A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Sumarização Automática de Vídeos Baseada em Características de Cor e Agrupamentos Sandra Eliza Fontes de Avila Universidade Federal de Minas Gerais Departamento.

Apresentações semelhantes


Apresentação em tema: "Sumarização Automática de Vídeos Baseada em Características de Cor e Agrupamentos Sandra Eliza Fontes de Avila Universidade Federal de Minas Gerais Departamento."— Transcrição da apresentação:

1 Sumarização Automática de Vídeos Baseada em Características de Cor e Agrupamentos Sandra Eliza Fontes de Avila Universidade Federal de Minas Gerais Departamento de Ciência da Computação

2 Visão Computacional – 2008/1 2 Sumário Introdução Definição do Problema Objetivo Metodologia Experimentos Método Proposto x Open Video Conclusões Trabalhos Futuros

3 Visão Computacional – 2008/1 3 Introdução (1/1) Sumarização automática de vídeos Fornece rapidamente a informação concisa do conteúdo do vídeo, preservando a mensagem original (Pfeiffer et al., 1996) Tipos de resumos Resumos estáticos (Keyframes) Conjunto de quadros-chave Resumos dinâmicos (Video skim) Conjunto de tomadas (shots)

4 Visão Computacional – 2008/1 4 Definição do Problema (1/1) Por que resumir vídeos? Popularização da distribuição de vídeos através da web Muitas vezes o usuário necessita assistir todo o conteúdo do vídeo para descobrir do que realmente se trata

5 Visão Computacional – 2008/1 5 Objetivo (1/1) Desenvolver uma abordagem simples e eficiente para sumarização automática de vídeos, que gere resumos com o menor número de quadros necessários para apresentação das informações, possibilitando o reconhecimento dos principais objetos e eventos presentes no vídeo.

6 Visão Computacional – 2008/1 6 Metodologia (1/6)

7 Visão Computacional – 2008/1 7 Metodologia (2/6) 1) Segmentação do Vídeo Separação do vídeo em quadros FFmpeg Pré-amostragem dos quadros

8 Visão Computacional – 2008/1 8 Metodologia (2/6) 1) Segmentação do Vídeo Separação do vídeo em quadros FFmpeg Pré-amostragem dos quadros

9 Visão Computacional – 2008/1 9 Metodologia (3/6) 2) Extração de Características Histograma de cor Perfil de linha (horizontal, vertical, diagonal) Espaço de cor RGB Quantização de cores

10 Visão Computacional – 2008/1 10 Metodologia (4/6) 3) Técnica de Agrupamento (clustering) k-means Método mais simples de agrupamentos Definição prévia do número de agrupamentos (k) Para cada agrupamento, o quadro mais próximo do centróide é selecionado como quadro-chave

11 Visão Computacional – 2008/1 11 Metodologia (5/6) 4) Eliminação dos quadros-chave semelhantes Determinação de limiar (experimentação visual) Comparação entre todos os quadros-chave selecionados, conforme característica extraída

12 Visão Computacional – 2008/1 12 Metodologia (6/6) 5) Geração do resumo Ordenação cronológica dos quadros-chave

13 Visão Computacional – 2008/1 13 Avaliação através de Usuários (1/1)

14 Visão Computacional – 2008/1 14 Experimentos (1/6) Base de dados The Open Video Project 20 vídeos 1 a 4 minutos formato MPEG-1 30 fps 320 x 240 pixels Documentários

15 Visão Computacional – 2008/1 15 Experimentos (2/6) Análise da Taxa de Amostragem Todos quadros, 30, 45, 60, 75, 90 Histograma 95% de confiança 90 -> perda de informação Todos, 30, 45, 60, 75 -> estatisticamente há diferença 60, 75 -> estatisticamente não há diferença 75 Tempo de execução (segundos) todos média113,493,632,591,951,541,35

16 Visão Computacional – 2008/1 16 Experimentos (3/6) Análise das Características Projeto Fatorial 2 k, k = 2 (histograma) ou k = 3 (perfis de linha) 1) Número de agrupamentos: 15 ou 35 agrupamentos 2) Número de cores quantizadas: 16 ou 256 cores 3) Intervalo entre os perfis de linha: 10 ou 40 linhas

17 Visão Computacional – 2008/1 17 Experimentos (4/6) AB Tempo de execução (s) 15161, , , ,91 ABC Tempo de execução (s) Hor.Ver.Diag ,871,001, ,261,271, ,810,951, ,961,131, ,650,900, ,671, ,860,720, ,110,780,90 Histograma Perfis de linha (95% de confiança)

18 Visão Computacional – 2008/1 18 Experimentos (5/6) Vídeos Pontuação Hist. Perfil de linha Hor.Ver.Diag. video23,63,73,53,7 video82,93,43,12,8 video92,83,32,9 video113,33,73,53,3 video123,33,43,53,3 video173,73,43,33,1 video183,43,53,43,3 video203,3 3,23,1 média3,33,53,33,2 Avaliação dos resumos

19 Visão Computacional – 2008/1 19 Experimentos (6/6) Execução do algoritmo para os 20 vídeos 6 perfis de linha horizontal 16 cores 15, 20, 25, 30 e 35 agrupamentos AgrupamentosPontuação 153,6 204,2 254,3 304,0 353,7 Agrupamentos Tempo de execução (s) 150,59 200,64 250,63 300,64 350,65

20 Visão Computacional – 2008/1 20 Método Proposto x Open Video (1/4) Open Video Os resumos são gerados utilizando o algoritmo desenvolvido por (DeMenthon et al., 1998) Refinamentos manuais Resultados 9 melhores, 5 iguais, 6 piores em relação ao Open Video Pontuação Maior: 4,4 (Método proposto) x 4,0 (Open Video) Pior: 3,3 Método proposto >= 4,0 -> 5 vídeos Open Video >= 4,0 -> 1 vídeo

21 Visão Computacional – 2008/1 21 Método Proposto x Open Video (2/4) vid. Pontuação #Q-chave MPOVMPOV v14,44,01020 v23,8 914 v33, v44,13,8912 v53,53,977 v63, v73,63,0812 v83,73,8712 v93,33,466 v103,73,4812 vid. Pontuação#Q-chave MPOVMPOV v113, v123,83,61026 v134,03,768 v143,53,8610 v153,63,71012 v164,03,756 v174,03,7919 v183, v193,63,3813 v203,63,81119

22 Visão Computacional – 2008/1 22 Método Proposto x Open Video (3/4) Exemplo

23 Visão Computacional – 2008/1 23 Método Proposto x Open Video (4/4) Método Proposto Open Video

24 Visão Computacional – 2008/1 24 Conclusões (1/1) Os resultados gerados apresentaram qualidade com baixo consumo de tempo Na maioria dos casos, os resumos do método proposto apresentaram qualidade superior em relação aos resumos do Open Video Mais testes devem ser feitos para confirmar a aplicabilidade da abordagem

25 Visão Computacional – 2008/1 25 Trabalhos Futuros (1/1) Algumas idéias/necessidades/emergências Pré-processamento dos quadros Espaço de cor Características Número de agrupamentos Refinamento dos agrupamentos Diferentes gêneros de vídeos Método de avaliação?

26 Visão Computacional – 2008/1 26 Referências The Open Video Project. B. T. Truong and S. Venkatesh. Video abstraction: A systematic review and classification. ACM Trans. on Mult. Comp., Comm., and Appl. (TOMCCAP), 3(1), S. Pfeiffer, R. Lienhart, S. Fischer, and W. Effelsberg. Abstracting digital movies automatically. J. Visual Comm. And Image Representation, 7(4):345–353, 1996.


Carregar ppt "Sumarização Automática de Vídeos Baseada em Características de Cor e Agrupamentos Sandra Eliza Fontes de Avila Universidade Federal de Minas Gerais Departamento."

Apresentações semelhantes


Anúncios Google