Upload
mirabelle-beaufils
View
103
Download
0
Embed Size (px)
Citation preview
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 1
stimation de mouvement et segmentation
Patrice BRAULT
IEF, Institut d’Electronique Fondamentale, CNRS UMR 8622,
Département ACCIS,
Paris-Sud University, 91405 Orsay, FRANCE.
http://braultp.free.fr
Partie I : stimation de mouvement par ondelettes spatio-temporelles adaptées
Partie II : egmentation bayésienne par modèle de Potts-Markov dans le domaine des ondelettes
GPi
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 2
• Partie I : Estimation de mouvement (E.M.) par ondelettes spatio-temporelles.1. Etat de l'art : Compression vidéo et EM.
2. Création d’ondelettes adaptées au mouvement et E.M. fondée sur des trajectoires.
3. Comparaison avec le calcul rapide du flot optique [C. Bernard, S. Mallat]
4. Conclusion.
• Partie II : Segmentation d’image et de séquence • Présentation du problème de segmentation
• Classification bayésienne dans le domaine des pixels. Modèle de Potts-Markov
• Segmentation incrémentale d’une séquence vidéo
• Projection et classification dans le domaine des ondelettes par modèle de Potts avec voisinage d’ordre 2.
• Conclusion générale
Plan: Partie I
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 3
Estimation de mouvement (EM). 1/2
• Correspondance de blocs (BM, Block-Matching)
Edberg
Compression hybride orientée objet MPEG4• codage Spatial : a) DCT comme MPEG2.b) Segmentation object et codage échelonnable (mouvement ou "sprite").
• Temporel : a) BM comme MPEG2. b) EM de n à n+1 (n'utilise que deux trames).
• Echelonnabilité de codage spatial, temporel et de la complexité.
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 4
L’estimation de mouvement (EM). 2/2
• Approche classique
1. Codage spatial DCT (MPEG) ou Hadamard (H264)2. Codage temporel (EM estimation de mouvement) par correspondance de blocs (BM, block-matching) et
estimation par simples vecteurs de mouvement entre deux trames.
• Approches actuelles par transformées en ondelettes (TO ou WT)
1. Filtrage "post-compensation du mvt" avec des ondelettes (Haar) [Guillemot, TEMICS] 2. Compression 2D+T avec compensation mouvement et lifting [Woods]3. Calcul rapide de flot optique par projection et résolution des équation du flot sur une base orthogonale [Bernard,
Mallat]
• Notre approche par CWT (continuous WT) 2D+T adaptée mouvement : "MTSTWT , Motion-tuned spatio-temporal wavelet transform"
1. Quantification des paramètres de mouvement par ondelettes adaptées à des transformations étendues.2. Schéma d' EM et prédiction fondé sur l'identification des trajectoires d' objets, calculées à partir des paramètres
de mouvement et d’un modèle de trajectoire (par ex. polynome d’ordre 5 ...), sur plusieurs trames.
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 5
Détection de vitesse dans le domaine spectral
k_t
k_x
V=1
V=3
V=10
k_t
k_x or y
Détection dans Fourier : 3 pentes pour 3 vitesses différentes
k_t
k_y
3 vitesses horizontales : 1, 3, 10 pix/fr.
y
x
2 vitesses verticales : 1, 3 pix/fr.
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 6
Analyse du mouvement par ondelettes : propriétés
Intérêt de construire des ondelettes adaptées à diverses transformations.
• Propriété 1 : La transformation A-1 subie par un signal 2D peut être transférée à l’ondelette.
• Propriété 2 : Le spectre d’un objet en mouvement est décalé dans la direction du vecteur d’onde temporel. La valeur du décalage correspond à la vitesse v0 de l’objet en mouvement.
objet statique :
objet à vitesse constante :
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 7
Groupe de transformations
Les opérateurs suivants s’appliquent à l’ondelette [M. Duval-Destin, A. Grossman, R. Murenzi 93] , [Leduc,Mujica, Murenzi, Smith 00], [J.P. Antoine, R. Murenzi, P. Vandergheynst, S.T.Ali 04].
• Translation spatio-temporelle
• Changement d’échelle spatio-temporelle
• Rotation spatiale
• Adaptation à la vitesse
Représentations spectralessur enveloppe de Morlet
rotation
Vitesse
Chgt. d’échelle
kt =
kx
ky
C=4
C=1/8
C=1
C=1
C=1
C=4
C=1/8
C=1
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 8
Transformations appliquées à l’ondelette de Morlet
• Ondelette de Morlet 2D+T dans le domaine spatio-temporel (direct).
• Ondelette spectrale adaptée aux paramètres {g}
[Kronland-Martinet 88]
•
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 9
Sélectivité, séparabilité et transformée spectrale finale
• Paramètre de sélectivité : • On cherche à renforcer l'anisotropie de l' ondelette de Morlet, , donc sa sélectivité dans une direction,.
• Séparabilité en trois ondelettes spectrales
• Relation finale de la transformée spatio-temporelle adaptée au mouvement, dans le domaine de Fourier :
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 10
Séquence d’origine
Algorithme spectral, séparable, de la MTSTWT
IFFT 3D globale
Convolution séparable dans Fourier :
FFT 3D globale
Résultat analysé dans l’espace direct
Définition d’une ondelette 2D+T adaptée (Morlet ici) séparable
Choix des paramètres d’analyse
(famille d’ondelettes)
3 ondelettes• 2 spatiales • 1 temporelle
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 11
MTSTWT sur la séquence tennis
Séquence : 360 240 30 frames, 8 bits.
MTSTWT spectrale adaptée à la vitesse.
Affichage =6ms/trame Résultat : détection des différentes vitesse (balle, bord de table en zoom arrière) 10ms/trame
Détection de mvtSegmentation de mvt
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 12
Résultats et comparaison avec le calcul rapide du flot optique [C. Bernard, S. Mallat]
1) Complexité algorithmique de la MTSTWT
O( N3LogN ) avec N= m n k, la taille de la séquence . ajouter une IFFT3D par paramètre de vitesse si l’analyse est réalisée dans le domaine direct. Effectuer la FFT3D de la séquence avant analyse spectrale par la MTSTWT.
2) Vitesse de calcul
MTSTWT (spectrale) avec 3 ondelettes adaptées à 3 vitesses (3, 6, 10 pixels/fr) sur un bloc 3602408 (séquence Tennis )
TM= 1200ms (sur un Xeon bi-processeur à 2.4gHz). En ajoutant les 3 FFT3D inverses (380ms) pour chaque vitesse, on obtient :
TMtot =2400ms, à la plus haute résolution.
Calcul du flot optique [C. Bernard] entre deux trames de la même séquence et pour 4 résolutions différentes :TF = 10 secondes (sur le même processeur Xeon).
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 10 sep. 04 13
Schéma d'une EM basée sur l'identification de trajectoire
k
Uncompressed Image sequence (space-time domain)size = m × n
Energy maximization and parameters extraction
Motion estimation from the computed trajectory [Incoming
publication]
Fast object trajectoryIdentification[Fliess et al.]
A priori trajectory model (Spline, Polynomial)
Compressed Image sequence (space-time domain)
[Brault P. , IEEE-ISSPIT03]
MTSTWT[Duval-Destin,
Murenzi, Antoine]
Object segmentation :Motion or static image based segmentation
Object kinematic and affine parameters.
P.Brault Estimation de mouvement par ondelettes spatio-temporelles IEF 29 nov. 2005 14
Conclusion for MTSTWT and object identification in compression and scene analysis
Contribution personnelle :
• Utilisation d'une transformée en ondelettes redondantes 2D+T utilisant un groupe de transformations étendu pour la quantification et l'estimation du mouvement dans une séquence vidéo [1,2].
• EM objet fondée sur l'identification d'une trajectoire [3].
Perspectives: améliorations de l'algorithme de la MTSTWT [4]
• Ondelettes adaptées à la détection d'objets (contours) et moins oscillantes que Morlet (Splines, dérivées de gaussiennes )
• Calcul de la transformée dans l'espace direct (code testé) ou analyse dans l'espace de Fourier afin d'éviter les transformations du domaine direct vers spectral et réciproquement (FFT IFFT)
• Réduction de la taille du noyau de convolution (longueur du filtre).
• Utilisation d'un algorithme de transformation continue ("Algorithme à trous") [Tchamitchian et al.]
Publications :
1. - [Brault P.], WSEAS Transactions on Mathematics, 2003.
2. - [Brault P. and Vasiliu M.], WSEAS Transactions on Communications, 2003.
3. - [Brault P.], IEEE- ISSPIT, Darmstadt, dec. 2003.
4. - [Brault P.], WSEAS Transactions on Electronics, 2004.
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 15
• Partie I : Estimation de mouvement (E.M.) par ondelettes spatio-temporelles.
1. Etat de l'art : Compression vidéo et EM.
2. Création d’ondelettes adaptées au mouvement et E.M. fondée sur des trajectoires.
3. Comparaison avec le calcul rapide du flot optique [C. Bernard, S. Mallat]
4. Conclusion.
• Partie II : Segmentation d’image et de séquence
1. Modèle de markov caché et segmentation bayésienne dans le domaine des pixels
2. Segmentation incrémentale d’une séquence vidéo
3. Projection et classification dans le domaine des ondelettes par modèle de Potts avec voisinage d’ordre 2.
• Conclusion générale
Plan: Partie II
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 16
Approche bayésienne de la segmentation(BPMS Bayesian Potts-Markov segmentation)
= +
• première hypothèse
• seconde hypothèse
• modélisation markovienne
et voisinage d’ordre 1
• champ de Potts-Markov
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 17
A posteriori, estimation et approximation par MCMC
• Paramètres des lois a priori (segmentation non-supervisée)
• Hyperparamètres : loi conjuguées [Snoussi,Djafari02]
• Distribution a posteriori (Bayes)
Solution par approximation : méthode de type Markov Chain Monte-Carlo (MCMC) :
Application de la loi faible des grands nombres; nécessité d'un échantillonneur pseudo-aléatoire.
Hyper-hyperparamètres
• On recherche une solution au sens du MAP : plusieurs méthodes :• Optimisation : solution explicite (gaussienne) ou gradient (loi unimodale) ou Recuit (loi multimodale)• Intégration de E(g) : Approximation de Laplace (cas unimodal) ou méthodes MC ou MCMC
Evidence : E(g)
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 18
Echantillonnage, estimation MAP et MCMC
• Génération de N échantillons
• Estimateur de la loi, et des paramètres, calculé après un "temps de chauffe" de L échantillons :
Moyenne a posteriori (PM)
Maximum a posteriori (MAP) ou mode.
• Échantillonneur de Gibbs.
n itérations pour chaque site r(i,j).
• Mise en « parallèle » par réduction à deux sous-ensembles
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 19
Segmentation bayésienne de séquences et E.M.
1) Séquence originale 320240 6 2) Segmentation avec K=4. iter(1)=20, iter(2:6)=6
3) Itérations entre 2 trames 1 et 2 : convergence atteinte à la 4ème itération
tr2
tr1tr1 tr2tr2
tr6 tr6
tr1
5) Calcul du déplacement sur le centroïde de l’objet, caractérisée par sa « masse » (nbre de
pixels de même classe).
4) Deux trames successives (1 et 2)
On sélectionne la classe correspondant à la balle
• Segmentation incrémentale (utilisant la corrélation entre trames) par la méthode BPMS (domaine direct) :• Segmentation de la trame (n) basée sur la segmentation de (n-1)
• Segmentation de la trame 1 avec un gd nombre N d'itérations. Puis N est réduit poru les suivantes.
• Calcul du vecteur mouvement pour une région ou un objet (masse en pixels ~ cte )
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 20
Propriétés statistiques des coefficients d’ondelettes
Histo. de l’image riginale et des coeffs. d’échelle aJ
Histo. des coeffs d’ondelettes dj : 2 gaussiennes (K=2 classes)
Log/log
• Décomposition multirésolution• Classification en 2 classes : K=2, des coefficients d’ondelette.
OWT 2 échellesImage originale
• Transformée orthogonale (OWT)
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 21
Modélisation dans le domaine des ondelettes
• Nouvelle expression du champ de Potts_Markov (PMRF) prenant en compte les orientations privilégiées des ss-bandes d’ondelettes :
• Etapes de l’algorithme :
• La segmentation est effectuée d’abord sur la ss-bande d’approximation a J à l’échelle la plus grande 2J.
• La segmentation de la ss-bande d’ondelettes dJ est initialisée par les discontinuités de la ss-bande aJ.
• Par application de la propriété énoncée, les ss-bandes d’ondelettes sont segementées en K=2 classes.
• Les segmentations des ss-bandes d H,D1,D2,V (j-1) sont initialisées par les segmentation à l’échelle j précédente.
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 22
Algorithme de segmentation dans le domaine ondelettes
j=J j=J-1 j=0
P.Brault Segmentation par modèle de Potts-Markov dans le domaine des ondelettes IEF 29 nov. 2005 23
Exemple de segmentation WBPMS
Segmentation aJ
a) Mosaïque 1024x1024, 8bits
Segmentation de toutes les sous-bandes aJ /dj
• 1) Image test synthétique : mosaïque texmos512 +bruit
• 2) Exemple : Segmentation de la mosaïque de test sur J= 2 niveaux
• 3) Performances de la segmentation WBPMS
c) Histogramme de la mosaïque bruitée
Filtrage et segmentation finale
Décomposition sur J=2 niveaux puis :
Histogramme après reconstruction
P.Brault Estimation de mouvement et segmentation IEF 29 nov. 2005 24
Conclusion et perspectives
• I) Estimation de mouvement par ondelettes spatio-temporelles• Quantification du mouvement par ondelettes continues (CWT) et groupe de transformations étendu.
• Schéma d' estimation de trajectoires d'objets visant à une compression « contextuelle » de la scène donc plus efficace.
• Perspectives : EM objet, multirésolution et robuste, éventuellement associée à une segmentation bayésienne ou autre (Partie II).
• II) Segmentation et EM par modèle de Potts-Markov dans les domaines direct et ondelettes.• Accélération de la segmentation de séquences par segementation incrémentale
EM de régions, ou objets, basé sur le déplacement du centre de masse.
• Accélération de la segmentation image par projection dans le domaine des ondelettes orthogonales (OWT) .
• Perspectives : EM post-segmentation fondée sur l'analyse du centre de masse et aussi la trajectographie.
Publications partie II:
1. - [Brault and Djafari.], WSEAS Transactions on Mathematics, 2005.
2. - [Brault and Djafari], MaxEnt05-AIP, Darmstadt, 2005.
3. - [Brault and Djafari], Colloque Bouyssy (sans actes), 2005.
4. - [Brault and Djafari], Journal of Electronic Imaging, 2005.