Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouBrenda Antunes Alterado mais de 10 anos atrás
1
Edward Cayllahua Ecayllahua1@gmail.com
Sumarização de vídeo Edward Cayllahua
2
Índice Introdução Objetivo Modelos Análise De Complexidade Resultados
Conclusões
3
Introdução Sumarização de vídeo é o processo de extração de um resumo do conteúdo original do vídeo. O objetivo é fornecer rapidamente a informação do conteúdo do vídeo, preservando a mensagem do vídeo original
4
Introdução Por que é necessário resumir vídeos?
Dia a dia um monte de informação é produzida na televisão, internet, etc. O vídeo é um dos mais utilizados hoje.
5
Introdução Por que é necessário resumir vídeos?
A quantidade de vídeos cresce exponencialmente. uma pessoa não pode processar todos os vídeos é necessário desenvolver um modelo que sintetiza um vídeo
6
Introdução Tipos de resumos:
Estáticos: Extração de um conjunto de quadros-chave do vídeo original. Dinâmicos: Extração de um conjunto de clips do vídeo original. Os clips são elementos que podem conter informações de som e movimento
7
Objetivo Desenvolver um método para sumarização de vídeo estático baseado em características espaço-temporais
8
Modelos Um vídeo: é uma seqüência de frames consecutivos.
Frame: uma única imagem em um filme. keyframe : Um único frame que pode representar outros frames no mesmo vídeo.
9
Modelos A Video Summarization Approach based on Machine Learning
Detecta principais características, tais como valores de pixel, bordas e histogramas. Machine Learning é usado como um sistema para prever transições de vídeo Se o valor exceder um limite, então um keyframe é detectado Um vídeo é construído usando o keyframes
10
Modelos An Improved Sub-optimal Video Summarization Algorithm
O usuário define o tamanho final do resumo ( T ). Depois, o método calcula as distorções dos frames Se a distorção é grande e não chegamos a T, o quadro é adicionado ao resumo de vídeo. O processo é rápido, mas não suficientemente robusto.
11
Modelos Video Summarization from Spatio-Temporal Features
Detectamos as características espaço-temporal do vídeo usando a matriz hessiana. Estas características são usadas para calcular o nível de atividade do frame Se este nível é muito alto, então podemos sinalizar este frame como um keyframe. Um vídeo é construído usando o keyframes
13
Modelos Video Summarization from Spatio-Temporal Features
Cada frame pode ser considerado como uma imagem O frame pode ser representado como: Onde representa a informação espacial. Representa a informação temporal
14
Modelos Video Summarization from Spatio-Temporal Features
Hessian Matrix
15
Modelos Video Summarization from Spatio-Temporal Features
Máscaras usadas:
16
Modelos é um valor fixo. Se contecer, marcamos o pixel.
Video Summarization from Spatio-Temporal Features Nível de atividade de um quadro é um valor fixo. Se contecer, marcamos o pixel. Os pixels marcados são contadas eo valor total é o nível de atividade do frame
17
Modelos Video Summarization from Spatio-Temporal Features
Nível de atividade de um filme
18
Modelos Video Summarization from Spatio-Temporal Features
keyframes são identificados com o máximo local
19
Modelos Video Summarization from Spatio-Temporal Features.
20
Análise De Complexidade
Um vídeo contém frames. Cada Frame contém pixels Por cada Frame, 24 operações locais são realizadas
21
Resultados
22
Conclusões A parte mais importante na sumarização de vídeo é dar um modelo sólido para extrair os keyframes. Subjetividade, algo que pode ser importante para uma pessoa, pode não ser importante para outra. Esta área de pesquisa ainda é muito jovem. Não há um banco de dados standard para os testes
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.