Detecção de Algumas Transições Abruptas em Seqüências de Imagens Nielsen Cassiano Simões...
Transcript of Detecção de Algumas Transições Abruptas em Seqüências de Imagens Nielsen Cassiano Simões...
Detecção de Algumas Transições Detecção de Algumas Transições Abruptas em Seqüências de ImagensAbruptas em Seqüências de Imagens
Nielsen Cassiano Simõ[email protected]
Mestrando
Prof. Dr. Neucimar Jerônimo [email protected]
Orientador
Instituto de Computação – UNICAMPInstituto de Computação – UNICAMP
Nielsen Cassiano Simões 2
Roteiro
• Motivação• Objetivo• Principais Conceitos• Trabalhos relacionados• Detecção de transições• Resultados• Conclusões e Extensões
Nielsen Cassiano Simões 3
Motivação
• Detecção de transições entre tomadas– Detecção de tomadas
• Indexação, extração de key-frames, detecção de cenas, etc.
Nielsen Cassiano Simões 4
Objetivo• Tratar segmentação estrutural de vídeo como
um problema de segmentação de imagem– 2D+t => 1D+t
• Redução do tempo computacional– Detecção de transições abruptas
• Identificar padrões para transições abruptas– Cortes e Flashes
Nielsen Cassiano Simões 5
Principais Conceitos
• Vídeo: seqüência de imagens (2D) em um determinado intervalo de tempo (t)
X
Y
T
Nielsen Cassiano Simões 6
Transições
• Uma tomada é um segmento ininterrupto de tempo, espaço e configurações gráficas de tela
• Transição interrupção de uma tomada– Abruptas
• Corte
– Graduais• Wipe
• Fades (Fade-in e Fade-out)
• Dissolve
• Morphing
Nielsen Cassiano Simões 7
Transição Abrupta - Corte
Exemplo da ocorrência de um corte.
Corte
Nielsen Cassiano Simões 8
Transições Graduais - Wipe
Exemplos de wipes:a) diagonal
b) door open
c) iris round
d) push vertical
e) split
Nielsen Cassiano Simões 9
Transições Graduais - Fades
Exemplos de Fade-in e Fade-out.
Nielsen Cassiano Simões 10
Transições Graduais - Dissolve
Exemplo da ocorrência de um dissolve.
Nielsen Cassiano Simões 11
Trabalhos de Câmera
Efeitos dentro de uma mesma tomada, não envolvendo transições entre tomadas, geralmente decorrentes de movimentos ou operações da câmera.
Nielsen Cassiano Simões 12
Trabalhos de Câmeras - Flash
Presença de alta intensidade luminosa durantepoucos quadros, geralmente decorrentes de
flash de câmeras fotográficas.
Exemplo da ocorrência de um flash.
Nielsen Cassiano Simões 13
Trabalhos Relacionados• Métricas de Dissimilaridade
• Diferença entre pixels
• Comparação de histogramas
• Testes estatísticos (2)
• Motion Vectors e transformada de wavelet
• Imagem Representativa (Ritmo visual)• Modelos estatísticos e Cadeias de Markov
• Operadores e filtros Morfológicos– Processamento de imagens
Nielsen Cassiano Simões 14
Ritmo Visual
Representação D+t do espaço 2D+t de um segmento de vídeo digital.
bzrazrfziVR yxt ,,
Nielsen Cassiano Simões 15
Ritmo Visual
Exemplo do ritmo visual de um segmento de vídeo.
Cortes
Nielsen Cassiano Simões 16
Detecção de Cortes
• Imagem representativa (ritmo visual)– Considera informações locais (regionais)
• Considerar informações globais– Redução da influência de movimentos de objetos
• Ritmo visual por histograma
• Ritmo visual por histograma acumulado
Nielsen Cassiano Simões 17
Detecção de Cortes
• Histograma Acumulado– Níveis de cinza
– Invariante à rotação e translação
• Ritmo visual por histograma acumulado– Cada coluna representa
o histograma acumulado do quadro correspondente
His
togr
ama
His
togr
ama
Acu
mul
ado
)()(0
iHjHj
ihistacm
Nielsen Cassiano Simões 18
Detecção de CortesRitmo visual por histograma.
Ritmo visual por histograma acumulado.
Cortes
Nielsen Cassiano Simões 19
Detecção de Cortes• Vetor Representativo
– Projeção vertical do ritmo visual por histograma acumulado.
Nielsen Cassiano Simões 20
Detecção de Cortes• Laplaciano
– Realce das ocorrências de cortes– Minimiza a contribuição de variações graduais
Nielsen Cassiano Simões 21
Detecção de Cortes• White Top-hat
– Realce adicional dos picos
Top-hat white utilizando elemento estruturante 1x3
Nielsen Cassiano Simões 22
Detecção de CortesOutro exemplo da aplicação do White Top-hat
Nielsen Cassiano Simões 23
Detecção de Cortes• Limiarização
– Definição de um limiar manual– Interfere na ocorrência de falsos positivos/falsos negativos– Dependente das características de cada vídeo
• Classificação / Clusterização
– Duas classes: cortes e não cortes
– K-means
– Classificação em 2 centros/classes
Nielsen Cassiano Simões 24
Nielsen Cassiano Simões 25
Detecção de Cortes• Limiarização
• K-means
Valor 128
Nielsen Cassiano Simões 26
Outro exemplo
Classificação: k-means
Nielsen Cassiano Simões 27
Nielsen Cassiano Simões 28
Vetor original:
Classificação: k-means 1 etapa
Classificação: k-means 2 etapas
Nielsen Cassiano Simões 29
Detecção de Flashes• Presença de uma alta intensidade luminosa
– Grande quantidade de pixels cuja intensidade é alta– O valor médio dos pixels é elevado (maior que 128 p/ 256 níveis de cinza)
• Saturação do histograma acumulado– O histograma acumulado do quadro atinge um valor máximo, Ts2, a partir
de uma posição (bin) elevada Ts1.
Quadro com ocorrência de um flash e seu histograma acumulado.
Nielsen Cassiano Simões 30
Detecção de FlashesVetor de saturação do histograma acumulado:
Nielsen Cassiano Simões 31
Intensidade Média
Nielsen Cassiano Simões 32
Validação dos candidatos
Nielsen Cassiano Simões 33
Detecção de Flashes• Classificação final
– K-means de duas classes para separar os principais candidatos
– Eliminação de componentes conexas maiores que 5 quadros
– Identificação dos quadros correspondentes a um flash
Resultado após a classificação final
Nielsen Cassiano Simões 34
victoria.mpeg
Nielsen Cassiano Simões 35
Detecção de Flashes - Resultado
Saturação do histograma acumulado, intensidade média e validação de candidatos.
Nielsen Cassiano Simões 36
Detecção de Flashes - Resultado
903 frames com 7 flashes 1 falso 0 não detectados
Nielsen Cassiano Simões 37
Detecção de Cortes - Resultado
Ritmo visual por histograma acumulado
Ritmo visual
Nielsen Cassiano Simões 38
Detecção de Cortes - Resultado
Aplicação do Laplaciano e do White Top-hat 1x3.
Projeção do ritmo visual por histograma acumulado
Nielsen Cassiano Simões 39
Detecção de Cortes - Resultado903 frames com 33 cortes 6 falsos 3 não detectados
Nielsen Cassiano Simões 40
Medidas de Qualidade
Nielsen Cassiano Simões 41
Nielsen Cassiano Simões 42
Resultados – Detecção de Flashes
Nielsen Cassiano Simões 43
Resultados – Detecção de Cortes
Nielsen Cassiano Simões 44
Um algoritmo simples
• Detecta-se contorno de uma das bandas RGB.
• Divide-se os quadros em janelas,. e.g., 32x32.
• Calcula-se a média de pontos de contorno em cada janela.
• Compara-se esta média quadro a quadro e janela à janela.
• O quadro k contendo mais de 50% de janelas com grande diferença, em relação às janelas do quadro k-1, é consi-derado um quadro de corte ou transição.
Nielsen Cassiano Simões 45
Videos Nd Nfalsos Nfaltantes precisão revocação erro detecção
Comercial 13 5 5 0,72 0,72 0,28
Comercial2 0 0 0 1,00 1,00 0,00
Highlander_2 25 16 5 0,61 0,83 0,53
Jamie 6 0 2 1,00 0,75 0,00
Lawnmowr 50 30 37 0,63 0,57 0,34
Lisa 5 4 2 0,56 0,71 0,57
News 4 1 0 0,80 1,00 0,25
Psycho 12 1 42 0,92 0,22 0,02
Sexinthecity 29 2 5 0,94 0,85 0,06
VideoAbstract 21 10 17 0,68 0,55 0,26
Total 165 69 115 0,78 0,72 0,23
Resultados
Nielsen Cassiano Simões 46
Conclusões
• Detecção de cortes e flashes– Nova abordagem utilizando imagem representativa
• Informações globais de quadros dos segmentos de vídeo
• Identificação de padrões em sinais 1DD
– Algoritmos simples– Baixo custo computacional
• Resultados comparáveis aos apresentados na literatura
Nielsen Cassiano Simões 47
Extensões• Redução de falsos negativos
– Particionamento regular dos quadros– Combinação total ou parcial dos Vrha
• Análises mais detalhadas– Subquantizações do histograma acumulado– Alterações na resolução espacial dos quadros
• Testes em outras seqüências de imagens– Seqüências temporais de imagens de satélites
• Identificação de novos padrões• Aplicação no domínio de compressão MPEG
Nielsen Cassiano Simões 48
FIMFIM
RealizaçãoNielsen Cassiano Simões
OrientadorNeucimar J. Leite
AgradecimentosNeucimar J. Leite
FamiliaresIC – Unicamp
CAPESSAI/PRONEX
A todos Presentes
Obrigado!