Optinen virtaus

Kokeneet kirjoittajat eivät ole vielä tarkistaneet sivun nykyistä versiota, ja se voi poiketa merkittävästi 14. tammikuuta 2014 tarkistetusta versiosta . tarkastukset vaativat 12 muokkausta .

Optinen virtaus on esitys (visuaalisessa kaaviossa tai matemaattisen mallin muodossa) kohteiden, pintojen tai reunojen näennäisestä liikkeestä, joka johtuu tarkkailijan (silmien tai kameran) liikkeestä suhteessa kohtaukseen. Optiset virtauspohjaiset algoritmit , kuten liikkeentunnistus, objektin segmentointi, liikekoodaus ja stereoerojen laskenta, käyttävät tätä esineiden, pintojen ja reunojen liikettä.

Optisen virtauksen estimointi

Järjestettyjen kuvien sekvenssit mahdollistavat liikkeen arvioimisen joko hetkellisenä kuvan nopeudena tai diskreettinä siirtymänä [1] Fleet ja Weiss ovat koonneet opetusohjelman optisen virtauksen arvioinnin gradienttimenetelmästä [2] .

Optisen virtauksen laskentamenetelmien analyysin suorittivat John L. Barron, David J. Fleet ja Steven Beauchemin. He tarkastelevat menetelmiä sekä tarkkuuden että tuloksena olevan vektorikentän tiheyden kannalta. [3]

Optiseen virtaukseen perustuvat menetelmät laskevat liikkeen kahden samaan aikaan otetun kuvan välillä ja kussakin pikselissä . Näitä menetelmiä kutsutaan differentiaaliseksi, koska ne perustuvat signaalin approksimaatioon Taylor-sarjan segmentillä ; täten he käyttävät osittaisia derivaattoja aika- ja tilakoordinaattien suhteen. $t$ $t+\delta t$

Kun kyseessä on ulottuvuus 2D+ t (suuremmat mitat ovat samankaltaisia), pikseliä kohdassa , jonka intensiteetti on kehystä kohti, siirretään , ja , ja seuraava yhtälö voidaan kirjoittaa: ${\näyttötyyli (x,y,t)}$ ${\näyttötyyli I(x,y,t)}$ $\delta x$ $\delta y$ $\delta t$

{\näyttötyyli I(x,y,t)\noin I(x+\delta x,y+\delta y,t+\delta t)}

Olettaen, että siirtymä on pieni ja käyttämällä Taylor-sarjaa, saamme:

{\näyttötyyli I(x+\delta x,y+\delta y,t+\delta t)\noin I(x,y,t)+{\frac {\partial I}{\partial x))\delta x+{\ frac {\partial I}{\partial y}}\delta y+{\frac {\partial I}{\partial t}}\delta t}

Näistä tasa-arvoista seuraa:

{\frac {\partial I}{\partial x))\delta x+{\frac {\partial I}{\partial y))\delta y+{\frac {\partial I}{\partial t} }\delta t=0

tai

{\frac {\partial I}{\partial x}}{\frac {\delta x}{\delta t}}+{\frac {\partial I}{\partial y}}{\frac { \delta y}{\delta t))+{\frac {\partial I}{\partial t)){\frac {\delta t}{\delta t))=0

siksi se käy ilmi

{\frac {\partial I}{\partial x}}V_{x}+{\frac {\partial I}{\partial y}}V_{y}+{\frac {\partial I}{ \osittainen t}}=0

missä

V_{x},V_{y}

ovat optisen virtausnopeuden komponentit ,

{\näyttötyyli I(x,y,t)}

{\frac {\partial I}{\partial x))

, , ovat johdannaiskuvia vastaaviin suuntiin.

{\frac {\partial I}{\partial y))

{\frac {\partial I}{\partial t))

{\näyttötyyli (x,y,t)}

Tällä tavalla:

{\displaystyle I_{x}V_{x}+I_{y}V_{y}=-I_{t))

tai

\nabla I^{T}\cdot {\vec {V}}=-I_{t}

Tuloksena oleva yhtälö sisältää kaksi tuntematonta, eikä sitä voida ratkaista yksiselitteisesti. Tämä seikka tunnetaan aukkoongelmana . Ongelma ratkaistaan asettamalla lisärajoituksia - laillistamista .

Optisen virtauksen määritysmenetelmät

Vaihekorrelaatio on normalisoidun poikkispektrin inversio.
Lohkomenetelmät - neliösumman tai erotusmoduulien summan minimointi
Differentiaaliset menetelmät optisen virtauksen arvioimiseksi signaalin osittaisten derivaattojen perusteella:
- Lucas-Kanaden algoritmi - huomioidaan kuvan osia ja affinista liikemallia
- Horn–Schunck — funktionaalin minimointi, joka kuvaa poikkeamaa vakiokirkkauden oletuksesta ja tuloksena olevan vektorikentän tasaisuudesta.
- Buxton-Buxton - perustuu objektien rajojen liikkumismalliin kuvasarjassa [4]
- Yleiset variaatiomenetelmät ovat Horn-Schunck-menetelmän muunnelmia, jotka käyttävät erilaisia rajoituksia datalle ja muita sileyden rajoituksia.
Diskreetit optimointimenetelmät - hakuavaruus kvantisoidaan ja jokaiselle kuvan pikselille määritetään nimike, jotta peräkkäisten kehysten välinen etäisyys on minimaalinen. [5] Optimaalista ratkaisua etsitään usein käyttämällä algoritmeja minimileikkauksen ja maksimivirran löytämiseksi graafista, lineaarista ohjelmointia tai uskomuksen leviämistä .

Optisen virtauksen käyttäminen

Optisen virtauksen tutkimusta tehdään laajasti videon pakkauksen ja liikeanalyysin aloilla. Optiset virtausalgoritmit eivät ainoastaan määritä virtauskenttää, vaan käyttävät optista virtausta myös näkymän kolmiulotteisen olemuksen ja rakenteen analysoinnissa sekä kohteiden ja havainnoijan 3D-liikkeen suhteessa kohtaukseen.

Optista virtausta käytetään robotiikassa esineiden tunnistamiseen, objektien seurantaan, liikkeentunnistukseen ja robotin navigointiin.

Lisäksi optista virtausta käytetään objektien rakenteen tutkimiseen. Koska liikkeen havaitseminen ja karttojen luominen ympäristön rakenteesta ovat olennainen osa eläimen (ihmisen) näkemistä, tämän synnynnäisen kyvyn toteuttaminen tietokoneen avulla on olennainen osa tietokonenäkemistä.

Kuvittele viiden ruudun video, jossa pallo liikkuu alhaalta vasemmalta oikealle. Liikkeen havaitsemismenetelmillä voidaan määrittää, että pallo liikkuu kaksiulotteisessa tasossa ylös ja oikealle, ja tätä liikettä kuvaavat vektorit voidaan saada kehyssarjasta. Videopakkauksessa tämä on oikea kuvaus kehysten järjestyksestä. Tietokonenäön alalla ilman lisätietoa on kuitenkin mahdotonta sanoa, liikkuuko pallo oikealle ja seisoo tarkkailija paikallaan vai onko pallo levossa ja tarkkailija liikkuu vasemmalle.

Optiset virtausmallit psykologiassa

James Gibson piti optisia virtausmalleja (optisia invariantteja) korkeamman asteen ärsykkeenä. Optiset virtausmallit Gibsonin teoriassa ovat monimutkaisia optisen tiedon konfiguraatioita, jotka tallennetaan visuaalisten reseptorien avulla. Optinen virtaus sisältää kaiken tiedon, joka tarvitaan havainnoimiseksi ympärillämme olevasta maailmasta, siinä tapahtuvista tapahtumista, mukaan lukien tiedot liikkeestä (mukaan lukien liikeparallaksi ja optinen laajennusgradientti). Siten optinen virtaus sulkee havaintopsykologian ulkopuolelle tarpeen käyttää muuta ulkoista tietoa [6] .

Ajatus optisen virtauksen käyttämisestä havainnollisen kuvan muodostusprosessin selittämiseen tuli Gibsonille toisen maailmansodan aikana, kun hän luotiin erityisiä simulaattoreita ja koulutusfilmiä Yhdysvaltain ilmavoimien lentäjien koulutukseen.

Katso myös

Visuaalinen matkan mittaus

Muistiinpanot

↑ SS Beauchemin, JL Barron 1995 optinen virtauslaskenta
↑ David J. Fleet ja Yair Weiss (2006) optinen virtauksen estimointi. Arkistoitu 8. kesäkuuta 2011 Wayback Machinessa , Paragios et al.. Handbook of Mathematical Models in Computer Vision.
↑ John L. Barron, David J. Fleet ja Steven Beauchemin 1994. Optisten virtaustekniikoiden suorituskyky Arkistoitu 30. heinäkuuta 2009 Wayback Machinessa
↑ Glyn W. Humphreys ja Vicki Bruce 1989 Visuaalinen kognitio
↑ B. Glocker, N. Komodakis, G. Tziritas, N. Navab & N. Paragios 2008 Tiheän kuvan rekisteröinti MRF:n ja tehokkaan lineaarisen ohjelmoinnin kautta Arkistoitu 19. heinäkuuta 2011.
↑ KN OGLE. Visuaalisen maailman käsitys. James J. Gibson; Leonard Carmichael, toim. Boston: Houghton Mifflin, 1950. 235 s. 4,00 dollaria // Tiede. - 4.5.1951. - T. 113 , no. 2940 . — S. 535–535 . — ISSN 1095-9203 0036-8075, 1095-9203 . - doi : 10.1126/tiede.113.2940.535 .

Linkit

Finding Optic Flow Arkistoitu 5. marraskuuta 2010 Wayback Machinessa
Art of Optical Flow -artikkeli osoitteessa fxguide.com (optisen virtauksen käyttäminen Visual Effectsissä)
Optisen virtauksen arviointi ja maan totuussekvenssit. Arkistoitu 30. elokuuta 2010 Wayback Machinessa
Middlebury Optisen virtauksen arviointi ja maan totuussekvenssit. Arkistoitu 27. heinäkuuta 2019 Wayback Machinessa
DROP: (Windows-käyttöliittymä) Dense Optical Flow Estimation Freeware Software, joka käyttää diskreettiä optimointia. Arkistoitu 18. heinäkuuta 2010 Wayback Machinessa
French Aerospace Lab: Lucas-Kanade-pohjaisen optisen virtauksen GPU-toteutus
Moskovan valtionyliopiston tietokonegrafiikan laboratorio Arkistoitu 17. elokuuta 2011 Wayback Machinessa