�ݺ�ߣ

Использование областей
перекрытия в задаче
сегментации видео
Александр Новиков
Video Group
CS MSU Graphics & Media Lab

CS MSU Graphics & Media Lab (Video Group)
www.compression.ru/video/
Only for
Maxus 
Содержание
 Введение
 Классификация движущихся объектов
 Трекинг границ
 Детектор областей перекрытия GST
 Дальнейшие планы
2

Only for
Maxus 
Введение
Области перекрытия
3
C. Beck, T. Ognibeni, H. Neumann, “Object Segmentation from
Motion Discontinuities and Temporal Occlusions – A Biologically
Inspired Model,” PLoS ONE, 2008

Only for
Maxus 
Введение
Упорядочивание по глубине (1)
Область закрытия относится к объекту R1 –
он расположен дальше от наблюдателя,
чем R2
4A. S. Ogale, C. Fermüller, Y. Aloimonos, “Motion Segmentation
Using Occlusions,” in IEEE Trans. on PAMI 7(6), 2005

Only for
Maxus 
Введение
Упорядочивание по глубине (2)
При построенном графе отношений «объект A
ближе B», можно произвести упорядочивание
методом топологической сортировки
5
32
1
3
Число – номер слоя по удаленности от наблюдателя

Only for
Maxus 
Введение
Топологическая сортировка (1)
Пока в графе есть вершины:
 Удаляются вершины, из которых не выходят ребра
вместе со всеми входящими ребрами
 Номер итерации, на которой удалена вершина
характеризует номер слоя по глубине
6
32
1
3
Число – номер слоя по удаленности от наблюдателя

Only for
Maxus 
Введение
Топологическая сортировка (2)
7
Однозначное упорядочивание
Неоднозначность – между
l1 и l2 нет отношения
Упорядочивание невозможно

Only for
Maxus 
Введение
Движение в областях закрытия
Верные векторы сдвига для областей
закрытия не могут быть определены
при помощи ME либо Optical Flow
8D. Feldman, D. Weinshall, “Motion Segmentation and Depth
Ordering Using an Occlusion Detector,” PAMI(30) No.7, 2008
Неизвестно, к какому из двух объектов относятся 2 пикселя,
так как для них нет соответствия на последующем кадре

Only for
Maxus 
9

Only for
Maxus 
Идеи метода
 Независимо движущиеся объекты
разделяются на три класса
 Объекты разных классов выделяются
различными способами

Only for
Maxus 
Классы объектов
Объекты первого класса (1)
Движущиеся в направлении, значительно
отличающемся от основного (движения камеры)
Стрелки – векторы движения, штриховка – области перекрытия

Only for
Maxus 
Выделение объектов первого класса:
1. Постоение 4х-параметрового преобразования
между кадрами методом фазовой корреляции
2. По векторам Optical Flow, направление которых
отличается не более чем на 45 градусов
от предполагаемого преобразованием, строится
3D-преобразование
3. Выделение точек с векторами движения
отличающимися от предположенных
3D-преобразованием более, чем на 45 градусов
Объекты первого класса (2)

Only for
Maxus 
Объекты второго класса (1)
Движущиеся в направлении движения
камеры, но противореча структуре сцены

Only for
Maxus 
Поле векторов движения в областях закрытия
определяется с использованием дополнительного кадра

Only for
Maxus 
15
Белый цвет – области закрытия, остальные цвета – направления OF
A. S. Ogale, C. Fermüller, Y. Aloimonos, “Motion Segmentation

Only for
Maxus 
Объекты, которые выделить невозможно без знания
карты глубины, полученной не по движению
Объекты третьего класса

Only for
Maxus 
Результаты (1)
17
Три последовательных кадра, карта разницы глобального
и локального движения и выделенные объекты

Only for
Maxus 
18
Три последовательных кадра,
геометрия сцены и выделенные объекты

Only for
Maxus 
Выводы
Достоинства:
 Возможность хорошего заполнения областей
закрытия
 Рассмотрены все возможные случаи
Недостаток:
 Высокая вычислительная сложность метода

Only for
Maxus 
20

Only for
Maxus 
Идеи метода
 На кадрах видео выделяются объекты
и границы
 Движение границ и движение объектов
определяется различными методами
 Устанавливается соответствие между
границами и объектами
21
P. Sundberg, T. Brox, M. Maire, P. Arbelaez, J. Malik, “Occlusion
Boundary Detection and Figure/Ground Assignment from Optical
Flow,” in CVPR, 2011

Only for
Maxus 
Нахождение границ (1)
Для каждого кадра выполняется
нахождение границ
22
Кадр последовательности Ground truth Выделенные границы

Only for
Maxus 
 Статические признаки
 Признак Motion Gradient
и – этот оператор,
примененный к временным производным
Оператор вычисляет χ2-разницу между гистограммами
интенсивностей точек в двух половинках круга радиуса r с центром
в точке (x,y), разбитого под углом ϴ
Нахождение границ (2)
23
ϴ
– используемый признак

Only for
Maxus 
Классификация границ (1)
Для каждой границы определяется вероятность
того, что она является границей области
перекрытия (сила границы)
24
Кадр последовательности Границы областей
открытия и закрытия,
ярче – сильнееP. Sundberg, T. Brox, M. Maire, P. Arbelaez, J. Malik, “Occlusion

Only for
Maxus 
Для выделения границ областей перекрытия
используется классификатор SVN, обученный по
признакам:
1. Модуль разности векторов движения
прилежащих областей
2. Сила границы
25
Красным выделена граница
Стрелки – векторы движения

Only for
Maxus 
Находится движение самой границы
и определяется, к какому из прилежащих
регионов она относится
26
Красным выделена граница
Стрелки – векторы движения

Only for
Maxus 
Результаты
27
Кадры последовательностей
Результаты сегментации

Only for
Maxus 
Выводы
 Заявленная точность выделения объектов – 72%
 Работает и в случае отсутствия видимых границ
 Тестировался только на HD, вероятно не устойчив
к шуму
28

Only for
Maxus 
29

Only for
Maxus 
Gradient Structure Tensor (1)
Для выделения границ областей закрытия
и открытия производится анализ собственных
значений Gradient Structure Tensor (GST)
30
ω – окно некоторого радиуса
Ix, Iy, It – производные видео по направлениям x, y и t
 











  2
2
2
)(),,(
ttytx
tyyyx
txyxx
T
IIIII
IIIII
IIIII
IItyxG
D. Feldman, D. Weinshall, “Motion Segmentation and Depth

Only for
Maxus 
Gradient Structure Tensor (2)
Собственные значения и собственные векторы GST
определяют распределение направлений
градиентов около точки
31
Стрелки – собственные векторы
Полуоси эллипсоида пропорциональны
соответствующим собственным
значениям и, как следствие, величине
градиентов вдоль векторов

Only for
Maxus 
Occlusion detector (1)
Наименьшее собственное значение GST –
индикатор областей открытия и закрытия
32
Кадр последовательности
Выделенный контур,
темнее – сильнее

Only for
Maxus 
Наименьшее собственное значение GST –
индикатор областей открытия и закрытия
33
Кадр последовательности
Выделенный контур,
темнее – сильнее

Only for
Maxus 
Для более точного выделения границ
предлагается объединять результаты для
разных радиусов окна при вычислении GST
34
Кадр
последовательности
Значения детектора для разных радиусов Выделенный контур

Only for
Maxus 
Depth ordering
Утверждается, что градиент детектора областей
закрытия направлен в сторону закрывающей области
Алгоритмом выделяеются маски объектов α
и на основании суммы D определяется порядок
объектов
35
Суммирование градиентов по какой-либо границе при различных
радиусах детектора s1 – s2
Знак суммы позволяет определить, какая сторона границы
принадлежит закрывающему объекту

 
   

2
1
)(
s
ss x
s
D

Only for
Maxus 
36
Кадры последовательности Результат сегментации
и упорядочивания
светлее – ближе

Only for
Maxus 
37
Кадры последовательности Результат сегментации

Only for
Maxus 
38
Кадры последовательности
Результат сегментации

Only for
Maxus 
Выводы
 Нет необходимости применять OF и ME
 Алгоритм не требует наличия текстуры
на закрывающем объекте
 Хорошо работает и при небольшом различии
скоростей движущихся объектов
 Сложен для реализации
39D. Feldman, D. Weinshall, “Motion Segmentation and Depth

Only for
Maxus 
40

Only for
Maxus 
Дальнейшие планы
 Автоматический подбор параметра mean-shift
и силы объединения сегментов
 Встраивание текущей сегментации в depth
from motion
 Использование сегментации по областям
перекрытия для анализа стереопар
(детектирование перепутанных ракурсов)
 Реализация алгоритма сегментации по
областям перекрытия
41

Only for
Maxus 
Литература
1. P. Sundberg, T. Brox, M. Maire, P. Arbelaez and J. Malik, “Occlusion
Boundary Detection and Figure/Ground Assignment from Optical Flow,”
CVPR, 2011, pp. 2233–2240.
2. D. Feldman, D. Weinshall, “Motion Segmentation and Depth Ordering
Using an Occlusion Detector,” IEEE Trans. on PAMI(30) No.7, 2008, pp.
1171–1185.
3. A. S. Ogale, C. Fermüller, Y. Aloimonos, “Motion Segmentation Using
Occlusions,” IEEE Trans. on PAMI(27) No.6, 2005, pp. 988–992.
4. C. Beck, T. Ognibeni, H. Neumann, “Object Segmentation from Motion
Discontinuities and Temporal Occlusions – A Biologically Inspired
Model,” PLoS ONE vol. 3, 2008, pp. 1–14.
42rev. D. Graffox, “IEEE Citation Reference,” 2009
http://www.ieee.org/documents/ieeecitationref.pdf

Only for
Maxus 
Лаборатория компьютерной
графики и мультимедиа
Видеогруппа — это:
 Выпускники в аспирантурах Англии,
Франции, Швейцарии (в России в МГУ
и ИПМ им. Келдыша)
 Выпускниками защищены 5 диссертаций
 Наиболее популярные в мире сравнения
видеокодеков
 Более 3 миллионов скачанных фильтров
обработки видео
43

�ݺ�ߣ

Использование областей перекрытия в задаче сегментации видео

Recommended

More Related Content

What's hot (20)

Similar to Использование областей перекрытия в задаче сегментации видео (17)

Использование областей перекрытия в задаче сегментации видео