A képillesztés alkalmazása a videóelemzésben

Eredeti címe:

Applying Image Matching to Video Analysis

Könyv tartalma:

A hírszerzés és a digitális törvényszéki nyomozás során naponta összegyűjtött multimédia-anyagok mennyiségének kezelése jelentős manuális elemzést igényel. A probléma egyik összetevője, hogy egy már elemzett videót is újra lehet elemezni.

A duplikált videósorozatok azonosítása nehézkes a különböző minőségű és méretű videók közötti különbségek miatt. Ez a kutatás kd-fa struktúrát használ a képegyeztetés sebességének növelésére. A kulcspontok generálása és hozzáadása egy nagy dimenziójú (128 dimenzió) kd-fához történik.

A képkészlet összes kulcspontját felhasználjuk egy globális kd-fa felépítéséhez, amely lehetővé teszi a legközelebbi szomszéd keresését és felgyorsítja a képillesztést.

A kd-fa egy 125 képből álló 1. képhalmaz megfeleltetését végezte el.

6-szor gyorsabb, mint a SIFT (Scale Invariant Feature Transform). A képeket ugyanannyi idő alatt illesztette össze, mint a Speeded Up Robust Features (SURF). Egy 298 képből álló képhalmaz esetében a kd-fa a RANSAC-kal 5,5-szer gyorsabban teljesített a SIFT-hez képest, és 2,5-szer gyorsabban, mint a SIFT.

42-szer gyorsabb, mint a SURF. RANSAC nélkül a kd-fa 6,4-szer gyorsabban teljesített, mint a SIFT és 2,8-szor gyorsabban, mint a SURF. A sorrendképek összehasonlítása azonos minőségű, különböző minőségű képekkel nem eredményezett lényegesen több egyezést, ha egy magasabb minőségű képet hasonlítottunk össze egy alacsonyabb minőségű képpel, vagy fordítva.

A méret-összehasonlítások sokkal nagyobb mértékben változtak, mint a minőség-összehasonlítások, ami arra utal, hogy a méretnek nagyobb hatása van az illesztésre, mint a minőségnek.