Estimating motion in image sequences Christoph Stiller, Janusz Konrad IEEE signal processing magazine, 16(4),pp.70-91

Estructura Modelos –Representación del movimiento –Regiones de soporte Interdependencia entre movimiento y datos Criterios de estimación Métodos de búsqueda

Representación del movimiento Posición 3D Desplazamiento 3D Desplazamiento 2D

Representación del movimiento Movimiento afín Planar patch Ortographic projection Movimiento afín 2D del planar patch bajo Proyección ortográfica

Representacion del movimiento La más utilizada en compresión es la traslacional, en visión se utilizan una variedad Modelos de segundo orden

Regiones de soporte Calidad de la aproximación

Regiones de soporte Global: la más economica y restringida Densa: movimiento de los pixels individuales Regiones –Bloques rectangulares –Regiones segmentadas en la imagen Modelos jerarquicos

Modelos jerárquicos de soporte

Interdependencia entre movimientos y datos Restricción de intensidad constante a lo la trayectoria

Interdependencia Extensión a imágenes en color

Interdependencias Restricciones de constancia del gradiente espacial en la dirección de movimiento

Criterios de estimación La estimación del movimiento se basa en la minimización de un cierto criterio –Diferencias de desplazamiento entre tramas DFD –Criterios en el dominio frecuencial –Regularización –Criterios bayesianos

DFD La diferencia de trama desplazada surge de la restricción de intensidad constante Puede aplicarse a nivel de la imagen, de bloque o de pixel Predicción compensada en movimiento

DFD variantes Lorentziano

Criterios en el dominio frecuencial En el caso de movimiento espacial constante se puede recuperar el desplazamiento a partir de la fase

Dominio frecuencial En el caso de velocidad constante se extiende el análisis a 3D frecuencial

Regularización Penalización de suavización del flujo optico

Criterio bayesiano MAP

Criterio bayesiano Observaciones o probabilidades condicionadas

Criterio bayesiano Distribuciones a priori: favorecen la continuidad del flujo detectado

Criterio bayesiano Campos markovianos para modelar los apriori Distribución de Gibbs Propiedad markoviana

Criterio bayesiano Restricció de suavidad Discontinuidades para evitar sobre suavización

Estrategias de búsqueda Matching-emparejamiento Relajación Descenso de gradiente Campo medio Tecnicas jerarquicas

Emparejamiento Es la aproximación más frecuente y más simple Tiene aplicación en la codificaciónde video Consiste en evaluar el criterio para un número de candidatos y escoger el mejor Pude jerarquizarse la búsqueda

Relajación Consiste en variar la solución elemento a elemento Determinista: Iterated conditional modes Aleatorio: –algoritmo de metrópolis, –Gibss sampler –Simulated annealing

Relajación

relajación Metropolis Gibss sample Simulated annealing: Boltzmann distrib.

Tecnicas jerarquicas Muestreo a distintos niveles, criterios a distintos niveles, suavización de la transición entre niveles