Diese Arbeit beschäftigt sich mit der Objekterkennung in Videosequenzen anhand der
Ähnlichkeit der enthaltenen Bewegungsvektoren. Nachdem die Grundlagen und
Prinzipien verschiedener Ähnlichkeitsmodelle behandelt werden, wird näher auf die
Ähnlichkeitssuche bei Videodaten eingegangen. Dazu gehört eine Einführung in die
Funktionsweise von Videokompression und ein kurzer Überblick über den
Videostandard MPEG-4. Anschließend wird erklärt wie Featuremerkmale – in unserem
Fall Bewegungsvektoren – aus Videos extrahiert und zur Ähnlichkeitssuche verwendet
werden können.
Inhaltsverzeichnis
1. Einleitung
2. Ähnlichkeitsmodelle
2.1 Distanzfunktionen
2.2 Datentypabhängige Ähnlichkeitssuche
2.3 Ähnlichkeitssuche über Videodaten
3. Videogrundlagen
3.1 Videokompression
3.1.1 Bewegungskompensation (motion compensation)
3.1.2 Bewegungsschätzung (motion estimation)
3.1.3 Berechnung von Bewegungsvektoren
3.2 MPEG – 4
3.2.1 Dekodiervorgang
3.2.2 Verschiedene Frame-Typen
4. Featureextraktion – Gewinnung von Bewegungsvektoren
4.1 Frameworks aus Bild- und Videobearbeitung
4.2 Implementierung „VideoTracker“
5. Auswertung der gewonnen Daten
5.1 Vorbereitungen
5.2 Benutzung der Software „TTime“
5.3 Average-Precision Wert
6. Zusammenfassung
7. Literatur
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist die Untersuchung, ob Bewegungsvektoren als signifikantes und ausreichendes Merkmal für die inhaltsbasierte Ähnlichkeitssuche in Videodaten dienen können, um Videosequenzen mit ähnlichen Objekten oder Bewegungsabläufen zu klassifizieren.
- Grundlagen und Prinzipien von Ähnlichkeitsmodellen und Distanzfunktionen.
- Technische Funktionsweise der Videokompression und des Standards MPEG-4.
- Entwicklung und Implementierung der Software „VideoTracker“ zur Extraktion von Bewegungsvektoren.
- Methodik zur Umwandlung von Bewegungsdaten in Winkelhistogramme für die Analyse.
- Evaluation der Klassifizierungsgenauigkeit anhand des Average-Precision-Werts.
Auszug aus dem Buch
3.1.2 Bewegungsschätzung (motion estimation)
Die Bewegungsschätzung ist im Grunde der wichtigste Punkt im Ablauf der Bewegungskompensation. Sie ist verantwortlich für eine hohe Kompressionsrate bei minimalen Qualitätseinbußen. Sie umfasst die Blocksuche und die Berechnung der Bewegungsvektoren. Es gibt unterschiedliche Algorithmen zur Bewegungsschätzung, die hier nicht alle aufgeführt werden können. Alle folgen aber einem ähnlichen Prinzip, dem Block Matching Prinzip.
Wie bereits oben angedeutet wird jedes Frame in Makroblöcke aufgeteilt und für jeden Makroblock wird ein Bewegungsvektor gesucht. Diese Bewegungsvektoren wollen wir später benutzen, um Bewegungen in den einzelnen Videosequenzen zu klassifizieren und auf Ähnlichkeiten zu untersuchen. Das Block Matching Prinzip basiert darauf, dass für jeden Makroblock im aktuellen Frame eine passende Position eines Makroblocks gesucht wird, die dem Makroblock möglichst ähnlich ist.
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in die Problematik der Suche in großen Multimediadatenbanken ein und stellt die Forschungsfrage, ob Bewegungsvektoren als Merkmal für die inhaltsbasierte Suche ausreichen.
2. Ähnlichkeitsmodelle: Das Kapitel behandelt die formalen Grundlagen von Distanzfunktionen und erörtert Ansätze für die Ähnlichkeitssuche bei verschiedenen Datentypen wie Sequenzen, Bildern und Videos.
3. Videogrundlagen: Hier werden die technischen Hintergründe der Videokompression, insbesondere Bewegungskompensation und Bewegungsschätzung, sowie der Standard MPEG-4 detailliert erläutert.
4. Featureextraktion – Gewinnung von Bewegungsvektoren: Dieses Kapitel beschreibt die Auswahl geeigneter Open-Source-Frameworks und die Implementierung der eigenen Software „VideoTracker“ zur automatisierten Gewinnung der Bewegungsdaten.
5. Auswertung der gewonnen Daten: Hier wird der Prozess der Datenaufbereitung, die Nutzung der Software „TTime“ sowie die Berechnung und Interpretation des Average-Precision-Werts zur Erfolgsmessung beschrieben.
6. Zusammenfassung: Dieses abschließende Kapitel resümiert die Ergebnisse der Arbeit und diskutiert die Eignung sowie die Grenzen von Bewegungsvektoren als unterscheidendes Merkmal für die Klassifizierung von Videosequenzen.
Schlüsselwörter
Ähnlichkeitssuche, Videosequenzen, Bewegungsvektoren, MPEG-4, Videokompression, Bewegungsschätzung, Block Matching, Featureextraktion, Winkelhistogramme, TTime, Klassifizierung, Distanzfunktionen, Multimedia-Datenbanken, VideoTracker, Average-Precision
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der inhaltsbasierten Suche in Videodaten, indem sie untersucht, ob sich die Ähnlichkeit von Videos allein anhand der in der Videokompression enthaltenen Bewegungsvektoren bestimmen lässt.
Was sind die zentralen Themenfelder der Untersuchung?
Die zentralen Felder umfassen die Theorie der Ähnlichkeitsmodelle, die technischen Abläufe der Videokompression (MPEG-4) sowie die praktische Implementierung einer Software zur Feature-Extraktion.
Was ist das primäre Ziel oder die Forschungsfrage der Arbeit?
Das Ziel ist es zu klären, ob Bewegungsvektoren als alleiniges Merkmal ausreichen, um brauchbare Klassifizierungen und Ähnlichkeiten zwischen verschiedenen Videosequenzen zu identifizieren.
Welche wissenschaftliche Methode wurde für die Analyse verwendet?
Es wurde ein datenbankorientierter Ansatz verfolgt, bei dem Bewegungsdaten extrahiert, in Winkelhistogramme überführt und mittels Distanzfunktionen in der Analyse-Software „TTime“ verglichen wurden.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretische Einführung in die Videokompression, die praktische Entwicklung eines eigenen Tools (VideoTracker) und die anschließende Auswertung der gewonnenen Bewegungsdaten.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Ähnlichkeitssuche, Bewegungsvektoren, MPEG-4, Videokompression, Block Matching und Featureextraktion.
Warum wurde gerade MPEG-4 für diese Untersuchung gewählt?
MPEG-4 wurde gewählt, da das Format auf der Bewegungskompensation basiert und bereits alle benötigten Parameter, wie Bewegungsvektoren, standardmäßig im Videostream enthält.
Welches Problem identifizieren die Autoren bei der Nutzung von Bewegungsvektoren?
Die Autoren stellen fest, dass Videos aufgrund ähnlicher Bewegungsmuster als inhaltlich ähnlich eingestuft werden können, obwohl sie inhaltlich grundverschieden sind, weshalb eventuell zusätzliche Merkmale nötig wären.
- Quote paper
- Martin Denzel (Author), Younes Alj (Author), 2008, Ähnlichkeitssuche über Videosequenzen anhand von Bewegungsvektoren, Munich, GRIN Verlag, https://www.grin.com/document/94177
