Project 5: Video background replacement

Slides:



Advertisements
Hasonló előadás
ÉRDEKES PONTOK KINYERÉSE DIGITÁLIS KÉPEKEN. BEVEZETÉS  ALAPPROBLÉMA  Jellemzőpontok detektálása mindkét képen  Kinyert pontok megfeleltetése  Megfeleltetések.
Advertisements

L ÁTHATÓSÁG MEGHATÁROZÁSA tavaszi félév.
Számítógép grafika.
Fogalmak  Az elektronikus kereskedelem (e-kereskedelem) nem más, mint az árucikkek interneten való reklámozása, eladása, vásárlása, illetve cseréje.
Match Move Juhász Endre Muhi Kornél Urbán Szabolcs Számítógépes látás projekt.
SPC/SQC valósidejű rendszerekben 2000 November /Magyar Batch Fórum 1 Hi-Spec Solutions SPC/SQC in Real Time Systems (Statisztikai és minőségi szabályzás.
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS A BIONIKUS SZEMÜVEGBEN Persa György.
Balogh Tamás, Koós Krisztián, Laczi Balázs, Tari Tamás 2013 Tavasz.
1 AIBO Robotfoci Bodor László IAR Bevezetés AIBO RoboCup AIBO RoboCup Célok Célok Rendszer elemei Rendszer elemei Megvalósítás terve Megvalósítás.
1 / / 13 Bevezető Forgalmi dugók okozta problémák: - Feszültség - Sietség - Szabálytalan közlekedés → baleseti források Megoldás: A jó megoldások.
A jövő technológiái Kőnig Tibor főmérnök, Microsoft Magyarország blogs.msdn.com/tibork-on-ms blogs.msdn.com/tibork-on-ms.
Számítógépes grafika Szirmay-Kalos László
Digitális képanalízis
Domain tesztelés bemutatása PHP tesztelés
Közeltéri mikroszkópiák
Erősen összefüggő komponensek meghatározása
Információ kezelés Az információ visszakeresésének lehetőségei.
Optical Flow meghatarozasa kepszekvenciakbol
Mozgó Objektumok Detektálása és Követése Robotkamera Segítségével
Balogh Tamás, Koós Krisztián, Laczi Balázs, Tari Tamás 2013 Tavasz.
Intelligens ébresztő óra Számítógépes látás projekt 2011.
SzTE JGYTFK Matematika Tanszék
Vámossy Zoltán 2004 (Mubarak Shah, Gonzales-Woods anyagai alapján)
Vámossy Zoltán 2006 Gonzales-Woods, SzTE (Kató Zoltán) anyagok alapján
Küszöbölés Szegmentálás I.
Feladatok - BAR K+F Vámossy Zoltán 2010 Summer School on Image Processing (SSIP) nyári egyetem feladatai és saját ötletek alapján.
A 4D stúdió valós idejű GPU-s implementálása Hapák József ELTE-IK MSC 2012.
Hasonlóságelemzés COCO használatával a MY-X elemzőben
Beruházás-kontrolling
Készítette: Kosztyán Zsolt Tibor
Az Alakfelismerés és gépi tanulás ELEMEI
Lázár István Témavezető: Hajdu András
Margitay – Mérnöketika A MÉRNÖKI FELELŐSSÉG -- ESETEK 11. óra.
Horváth Zsolt Schnádenberger Gábor Varjas Viktor
Implementált képfeldolgozó algoritmusok
HATÉKONY SAJÁTSÁGKIEMELŐK KÉPEK ÖSSZEHASONLÍTÁSÁHOZ MobileAssistant workshop, május 4. Főnix Inkubátorház, 4029 Debrecen, Csapó u. 42. A ép III/2.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Ipari képfeldolgozás projekt II. mérföldkő
Önálló laboratórium Képek szegmentálása textúra analízis segítségével
XHTML 1. óra. Miért térjünk át HTML-ről XHTML- re? HTML-szabványban tartalom és forma összemosódott HTML 4.0 szabványban stíluslapok használatát javasolták.
CSS A CSS bemutatása.
Képfeldolgozási módszerek alkalmazása kajszimagok morfológiai tulajdonságainak leírására Felföldi J. 1, Hermán R. 2, Pedryc A. 2, Firtha F. 1 1 Budapesti.
Többváltozós adatelemzés
Budapesti Műszaki Főiskola Neumann János Informatikai Kar Informatikai Automatizált Rendszerek Konzulens: Vámossy Zoltán Projekt tagok: Marton Attila Tandari.
Többszintű Tenyéralapú Biometrikus Azonosító Rendszer
Kézmozdulat felismerő rendszer
Rendszám Felismerő Rendszer Fajt Péter Vácz István
Brightr Megvilágítás modellezése. Csapattagok  Illés László  Palatinus Endre  Provits Milán  Török Péter.
Szakember Kérdések Megállapítás Megoldási javaslat javaslat Árajánlat Megvalósítás Pénzügyi Szakember Bemutatkozás Elemzés Ajánlat készítés Specialisták.
Adatbányászati módszerek a weblogfájlok elemzésében
A GIMP képszerkesztö program bemutatása
Weblapkészítés alapjai
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS Persa György.
Project 4: Visual motion based Human-Computer Interface Jaksa Zsombor Németh József Ungi Tamás Utasi Tamás.
Alapfogalmak, adatforrások, szűrés
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék R „Big Data” elemzési módszerek Kocsis Imre
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Csoportkeresési eljárások Vassy Zsolt. Tematika Girvan Newman klaszterezés Diszkrét Markov lánc: CpG szigetek Rejtett Markov lánc ADIOS.
Botyánszki Laczik Rácz
Időbeli redundancia. - Idő -> mozgás Intra-Frames: codiertes Einzelbild Inter-Frames: Differenzbild I-képek: Intra frame coded - csak képkockán belül.
.NET FRAMEWORK Röviden Krizsán Zoltán 1.0. Tulajdonságok I Rövidebb fejlesztés 20 támogatott nyelv (nyílt specifikáció) 20 támogatott nyelv (nyílt specifikáció)
Rekord statisztikák Készítette: Komjáti Bálint IV. évf. fizikus hallgató (ELTE-2006) Györgyi Géza: Extrém érték statisztikák előadásán tartott szemináriumára.
OpenCV CV = Computer Vision
Fejmozgás alapú gesztusok felismerése Bertók Kornél, Fazekas Attila Debreceni Egyetem, Informatikai Kar Debreceni Képfeldolgozó Csoport KÉPAF 2013, Bakonybél.
Digitális fényképek javítása. Nyissuk meg a ferde.jpg képet! 1.Válasszuk a forgatás eszközt! 2.Irány: javítás 3.Előnézet: kép+rács 4.A képre kattintva.
Mozgásvizsgálat gyakorlat
2. A számító- gépes grafika eszközei
Emlékeztető Az előző órán az adatok eloszlását Gauss-eloszlással közelítettük Célfüggvénynek a Maximum Likelihood kritériumot használtuk A paramétereket.
A mesterséges neuronhálók alapjai
Előadás másolata:

Project 5: Video background replacement SZTE Számítógépes látás Csapattagok: Grigore András Zsolt, Jaksa Zsombor, Rózsa Tibor, Szelei Lajos

Feladat meghatározása A projekt célja egy olyan rendszer megalkotása, mely képes videóbeszélgetés közben a beszélő mögötti hátteret bármilyen másikra kicserélni valós időben. A megoldással lehetőségünk nyílik video stream valós időben történő manipulálására.

Szakirodalom A szakirodalom felkutatása során megismert módszerek egyik fele a háttér cseréjének megvalósításával foglalkozik, másik fele az előtérben levő objektumok követésére és körvonalaik detektálására összpontosít.

Szakirodalom I.[1] /1 1. Előre rögzített háttér 2. A hátterek közti különbséget kivonással határozza meg 3. A pixelek szomszédságának vizsgálata alapján szegmentál (2 pass process) 4. A legvalószínűbb pixelekből az előzőek alapján maszkot készít mely tovább pontosítható

Szakirodalom I.[1] /2 Hátrány Előny Nem statikus háttér esetén drasztikusan nő a számítási igény és a pontatlanság Előny Viszonylag pontos objektumhatárokat ad Gyors és előre meghatározott modellekkel az eredmény pontosítható

Szakirodalom II.[3] /1 1. Az előzőhöz hasonlóan egy referencia kép és/vagy előre meghatározott színmodellek segítségével detektál 2.1 RGB -> HSV 2.2 Az elmozdulás és a Gauss Mixture Modell segítségével osztályozza a pontokat 2.3 Expectation-Maximisation módszer a valószínűségek maximalizálásával pontosít 3. Maszkot készít majd előre meghatározott szín modellek elemzésével követi pl.: a kéz mozgását

Szakirodalom II.[3] /2 Hátrány Előny Számítási igény magas és megfelelő színmodellek nélkül pontatlan is Előny A képek HSV-térbe konvertálása pontosabb eredményt biztosít (pl.:árnyék) A Gauss Mixture Modellek alkalmazása a kifinomult klaszterezés révén megfefelő osztályozást ad mely EM-el pontosítható

Szakirodalom 3. Megvizsgálva egyéb szakirodalmakat Előre rögzített háttér vagy kismértékben változó háttér Konvertálás más, fényintenzitást egy komponensként tároló térbe Egyszerű Gauss Modell vagy Gauss Mixture Modell(nagyobb háttérváltozások esetében) EM Egyéb szűrők Vágás a maszk mentén A futásidő csökkentésére esetleg optical flow algoritmus mellyel megjósoljuk a pont várható helyét és csak néhány képkockánként nézünk teljes eltérést

Használt módszer Az előzőekben leírt módszerek közül válogatva kell megtalálnunk a számunkra megfelelő minőség/számítási igény arányok közül a legmegfelelőbbet. Ennek megállapítására egy előre felvett videón és egy tesztkörnyezetként funkcionáló Matlab® kódon keresztül a különböző módszerek gyorsaságát vizsgáljuk

Használt módszer 2. Az eddigiek alapján a kódunk a következő: Referencia háttérkép várhatóan kevés háttér mozgással (talán elegendő egyszerű Gauss eloszlás vagy képek kivonása) HSV modellbe konvertálás (gyors és könnyen használható, vannak egyéb jól használható színmodellek pl.: LUV ezek használatát sem zárjuk ki de eddig a HSV tűnik a legjobbnak) Választható képek közti kivágás(gyors és pontos), egyszerű Gauss modell(gyorsabb de pontatlan) vagy Gauss Mixture Modell EM (Expectation-Maximisation) Esetleg egyéb ki/be kapcsolható a szűrők pl.: gesztusok felismerése vagy az elkészült maszk pontatlanságainak javítása Maszk készítése kapcsolódó pontok vizsgálatával

Források [1] R.J. Qian and M.I. Sezan, "Video Background Replacement without a Blue Screen". Proc. of IEEE International Conference on Image Processing. Kobe, Japan, Sept. 1999. [2] D.J. Chaplin, "Chroma Key Method and Apparatus". U.S. Patent 5249039, 1995. [3] Y. Raja, S.J. Mckenna, and S. Gong, "Segmentation and Tracking Using Colour Mixture Models". Proc. of Asian Conference on Computer Vision. Hongkong, Jan. 1998. [4] Baoxin Li and M. Ibrahim, Sezan "Adaptive Video Background Replacement" Sharp Laboratories of America 5750 N.W. Pacific Rim Blvd. Camas, Washington 98607, USA [5]Darrin Cardani "Adventures in HSV Space„ [6] Linkek: http://www.autonlab.org/tutorials/gmm.html Gauss Mixture Modellekről http://en.wikipedia.org/wiki/Standard_deviation Normál eloszlásról http://en.wikipedia.org/wiki/Optical_flow Optical Flow meghatározás