Video történések felismerése automatikusan detektált adatbázis asszociációk segítségével = Classification of video events through automatically detected categories of video database

Szirányi, Tamás and Radványi, András (2008) Video történések felismerése automatikusan detektált adatbázis asszociációk segítségével = Classification of video events through automatically detected categories of video database. Project Report. OTKA.

Preview

PDF 49001_ZJ1.pdf Download (1MB)

Abstract

Elvileg is új algoritmusokat dolgoztunk ki videó részletek elemzéséhez. Egy eljárásunk szerint képek relatív fókusztérképét határozzuk meg előzetes modell vagy bármilyen paraméter ismerete nélkül. Ehhez egy elvileg is új hiba-mértéket vezettünk be, ami a vak-dekonvolúciós iterációk során a hibának az ortogonalitási feltételtől való eltérését mutatja. Kidolgoztuk a mozgó és álló objektumokat elkülönítését mozgó kamera esetére, azt is becsülve, hogy a teljes megfigyelt területből mit lát éppen a kamera. Automatikus képillesztő eljárásokat fejlesztettünk ki, amelyek általános megoldást biztosítanak széles bázistávolságú sztereó-képek illesztésére tetszőleges körülmények esetén. A mozgás-gyanús pontok statisztikai összehasonlításával az eseménytér szerkezetének geometriai adataira tehetünk becslést előfeltevés és modell nélkül. Új módszert adtunk az egynézetű képen levő tükör, illetve az árnyékot adó fényforrás vetítési pontjának meghatározására. Az eljárás során statisztikai korrelációtérképekre illesztett parametrikus hipotézismodelleket optimalizálunk a vetítési hiba segítségével. A kapott eredmények jól jellemzik a színhely eseményterének elrendezését. A videókép mozgó alakzatainak eredményes detektáláshoz egyértelmű eredményt adó kutatást folytattunk az optimális színmetrika kialakítására. Módszereket dolgoztunk ki videófelvételek vizuális szempontból fontos területeinek és eseményeinek automatikus elkülönítésére és alkalmazásukra a visszakeresésben. | We have introduced theoretically new algorithms for analysing video shots and events. We present an automatic focus area estimation method, working with a single image without a priori information about the image, the camera, or the scene. It produces relative focus maps by localized blind deconvolution and a new residual error-based classification. Evaluation and comparison is performed and applicability is shown through image indexing. We have developed segmentation method for arbitrary foreground objects in case of indefinitely moving cameras. A new motion-based method is presented for automatic registration of images in multicamera systems, to permit synthesis of wide-baseline composite views. Our approach does not need any a priori information about the scene, the appearance of objects in the scene, or their motion. We introduce an entropy-based preselection of motion histories and an iterative Bayesian assignment of corresponding image areas. Correlated point-histories and data-set optimization lead to the matching of the different views. An automatic method is presented using motion statistics to determine vanishing-point position for the geometrical modelling of reflective surfaces or cast shadows, even in cases of heavy noise effects. We proposed an optimal colour space for modelling cast shadow problems in video sequences, applied in an MRF framework.

Actions (login required)

Edit Item