Aplicación de la correspondencia de imágenes al análisis de vídeo

Título original:

Applying Image Matching to Video Analysis

Contenido del libro:

Tratar con el volumen de multimedia recopilado a diario para la recopilación de información y las investigaciones forenses digitales requiere un análisis manual significativo. Un componente de este problema es que puede volver a analizarse un vídeo que ya ha sido analizado.

La identificación de secuencias de vídeo duplicadas es difícil debido a las diferencias en los vídeos de calidad y tamaño variables. Esta investigación utiliza una estructura de árbol kd para aumentar la velocidad de coincidencia de imágenes. Los puntos clave se generan y se añaden a un árbol kd de gran dimensionalidad (128 dimensiones).

Todos los puntos clave del conjunto de imágenes se utilizan para construir un árbol kd global, que permite realizar búsquedas en los vecinos más próximos y acelera el cotejo de imágenes.

El árbol kd realizó la correspondencia de un conjunto de 125 imágenes 1. 6 veces más rápido que la transformada de características invariantes de escala (SIFT).

Las imágenes se emparejaron en el mismo tiempo que las características robustas aceleradas (SURF). Para un conjunto de 298 imágenes, el árbol kd con RANSAC fue 5,5 veces más rápido que SIFT y 2,42 veces más rápido que SURF. 42 veces más rápido que SURF.

Sin RANSAC, el árbol kd fue 6,4 veces más rápido que SIFT y 2,8 veces más rápido que SURF. Las imágenes de orden se comparan con las mismas imágenes de diferentes calidades, no produjo significativamente más partidos cuando una imagen de mayor calidad se compara con una de menor calidad o viceversa. Las comparaciones por tamaño variaron mucho más que las comparaciones por calidad, lo que sugiere que el tamaño influye más en las coincidencias que la calidad.