Video and Image Processing based on Kernel Representations

En este trabajo se proponen diferentes esquemas de representación de características basados en Kernels. El objetivo principal es revelar de forma apropiada la información más relevante a partir de información de alta dimensionalidad, para mejorar el desempeño de dos procedimientos de visión por computador: segmentación de imágenes y video. Con este fin, se propone usar Representaciones Multi-Kernel (MKR) para incorporar múltiples características de imágenes, como: representaciones de color, información espacial de pixeles e información basada en flujo óptico. Particularmente, para la segmentación de imágenes, se propone una nueva metodología de segmentación de imágenes basada en agrupamiento, la cual usando una metodología basada en MKR, incorpora múltiples características de imágenes. Con respecto a la segmentación de video, diferentes metodologías de modelado de fondo usando representaciones Gausianas son estudiadas con el fin de enfrentarse a los artefactos típicos de video-vigilancia capturados por cámaras estáticas. En este sentido, diferentes funciones de costo son analizadas, buscando aprender y modelar la evolución temporal de la dinámica de los pixeles. Además, con el fin de incorporar relaciones espaciales entre pixeles, una etapa de análisis de movimiento de objetos es desarrollada, la cual usando una metodología basada en flujo óptico, es capaz de detectar, modelar y seguir objetos en movimiento en una secuencia de video dada. Como resultado final, una nueva metodología de segmentación de video llamada STAL es desarrollada. STAL acopla ambas fuentes de información (temporal y espacial), generando así un esquema de aprendizaje adaptativo capaz de actualizar adecuadamente los parámetros del modelo Gaussiano del fondo. Los esquemas de segmentación de imágenes y video son probados empleando bases de datos del mundo real y los resultados obtenidos son medidos usando medidas supervisadas mientras se compara contra conjuntos de ground-truth. A partir de los resultados obtenidos, se muestra que el uso de MKR para la elaboración de espacios de representación mejora la precisión de las segmentaciones resultantes. Además, se demuestra que los esquemas propuestos son eficientes y competitivos comparando contra algoritmos del estado del arte

• Autores: Molina Giraldo, Santiago
• Fecha de publicación: 2014
• Institución: Universidad Nacional de Colombia
• Repositorio: Universidad Nacional de Colombia
• Idioma: spa
• OAI Identifier: oai:repositorio.unal.edu.co:unal/75198
• Acceso en línea: https://repositorio.unal.edu.co/handle/unal/75198; http://bdigital.unal.edu.co/39711/
• Palabra clave: 0 Generalidades / Computer science, information and general works; 51 Matemáticas / Mathematics; 62 Ingeniería y operaciones afines / Engineering; Representaciones Kernel; Análisis de relevancia; Segmentación de imágenes; Segmentación de video; Dinámicas estacionarias/ no estacionarias; Flujo óptico; Filtro de partículas; Visión por computador; Procesamiento de imágenes; Kernel Representations; Relevance analysis; Image segmentation; Video segmentation; Background subtraction; Stationary/non-stationary dynamics; Optical fow; Particle filter; Computer vision; Image processing
• Rights: openAccess
• License: Atribución-NoComercial 4.0 Internacional