Escudo de la República de Colombia
Sistema Nacional de Biliotecas - Repositorio Institucional Universidad Nacional de Colombia Biblioteca Digital - Repositorio Institucional UN Sistema Nacional de Bibliotecas UN

Video and Image Processing based on Kernel Representations

Molina Giraldo, Santiago (2014) Video and Image Processing based on Kernel Representations. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales.

Texto completo

[img]
Vista previa
PDF - Versión Aceptada
Available under License Creative Commons Attribution Non-commercial No Derivatives.

2MB

Resumen

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, Abstract : In this work, different kernel-based feature representation frameworks are proposed. Our main goal is to properly reveal the most relevant information from high dimensional data for enhancing the performance of two different computer vision procedures: image and video segmentation. To this end, we propose to use Multiple Kernel Representations (MKR) to incorporate multiple image features, such as: color representations, pixel spatial information and optical flow-based information. Particularly, for image segmentation, we propose a new grouping-based image segmentation methodology, which using a MKR-based methodology, incorporate multiple image features. Regarding video segmentation, different Gaussian-based background modeling approaches are studied in order to cope with typical video surveillance artifacts recorded by static cameras. In this sense, different cost functions are analyzed, aiming to learn and model the temporal evolution of pixel dynamics. Furthermore, in order to incorporate spatial relationships among pixels, an object motion analysis stage is developed, which using an optical ow-based methodology is able to detect, model and track moving objects in a given video sequence. As a final result, a new video segmentation approach called STAL is developed. Proposed STAL couples both temporal and spatial information sources, generating an adaptive learning framework able to properly update the Gaussian based background model parameters. Proposed image and video segmentation frameworks are tested by using real-world datasets, and attained results are measured by using supervised measures while comparing against ground-truth sets. From the obtained results, it is shown that the use of MKR to elaborate feature representations enhances the accuracy of the resulting segmentations. Moreover, it is demonstrated that proposed frameworks are efficient and competitive while comparing against top state of the art algorithms

Tipo de documento:Tesis/trabajos de grado - Thesis (Maestría)
Colaborador / Asesor:Castellanos Domínguez, César Germán and Álvarez Mesa, Andrés Marino
Información adicional:Tesis presentada como requisito parcial para optar al título de Magíster en Ingeniería - Automatización Industrial
Palabras clave: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
Temática:0 Generalidades / Computer science, information & general works
5 Ciencias naturales y matemáticas / Science > 51 Matemáticas / Mathematics
6 Tecnología (ciencias aplicadas) / Technology > 62 Ingeniería y operaciones afines / Engineering
Unidad administrativa:Sede Manizales > Facultad de Ingeniería y Arquitectura > Departamento de Ingeniería Eléctrica, Electrónica y Computación
Código ID:39711
Enviado por : Biblioteca Digital Universidad Nacional de Colombia - Sede Manizales
Enviado el día :31 Julio 2014 22:12
Ultima modificación:31 Julio 2014 22:12
Ultima modificación:31 Julio 2014 22:12
Exportar:Clic aquí
Estadísticas:Clic aquí
Compartir:

Solamente administradores del repositorio: página de control del ítem

Vicerrectoría de Investigación: Número uno en investigación
Indexado por:
Indexado por Scholar Google WorldCat DRIVER Registry of Open Access Repositories OpenDOAR Metabiblioteca BDCOL OAIster Red de repositorios latinoamericanos DSpace BASE Open archives La referencia Colombiae Open Access Theses and Dissertations Tesis latinoamericanas CLACSO
Este sitio web se ve mejor en Firefox