Aplicarea potrivirii imaginilor la analiza video

Titlul original:

Applying Image Matching to Video Analysis

Conținutul cărții:

Gestionarea volumului de date multimedia colectate zilnic pentru colectarea de informații și investigațiile criminalistice digitale necesită o analiză manuală semnificativă. O componentă a acestei probleme constă în faptul că se poate reanaliza o înregistrare video care a fost deja analizată.

Identificarea secvențelor video duplicate este dificilă din cauza diferențelor dintre videoclipurile de calitate și dimensiune diferite. Această cercetare utilizează o structură de tip kd-tree pentru a crește viteza de potrivire a imaginilor. Punctele cheie sunt generate și adăugate la un arbore kd cu o dimensionalitate mare (128 de dimensiuni).

Toate punctele cheie pentru setul de imagini sunt utilizate pentru a construi un arbore kd global, care permite căutări în vecinătatea cea mai apropiată și accelerează potrivirea imaginilor.

Arborele kd a realizat potrivirea unui set de 125 de imagini 1. 6 ori mai rapid decât Scale Invariant Feature Transform (SIFT).

Imaginile au fost comparate în același timp ca și Speeded Up Robust Features (SURF). Pentru un set de 298 de imagini, arborele kd cu RANSAC a realizat o potrivire de 5,5 ori mai rapidă decât SIFT și de 2,5 ori mai rapidă decât SIFT. 42 de ori mai rapid decât SURF.

Fără RANSAC, arborele kd a fost de 6,4 ori mai rapid decât SIFT și de 2,8 ori mai rapid decât SURF. Imaginile de comandă sunt comparate cu aceleași imagini de calități diferite, nu au produs semnificativ mai multe potriviri atunci când o imagine de calitate superioară este comparată cu una de calitate inferioară sau viceversa. Comparațiile de mărime au variat mult mai mult decât cele de calitate, sugerând că mărimea are o influență mai mare asupra potrivirii decât calitatea.