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

2

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

5

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

7

8

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

12

13

14

15

16

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

26

27 Regularización Penalización de suavización del flujo optico

28

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

34

35

36

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

39

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

44

45