Applying Image Matching to Video Analysis
Le traitement du volume de données multimédias collectées quotidiennement dans le cadre de la collecte de renseignements et d'enquêtes judiciaires numériques nécessite une analyse manuelle importante. L'un des aspects de ce problème réside dans le fait qu'il est possible de réanalyser une vidéo qui a déjà fait l'objet d'une analyse.
L'identification des séquences vidéo dupliquées est difficile en raison des différences de qualité et de taille des vidéos. Cette recherche utilise une structure kd-tree pour augmenter la vitesse de mise en correspondance des images. Des points clés sont générés et ajoutés à un arbre kd de grande dimension (128 dimensions).
Tous les points clés de l'ensemble des images sont utilisés pour construire un kd-tree global, qui permet d'effectuer des recherches sur les voisins les plus proches et d'accélérer la mise en correspondance des images.
Le kd-tree a effectué la mise en correspondance d'un ensemble de 125 images 1. 6 fois plus rapide que la transformée de caractéristiques invariantes (SIFT).
Les images ont été mises en correspondance dans le même temps que les caractéristiques robustes accélérées (SURF). Pour un ensemble de 298 images, le kd-tree avec RANSAC a été 5,5 fois plus rapide que SIFT et 2,42 fois plus rapide que SURF. 42 fois plus rapide que SURF.
Sans RANSAC, le kd-tree est 6,4 fois plus rapide que le SIFT et 2,8 fois plus rapide que le SURF. L'ordre dans lequel les images sont comparées aux mêmes images de qualités différentes n'a pas produit beaucoup plus de correspondances lorsqu'une image de qualité supérieure est comparée à une image de qualité inférieure ou vice versa. Les comparaisons de taille varient beaucoup plus que les comparaisons de qualité, ce qui suggère que la taille a une plus grande influence sur la correspondance que la qualité.
| ISBN : | 9781249584629 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Actuellement disponible, en stock.
