Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porRosario Salinas Castilla Modificado hace 9 años
1
Estimating motion in image sequences Christoph Stiller, Janusz Konrad IEEE signal processing magazine, 16(4),pp.70-91
3
Estructura Modelos –Representación del movimiento –Regiones de soporte Interdependencia entre movimiento y datos Criterios de estimación Métodos de búsqueda
4
Representación del movimiento Posición 3D Desplazamiento 3D Desplazamiento 2D
6
Representación del movimiento Movimiento afín Planar patch Ortographic projection Movimiento afín 2D del planar patch bajo Proyección ortográfica
9
Representacion del movimiento La más utilizada en compresión es la traslacional, en visión se utilizan una variedad Modelos de segundo orden
10
Regiones de soporte Calidad de la aproximación
11
Regiones de soporte Global: la más economica y restringida Densa: movimiento de los pixels individuales Regiones –Bloques rectangulares –Regiones segmentadas en la imagen Modelos jerarquicos
17
Modelos jerárquicos de soporte
18
Interdependencia entre movimientos y datos Restricción de intensidad constante a lo la trayectoria
19
Interdependencia Extensión a imágenes en color
20
Interdependencias Restricciones de constancia del gradiente espacial en la dirección de movimiento
21
Criterios de estimación La estimación del movimiento se basa en la minimización de un cierto criterio –Diferencias de desplazamiento entre tramas DFD –Criterios en el dominio frecuencial –Regularización –Criterios bayesianos
22
DFD La diferencia de trama desplazada surge de la restricción de intensidad constante Puede aplicarse a nivel de la imagen, de bloque o de pixel Predicción compensada en movimiento
23
DFD variantes Lorentziano
24
Criterios en el dominio frecuencial En el caso de movimiento espacial constante se puede recuperar el desplazamiento a partir de la fase
25
Dominio frecuencial En el caso de velocidad constante se extiende el análisis a 3D frecuencial
27
Regularización Penalización de suavización del flujo optico
29
Criterio bayesiano MAP
30
Criterio bayesiano Observaciones o probabilidades condicionadas
31
Criterio bayesiano Distribuciones a priori: favorecen la continuidad del flujo detectado
32
Criterio bayesiano Campos markovianos para modelar los apriori Distribución de Gibbs Propiedad markoviana
33
Criterio bayesiano Restricció de suavidad Discontinuidades para evitar sobre suavización
37
Estrategias de búsqueda Matching-emparejamiento Relajación Descenso de gradiente Campo medio Tecnicas jerarquicas
38
Emparejamiento Es la aproximación más frecuente y más simple Tiene aplicación en la codificaciónde video Consiste en evaluar el criterio para un número de candidatos y escoger el mejor Pude jerarquizarse la búsqueda
40
Relajación Consiste en variar la solución elemento a elemento Determinista: Iterated conditional modes Aleatorio: –algoritmo de metrópolis, –Gibss sampler –Simulated annealing
41
Relajación
42
relajación Metropolis Gibss sample Simulated annealing: Boltzmann distrib.
43
Tecnicas jerarquicas Muestreo a distintos niveles, criterios a distintos niveles, suavización de la transición entre niveles
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.