Zastosowanie dopasowywania obrazów do analizy wideo

Oryginalny tytuł:

Applying Image Matching to Video Analysis

Zawartość książki:

Radzenie sobie z ilością multimediów gromadzonych codziennie w celu gromadzenia danych wywiadowczych i cyfrowych dochodzeń kryminalistycznych wymaga znacznej ręcznej analizy. Jednym z elementów tego problemu jest możliwość ponownej analizy wideo, które zostało już wcześniej przeanalizowane.

Identyfikacja zduplikowanych sekwencji wideo jest trudna ze względu na różnice w filmach o różnej jakości i rozmiarze. Badania te wykorzystują strukturę drzewa kd w celu zwiększenia szybkości dopasowywania obrazów. Punkty kluczowe są generowane i dodawane do drzewa kd o dużej wymiarowości (128 wymiarów).

Wszystkie punkty kluczowe dla zestawu obrazów są używane do skonstruowania globalnego drzewa kd, które umożliwia wyszukiwanie najbliższych sąsiadów i przyspiesza dopasowywanie obrazów.

Drzewo kd wykonało dopasowanie zestawu 125 obrazów 1. 6 razy szybciej niż Scale Invariant Feature Transform (SIFT).

Obrazy były dopasowywane w tym samym czasie co Speeded Up Robust Features (SURF). Dla zestawu 298 obrazów, kd-drzewo z RANSAC działało 5,5 razy szybciej w porównaniu do SIFT i 2,42 razy szybciej niż SURF. 42 razy szybciej niż SURF.

Bez RANSAC drzewo kd działało 6,4 razy szybciej niż SIFT i 2,8 razy szybciej niż SURF. Kolejność obrazów porównywanych z tymi samymi obrazami o różnej jakości nie dała znacząco większej liczby dopasowań, gdy obraz o wyższej jakości jest porównywany z obrazem o niższej jakości lub odwrotnie. Porównania rozmiaru różniły się znacznie bardziej niż porównania jakości, co sugeruje, że rozmiar ma większy wpływ na dopasowanie niż jakość.