Qattiq harakat segmentatsiyasi - Rigid motion segmentation

Yilda kompyuterni ko'rish, qattiq harakat segmentatsiyasi ajratish jarayoni mintaqalar, Xususiyatlari, yoki traektoriyalar video ketma-ketlikdan makon va vaqtning izchil to'plamlariga. Ushbu pastki qismlar sahnada mustaqil ravishda qattiq harakatlanuvchi moslamalarga to'g'ri keladi. Ushbu segmentatsiyaning maqsadi ma'nosini farqlash va ajratib olishdir qattiq harakat fondan oling va uni tahlil qiling. Rasm segmentatsiyasi texnikasi piksellarning bir qismi bo'lishini belgilaydi piksel ma'lum bir vaqtda ma'lum xususiyatlarga ega. Bu erda piksellar uning ma'lum bir vaqtdagi nisbiy harakatiga, ya'ni video ketma-ketlik vaqtiga qarab segmentlanadi.

Buning uchun taklif qilingan bir qator usullar mavjud.[1] Adabiyotdagi katta o'zgaruvchanligi sababli harakat segmentatsiyasini tasniflashning izchil usuli yo'q. Algoritmda qo'llaniladigan segmentatsiya mezoniga qarab uni quyidagi toifalarga ajratish mumkin: tasvirlar farqi, statistik usullar, to'lqinlar, qatlamlar, optik oqim va faktorizatsiya. Bundan tashqari, talab qilinadigan ko'rishlar soniga qarab algoritmlar ikki yoki ko'p ko'rinishga asoslangan bo'lishi mumkin. Qattiq harakatlanish segmentatsiyasi o'sishi bilan yaqin o'tmishda qo'llanilishining ko'payishini aniqladi nazorat va videoni tahrirlash. Ushbu algoritmlar yanada muhokama qilinadi.

Qattiq harakatga kirish

Umuman olganda, harakatni ob'ektning makon va vaqtdagi o'zgarishi deb hisoblash mumkin. Agar ushbu transformatsiya ob'ektning o'lchamini va shaklini saqlab qolsa, u qattiq transformatsiya deb nomlanadi. Qattiq konvertatsiya rotatsion, tarjima yoki aks etuvchi bo'lishi mumkin. Qattiq o'zgarishni matematik tarzda quyidagicha ta'riflaymiz:

Shakl 1: 3-o'lchovdagi qattiq harakat

bu erda F - agar u saqlanib qolsa, qattiq o'zgarish izometriya va kosmik yo'nalish.

Harakat ma'nosida qattiq konvertatsiya - qattiq jismning kosmosdagi harakati. Shakl 1da ko'rsatilgandek: bu 3-o'lchovli harakat - bu asl koordinatalardan (X, Y, Z) o'zgartirilgan koordinatalarga (X ', Y', Z ') aylantirish va olingan tarjima natijasidir. rotatsion matritsa bo'yicha R va tarjima vektori T navbati bilan. Shuning uchun konvertatsiya bo'ladi:

qayerda,

R har bir o'qi bilan aylanish burchagiga mos keladigan 9 ta noma'lumga ega va T 3 ta noma'lumga (Tx, Ty, Tz) ega, ular X, Y va Z yo'nalishlariga mos ravishda tarjima qilishadi, bu harakat (3-D) tomonidan ushlangan vaqtda kamera (2-D) video ketma-ketlikning keyingi kadrlaridagi piksellarning o'zgarishiga mos keladi. Ushbu o'zgarish, shuningdek, 2-o'lchovli qattiq tana harakati yoki 2-o'lchov deb nomlanadi Evklidning o'zgarishi. Buni quyidagicha yozish mumkin:

qayerda,

X → asl piksel koordinatasi.

X '→ o'zgartirilgan piksel koordinatasi.

R → R-R bilan ortonormal aylanish matritsasiT = I va | R | = 1.

t → tarjima vektori, lekin 2 o'lchovli rasm maydonida.

Buni tasavvur qilish uchun transport kuzatuvi kamerasining video ketma-ketligini misolini ko'rib chiqing. Unda harakatlanuvchi avtomashinalar bo'ladi va bu harakat ularning shakli va hajmini o'zgartirmaydi, shuningdek, bu harakatlanish avtomobilning 3D formatida aylanishi va o'zgarishi kombinatsiyasidir, bu uning keyingi videoframlarida aks etadi. Shunday qilib, mashina qattiq harakatga ega deb aytiladi.

Harakat segmentatsiyasi

2-rasm: Harakatlarni segmentlash algoritmi

Tasvirni segmentatsiya qilish usullari qiziqish doirasiga ko'ra tasvirning turli qismlarini segmentlarga ajratishdan manfaatdor. Videolar tasvirlarning ketma-ketligi bo'lganligi sababli, harakatlanish segmentatsiyasi videoni harakatlanuvchi narsalar va fonda dekompozitsiya qilishga qaratilgan bo'lib, ular turli xil harakat tartiblariga ega bo'lgan narsalarni segmentlarga ajratish orqali amalga oshiriladi. Bularning tahlili fazoviy va vaqtinchalik vizual xususiyatlarni sahnalardan turli guruhlarga ajratish orqali tasvirlar ketma-ketligidagi o'zgarishlar. Har bir guruh dinamik harakatdagi ob'ekt harakatiga mos keladi. Oddiy holatda harakat segmentatsiyasi statsionar kameradan harakatlanuvchi moslamalarni ajratib olishni anglatishi mumkin, lekin kamera ham harakat qilishi mumkin, bu esa statik fonning nisbiy harakatini keltirib chiqaradi. Chiqarilgan vizual xususiyatlar turiga qarab, harakat segmentatsiyalash algoritmlari keng bo'linishi mumkin. ikkita toifa. Birinchisi, tasvirning piksel intensivligini ishlatadigan to'g'ridan-to'g'ri harakat segmentatsiyasi sifatida tanilgan. Bunday algoritmlar doimiy yoritishni o'z ichiga oladi. Algoritmlarning ikkinchi toifasi ob'ektlarning haqiqiy jismoniy nuqtalariga mos keladigan funktsiyalar to'plamini hisoblab chiqadi. Ushbu siyrak xususiyatlar keyinchalik sahnaning 2-o'lchovli harakatini yoki voqea joyidagi narsalarning 3-o'lchovli harakatini tavsiflash uchun ishlatiladi, yaxshi harakat segmentatsiyasi algoritmini ishlab chiqish uchun bir qator talablar mavjud. Algoritm ob'ektni cheklangan miqdordagi nuqta bilan ifodalovchi alohida xususiyatlarni (burchak yoki ko'zga ko'ringan nuqtalarni) ajratishi va u bilan ishlash qobiliyatiga ega bo'lishi kerak. okklyuziyalar. Rasmlarga shovqin ham ta'sir qiladi va ma'lumotlar etishmayotgan bo'ladi, shuning uchun ular mustahkam bo'lishi kerak, ba'zi algoritmlar faqat bitta ob'ektni aniqlaydi, ammo video ketma-ketligi turli xil harakatlarga ega bo'lishi mumkin, shuning uchun algoritm bir nechta ob'ekt detektorlari bo'lishi kerak. Bundan tashqari, kamera modelining turi, agar ishlatilsa, algoritmni ham tavsiflaydi. Algoritmning ob'ekt tavsifiga qarab, u qattiq, qattiq bo'lmagan harakatni yoki ikkalasini ham aniqlay oladi. Bundan tashqari, bitta qattiq tanadagi harakatlarni baholash uchun ishlatiladigan algoritmlar shovqin va tashqi tomonlarga nisbatan qat'iylik bilan aniq natijalarni berishi mumkin, ammo bir nechta qattiq tana harakatlari kengaytirilganda ular muvaffaqiyatsiz bo'ladi. Quyida tasvirlangan ko'rinishga asoslangan segmentatsiya texnikasi bo'lsa, bu bitta asosiy matritsa taxminining buzilganligi sababli sodir bo'ladi, chunki har bir harakat endi ushbu harakatga mos keladigan yangi asosiy matritsa yordamida namoyish etiladi.

Segmentatsiya algoritmlari

Avval aytib o'tganimizdek, Harakat Segmentatsiyalash usullarini farqlashning o'ziga xos usuli yo'q, lekin algoritmda qo'llaniladigan segmentatsiya mezoniga qarab, uni quyidagicha tasniflash mumkin:[2]

Rasm farqi

Bu soddaligi va okklyuziya va bir nechta harakatlar bilan kurashish qobiliyati tufayli tasvirlardagi o'zgarishlarni aniqlash uchun juda foydali usuldir. Ushbu texnikalar doimiy yorug'lik manbai intensivligini o'z ichiga oladi. Algoritm avval bir vaqtning o'zida ikkita kadrni ko'rib chiqadi va keyin piksel intensivligi farqi bo'yicha pikselni hisoblab chiqadi. Ushbu hisoblashda eshiklar intensivlik farqi va o'zgarishlarni a-ga xaritalaydi kontur. Ushbu konturdan foydalanib, sahnadagi harakatni aniqlash uchun zarur bo'lgan fazoviy va vaqtinchalik ma'lumotlar olinadi. Amalga oshirish oddiy usul bo'lsa ham, shovqinga chidamaydi. Ushbu texnikaning yana bir qiyinligi - bu kamera harakati. Kamera harakatga kelganda, butun tasvirdagi o'zgarishlarni hisobga olish kerak. Ushbu qiyinchiliklarni engish uchun ko'plab yangi algoritmlar kiritilgan.[3][4][5][6]

Statistik nazariya

Harakat segmentatsiyasini tasniflash muammosi sifatida ko'rish mumkin, bu erda har bir piksel fon yoki oldingi sifatida tasniflanishi kerak. Bunday tasniflar statistik nazariya asosida modellashtirilgan va segmentatsiya algoritmlarida ishlatilishi mumkin. Ushbu yondashuvlarni ishlatilgan statistik asosga qarab yana ajratish mumkin. Eng ko'p ishlatiladigan ramkalar posteriori ehtimoli (MAP),[7] Zarrachalar filtri (PF)[8] va Kutishni maksimal darajaga ko'tarish (EM).[9]MAP-da Bayes qoidasi qo'llaniladi, bu erda ma'lum bir piksel oldindan belgilangan sinflar bo'yicha tasniflanishi kerak. PF vaqt o'tishi bilan o'zgaruvchan og'irliklarga ega o'zgaruvchining evolyutsiyasi kontseptsiyasiga asoslangan. Yakuniy baho - barcha o'zgaruvchilarning tortilgan yig'indisi. Ushbu ikkala usul ham takroriydir. EM algoritmi, shuningdek, takroriy baholash usuli hisoblanadi. Yo'qolgan yoki yashirin ma'lumotlar mavjud bo'lganda model parametrlarining maksimal ehtimolligini (ML) baholashni hisoblab chiqadi va kuzatilgan ma'lumotlarning eng mos kelishini aniqlaydi.

Optik oqim

Optik oqim (OF) tasvirlar ketma-ketligi ichidagi nuqtalarning nisbiy tezligini aniqlashda yordam beradi. Rasm farqi singari, bu ham segmentatsiya uchun ishlatiladigan eski tushuncha. Dastlab OF-ning asosiy kamchiliklari shovqinga chidamliligi va yuqori hisoblash xarajatlari edi, ammo so'nggi paytlarda mos keladigan texnikalar va apparatlarni tatbiq etish sababli, ushbu cheklovlar kamayib ketdi, okluzyon va vaqtincha to'xtashga nisbatan mustahkamligini oshirish uchun OF odatda ishlatiladi boshqa statistik yoki tasvir farqlari texnikasi.Muskul stsenariylar uchun, ayniqsa kameraning o'zi harakatlanayotganda, OF taxmin qilish uchun asos yaratadi asosiy matritsa bu erda tashqi ko'rinish sahnada mustaqil ravishda harakatlanadigan boshqa ob'ektlarni aks ettiradi.[3]Shu bilan bir qatorda, nuqta xususiyatlari o'rniga chiziqli segmentlarga asoslangan optik oqim, bir nechta qattiq tanadagi harakatlarni segmentlash uchun ham ishlatilishi mumkin.[10]

Wavelet

Tasvir turli xil chastotali komponentlardan tashkil topgan.[11] Yon, burchak va tekislik mintaqalari turli xil chastotalar yordamida ifodalanishi mumkin. Wavelet-ga asoslangan usullar tasvirlarning turli xil chastotali tarkibiy qismlarini tahlil qiladi va so'ngra har bir komponentni ularning o'lchamiga mos keladigan tarzda har xil aniqlikda o'rganadi. Odatda shovqinni kamaytirish uchun ko'p o'lchovli parchalanish qo'llaniladi. Ushbu usul yaxshi natijalarni beradi,[12] Ob'ektlarning harakatlanishi faqat kamera oldida, degan taxmin bilan cheklangan.Vavelet asosidagi texnikani amalga oshirish optik oqim kabi boshqa yondashuvlarda mavjud va shovqin ta'sirini kamaytirish uchun har xil miqyosda qo'llaniladi.

Qatlamlar

Qatlamlarga asoslangan texnika tasvirlarni bir xil harakatga ega qatlamlarga ajratadi. Ushbu yondashuv tasvirdagi turli xil chuqurlik qatlamini aniqlaydi va ob'ekt yoki rasm qismi qaysi qatlamda joylashganligini aniqlaydi. Bunday usullardan foydalaniladi stereo ko'rish chuqurlik masofasini hisoblash uchun zarur bo'lgan joyda. Birinchi qatlamga asoslangan texnika 1993 yilda taklif qilingan.[13] Odamlar qatlamga asoslangan segmentatsiyadan ham foydalanganligi sababli, bu usul okklyuziya muammolarini hal qilishning tabiiy echimi hisoblanadi, ammo qo'lda sozlash zarurligi bilan juda murakkab.

Faktorizatsiya

Tomasi va Kanade birinchi faktorizatsiya usulini joriy etishdi. Ushbu usul tasvirlar ketma-ketligidagi xususiyatlarni kuzatib, shakli va harakatini tikladi. Ushbu uslub ketma-ketlik bo'yicha turli xil xususiyatlarni ikki matritsaga qarab kuzatib borilgandan so'ng aniqlangan traektoriya W matritsasini omil qildi: harakat va tuzilish yordamida Yagona qiymat dekompozitsiyasi.[14] Algoritmning soddaligi uning keng qo'llanilishining sababi, ammo ular shovqin va tashqi ta'sirga sezgir. Ushbu usullarning aksariyati qat'iy va mustaqil harakat taxminlari asosida amalga oshiriladi.

Algoritmlarni ko'rib chiqish

Harakatlarni aniqlashning keyingi algoritmlari ko'rish soniga qarab tasniflanishi mumkin: ikkita va ko'p ko'rinishga asoslangan yondashuvlar. Ikki ko'rinishga asoslangan yondashuvlar odatda asoslanadi epipolyar geometriya. Qattiq jismning kameraning ikkita istiqbolli ko'rinishini ko'rib chiqing va uning xususiyatlariga muvofiqligini toping. Ushbu yozishmalar umumiy qattiq tanada yoki a uchun epipolyar cheklovni qondirishi mumkin homografiya planar ob'ekt uchun cheklov. Ketma-ketlikdagi tekis harakat - bu fon, jabha yoki zaminning harakati.[15] Shunday qilib, bu qattiq tana harakatining degenerativ holati bo'lib, umumiy qattiq tana ob'ektlari, masalan. mashinalar. Shunday qilib, ketma-ketlikda biz bir nechta epipolyar cheklovlar va homografiya bilan tavsiflangan bir nechta harakat turlarini ko'rishni kutmoqdamiz, ko'rinishga asoslangan algoritmlar haddan tashqari ko'rsatkichlarga sezgir, ammo so'nggi yondashuvlar tasodifiy namunaviy konsensus (RANSAC )[16] va takomillashtirilgan Dirichlet jarayoni aralash modellari.[3][17] Boshqa yondashuvlar asosiy pastki bo'shliqqa mos keladigan klasterlarni ochish uchun global o'lchamlarni minimallashtirishdan foydalanadi. Ushbu yondashuvlar bir nechta kadrlar mavjud bo'lsa ham, harakatlanish segmentatsiyasi uchun faqat ikkita kadrdan foydalanadi, chunki ular ko'p kadrli ma'lumotlardan foydalana olmaydilar, chunki ko'p qirrali yondashuvlar ikki nuqtai nazarga asoslangan yondashuvlardan farqli o'laroq xususiyatlar traektoriyasidan foydalanadi.[18] Printsipial burchaklar konfiguratsiyasini (PAC) o'z ichiga olgan bir qator yondashuvlar taqdim etildi.[19] va kichik subspace klasterlash (SSC)[20] usullari. Ikki yoki uchta harakat holatlarida yaxshi ishlaydi. Ushbu algoritmlar, shuningdek, tezkorlik bilan savdo-sotiq bilan shovqinga chidamli, ya'ni ular shovqinga nisbatan kam sezgir, ammo hisoblashda sust. Ko'p ko'rinishga ega bo'lgan boshqa algoritmlar spektral egrilik klasteri (SCC), yashirin past darajali vakillikka asoslangan usul (LatLRR)[21] va ICLM-ga asoslangan yondashuvlar.[22] Ushbu algoritmlar ikki ko'rinishga qaraganda tezroq va aniqroq, ammo aniqligini saqlab qolish uchun ko'proq kadrlar kerak.

Muammolar

Harakat segmentatsiyasi - bu tadqiq qilinayotgan sohadir, chunki takomillashtirish ko'lamini ta'minlaydigan ko'plab muammolar mavjud. Asosiy muammolardan biri bu xususiyatlarni aniqlash va yozishmalarni topish. Kuchli xususiyatlarni aniqlash algoritmlari mavjud, ammo ular kutilmagan yozishmalarga olib kelishi mumkin bo'lgan noto'g'ri pozitsiyalarni beradi. Ushbu piksel yoki xususiyat yozishmalarini topish qiyin vazifadir. Ob'ektlardan va fondan mos kelmaydigan ushbu xususiyatlar ko'pincha tashqi ko'rsatkichlarni keltirib chiqaradi. Tasvirning shovqini va balandligi borligi, strukturani harakatdan (SFM) taxmin qilishning aniqligiga ta'sir qiladi, yana bir masala - bu harakat modellari yoki harakatlanish tasvirlari. Bu harakatni algoritmda ishlatiladigan berilgan modelda modellashtirish yoki taxmin qilishni talab qiladi. Ko'pgina algoritmlar sahnadagi harakatlarni 2-o'lchovli afinali harakat modellari bilan modellashtirish mumkin deb taxmin qilib, 2-o'lchovli segmentatsiyani amalga oshiradi. Nazariy jihatdan, bu to'g'ri, chunki 2-o'lchovli tarjima harakati model umumiy afinali harakat modeli bilan ifodalanishi mumkin. Biroq, modellashtirishdagi bunday taxminlar salbiy oqibatlarga olib kelishi mumkin. Translatsiya modeli ikkita parametrga ega va affine modeli 6 parametrga ega, shuning uchun biz to'rtta qo'shimcha parametrni hisoblaymiz. Bundan tashqari, afinali harakat modelini baholash uchun ma'lumotlar etarli bo'lmasligi mumkin, shuning uchun parametrlarni baholash noto'g'ri bo'lishi mumkin.

  • Ob'ektlar yoki voqea joyidagi ob'ektlar soni to'g'risida oldindan ma'lumotga ega bo'lish juda zarur va u har doim ham mavjud emas.
  • Xiralashish harakatga aloqador bo'lsa, bu keng tarqalgan muammo.
  • Ko'chib yuruvchi narsalar okklyuziyalarni keltirib chiqarishi mumkin va butun ob'ekt yo'qolishi va sahnada yana paydo bo'lishi mumkin.
  • Rasmlardagi 3-o'lchovli yozishmalarni o'lchash piksel koordinatalari bo'yicha shovqinli bo'lishi mumkin.[tushuntirish kerak ]

Haddan tashqari narsalarga g'amxo'rlik qilish va aniqroq bajarish uchun ishonchli algoritmlar taklif qilingan. Tomasi va Kanade faktorizatsiya usuli yuqorida faktorizatsiya jarayonida aytib o'tilgan usullardan biridir.

Ilovalar

Harakat segmentatsiyasi ko'plab muhim dasturlarga ega.[1] U videoni siqish uchun ishlatiladi. Segmentatsiya bilan ketma-ket tasvirlarda bir xil vizual naqshlarni takrorlash bilan bog'liq ortiqchalikni yo'q qilish mumkin. Bundan tashqari, videoni tavsiflash, masalan, jurnalga yozish, izohlash va indeksatsiya qilish uchun ishlatilishi mumkin. Ob'ektni avtomatik ravishda ekstraktsiya qilish usullaridan foydalangan holda videokontentni ob'ektga xos ma'lumotlar bilan ajratish mumkin. Shunday qilib, kontseptsiya qidiruv tizimlari va video kutubxonalarida ishlatilishi mumkin. Ba'zi bir maxsus dasturlarga quyidagilar kiradi:

  • Videokuzatuv xavfsizlik dasturlarida
  • Sport sahnalarini tahlil qilish
  • Aqlli transport vositalarida yo'l harakati xavfsizligi dasturlari
  • Video indeksatsiyasi
  • Yo'l harakati monitoringi
  • Ob'ektni aniqlash

Tashqi havolalar

  • Vizion laboratoriya GPCA, RANSAC (RANdom SAmple Consensus) va mahalliy subspace Affinity (LSA), JCAS (qo'shma toifalash va segmentatsiya), past darajadagi subspace klasterlash (LRSC) va siyrak vakillik nazariyasini qamrab oladi. Jons Xopkins universitetidagi Vision laboratoriyasi tomonidan Matlab yordamida bir nechta dasturlarga havola

Adabiyotlar

  1. ^ a b Perera, Samunda. "RGB-D kamerasi bilan qattiq tana harakat segmentatsiyasi" (PDF).
  2. ^ Zappella, Luka; Llado, Xaver; Salvi, Xoakim (2008). Harakat segmentatsiyasi: sharh. Sun'iy intellektni tadqiq qilish va rivojlantirish bo'yicha 2008 yilgi konferentsiya materiallari: Kataloniya sun'iy intellekt assotsiatsiyasining 11-xalqaro konferentsiyasi materiallari 398-407 betlar.. 398-407 betlar. ISBN  9781586039257.
  3. ^ a b v Byuli, Aleks; Gizilini, Vitor; Ramos, Fabio; Upcroft, Ben (2014). "Dinamik moslamalarni o'z-o'zini boshqaradigan ko'p bosqichli segmentatsiyasi" (PDF). 2014 IEEE Robototexnika va avtomatlashtirish bo'yicha xalqaro konferentsiya (ICRA). 1296-1303-betlar. doi:10.1109 / ICRA.2014.6907020. ISBN  978-1-4799-3685-4.
  4. ^ Chen, Chen-Yuan; Lin, Jeng-Ven; Li, Van-I; Chen, Cheng-Vu (2010). "Okean tuzilishi uchun loyqa boshqaruv: vaqtni kechiktiradigan TLP tizimidagi amaliy tadqiqotlar". Vibratsiya va boshqarish jurnali.
  5. ^ Kavallaro, Andrea; Shtayger, Olivye; Ibrahimi, Touradj (2005 yil 4 aprel). "Video ob'ektlarni tartibsiz zaminda kuzatib borish" (PDF). Video texnologiyalari uchun IEEE sxemalari va tizimlari bo'yicha operatsiyalar. 15 (4): 575–584. CiteSeerX  10.1.1.464.7218. doi:10.1109 / tcsvt.2005.844447.
  6. ^ Li, Renji; Yu, Songyu; Yang, Xiaokang (2007 yil avgust). "Harakatlanuvchi ob'ektlarni video ketma-ketlikda ajratib olish uchun samarali kosmik-vaqtli segmentatsiya". Iste'molchilar elektronikasida IEEE operatsiyalari. 53 (3): 1161–1167. CiteSeerX  10.1.1.227.6442. doi:10.1109 / tce.2007.4341600.
  7. ^ Shen, Xuanfen; Chjan, Liangpey; Xuang, Bo; Li, Pingxiang (2007 yil fevral). "Birgalikda harakatlarni baholash, segmentatsiya va super piksellar sonini aniqlash uchun xaritaviy yondashuv" (PDF). Rasmni qayta ishlash bo'yicha IEEE operatsiyalari. 16 (2): 479–490. Bibcode:2007ITIP ... 16..479S. CiteSeerX  10.1.1.692.4884. doi:10.1109 / tip.2006.888334. PMID  17269640.
  8. ^ Rati, Y .; Vasvaniy, N .; Tannenbaum, A .; Yezzi, A. (2005). "Geometrik faol konturlar uchun zarrachalarni filtrlash, harakatlanuvchi va deformatsiyalangan ob'ektlarni kuzatishda qo'llanilishi bilan" (PDF). 2005 yil IEEE Kompyuter Jamiyatining Kompyuterni ko'rish va naqshni tanib olish bo'yicha konferentsiyasi (CVPR'05). 2. 2-9 betlar. CiteSeerX  10.1.1.550.156. doi:10.1109 / CVPR.2005.271. ISBN  978-0-7695-2372-9.
  9. ^ Liu, Guangkan; Lin, Zhouchen; Yu, Yong (2010). "Past darajadagi vakillik bo'yicha subspace-ning mustahkam segmentatsiyasi" (PDF). Mashinalarni o'rganish bo'yicha 27-xalqaro konferentsiya (ICML-10) materiallari.. Arxivlandi asl nusxasi (PDF) 2010-07-14.
  10. ^ Chjan, Jing; Shi, Fanxuay; Vang, Tszianxua; Liu, Yuncay (2007). To'g'ri chiziqli optik oqimdan 3D harakat segmentatsiyasi. Springer Berlin Heidelberg. 85-94 betlar. doi:10.1007/978-3-540-73417-8_15. ISBN  978-3-540-73417-8.
  11. ^ Gonsales (1993). Raqamli tasvirni qayta ishlash. Uesli nashriyot kompaniyasi. ISBN  9780201600780.
  12. ^ Krüger, Volker; Feris, Rogerio S. (2001). "Haqiqiy vaqtda yuzni kuzatish uchun Wavelet subspace usuli". Naqshni aniqlash. Kompyuter fanidan ma'ruza matnlari. 2191. 186-193 betlar. CiteSeerX  10.1.1.18.2433. doi:10.1007/3-540-45404-7_25. ISBN  978-3-540-42596-0.
  13. ^ Vang, J.Y.A .; Adelson, E.H. (1993). "Harakatlarni tahlil qilish uchun qatlamli vakillik". IEEE konferentsiyasining materiallari. Kompyuterni ko'rish va naqshni tanib olish. 361–366 betlar. doi:10.1109 / CVPR.1993.341105. ISBN  978-0-8186-3880-0.
  14. ^ TOMASI, CARLO; KANADE, TAKEO (1992). "Orfografiya ostidagi tasvir oqimlaridan shakl va harakat: faktorizatsiya usuli" (PDF). Xalqaro kompyuter ko'rishi jurnali. 9 (2): 137–154. CiteSeerX  10.1.1.131.9807. doi:10.1007 / bf00129684.
  15. ^ Rao, Shankar R; Yang, Allen Y; Sastry, S. Shanka (2010 yil yanvar). "Ikki xil ko'rinishda qattiq va tanadagi tekis harakatlarning mustahkam algebraik segmentatsiyasi" (PDF). Int J Comput Vis. 88 (3): 425–446. doi:10.1007 / s11263-009-0314-1.
  16. ^ Fisler, Martin A.; Bolles, Robert C. (1981 yil iyun). "Tasodifiy namunaviy konsensus: rasmlarni tahlil qilish va avtomatlashtirilgan kartografiya dasturlariga mos keladigan modellarni paradigmasi". ACM aloqalari. 24 (6): 381–395. doi:10.1145/358669.358692.
  17. ^ Chen, Chu-Song; Jian, Yong-Dian (2010 yil 16-yanvar). "RANSAC tomonidan takomillashtirilgan Dirichlet protsessor aralashmasi modellari bilan modelni tanlash va undan yuqori olib tashlash bilan ikki tomonlama harakat segmentatsiyasi" (PDF). Iqtibos jurnali talab qiladi | jurnal = (Yordam bering)
  18. ^ Jung, Heechul; Ju, Jeongwoo; Kim, Junmo. "Tasodifiy ovoz berish yordamida qattiq harakat segmentatsiyasi" (PDF). Iqtibos jurnali talab qiladi | jurnal = (Yordam bering)
  19. ^ Zappella, L .; Provenzi, E .; Llado, X .; Salvi, J. (2011). Asosiy burchaklar konfiguratsiyasi asosida moslashuvchan harakatlarni segmentlash algoritmi, kompyuter ko'rinishi - ACCV 2010. Springer Berlin Heidelberg. 15-26 betlar. ISBN  978-3-642-19318-7.
  20. ^ Elhamifar, Ehsan; Vidal, Rene (2009). "Seyrek subspace klasterlash". 2009 yil IEEE konferentsiyasi, kompyuterni ko'rish va naqshni aniqlash. 2790–2797 betlar. CiteSeerX  10.1.1.217.953. doi:10.1109 / CVPR.2009.5206547. ISBN  978-1-4244-3992-8.
  21. ^ Liu, Guangkan; Yan, Shuicheng (noyabr 2011). Subspace segmentatsiyasi va xususiyatlarni ajratib olish uchun yashirin past darajadagi vakolatxonasi (PDF). Kompyuterni ko'rish (ICCV). 1615–1622 betlar. doi:10.1109 / ICCV.2011.6126422. ISBN  978-1-4577-1102-2.
  22. ^ Flores-Mangas; Jepson (2013 yil iyun). Bora-bora murakkab mahalliy modellar orqali tezkor qattiq harakat segmentatsiyasi (PDF). Kompyuterni ko'rish va naqshni aniqlash (CVPR). 2259–2266 betlar. CiteSeerX  10.1.1.692.7518. doi:10.1109 / CVPR.2013.293 yil. ISBN  978-0-7695-4989-7.