Applicazione della corrispondenza delle immagini all'analisi video

Titolo originale:

Applying Image Matching to Video Analysis

Contenuto del libro:

La gestione del volume di materiale multimediale raccolto quotidianamente per la raccolta di informazioni e per le indagini di digital forensics richiede un'analisi manuale significativa. Una componente di questo problema è la possibilità di rianalizzare un video che è già stato analizzato.

L'identificazione di sequenze video duplicate è difficile a causa delle differenze tra video di qualità e dimensioni diverse. Questa ricerca utilizza una struttura kd-tree per aumentare la velocità di corrispondenza delle immagini. I punti chiave vengono generati e aggiunti a un kd-tree di grande dimensionalità (128 dimensioni).

Tutti i punti chiave per l'insieme di immagini vengono utilizzati per costruire un kd-tree globale, che consente la ricerca dei vicini più prossimi e velocizza la corrispondenza delle immagini.

Il kd-tree ha eseguito la corrispondenza di un insieme di 125 immagini 1. 6 volte più veloce di Scale Invariant Feature Transform (SIFT).

Le immagini sono state abbinate nello stesso tempo di Speeded Up Robust Features (SURF). Per un set di 298 immagini, il kd-tree con RANSAC è stato 5,5 volte più veloce di SIFT e 2,42 volte più veloce di SURF. 42 volte più veloce di SURF.

Senza RANSAC, il kd-tree è risultato 6,4 volte più veloce di SIFT e 2,8 volte più veloce di SURF. Le immagini ordinate vengono confrontate con le stesse immagini di qualità diversa, non hanno prodotto un numero significativamente maggiore di corrispondenze quando un'immagine di qualità superiore viene confrontata con una di qualità inferiore o viceversa. I confronti con le dimensioni variano molto di più rispetto a quelli con la qualità, suggerendo che le dimensioni hanno un'influenza maggiore sulla corrispondenza rispetto alla qualità.