Titelaufnahme

Titel
Graph-based motion segmentation of optical flow / von Barbara Neuherz
VerfasserNeuherz, Barbara
Begutachter / BegutachterinVincze, Markus ; Prankl, Johann
Erschienen2009
UmfangVI, 69 Bl. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2009
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Bewegungssegmentierung / Graphen-basierte Bewegungssegmentierung / Optischer Fluss / Sparse Optical Flow / Dense Optical Flow
Schlagwörter (EN)Motion Segmentation / Graph-based Motion Segmentation / Optical Flow / Sparse Optical Flow / Dense Optical Flow
URNurn:nbn:at:at-ubtuw:1-22071 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Graph-based motion segmentation of optical flow [3.68 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Im Rahmen dieses Projekts wurde untersucht, inwieweit sich Optischer Fluss zur Bewegungssegmentierung eignet. Der Optische Fluss ist ein Vektorfeld, das die Bewegung jedes Pixels eines Bildpaares beschreibt. Die Bewegungsvektoren, die mit ihrer Amplitude und Richtung diese Positionsänderung festhalten, können für jedes Pixel im Bild oder nur für einzelne, wichtige Pixel, z.B. Eckpunkte, berechnet werden. Im Zuge der Segmentierung werden Pixel mit ähnlichen Bewegungsvektoren zu einheitlichen Regionen zusammengefasst, die in weiteren Verarbeitungsschritten z.B. zur Verfolgung von Objekten oder zur Kollisionsvermeidung im Bereich der Heim-Robotik verwendet werden können. Die Berechnung vom Optischen Fluss für jedes Pixel im Bild (man nennt diesen "dense optical flow") ist sehr rechenintensiv, wenngleich moderne Grafik-Hardware eine Berechnung in Echtzeit möglich macht. Die Alternative, diesen nur für ausgewählte Bildpunkte zu berechnen (dieser wird "sparse optical flow" genannt), erscheint daher besonders attraktiv. In der vorliegenden Arbeit werden zunächst die theoretischen Grundlagen erläutert sowie der implementierte Algorithmus für die Segmentierung genau erklärt. Anhand von im Labor aufgenommenen und aus einer Evaluierungs-Datenbank stammenden Bildsequenzen wird sowohl die Segmentierung von "dense optical flow", als auch von "sparse optical flow" demonstriert und ein Vergleich beider Methoden gezogen. Es zeigt sich, dass der weniger rechenintensive "sparse optical flow" oftmals ähnlich gute Resultate liefert und damit aufgrund seiner Effizienz vorzuziehen ist.

Zusammenfassung (Englisch)

In this project the usage of optical flow for motion segmentation was evaluated. The optical flow is represented by a vector field that describes the displacement of pixels in subsequent frames.

The motion vectors hold the magnitude and direction corresponding to the movement of the pixels. They can be either computed for every pixel in the image or just for certain, important pixels, such as corner points.

The segmentation process clusters pixels with similar motion vectors to regions that can be used for further processing, such as tracking of objects or collision avoidance for home-robotics.

The computation of the optical flow for every pixel in the image (dense optical flow) is computationally extensive. Although modern graphic hardware offers the possibility of real-time computation an attractive alternative to save resources is the computation of the motion vectors only for certain points in the image (which is called sparse optical flow).

This work covers the theoretic fundamentals as well as a detailed description of the implemented segmentation algorithm. Different image sequences produced in the lab and datasets from an evaluation-database were taken to demonstrate the segmentation of dense optical flow and sparse optical flow, respectively. Additionally, both methods are compared. From the results it is concluded that the less computationally extensive sparse optical flow offers a comparable performance and is therefore preferable over the dense optical flow.