
variaţia procesului de cuantizare este dată numai de
scala de cuantizare.
u
x= 
 q1 
Când secvenţa video comprimată este decodată, cu
scopul de a pregăti al doilea proces de compresie,
coeficienţii cuantizaţi suferă operaţia inversă de
decuantizare pentru a obţine valoarea lor iniţială,
9
conform relaţiei:
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
MPEG DE DOUĂ ORI
q1 = 5
Distribuţia coeficienţilor 11
MPEG DE DOUĂ ORI
q2 = 3
Deoarece descreşte mărimea pasului de la q1 = 5 la

q 2 = 3 coeficienţii sunt redistribuiţi diferit faţă de prima
cuantizare (de notat zonele goale din distribuţie).
Lucrurile se petrec simular, deşi artefactele sunt mai
puţin pronunţate, şi când se trece de la un pas de
cuantizare mai mic la unul mai mare.
Deoarece, vom calcula artefactele datorate dublei
compresii la nivel de macrobloc, se va analiza cazul
mai pronunţat, care corespunde la situaţia q 1 > q 2 . 12
MPEG DE DOUĂ ORI
Considerăm distribuţia coeficienţilor comprimaţi şi

decuantizaţi de tip Gaussian:
( y − xq1 )2
1
Pq1 (y x ) = N (y; xq1 ,  ) =
−
2 2
e
 2
Distribuţia coeficienţilor dublu comprimaţi este

dată de relaţia:
(z +0,5 )q 2 (z +0,5 )q 2
Pq1 (z x ) =  P) (y x )dy = (  N) (y; xq ,  )dy
q1 1
( z −0 , 5 q 2 z −0 , 5 q 2
13
MPEG DE DOUĂ ORI
Distribuţia marginală a coeficienţilor dublu

comprimaţi, z, este dată de:
(z +0,5 )q 2
Pq1 (z ) =  Pq1 (x )Pq1 (z x ) =  Pq1 (x )  N) (y; xq ,  )dy
1
x x ( z −0 , 5 q 2
Deoarece a doua cuantizare,q 2 , poate fi determinată

direct din secvenţa video codată, această distribuţie
poate fi folosită pentru a determina dacă coeficienţii
observaţi ai transformatei cosinus discrete pot proveni
dintr-o dublă compresie, unde prima compresie este
realizată cu pasul de cuantizare q 1 . 14
MPEG DE DOUĂ ORI
Valoarea Pq (x z i ) se estimează, în etapa E, folosind

1
regula lui Bayes:

Pq1 (x )Pq1 (z i x )
Pq1 (x z i ) =
Pq1 (z i )
În pasul M,Pq (x ) este actualizat prin integrarea lui Pq (x z i )
1 1
pentru toate valorile posibile ale lui z i
Cei doi paşi sunt realizaţi iterativ până se obţine

convergenţa.
15
MPEG DE DOUĂ ORI
Folosirea algoritmului în criminalistică
D(P(z ), Pq1 (z )) =
(P(z ) − P (z )) 2

q1
z s 2 (z )
( )
P(Z q1 ) = e
−D P ( z ), Pq1 ( z )
➢probabilitatea cuantifică în ce măsură

coeficienţii Z ai macroblocului au fost anterior
cuantizaţi cu valoarea q 1
16
MPEG DE DOUĂ ORI
Pentru a determina dacă un macrobloc a fost dublu

comprimat, luăm în considerare toate valorile
posibile ale lui q 1, care sunt strict mai mari decât q 2.
Valoarea maximă a lui P(Z q ), pentru toate valorile ale
1
lui q 1 , este luată ca fiind probabilitatea ca

macroblocul să fi fost dublu comprimat. Acest
proces este repetat pentru fiecare macrobloc şi
pentru fiecare cadru video.
17
MPEG DE DOUĂ ORI
Distribuţia coeficienţilor 18
MPEG DE DOUĂ ORI
a) un set original de coeficienţi

b) coeficienţii sunt o singură dată cuantizaţi cu pasul
q1 = 10
c) coeficienţii sunt de două ori cuantizaţi cu paşii

q1 = 12 q 2 = 10
d) distribuţia originală nu are valori în domeniul 15, 45
e) distribuţie cuantizată o dată q1 = 10
f) distribuţie cuantizată de două ori q1 = 12 q 2 = 10 19

MPEG DE DOUĂ ORI
➢ultimele două distribuţii sunt aproape identice

deoarece zonele libere aşteptate apar în regiuni în
care nu sunt prezente date
➢o astfel de situaţie va induce un fals pozitiv, adică
un macrobloc va fi clasificat ca fiind de două ori
cuantizat, deşi el nu a suferit această prelucrare.
Această situaţie nu este neobişnuită în practică, în
special pentru regiuni mari din imagine care sunt
uniforme. Se doreşte evitarea apariţiei clasificărilor
de fals pozitiv. 20
MPEG DE DOUĂ ORI
Pentru a calcula probabilitatea ca un set de

coeficienţi Z aparţinând unui macrobloc dat să fi
fost cuantizaţi la o calitate q 1 înainte de operaţia
de cuantizare curentă, se realizează o operaţie de
ponderare cu factorul c
Pc (Z q1 ) = c(Z, q1 )P(Z q1 )
c(Z, q1 ) = 1 − e  −
z
P (z ) / s (z )
21
MPEG DE DOUĂ ORI
Precizia
detecţiei se
îmbunătăţeşte
cu creşterea
raportului
scalei de
cuantizare
22
MPEG DE DOUĂ ORI
23
MPEG DE DOUĂ ORI
24
MPEG DE DOUĂ ORI
Regiunea de fundal are o probabilitate mai mare,

deoarece a fost comprimată de două ori, în timp ce
regiunea de prim plan, comprimată o singură dată,
are o probabilitate mai mică.
Detecţie lor este realizată cu un grad mare de
probabilitate, dacă raportul dintre primul şi al
doilea pas al scalei de cuantizare este mai mare
decât 1,7. În acelaşi timp, numărul de falsuri
pozitive este, în general, mic, iar poziţionarea
spaţială a acestor macroblocuri ne permite să le
eliminăm prin folosirea unui filtru median spaţial. 25
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
MPEG DE DOUĂ ORI
Secvenţă MPEG cu trei cadre şterse 27

MPEG DE DOUĂ ORI
Considerăm cazul ştergerii primelor şase cadre din

secvenţa următoare:
IBBPBBPBBPBBIBBPBBPBBPBB
Ştergerea primelor şase cadre conduce la secvenţa
următoare:
PBBPBBIBBPBBPBBPBB
care, după ce este recodată, devine:
IBBPBBPBBPBBIBBPBB
28
MPEG DE DOUĂ ORI
➢când această nouă secvenţă este recodată, apare o

mai mare eroare de mişcare între primul şi al doilea
cadru de tip P, deoarece provin din grupuri de cadre
diferite
➢eroarea de mişcare crescută va fi periodică,
apărând prin fiecare grup de cadre care urmează
cadrelor şterse
➢urmare a ştergerii cadrelor, acest artefact nu este
singular
29
MPEG DE DOUĂ ORI
Considerăm efectul ştergerii a patru cadre din

secvenţa următoare:
IBBPBBPBBPBBIBBPBBPBBPBB
Ştergerea primelor patru cadre conduce la secvenţa
următoare:
BBPBBPBBIBBPBBPBBPBB
care, după ce este recodată, devine:
IBBPBBPBBPBBIBBPBBPB
30
MPEG DE DOUĂ ORI
➢ne aşteptăm la o creştere periodică a erorii de

mişcare, ca urmare a relocării cadrelor din
grupurile de cadre
➢datorită compensării mişcării, aceste artefacte de
compresie se propagă prin cadrele de tip P
➢când cadrele migrează de la un grup de imagini
la altul, corelaţia se reduce şi, de aceea, creşte
eroarea de mişcare
31
MPEG DE DOUĂ ORI
F1 F2 F3 F4 F5
I1 P2 P3 P4 I 5
Datorită compresiei JPEG a cadrului de tip I şi

datorită compresiei JPEG a erorii de mişcare
pentru cadrele de tip P, fiecare cadru MPEG poate
fi scris, după cum urmează:
32
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
MPEG DE DOUĂ ORI
Considerăm, acum, că se şterg cadrele care aduc

cadrul P4 pe a treia poziţie şi cadrul I 5 pe a
patra poziţie. Eroarea de mişcare pentru noul
cadru codat P4 , va fi:
m̂ 4 = I 5 − M (P4 ) = F5 + N 5 − M (F4 + N 4 ) =
= F5 + N 5 − M (F4 ) − M (N 4 ) =
= F5 − M (F4 ) + (N 5 − M (N 4 ))
34
MPEG DE DOUĂ ORI
Reprezentarea cadrelor (din 50 în 50 cadre) 35

pentru cele două secvenţe
MPEG DE DOUĂ ORI
36
MPEG DE DOUĂ ORI
De notat că, ori de câte ori s-au şters cadre, eroarea

de mişcare are o structură periodică, care se
manifestă prin vârfuri în domeniul frecvenţelor
medii. Artefactele pentru ştergerile de câte 3, 6 sau
9 cadre sunt mai pronunţate decât celelalte.
Motivul este dat de faptul că în ştergerile de cadre
altele decât multiplu de 3, ultimele două sau
primele două cadre de tip B din grupul de cadre se
deplasează pe poziţia cadrelor de tip P.
37
MPEG DE DOUĂ ORI
Datorită naturii bidirecţionale a estimării mişcării

lor, zgomotul din aceste cadre de tip B este corelat
cu cadrele grupului de cadre din care fac ele parte şi
cu cadrele aparţinând grupului de cadre care
urmează. În ştergerile de cadre multiplu de 3,
cadrele de tip P sau I dintr-un grup de cadre se
deplasează pe poziţia P sau I a altui grup de cadre.
Zgomotul din aceste cadre, spre deosebire de cadrele
de tip B, este corelat numai cu cadrele aparţinând
grupului lor de cadre. 38
MPEG DE DOUĂ ORI
39
MPEG DE DOUĂ ORI
Similar cu exemplul precedent, eroarea de mişcare

prezintă o structură periodică pentru toate situaţiile
când au fost şterse sau inserate mai multe cadre.
Prin urmare, tehnica temporală de inserare sau
ştergere de cadre poate fi utilizată pentru a detecta
dacă o secvenţă video a fost falsificată.
Dezavantajul metodei temporale este dat de faptul că
această tehnică nu permite detectarea falsificărilor
dacă numărul de cadre inserate sau şterse este un
multiplu de lungimea grupului de cadre. 40
MPEG DE DOUĂ ORI
Contracararea metodei temporale este o operaţie

dificilă, deoarece falsificatorul ar trebui să estimeze
erorile de mişcare şi să le modifice pentru a distruge
artefactele temporale introduse de compresia MPEG
dublă.
41
VIDEO
1
FALSIFICAREA IMAGINILOR PRIN DUPLICARE
Secvenţă de imagini duplicate 2

Două metode de detectare a duplicării imaginilor:

➢ detectarea cadrelor duplicate;
➢ detectarea duplicării unor zone din imagine pe
parcursul a mai multor cadre.
3
Metoda duplicării cadrelor
4

 
C(u, v ) =
 (u
i i −  u )(v i −  v )
 (u −  )  (v −  )
i i u
2
i i v
2
Alegem o subsecvenţă video care începe la

momentul  şi are o lungime de n cadre. Aceasta
este dată de relaţia:
S (t ) = f (x, y, t +  ) t  0, n − 1
5

Definim matricea de corelaţie temporală, T , ca

fiind o matrice simetrică, de dimensiune n x n, ale
cărei elemente (i,j) reprezintă coeficienţii de
corelaţie dintre cadrele de ordin i şi j, aparţinând
subsecvenţei C ( S (i) S ( j )) .
Această matrice de corelaţie temporală reprezintă
corelaţiile dintre toate perechile de cadre din
subsecvenţa video.
6

Dacă, de exemplu, există o schimbare mică în

cadrul subsecvenţei video, elementele matricii vor
avea toate o valoare apropiată de 1, în timp ce,
dacă există o schimbare semnificativă în cadrul
secvenţei, atunci elementele matricii vor avea o
valoare apropiată de - 1.
7

Similar, corelaţiile spaţiale ale fiecărui cadru

aparţinând subsecvenţei S (t ) pot fi descrise cu
ajutorul unei matrice de corelaţie spaţială, B ,k (t ) ,
pentru k  0, n − 1 . Pentru a calcula această matrice,
mai întâi, un cadru este divizat în m blocuri care
nu se suprapun. Matricea de corelaţie spaţială este
simetrică şi are dimensiunea m x m Elementele
sale (i,j) sunt coeficienţii de corelaţie dintre
blocurile de ordin i şi j.
8

Matricile de corelaţie temporală şi spaţială,

cuprinzând corelaţiile subsecvenţelor, sunt utilizate
pentru a detecta cadrele duplicate din întreaga
secvenţă video. În prima etapă a procesului de
detecţie, se calculează matricea de corelaţie
temporală a tuturor subsecvenţelor care se suprapun
cu un cadru video. Apoi, este calculat coeficientul
de corelaţie C (T , T ) dintre perechi de astfel de
1 2
matrici, T şi T .
1 2
9

Orice două subsecvenţe video cu un coeficient de

corelaţie peste un prag specificat (apropiat de 1)
sunt interpretate ca fiind duplicate. În etapa a doua,
sunt comparate matricile de corelaţie spaţiale, B(T ) 1,k
şi B(T ) , pentru k  0, n − 1 , ale acestor subsecvenţe

2 ,k
video. Dacă coeficientul de corelaţie, C ( B , B )

1,k 2 ,k
dintre toate perechile ale acestor matrici este peste

o valoare de prag specificată (apropiată de 1),
atunci subsecvenţele video sunt considerate ca fiind
puternic corelate, temporal şi spaţial. 10

Prin urmare, există duplicare în cadrul subsecvenţelor.

Pentru a pune în evidenţă cadrele duplicate, sunt
combinate mai multe subsecvenţe cu acelaşi offset
temporal.O cameră video de supraveghere, fixă,
înregistrează un număr mare de scene statice, ceea ce
poate fi interpretat ca un proces de duplicare. Pentru a
elimina această problemă, se ignoră subsecvenţele
video care au elementul minim în matricea de corelaţie
peste o valoare de prag specificată (apropiată de 1). O
astfel de matrice de corelaţie arată că toate perechile
de cadre din subsecvenţele video sunt aproape identice 11
şi, prin urmare, scena este statică.

Secvenţă de imagini duplicate cu zone duplicate
12
Metoda duplicării regiunilor

F(x , y ,  1 )F* (x , y ,  2 )
P(x , y ) =
F(x , y ,  1 )F* (x , y ,  2 )
13
Două cadre generate de o cameră video care se

deplasează de la stânga la dreapta 14
Două secvenţe video generate de o cameră video 15

staţionară şi de o cameră video ţinută în mână
➢ pentru secvenţele video necomprimate generate de

camera fixă, 84,2 % din cadrele duplicate au fost
detectate, cu 0,03 % fals pozitiv;
➢ pentru imaginile necomprimate generate de camera
mobilă, au fost detectate 100 % cadrele duplicate,
cu 0 % cadre care au fost clasificate ca fiind
duplicate, deşi ele nu erau;
➢ îmbunătăţirea performanţelor pentru camera
mobilă, comparativ cu cea staţionară, provine din
faptul că duplicarea nu poate fi detectată pentru
mai multe cadre statice, care apar, de cele mai
multe ori, în secvenţe obţinute cu camera fixă.
16
Pentru a testa algoritmul la operaţia de compresie,

fiecare secvenţă video a fost comprimată MPEG, la
viteze de 3, 6 şi 9 Mbps.
Rezultatele obţinute reprezintă medierea pe 50 de
încercări aleatoare.
Secvenţă video Detecţie Fals pozitiv
3 6 9 3 6 9
Dată de camera fixă 87, 9 % 84,8 % 84,4 % 0,06 0,0 0,0
Dată de camera mobilă 86,8 % 99,0 % 100 % 0,0 0,0 0,0
Aceste rezultate arată că algoritnul de detectare a

duplicărilor este eficient, iar din punctul de vedere
17
al artefactelor de compresie este robust.
➢ Regiuni având dimensiunea de 64 x 64, 128 x 128,

256 x 256 pixeli;
➢ Pentru fiecare dimensiune de regiune, procesul de
prelucrare s-a repetat de 500 de ori. De fiecare
dată, s-au selectat aleator o regiune diferită şi o
pereche de cadre diferite.
Dimensiunea Detecţie Fals pozitiv
regiunii 3 6 9 3 6 9
64 x 64 8,6 % 23,4 % 35,0 % 0,004 0,000 0,000
128 x 128 70,4 % 80,0 % 82,2 % 0.006 0,004 0,002
256 x 256 100,0 % 100,0 % 100,0 % 0,000 0,000 0,000
18
Rezultatele arată că algoritmul de detectare a

regiunilor duplicate este eficient pentru regiuni de
dimensiuni relativ mari. În cazul regiunilor de
dimensiune redusă (64 x 64 pixeli, care reprezintă
circa 1% dintr-un cadru de 720 x 480 pixeli),
eficienţa detecţiei este redusă. În plus, algoritmul de
detecţie a regiunilor duplicate este relativ robust la
artefactele de compresie.
19
Duplicarea regiunilor în cadre generate

de o cameră video staţionară
20
Rezultatele obţinute prin utilizarea camerei mobile.

Precizia detectării falsurilor nu este tot atât de bună
ca în situaţia folosirii camerei video fixe. Motivul
este dat de faptul că artefactele de compresie sunt mai
importante în prezenţa mişcării, ceea ce induce
diferenţe mai mari în reginile duplicate originale. De
menţionat, că pentru regiuni de dimensiune 64 x 64
pixeli, performanţa realizată este ceva mai bună decât
în cazul utilizării camerei fixe.
21
Dimensiunea Detecţie Fals pozitiv

regiunii 3 6 9 3 6 9
64 x 64 16,6 % 30,8 % 39,4% 0,012 0,006 0,004
128 x 128 47,8 % 67,2 % 72,8 % 0.002 0,000 0,000
256 x 256 72,4 % 83,4 % 87,8% 0,004 0,004 0,002
Rezultatele obţinute pentru camera

video portabilă
22
Dimensiunea Detecţie
regiunii 3 6 9
64 x 64 100 % 100 % 100 %
128 x 128 100 % 100 % 100 %
256 x 256 97,6 % 100 % 100 %
Rezultatele obţinute pentru camera video

portabilă, pentru porţiune de câmp vizual
suprapus
23
Rezultatele arată că estimarea mişcării

camerei video este sigură, permiţându-ne să
eliminăm ambiguităţile legate de duplicarea
regiunilor şi apariţia simplă a unui obiect de
două ori în scenă datorită mişcării camerei.
24
Metoda duplicării imaginilor
25
Duplicarea în cadrul unei imagini
26
Duplicarea în cadrul unei imagini
Metoda prezentată de detectare a duplicării cadrelor

poate fi afectată dacă matricile de corelaţie
temporală şi spaţială sunt alterate prin realizarea
unor variaţii minore în cadrele inserate.
Deoarece fiecare cadru este subeşantionat cu un
factor 8, este greu de făcut schimbări semnificative
în matricile de corelaţie temporală şi spaţială fără a
se introduce artefacte vizuale notabile.
În ceea ce priveşte tehnica detectării duplicării
regiunilor, aceasta poate fi afectată dacă regiunile
duplicate sunt scalate sau rotite. 27
VIDEO
1
DETECTAREA FALSURILOR ÎN IMAGINI REEŞANTIONATE
Considerăm scenariul în care un fals este realizat

prin combinarea a două sau mai multe imagini.
Pentru a crea potrivirile necesare, imaginile trebuie
redimensionate, rotite, extinse etc. De regulă, pentru
a realiza aceste operaţii, imaginile trebuie să fie
reeşantionate cu o nouă frecvenţă, folosindu-se
diverse tehnici de interpolare (de exemplu,
bicubică). Deşi operaţia de reeşantionare a
imaginilor este imperceptibilă, ea conţine, totuşi, o
serie de corelaţii specifice, care, dacă sunt detectate, 2
reprezintă dovada falsificării.
Reeşantionarea unui semnal cu factorul p / q 3

Numărul acestor eşantioane poate fi mărit sau micşorat

la valoarea n, cu un factor p / q , parcurgând
următorii trei paşi:
➢ supraeşantionarea: se creează un nou semnal xu t  ,
cu pm eşantioane, unde xu  pt  = xt , t = 1, 2, ..., m
şi xu t  = 0 pentru celelalte valori (b);
➢ interpolarea: se realizează convoluţia semnaluluixu t 
cu un filtru trece jos: xi t  = xu (t ) * h(t ) (c);
➢ subeşantionarea: se creează un nou semnal xd t 
având n eşantioane, unde xd t  = xi qt , t = 1, 2, ..., n. 4
Semnalul reeşantionat este y(t ) = xd t  , (d).
Există mai mulţi algoritmi de reeşantionare (liniar,

cubic). Aceştia diferă prin forma filtrului de
interpolare, de la pasul 2, ht.
În exemplul ilustrat în figură, s-a ales un factor de
reeşantionare de 4 / 3 .
Deoarece toţi cei trei paşi din algoritmul de
reeşantionare sunt liniari, procesul poate fi descris
cu ajutorul unei ecuaţii liniare în funcţie de o
matrice.
5
 
y = Ap / q x
Coeficienţii acestei matrice descriu întregul proces de

reeşantionare. De exemplu, pentru o eşantionare cu
factorul 4 / 3 , folosind interpolarea liniară, matricea
are forma următoare:
 1 0 0 0 
0,25 0,75 0 0 
 
 0 0,5 0,5 0 
A4 / 3 = 
 0 0 0,75 0,25 
 0 0 0 1 
 
  6
Depinzând de rata de reeşantionare, procesul de

reeşantionare va introduce corelaţii cu grade diferite
între eşantioane învecinate. De exemplu, considerăm
un semnal supraeşantionat cu factorul 2, folosind
interpolare liniară. În acest caz, matricea de
reeşantionare ia forma următoare:
1 0 0 
0,5 0,5 0 
 
0 1 0 
A2 / 1 = 
 0 0,5 0,5 
0 0 1 
 
  7

Eşantioanele impare ale semnalului reeşantionat, y ,

iau valorile semnalului original, x :
y2i −1 = xi , i = 1, ..., m
Pe de altă parte, eşantioanele pare au valoarea egală

cu media vecinilor adiacenţi ai semnalului original.
y2i = 0,5xi + 0,5xi +1 , i = 1, ..., m − 1
Fiecare eşantion al semnalului original este regăsit

în semnalul reeşantionat, xi = y2i −1 şi xi+1 = y2i+1 . Prin
urmare, relaţia de mai sus poate fi scrisă numai în 8
funcţie de semnalele reeşantionate:
y2i = 0,5 y2i −1 + 0,5 y2i +1
Deci, valoarea fiecărui eşantion par este o combinaţie

liniară a celor două eşantioane adiacente învecinate.
În acest caz simplu, semnalul reeşantionat poate fi
detectat (în absenţa zgomotului), prin faptul că
fiecare eşantion este perfect corelat cu vecinii săi.
Pentru a se putea folosi în criminalistică, aceste tipuri
de corelaţii trebuie să fie prezente pentru orice rată de
reeşantionare.
9
Considerăm un semnal care este reeşantionat cu rata

arbitrară p / q. Dorim să calculăm eşantionul i al
semnalului reeşantionat. Este acesta egal cu
combinaţia liniară a celor 2N eşantioane învecinate?
? N
yi = 
k =− N
k y i+k
Reordonând termenii şi rescriind constrângerea de

mai sus în funcţie de elementele matricii de
reeşantionare, avem:
10
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 
Eşantionul i al semnalului reeşantionat este egal cu

combinaţia liniară a vecinilor săi, când rândul i al
matricii reeşantionate,  i , este egal cu combinaţia
 N
liniară a rândurilor învecinate,   . k i+k

11
k =− N
De exemplu, în cazul supraeşantionării cu factorul 2,

rândurile pare sunt o combinaţie liniară a celor două
rânduri impare adiacente. De notat că dacă eşantionul
i este o combinaţie liniară a vecinilor săi, atunci
eşantionul (i-pk), unde k este întreg, va fi dat de
aceeaşi combinaţie liniară a vecinilor săi, deoarece
corelaţiile sunt periodice.
Este posibil, ca ultima ecuaţie să fie satisfăcută atunci
când diferenţa din membrul stâng al ecuaţiei este

ortogonală cu semnalul original, x . Această
coincidenţă este întâmplătoare şi corelaţiile nu pot 12fi
periodice.
Detectarea operaţiei de reeşantionare

Fiind dat un semnal care a fost reeşantionat cu un
factor cunoscut şi folosind o metodă de interpolare,
de asemenea, cunoscută, este posibil să găsim un set
de eşantioane periodice care să fie corelate în
aceeaşi manieră cu vecinii lor.
13
Ca exemplu, luăm matricea dată de ecuaţia:

 1 0 0 0 
0,25 0,75 0 0 
 
 0 0,5 0,5 0 
A4 / 3 = 
 0 0 0,75 0,25 
 0 0 0 1 
 
 
Bazându-ne pe periodicitatea matricii

reeşantionate, constatăm că al treilea, al şaptelea,
al unsprezecelea etc. eşantion al semnalului
reeşantionat are aceeaşi corelaţie cu vecinii săi. 14
Forma specifică a acestor corelaţii poate fi

determinată prin găsirea mărimii vecinătăţii, N , Nşi a
  
setului de coeficienţi, i , care satisfac relaţia i  k i+k
  =  
k =− N

unde  i este rândul i al matricii reeşantionate şi
i=3, 7, 11 etc. Dacă, pe de altă parte, cunoaştem

forma specifică de corelaţie,  , atunci este simplu
să determinăm care eşantioane satisfac relaţia
N
yi = 
k =− N
k yi +k
15
În practică, nici eşantioanele care sunt corelate şi

nici forma specifică a corelaţiilor nu sunt cunoscute.
Pentru a determina dacă un semnal a fost
reeşantionat, folosim algoritmul EM (expectation-
maximization), cu scopul de a estima simultan un set
de eşantioane periodice care sunt corelate cu vecinii
lor şi forma specifică a acestor corelaţii. Presupunem
că fiecare eşantion aparţine unuia din cele două
modele. Primul model, M 1 , corespunde acelor
eşantioane y i care sunt corelate cu vecinii lor, 16
conform relaţiei:
N
M 1 : yi =  k y i + k + n(i )
k =− N
Al doilea model, M 2 , corespunde acelor eşantioane

care nu sunt corelate cu vecinii lor şi care sunt
generate de un proces extern. În primul pas al
algoritmului EM, în pasul E, se estimează
probabilitatea fiecărui eşantion de a aparţine unui
model, în timp ce în pasul M se estimează formele
specifice de corelaţie dintre eşantioane.
17
În etapa E, probabilitatea ca fiecare eşantion, y i , să

aparţină modelului M 1 se calculează cu regula lui
Bayes:
Pyi yi  M 1 Pyi  M 1 
Pyi  M 1 yi  =
 Py yi  M k Pyi  M K 
2
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
Py y  M  = exp−   
1 k =− N
i i 1 
 2  2 2
 
  18

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 )  Py i  M 1 y i 
19
 = (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 
     
Paşii E şi M sunt executaţi iterativ, până când se


obţine o estimare stabilă a lui  . 20

Valoarea finală a lui  are proprietatea că
maximizează probabilitatea eşantioanelor observate.
Un semnal original cu 32 eşantioane (sus) şi

semnalul reeşantionat cu factorul 4/3 (jos) 21
În partea de sus a figurii, este semnalul original,

având trecută probabilitatea fiecărui eşantion de a fi
corelat cu vecinii săi (primele şi ultimele două
eşantioane nu au trecută această probabilitate
datorită efectului de frontieră – o vecinătate de
dimensiune cinci, N=2). În partea de jos a figurii,
este prezentat semnalul reeşantionat, cu
probabilităţile corespunzătoare. Aşa cum era de
aşteptat, prin supraeşantionarea cu factorul 4/3,
numai la fiecare al patrulea eşantion, probabilitatea22
este 1.
În semnalul original, nu este prezentă o structură

periodică. Structura periodică introdusă de operaţia
de reeşantionare depinde, în mod evident, de rata de
reeşantionare. Deoarece suntem interesaţi, în primul
rând, de detectarea urmelor operaţiei de
reeşantionare, şi nu de rata de reeşantionare, această
limitare nu este critică. Există un domeniu al ratelor
de reeşantionare care nu introduc corelaţii
periodice.
23
Spre exemplu, considerăm o operaţie de

subeşantionare cu factorul doi (pentru simplitate,
luăm cazul când nu există interpolare). În acest caz,
matricea de reeşantionare este dată de:
1 0 0 0 0 
0 0 1 0 0 
A1 / 2 = 
0 0 0 0 1 
 
 
24
Se constată că nici o linie nu poate fi scrisă ca o

combinaţie liniară de linii învecinate (liniile sunt
ortogonale unele altora) şi, în acest caz, operaţia de
reeşantionare nu poate fi detectată. În general,
detectarea unei prelucrări prin reeşantionarea
semnalului original se poate determina prin
generarea matricii de reeşantionare şi verificarea
afirmaţiei că orice linie poate fi exprimată ca o
combinaţie liniară a liniilor învecinate.
25
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
Fie o porţiune a unei reţele de eşantionare 2-D

originale, aceeaşi reţea supraeşantionată cu un factor
2 şi un subset de pixeli ai imaginii reeşantionate.
Reeşantionarea semnalelor 2-D 27

Presupunând o operaţie de interpolare liniară,

pixelii sunt daţi de relaţia:
y 2 = 0,5 y1 + 0,5 y3
y 4 = 0,5 y1 + 0,5 y 7
y5 = 0,25 y1 + 0,25 y3 + 0,25 y 7 + 0,25 y9
y1 = x1 , y3 = x 2 , y7 = x 3 , y9 = x 4
Pixelii imaginii reeşantionate din liniile impare

şi coloanele pare (de exemplu y2 ) vor fi daţi de
aceeaşi combinaţie liniară a celor doi vecini
orizontali. 28
Similar, pixelii imaginii reeşantionate din rândurile

pare şi coloanele impare (de exemplu y4 ) vor fi daţi
de aceeaşi combinaţie liniară a celor doi vecini
verticali.
29
Imagini
reeşantionate prin
supraeşantionare
30
Imagini
reeşantionate
prin
subeşantionare
31
Imagini rotite
reeşantionate
32
Imagini, supuse
transformărilor
afine,
reeşantionate
33
Imagini
reeşantionate de
două ori
34
Imaginea din coloana stângă este rezultatul

supraeşantionării imaginii originale cu 15 %. Apoi,
imaginea reeşantionată este rotită cu 5 0 . Aceleaşi
operaţii au fost realizate asupra imaginii originale în
ordine inversă, iar rezultatele sunt prezentate în
coloana din dreapta.
De notat, că în timp ce imaginile, din punct de
vedere perceptual, sunt identice, structura lor
periodică este foarte distinctă. Datorită celor două
operaţii de reeşantionare, transformatele Fourier au35
mai multe seturi de vârfuri.
La fel ca în cazul unei singure operaţii de

reeşantionare, operaţiile consecutive de
reeşantionare pot fi cu uşurinţă detectate.
Exemple în care algoritmul de detectare aplicat
imaginilor reeşantionate a fost folosit şi pentru
porţiuni din imagini, care au fost reeşantionate.
Regiunile din fiecare imagine au fost prelucrate prin
alungire, rotire, decupare etc., operaţii realizate cu
aplicaţia software Adobe Photoshop.
36
În fiecare imagine este arătată fotografia originală,

cea falsificată (în care o porţiune din imagine este
înlocuită sau modificată), precum şi harta de
probabilitate estimată. De menţionat că, în fiecare
caz, regiunea reeşantionată a fost corect detectată,
vârfurile bine localizate din domeniul Fourier punând
în evidenţă zonele asupra cărora s-a intervenit. Pentru
a fi mai bine afişată, fiecare transformată Fourier a
fost scalată (utilizându-se întregul domeniu al
intensităţii) şi a fost filtrată cu un filtru trece sus (se
elimină cele mai joase frecvenţe). 37
Porţiune din imagine reeşantionată 38

În ultima imagine de pe rândul doi, sunt ilustrate

amplitudinea transformatei Fourier a regiunii
imaginii falsificate (stânga) şi a imaginii originale
(dreapta), reprezentând numărul de înmatriculare.
Structura periodică (vârfurile) în regiunea
numărului de înmatriculare sugerează o operaţie de
reeşantionare a acestei zone.
39
Falsificarea imaginii următoare constă în eliminarea

unui scaun din imaginea originală. Pentru aceasta s-
a luat dintr-o altă imagine (care nu este prezentată)
imaginea podelei, care a fost potrivită cu imaginea
aceleiaşi camere. Structura periodică din ultima
imagine (vârfurile), din rândul doi (săgeţile), arată
existența unei regiuni în noua podea care a fost
reeşantionată.
40
Porţiune din
imagine
reeşantionată
41
Falsificarea următoarei imagini constă în îngroşarea

şi rotirea stâlpilor. În ultima imagine de pe rândul
doi, sunt arătate amplitudinile transformatelor
Fourier ale regiunii stâlpilor (stânga) şi clădirii
(dreapta). Structura periodică (vârfurile) sugerează
o operaţie de reeşantionare în acea regiune.
42
Porţiune din imagine

reeşantionată
43
Sensibilitatea şi robusteţea algoritmului

Din punctul de vedere al ştiinţelor criminalistice,
este important să cuantificăm robusteţea şi
sensibilitatea algoritmului de detecţie a prelucrărilor
prin reeşantionare. În acest sens, trebuie să definim
o măsură cantitativă a elementelor periodice găsite
în harta de probabilitate estimată. Pentru a face
acest lucru, comparăm harta de probabilitate
estimată cu un set de hărţi de probabilităţi generate
sintetic, care conţin structuri periodice similare
celor ce apar în imaginile reeşantionate. 44
Fiind dat un set de parametri reeşantionaţi şi metoda

de interpolare, se generează o hartă sintetică,
bazându-ne pe periodicitatea matricii de
reeşantionare. Sunt posibile, totuşi, mai multe
structuri periodice, care să provină dintr-o imagine
reeşantionată.
0 0,5 0 0 0 0 0,25 0 0,25
 2 = 0,5 0 0,5

 1 = 0 0 0
 
 3 =  0 0 0 

0 0,5 0  0 0 0  0,25 0 0,25
45
Astfel, pentru exemplul de mai sus, cu operaţia de

supraeşantionare având factorul 2, algoritmul EM
converge la expresia:
− 0,25 0,5 − 0,25
 =  0,5 0,5 

0
− 0,25 0,5 − 0,25
Deoarece algoritmul EM converge, în mod

normal, către un set unic de coeficienţi liniari,
atunci şi structura periodică către care converge
este unică. 46
Este posibil să se prezică această structură prin

analizarea structurilor periodice care converg dintr-un
set mare de imagini. Totuşi, în practică, pentru
această operaţie, sunt necesare resurse de calcul
puternice.
47
VIDEO
1
FOTOGRAMMETRIE
Fotogrammetria este definită ca ştiinţa care se ocupă

cu realizarea de măsurări precise în imagini
(fotografii) sau, datorită interesului crescut în
modelarea 3-D, ca arta convertirii imaginilor 2-D în
modele 3-D. Imaginile şi secvenţele video
încorporează în structura lor o cantitate imensă de
informaţii geometrice despre scena reprezentată. În
ştiinţele criminalistice este necesar să se extragă
aceste informaţii într-o formă cuantificabilă şi
precisă. 2
FOTOGRAMMETRIE
S-au dezvoltat tehnici generale care permit măsurări

precise în cadrul scenelor analizate. Din
interpretarea fotografiilor, se pot reconstrui
modelele digitale 3-D.
3
FOTOGRAMMETRIE
Deoarece multe imagini sunt de foarte slabă calitate, nu

este posibil să se recunoască chipurile umane ale
suspecţilor sau alte caracteristici distincte ale hainelor.
Prin urmare, înălţimea persoanelor devine un element
extrem de important pentru identificarea acestora.
Măsurarea
înălţimii unei
persoane
4
ANALIZA IMAGINILOR ŞI ÎNREGISTRĂRILOR VIDEO
FURNIZATE DE UAV-uri
Măsurarea înălţimii unei

persoane
5
ANALIZA IMAGINILOR ŞI ÎNREGISTRĂRILOR VIDEO
FURNIZATE DE UAV-uri
Măsurarea înălţimii unei

persoane
6
FOTOGRAMMETRIE
Măsurarea
înălţimii unei
persoane
7
FOTOGRAMMETRIE
Linii şi puncte de fugă

➢ne oferă informaţii despre direcţia liniilor şi
orientarea planelor;
➢aceste caracteristici pot fi estimate direct din
imagini, nefiind necesare alte cunoştinţe despre
geometria relativă dintre camera video şi scena
vizată de aceasta;
➢adesea, aceste elemente sunt în afara imaginii
fizice, dar calculul nu este afectat.
8
FOTOGRAMMETRIE
Primul pas pentru determinarea punctelor şi liniilor

de fugă îl reprezintă detectarea precisă a muchiilor
obiectelor drepte. Pentru detectarea muchiilor,
imaginea trebuie segmentată pentru ca precizia
detecţiei să fie la un nivel mai mic de un pixel. În
imagini luate în perspectivă, liniile paralele se
intersectează în acelaşi punct de fugă. Acesta este
definit de cel puţin două astfel de linii. Calcularea
punctului de fugă al unei direcţii verticale se face
prin prelungirea muchiilor paralele din imagine.
9
FOTOGRAMMETRIE
Determinarea punctului de fugă

Acestea se intersectează în punctul de fugă (cercul
alb). Pentru a determina punctul de fugă, sunt
suficiente numai două linii. 10
FOTOGRAMMETRIE
Imaginile liniilor paralele unele cu altele şi cu un

plan se intersectează în punctele liniei de fugă a
planului. Pentru determinarea acestuia, sunt
suficiente două seturi de linii, având direcţii diferite.
Determinarea liniei de fugă

11
FOTOGRAMMETRIE
Linia de fugă a suprafeţei pământului este continuă şi

de culoare neagră. Scândurile de pe cele două laturi
ale magaziei definesc două seturi de linii paralele cu
suprafaţa pământului (liniile întrerupte). Ele se
intersectează într-un punct al liniei de fugă. Sunt
suficiente două puncte pentru a defini linia de fugă a
planului. Presupunem că linia de fugă a planului de
referinţă din scenă poate fi determinată din imagine,
împreună cu un punct de fugă pentru o direcţie de
referinţă (care nu este paralelă cu planul). 12
FOTOGRAMMETRIE
Calibrarea minimală şi măsurarea înălţimilor

Pentru a calcula distanţele punctelor faţă de un plan
de referinţă se foloseşte un algoritm, care este
aplicabil planurilor de referinţă având orice orientare.
Direcţia de-a lungul căreia se măsoară anumite
distanţe nu trebuie să fie ortogonală cu planul de
referinţă. Totuşi, în toate aplicaţiile ce se vor
exemplifica mai departe, planul de referinţă este
planul orizontal al suprafeţei pământului, iar direcţia
este verticală. În această situaţie, distanţa unui punct
faţă de planul suprafeţei pământului reprezintă 13
înălţimea punctului.
FOTOGRAMMETRIE
Spre deosebire de fotogrammetria clasică,

informaţia de calibrare, cum ar fi poziţia camerei
video, orientarea sa, parametrii interni ai camerei
video (distanţa focală, factorul de aspect etc.) nu
este necesară. În general, aceşti parametri sunt dificil
de obţinut pentru că poziţia camerei, precum şi alte
setări interne ale ei se pot modifica. În schimb, sunt
necesare informaţii geometrice minimale despre
punctele şi liniile de fugă, despre liniile şi înălţimile
de referinţă. 14
FOTOGRAMMETRIE
Se poate calcula înălţimea oricărui punct faţă de

planul de bază, dacă sunt cunoscute linia de fugă a
planului de referinţă, punctul de fugă vertical şi cel
puţin o înălţime de referinţă din scenă.
Imaginea geometrică şi de perspectivă 15

FOTOGRAMMETRIE
Măsurarea se realizează în două etape:

➢calibrarea minimală: din imagine se determină liniile
de fugă şi punctele de fugă necesare, împreună cu
segmentul de referinţă, după care se măsoară înălţimea
de referinţă verticală;
➢se calculează înălţimea între punctele de sus, t, şi de
jos, b.
Linia de fugă a planului de referinţă apare la
intersecţia imaginii cu un plan paralel planului de
referinţă şi conţine camera video în centru. Punctul de
fugă vertical este dat de intersecţia planului imagine16
cu linia verticală dusă prin centrul camerei video.

FOTOGRAMMETRIE
Desenarea liniilor de fugă
17
FOTOGRAMMETRIE
Desenarea liniilor de fugă 18

FOTOGRAMMETRIE
Desenarea
liniilor de fugă
19
FOTOGRAMMETRIE
Pentru realizarea unei minime calibrări, sunt necesare:

➢linia de fugă a planului defineşte orientarea planului
de referinţă relativ la planul imaginii;
➢punctul de fugă vertical defineşte direcţia verticală
relativ la planul imaginii;
➢segmentul de linie din imagine corespunzător
înălţimii de referinţă din scenă defineşte metrica de
calibrare pentru liniile verticale.
20
FOTOGRAMMETRIE
Linia de fugă a planului şi punctul de fugă vertical se

pot calcula direct din imagine, fără a fi necesare
cunoştinţe suplimentare despre geometria relativă
dintre camera video şi scena vizualizată. Uneori,
linia de fugă şi punctul de fugă calculate pot fi
situate în afara imaginii fizice.
Dacă o imagine a fost calibrată, prin construcţii
geometrice, se poate calcula înălţimea oricărui punct
faţă de planul de referinţă.
21
FOTOGRAMMETRIE
Geometria de bază a imaginii

22
FOTOGRAMMETRIE
Calculul se poate realiza prin folosirea metodei

homografice linie la linie. Homografia linie la linie
poate fi scrisă, conform relaţiei:
 xw   xi 
  = H  
 l   l 
 h r (d (p, b ) − d (i, b )) 0 
H =  
 − d (i, b ) d (p, b ) d (i, b )
s1  d (t, b )
h= s = H  
s2  l 
i = (px b) x (t r x (l x (br x b))) 23

FOTOGRAMMETRIE
Înălţimea la care este amplasată camera video

Înălţimea oricărui obiect h t b i
Înălţimea camerei video hc c br t r
Echivalenţa punctelor
c = (px br ) xl
24
FOTOGRAMMETRIE
Dorim să realizăm trei tipuri de măsurări:

➢măsurarea distanţei dintre plane care sunt
paralele cu planul de referinţă;
➢măsurări în aceste plane şi compararea
rezultatelor cu altele obţinute în oricare alte plane
paralele;
➢determinarea poziţiei camerei video faţă de
planul de referinţă şi de direcţie.
Metodele de măsurare sunt independente de
parametrii interni ai camerei video (distanţa focală,
factorul de aspect etc.). 25
FOTOGRAMMETRIE
Măsurări între plane paralele
Măsurarea distanţei dintre două plane 26

FOTOGRAMMETRIE
Măsurarea înălţimii unei persoane
27
FOTOGRAMMETRIE
Măsurarea înălţimii persoanelor 28

FOTOGRAMMETRIE
29
Efectul de “butoi”
FOTOGRAMMETRIE
30
Imagine prelucrată pentru eliminare efect de “butoi”
FOTOGRAMMETRIE
31
Imagine corectată (reală)
FOTOGRAMMETRIE
Măsurarea înălţimii persoanelor 32

FOTOGRAMMETRIE
Măsurări în cadrul planelor paralele
Măsurarea unor elemente din imagine 33

FOTOGRAMMETRIE
Măsurarea raportului ariilor a două suprafeţe

A1
= 1,45
A2
34
FOTOGRAMMETRIE
Variaţia înălţimii persoanelor în mişcare
Analiza scenei în care se deplasează o persoană 35

FOTOGRAMMETRIE
Variaţia de
înălţime
pentru o
persoană care
se deplasează
36
FOTOGRAMMETRIE
Variaţia de
înălţime
pentru a doua
persoană care
se deplasează
37
VIDEO
1
VIDEOGRAMMETRIE
Conceptul de videogrammetrie, apărut acum circa

20 de ani, se referă la operaţii de înregistrare şi
afişare simultană a secvenţelor video (folosind
dispozitive video), care, apoi, sunt procesate prin
folosirea sistemelor şi algoritmilor fotogrammetrici.
Un sistem fotogrammetric are următoarele
caracteristici:
➢este flexibil în problemele de reconstrucţie 3-D;
➢generează rezultate foarte precise şi sigure;
➢poate controla rezultatele măsurărilor. 2
VIDEOGRAMMETRIE
Măsurarea înălțimii femeii în funcție de elementele

fixe ale scenei (intrarea magazinelor, gresia
podelei etc) 3
VIDEOGRAMMETRIE
Imagini din înregistrări video

Dificultăţile se pot separa în două procese
independente:
➢corecţia distorsiunii introduse de lentilele
obiectivului camerei video;
➢calibrarea necesară datorită perspectivei obiectelor
4
din imagine.
VIDEOGRAMMETRIE
Corecţia de distorsiune a lentilelor poate fi realizată

dacă în imagini apar obiecte cu muchii drepte.
Panou de referinţă cu rastru 5

VIDEOGRAMMETRIE
6
Obiect de calibrare
VIDEOGRAMMETRIE
Distorsiunea lentilelor obiectivului camerei video

Distorsiunea lentilelor este dată de o funcţie care
modelează deviaţiile unui obiectiv pinhole faţă de
situaţia ideală.
 xd / H   xu / H  2 u
x / H − cx 
  =   + kru  

 y d / V   y u / V   y u / V − c y 
ru2 = s 2x (x u / H − c x ) + (y u / V − c y )
2 2
7
VIDEOGRAMMETRIE
Distorsiunea unui dreptunghi pentru trei

valori diferite ale lui k: -0,35, 0, 0,35
Această distorsiune poate fi compensată prin
folosirea procedurii următoare :
➢se selectează muchiile din imagine care par
drepte şi se memorează pentru fiecare linie
coordonatele pixelilor din capetele ei şi ale unui
8
punct aflat pe mijlocul ei;
VIDEOGRAMMETRIE
➢pentru fiecare muchie, se calculează distanţa

dintre punctele de capăt ale liniei şi punctul din
mijloc;
➢pentru fiecare muchie, se calculează suma
pătratelor distanţelor ca măsură a distorsiunii;
➢se caută o transformare a distorsiunii tuturor
punctelor, care minimizează măsura distorsiunii.
9
VIDEOGRAMMETRIE
Grafice ale liniilor care trec prin trei puncte
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
Măsurarea înălţimii suspectului
Două tipuri de imagini:

➢imagini care conţin atât capul, cât şi picioarele
suspectului;
➢imagini care prezintă numai partea de sus a
corpului suspectului.
În ambele cazuri presupunem că suspectul stă în
picioare, pe podea.
13
VIDEOGRAMMETRIE
Simularea Monte Carlo

➢se introduc parametrii distribuţiei coordonatelor
pixelului pentru orice punct care este utilizat în
algoritmul de calcul;
➢pentru toate coordonatele, se selectează aleator
valori din distribuţie;
➢se calculează distorsiunea lentilei obiectivului şi se
realizează transformarea coordonatelor tuturor
pixelilor pentru a compensa distorsiunea introdusă
de lentilă; 14
VIDEOGRAMMETRIE
➢aleator, în cazul în care imaginea nu afişează

picioarele suspectului, se selectează o valoare
pentru coordonata X sau Z;
➢se calculează înălţimea suspectului şi se
actualizează histograma;
➢se calculează parametrii de proiecţie a
perspectivei;
➢dacă schimbările din histogramă sunt
semnificative, ne întoarcem la pasul 2.
15
VIDEOGRAMMETRIE
16
Imagine de test
VIDEOGRAMMETRIE
Influenţa distorsiunii lentilei obiectivului
Histograma marker-ului de sus al obiectului de 17
calibrare
VIDEOGRAMMETRIE
Influenţa eşantionării condiţionate
Histograma înălţimii persoanei care apare 18

în întregime în imagine
VIDEOGRAMMETRIE
Imagini care nu cuprind în întregime persoana
Histograma înălţimii persoanei care nu apare 19

în întregime în imagine
VIDEOGRAMMETRIE
Concluzionând, putem afirma că simularea Monte

Carlo reprezintă o metodă eficientă de calcul a
înălţimii unei persoane, care apare în imagini ce
trebuie expertizate. Rezultatul obţinut este o
distribuţie de probabilitate.
Alte metode calculează valorile minime şi maxime
ale înălţimii persoanei suspecte, fără a da alte
informaţii despre probabilitatea apariţiei acestor
valori extreme.
20
EXPERTIZA
CRIMINALISTICA
1
VIDEO
2
Recunoaşterea chipurilor umane
VIDEO
3
Identificarea chipurilor umane
VIDEO
4
VIDEO
5
VIDEO
Caracteristici ale figurii

umane
6
VIDEO
Principalele
puncte ale
figurii umane
7
VIDEO
Elemente de
morfologie ale
figurii umane
8
VIDEO
Dezvoltarea sistemelor video digitale a făcut, ca în

prezent, să existe o mare varietate de echipamente
ce captează imagini, le înregistrează şi le afișează
(a crescut rezoluţia). Prin urmare, o cerința de
„Recunoaștere” nu mai poate echivala cu 50% din
înălțimea ecranului. De exemplu, prin utilizarea
camerelor megapixel şi a afișajelor de înaltă
rezoluție, este acum posibil să furnizăm aceeași
rezoluție a imaginii ca înainte utilizând o
dimensiune procentuală mai mică din ecran.
9
VIDEO
Prin urmare, tabelele de conversie indică modul în

care criteriile privind procentul tradițional din
înălțimea ecranului pentru sistemul PAL
menţionat (576i) vor fi comparate cu o gamă de
rezoluții non-PAL. 576i are un echivalent al
rezoluţiei verticale prin baleiere progresivă de
aproximativ 400 pixeli, această cifră fiind utilizată
în tabelele ce urmează.
10
VIDEO
Rezoluții întâlnite in mod obișnuit (in pixeli)
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
VIDEO
Echivalentul persoanei din înălțimea ecranului

pentru diferite rezoluții digitale (in procente)
Categorie PAL 1080p 720p WSVGA SVGA 4CIF VGA 2CIF CIF QCIF
Inspectare 400 150 250 300 300 300 350 600 600 1200
Identificare 100 40 60 70 70 70 85 150 150 300
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
VIDEO
Dezvoltarea tehnologică a camerelor video a dus la

apariţia a mai multor formate şi rezoluţii. În locul
utilizării dimensiunii verticale sau a procentului
acesteia raportat la imagine, putem utiliza densitatea
de pixeli pe direcţia orizontală. Densitatea de pixeli
se referă la numărul de pixeli care reprezintă
elementul de interes, spre exemplu faţa umană. În
medie, faţa umană are o laţime de circa 16 cm (6,3
inch). Pentru identificarea facială sunt necesari 80 de
pixeli, pentru condiţii dificile.
13
VIDEO
Prin condiţii dificile înţelegem situaţiile în care

iluminarea este redusă sau variază foarte mult.
Oamenii, obiectele şi vehiculele sunt văzute dintr-un
unghi ce face ca detaliile acestora să fie în umbră sau
elementele menţionate sunt la mare distanţă de
camera video. O altă situaţie dificilă este când
oamenii, obiectele şi vehiculele se deplasează cu
viteză mare într-o anumită zonă. De asemenea, când
evenimentele se desfăşoară în exterior, fără surse
suplimentare de lumină sau în interior, în condiţii
14
foarte întunecoase.
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)
Recognition 20 px/face 1,25 px/cm 3,2 px/in
Detection 4 px/face 0,25 px/cm 0,6 px/in
Identificarea facială
15
VIDEO
În ceea ce priveşte recunoaşterea numerelor de

înmatriculare ale autovehiculelor, fiecare caracter
alphanumeric al numărului trebuie să aibă înălţimea
de 15 pixeli. Acest lucru înseamnă că se pot
recunoaşte caracterele numărului de înmatriculare
dacă imaginea corespunzătoare acestuia are circa
200 de pixeli/metru.
16
VIDEO
17
VIDEO
18
VIDEO
DCT cu toti coeficientii

19
VIDEO
DCT cu coeficientul DC
20
VIDEO
DCT cu coeficientul DC + 2 AC
21
VIDEO
DCT cu coeficientul DC + 9 AC
22
VIDEO
23
VIDEO
24
VIDEO
25
VIDEO
26
VIDEO
1
RECUNOAŞTEREA PLĂCII ŞI NUMĂRULUI DE
ÎNMATRICULARE
Problematica recunoaşterii numerelor de înmatriculare

a autovehiculelor se află la graniţa domeniilor legate de
inteligenţă artificială, machine vision, reţele neuronale.
Domeniul include algoritmi şi principii matematice,
care asigură detecţia plăcii numărului de înmatriculare,
procese de segmentare a caracterelor de pe zona
detectată, operaţii de normalizare şi recunoaştere.
Sunt luate în considerare metode pentru realizarea
invarianţei sistemului la efectele de perspectivă şi de
translaţie, în condiţii diverse de iluminare, care
afectează procesul de captură a imaginii. 2
ÎNMATRICULARE
Aceste funcţii sunt realizate de aşa-numitele sisteme

ANPR (Automatic Number Plate Recognition).
În multe cazuri, autovehiculele sunt identificate prin
numerele lor de înmatriculare. Dacă operaţia este
făcută de o persoană, avem de-a face cu o simplă
citire, dar, pentru o maşină automată, lucrurile sunt
ceva mai complicate. Pentru aceasta din urmă, placa
numărului este o simplă imagine în tonuri de gri. Din
domeniul spaţial al imaginii se extrag informaţiile
legate de numărul de înmatriculare. 3
ÎNMATRICULARE
Mişcarea autovehicului în timpul procesului de

captură video
4
ÎNMATRICULARE
Număr de înmatriculare vizibil datorită

iluminării suplimentare şi reflexiei plăcii de
înmatriculare 5
ÎNMATRICULARE
Principiul detecţiei zonei numărului de înmatriculare

Primul pas în procesul de recunoaştere automată a
numărului de înmatriculare îl reprezintă detecţia
zonei în care se află acesta. De regulă, algoritmii
utilizaţi încearcă să detecteze o zonă dreptunghiulară
în cadrul imaginii, cu muchii orizontale şi verticale.
w −1 h −1
~
f (x, y ) = f (x, y ) * mx, y =  f (x, y )  mmod w (x − i ), mod h (y − j)
i =0 j=0
Fiecare operaţie în imagine este definită de o matrice

de convoluţie. Aceasta ne arată în ce măsură un anumit
pixel este afectat de pixelii învecinaţi, în cadrul 6
procesului de convoluţie.
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
Pixel afectat de vecinii săi conform matricii de

convoluţie
7
ÎNMATRICULARE
Detecţia muchiilor orizontale şi verticale

Pentru a detecta muchiile orizontale şi
verticale, realizăm o convoluţie a imaginii
sursă cu matricile m he şi m ve.
 − 1 − 1 − 1  − 1 0 1
   
m he =  0 0 0 m ve =  − 1 0 1
 1   − 1 0 1
 1 1   
 − 1 − 2 − 1  − 1 0 1
   
Gx =  0 0 0 Gy =  − 2 0 2
1 2 1   − 1 0 1 8
  
ÎNMATRICULARE
G = G 2x + G 2y G = Gx + Gy
Imagini obţinute cu filtre de ordine şi de 9

detecţie a muchiilor
ÎNMATRICULARE
Proiecţia orizontală şi verticală a imaginii

După operaţiile de convoluţie, se poate detecta zona
din imagine în care se află placa cu numărul de
înmatriculare. Pentru aceasta se foloseşte metoda
proiecţiei orizontale şi verticale a imaginii pe axele
x şi y.
10
ÎNMATRICULARE
Proiecţia verticală a imaginii pe axa y 11

ÎNMATRICULARE
h −1 w −1
p x (x ) =  f (x, j) p y (y ) =  f (i, y )
j=0 i =0
Analiza statistică a imaginii

➢prima fază se ocupă cu detectarea unei arii mai
mari, în care se află placa de înmatriculare;
➢faza a doua de analiză realizează prelucrările
necesare.
f (x, y ) x 0  x  x1 y 0  y  y1
x 0 = 0, y0 = 0, x1 = w − 1 y1 = h − 1
b = (x b0 , y b0 , x b1 , y b1 ) (x b0 = x min )  (x b1 = x max )  (y min  y bo  y b1  y max12)

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 )
Banda poate fi definită ca o selecţie verticală din

imagine, iar placa de înmatriculare ca o selecţie
orizontală a benzii.
Culoarea neagră reprezintă rezultatul primei faze, în
timp ce culoare roşie reprezintă finalitatea fazei a
doua. Benzile sunt desenate cu linie întreruptă, iar
placa de înmatriculare cu linie continuă. 13
ÎNMATRICULARE
Selectarea benzii şi a plăcii de înmatriculare 14

ÎNMATRICULARE
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
ÎNMATRICULARE
Proiecţia verticală după convoluţia cu un vector

de ordine 16
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
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 )
Aria mai mare a plăcii numărului de înmatriculare 18

ÎNMATRICULARE
Proiecţia orizontală a plăcii numărului de

înmatriculare
19
ÎNMATRICULARE
p x (x ) − p x (x − h )
px (x ) =
h
Proiecţia orizontală a derivatei

20
ÎNMATRICULARE
 
x p0 = minw x px (x )  c d  maxpx (x )
0 x  0 x  w
= max x p (x )  c  min p (x )

2
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
ÎNMATRICULARE
 = 0,151 + 0,25 2 + 0,43 + 0,4 4

1 = y b 0 − y b1
Înălţimea benzii în pixeli.Vor fi
preferate benzile cu o înălţime mai
mică.
1
2 =
Py (y bm ) p y (y bm )
este valoarea maximă a
vârfului proiecţiei verticale. Va fi
preferată banda cu cea mai mare
cantitate de muchii verticale.
22
ÎNMATRICULARE
1
3 = y b1
 p (y ) y Se ia în considerare şi aria de sub

y=yb 0
grafic, între yb0 şi y b1 . Aceste puncte
definesc o poziţie verticală pentru
banda evaluată.
x p0 − x p1 Raportul dintre lăţime şi înălţime

4 = −5
y p0 − y p1 este 5.
23
ÎNMATRICULARE
p 0  p n −1
Segmentarea numărului în caractere individuale

1 n −1
1 =  (w i − w )2
n i =0
1 n −1
w =  wi
n i =0 24
ÎNMATRICULARE
Numerele de înmatriculare constau din caractere

închise pe fundal deschis. Putem folosi histograma
strălucirii pentru a determina elementele care
îndeplinesc această condiţie.
Histograma numărului de înmatriculare 25

ÎNMATRICULARE
Placa numărului de înmatriculare este negativă când 2

este negativ.
 bmax   bmid 
 2 =   H (b) −   H (b )
 b=bmid   b=bmin 
b max − b min
b mid =
2
De multe ori, datorită poziţiei autovehiculului faţă
de camera video, în imagineea instantanee, zona
plăcii numărului de înmatriculare apare înclinată.
Acest fapt îngreunează semnificativ procesul de
26
recunoaştere.
ÎNMATRICULARE
Prin urmare, este necesară implementarea unor

mecanisme suplimentare, care să detecteze şi să
compenseze poziţia oblică a plăcii de înmatriculare.
Problema fundamentală a acestui mecanism este
determinarea unghiului de rotire a plăcii de
înmatriculare. Odată determinat unghiul, se aplică o
transformare afină de corecţie. Placa numărului de
înmatriculare este un obiect tridimensional, care, în
procesul de captură a imaginii, este proiectat într-un
spaţiu bidimensional. Poziţia obiectului poate fi rotită
şi proporţiile lui pot fi, de asemenea, modificate. 27
ÎNMATRICULARE
Înclinarea plăcii numărului de înmatriculare
28
ÎNMATRICULARE
Transformata Hough permite extragerea

caracteristicilor unei forme dintr-o imagine. De
regulă, ea este folosită pentru a detecta linii.
Transformata Hough nu face distincţie între forme
rotite şi forme „tăiate”. Cu ajutorul ei, se poate calcula
un unghi al unei imagini, într-un domeniu
bidimensional.
29
ÎNMATRICULARE
Imaginile plăcii originale a numărului de

înmatriculare (stânga) şi a plăcii prelucrate a
numărului de înmatriculare (dreapta)
După operaţia de recunoaştere a plăcii numărului
de înmatriculare, urmează etapa cea mai
importantă, cea de segmentare a acestuia, pentru a
identifica numărul de înmatriculare. 30
ÎNMATRICULARE
Pentru aceasta se poate folosi o proiecţie orizontală

a plăcii numărului sau se pot folosi principii ale
reţelelor neuronale. Dacă presupunem că toate
caracterele numărului de înmatriculare sunt dispuse
pe un singur rând, procesul de segmentare constă în
găsirea frontierelor orizontale ale caracterelor.
Segmentele găsite sunt, apoi, supuse unor prelucrări
de îmbunătăţire a imaginilor, pentru a elimina
puncte sau alte elemente nedorite.
31
ÎNMATRICULARE
Segmentarea prin proiecţie orizontală

După ce imaginea plăcii numărului de înmatriculare
a fost adusă în poziţie orizontală, se realizează
operaţia de segmentare prin detectarea spaţiilor, într-
o proiecţie orizontală. Adesea, înainte de operaţia de
segmentare, se realizează o filtrare cu prag adaptiv,
cu scopul de a îmbunătăţi zona cu caracterele
numărului de înmatriculare. Pragul adaptiv permite
separarea fundalului deschis la culoare (cu
neuniformităţile inerente de iluminare), de prim-
planul mai închis la culoare. 32
ÎNMATRICULARE
Operaţiile de filtrare cu prag adaptiv şi

de proiecţie orizontală 33
ÎNMATRICULARE
Segmentul orizontal al plăcii numărului

conţine mai multe elemente formate din
grupuri de pixeli 34
ÎNMATRICULARE
Imaginea de intrare (sus) şi imaginea de ieşire

(jos) în urma operaţiilor de segmentare şi
recunoaştere
35
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
ÎNMATRICULARE
Stabilirea globală a pragului de limitare

Prin această operaţie, o imagine în tonuri de gri este
transformată într-o imagine monocromă (alb-negru),
în conformitate cu o valoare de prag globală.
Placa numărului parţial în

umbră şi imaginea rezultată
în urma operaţiei de
stabilire a pragului global
37
ÎNMATRICULARE
Stabilirea pragului prin analiza histogramei
38
ÎNMATRICULARE
Stabilirea adaptivă a pragului de limitare

Uneori, placa numărului de înmatriculare poate fi
parţial în umbră sau poate fi iluminată neuniform. Se
foloseşte o metodă adaptivă de stabilire a pragului.
Pentru fiecare pixel se calculează o valoare de prag,
care depinde numai de valorile pixelilor învecinaţi.
Sunt cunoscute două metode de stabilire a pragului.
Prima este metoda Chow-Kaneko, iar a doua este
metoda pragului local. Ambele metode se referă la
regiuni dreptunghiulare, cu iluminare aproximativ
constantă şi, de aceea, sunt utile la stabilirea pragului.39
ÎNMATRICULARE
Recunoaşterea benzii plăcii numărului de

40
înmatriculare
ÎNMATRICULARE
Recunoaşterea numărului de înmatriculare
41
ÎNMATRICULARE
Segmentarea caracterelor
42
ÎNMATRICULARE
De foarte multe ori, datorită modului de amplasare

şi a distanţei camerelor video faţă de direcţia de
deplasare a autovehiculelor, aria numărului de
înmatriculare este redusă şi procesul de
recunoaştere a caracterelor este extrem de
complicat. Dacă la toate acestea adăugăm şi
condiţiile de iluminare, atunci dificultatea
procesului de recunoaştere a caracterelor, ce
formează numărul de înmatriculare, creşte.
43
ÎNMATRICULARE
Imagini ale unui autovehicul văzut din

unghiuri diferite 44
ÎNMATRICULARE
Imagine obţinută prin medierea cadrelor

45
ÎNMATRICULARE
Integrarea cadrelor video întunecate

46
ÎNMATRICULARE
De multe ori, imaginile plăcii de înmatriculare sunt

neclare datorită deplasării autovehiculului pe durata
procesului de achiziţie a imaginii (timpul de achiziţie
este necorespunzător ales).
Imagine neclară datorată mişcării 47

ÎNMATRICULARE
Imagine obţinută prin medierea cadrelor

48

CURS Merged

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

CURS Merged

Încărcat de

Drepturi de autor:

Formate disponibile

EXPERTIZA CRIMINALISTICĂ A

Imaginea lui Abraham Lincoln şi imaginea

Imagine falsificată prin îmbinare de

Operaţiile de falsificare erau mai puţin

Imagini falsificate prin adăugare

2006 - Agenţia Reuters

Razboiul din Crimeea (1853-1856)

Imagini falsificate prin compoziţie - utilizarea a două

Imagini falsificate prin compoziţie

Imagine falsificată prin acoperirea copierii

Imagine falsificată prin morfism

Imagine falsificată prin retuşare

Imagini generate de computer

Angelina este cu faţa în soare:

➢ partea dreaptă a feţei lui Pitt să fie iluminată

Baleierea întreţesută Baleierea progresivă

Stingere Durata activă (vizibilă) a liniei

Descrierea semnalului video monocrom pe o linie

Semnalul video complex color pe o linie

Spectrul de frecvenţe pentru sistemul PAL 28

În procedura penală română, în capitolul II,

Expertizarea fotografiilor şi a înregistrărilor

“Un expert este o persoană care a făcut toate

Probleme care se pot rezolva în cadrul expertizelor:

➢identificarea concretă a aparatului fotografic

Metode de lucru folosite:

➢Expertiza video se află într-un proces de

Mutaţii importante privind înregistrările video:

Echipamente video de generare a imaginilor:

Caracteristici ale sistemului vizual uman:

EXPERTIZA VIDEO ÎN MEDIUL JUDICIAR

Fie n numărul de trepte de contrast abia

Pentru K=100 avem n=230

➢numărul de niveluri de cuantizare pentru

Relaţie logaritmică între contrast şi numărul

Rezoluţia spaţială şi temporală:

➢senzorii CMOS au rezoluţii mai mari decât

Funcţionarea senzorilor CCD 18

Funcţionarea senzorilor CMOS

Înregistrarea informaţiei video

Expertizele şi constatările tehnico-ştiinţifice

•în timp ce constatările au ca obiect

Pentru evidenţiere s-au realizat experimente cu o

Defecte de pixel în imagine reală

Alteraţiile din imagine nu pot fi stabilite decât

Elemente care pot influenţa conţinutul imaginii

O precizare curentă din datele de catalog ale

0°C 20°C 40°C

Se pot extrage informaţii privind contextul

Cadrul F(x, y, t ) împreună cu cele două

Corelaţia temporală în imagini întreţesute

Fiecare cadru RGB este convertit în imagine în

d () = 0,425287 0,0 − 0,425287

Dorim să comparăm mişcarea care are loc

Estimarea mişcării pentru cele 3 secvenţe video

Micşorarea vitezei cadrelor

Secvenţa video originală şi secvenţa video

DETECTAREA FALSURILOR ÎN IMAGINI ÎNTREŢESUTE

Punctul slab al acestei metode este acela că

De regulă, secvenţele video întreţesute prezintă

Există doi algoritmi de bază pentru realizarea

Pentru valori pare ale lui t:

➢rezoluţie verticală identică cu cea din imaginea

Pentru valori pare ale lui t: