Motion estimation در پردازش تصویر [بایگانی]

مصطفی ساتکی

سه شنبه 01 آذر 1390, 19:53 عصر

در بعضی از روش های motion estimation میان از فریم جاری یکسری keyPoint بدست میارن و سپس این keyPoint ها رو در فریم های بعدی جستجو می کنند.
در روش هایی که از keypoint استفاده میشه sparse گفته و روش هایی که از محتوی تصویر استفاده میشه mass که مسلماً روش های sparse بارمحاسباتی شون خیلی کمتره.
به عنوان مثال یکی از این feature ها می تونه corner باشه یعنی با روشهای corner detection گوشه ها رو در تصویر به عنوان key Point در نظر بگیریم و در فریم بعدی هم corner پیدا کنیم و این مجموعه corner ها در
2 فریم متوالی جستجو کنیم.
اما تو روش های mass بدین صورت نیست مثلاً می خواهیم اینکارو به صورتی انجام بدیم که یک کتاب رو track کنیم بجای اینکه از corner feature استفاده کنیم میایم از محتوای تصویر کتاب استفاده می کنیم تصور کنید
که چه بارمحاسباتی بالایی داره.
هر چقدر شما این key point هاتون منحصر بفرد باشه شما نتیجه بهتری خواهید گرفت.
مثلاً همین روش corner finding اگر روی تصویر کتاب perspective transform اعمال بشه دیگه قادر به پیدا کرده coner ها نیست و این مشکل سازه به همین خاطر روش های feature extraction جدید تری ابداع شدند
که این دست مشکلات رو رفع کنند که از جمله اونا SIFT می باشد که مجموعه key point هاش خیلی robust تنها عیبش اینکه شما بایستی اون رو تصاویر طبیعی اعمال کنید و به درد تصاویر باینری نمی خوره و نتیجه خوبی حاصل نمیشه
شما از SURF feature و HOG هم می تونید استفاده کنید بعضی از روش های دیگر مثل kalman Filter( که یه جور HMM) هم استفده می کنند.