Parametric model motion estimation: neural approach

• Autorzy: Szostakowski J. , Skoneczny S.

Warianty tytułu

PL

Estymacja ruchu z wykorzystaniem modeli parametrycznych: podejście neuronowe

• Języki publikacji: EN

Abstrakty

EN

Information about motion is used for many image sequences processing algorithms. In this paper a method of estimating motion parameters is presented. This method is based on using the artificial neural networks for different models of motion. The three different parametric models are examined: affine flow, planar surface motion and parabolic model. The circuit architectures of simple neuron-like processors are considered for estimation of motion parameters. The efficiency of the proposed networks is imestigated by computer simulation for using in video processing.

PL

Informacja o ruchu jest wykorzystywana w wielu algorytmach przetwarzania sekwencji obrazów. W niniejszym artykule zaprezentowano metodę estymacji parametrów ruchu. Metoda bazuje na wykorzystaniu sztucznych sieci neuronowych dla różnych modeli ruchu. Trzy różne modele parametryczne są badane: model afiniczny, model ruchu po płaszczyźnie i model paraboliczny. Sieci optymalizujące są użyte do estymacji parametrów dla tych modeli. Efektywność sieci jest badana w oparciu o symulacje komputerowe.

Słowa kluczowe

EN

image sequence analysis; neural network; motion estimation; computer simulation

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2004
• Tom: R. 80, nr 4
• Strony: 374--377
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Szostakowski J.

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

autor

Skoneczny S.

• Politechnika Warszawska, Instytut Sterowania i Elektroniki Przemysłowej, ul. Koszykowa 75, 00-662 Warszawa

Bibliografia

• [1] Szostakowski J., Skoneczny S., Motion estimation from image sequences: classical vs. neural networks based approaches, SPIE Proceedings Vol. 4535 Optical Sensing for Public Sefty, Health, and Security (2001), 172-190
• [2] Tziritas G., Labit C., Motion Analysis for Image Sequence Coding, Elsevier Science B. V., Amsterdam (Netherlands), 1994.
• [3] Convertino G., Brattoli M., Distante A., Hopfield Neural Networks for Motion Estimation and Interpretation, Proc. International Conference on Artificial Neural Networks (1994), 78-81
• [4] Szostakowski J., Skoneczny S., Neural model-based motion estimation, SPIE Proceedings Vol. 3162 Advanced Signal Processing: Algorithms, Architectures, and Implementation VII (1997), 328-335
• [5] Zhou Y., Artificial Neural Network Algorithms for Some Computer Vision Problems, PhD thesis, Signal and Image Processing Institute, Los Angeles, CA (USA), 1989
• [6] Aggarwal J.K., Nandhakumar N., On the Computation of Motion from Sequences of Images - A Review, Proceedings of the IEEE, 76 (1988), 917-935
• [7] Huang T.S., Netravali A.N., 3D Motion Estimation, Machine Vison for Three-Dimensional Scenes, Academic Press, Inc., San Diego, CA (USA), 1990, 195-218
• [8] Cichocki A., Unbehauen R., Neural Networks for Optimization and Signal Processing, John Wiley & Sons, 1993
• [9] Anandan P., Bergen J.R., Hanna K.J., Hingorani R., Hierarchical Model-Based Motion Estimation, Motion Analysis and Image Sequence Processing, Kluwer Academic Publisher, 1993, 1-22
• [10] Smolic A., Sikora T., Ohm J.R., Direct estimation of longterm global motion parameters using affine and higher order polynomial models, Picture Coding Symposium'99 (1999)
• [11] Netravali A.N., Robbins J.D., Motion-Compensated Television Coding: Part I, The Bell System Technical Journal, 58 (1979), 631-670