Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Fingerprint Image Segmentation Using Textural Features Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Motion Estimation from Image Sequences: A Fractional Order Total Variation Model

verfasst von : Pushpendra Kumar, Balasubramanian Raman

Erschienen in: Proceedings of International Conference on Computer Vision and Image Processing

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, a fractional order total variation model is introduced in the estimation of motion field. In particular, the proposed model generalizes the integer order total variation models. The motion estimation is carried out in terms optical flow. The presented model is made using a quadratic and total variation terms. This mathematical formulation makes the model robust against outliers and preserves discontinuities. However, it is difficult to solve the presented model due to the non-differentiability nature of total variation term. For this purpose, the Grünwald-Letnikov derivative is used as a discretization scheme to discretize the fractional order derivative. The resulting formulation is solved by using a more efficient algorithm. Experimental results on various datasets verify the validity of the proposed model.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Bin Picking Using Manifold Learning
Nächstes Kapitel Script Identification in Natural Scene Images: A Dataset and Texture-Feature Based Performance Evaluation
Literatur
1.
Alvarez, L., Weickert, J., Sánchez, J.: Reliable estimation of dense optical flow fields with large displacements. International Journal of Computer Vision 39(1), 41–56 (2000)
2.
Baker, S., Scharstein, D., Lewis, J.P., Roth, S., Black, M.J., Szeliski, R.: A database and evaluation methodology for optical flow. International Journal of Computer Vision 92, 1–31 (2011)
3.
Barron, J.L., Fleet, D.J., Beauchemin, S.: Performance of optical flow techniques. International Journal of Computer Vision 12, 43–77 (1994)
4.
Black, M.J., Anandan, P.: The robust estimation of multiple motions: Parametric and piecewise smooth flow. Computer Vision and Image Understanding 63(1), 75–104 (1996)
5.
Brox, T., Bruhn, A., Papenberg, N., Weickert, J.: High accuracy optical flow estimation based on a theory for warping. Computer Vision - ECCV 4, 25–36 (2004)
6.
Chambolle, A.: An algorithm for total variation minimization and applications. Journal of Mathematical imaging and vision 20(1–2), 89–97 (2004)
7.
Chen, D., Chen, Y., Xue, D.: Fractional-order total variation image restoration based on primal-dual algorithm. Abstract and Applied Analysis 2013 (2013)
8.
Chen, D., Sheng, H., Chen, Y., Xue, D.: Fractional-order variational optical flow model for motion estimation. Philosophical Transactions of the Royal Society of London A: Mathematical, Physical and Engineering Sciences 371(1990), 20120148 (2013)
9.
Drulea, M., Nedevschi, S.: Total variation regularization of local-global optical flow. In: 14th International Conference on Intelligent Transportation Systems (ITSC). pp. 318–323 (2011)
10.
Horn, B., Schunck, B.: Determining optical flow. Artificial Intelligence 17, 185–203 (1981)
11.
Lucas, B., Kanade, T.: An iterative image registration technique with an application to stereo vision. In: Seventh International Joint Conference on Artificial Intelligence, Vancouver, Canada. vol. 81, pp. 674–679 (1981)
12.
Miller, K.S.: Derivatives of noninteger order. Mathematics magazine pp. 183–192 (1995)
13.
Miller, K.S., Ross, B.: An introduction to the fractional calculus and fractional differential equations. Wiley New York (1993)
14.
Motai, Y., Jha, S.K., Kruse, D.: Human tracking from a mobile agent: optical flow and kalman filter arbitration. Signal Processing: Image Communication 27(1), 83–95 (2012)
15.
Niese, R., Al-Hamadi, A., Farag, A., Neumann, H., Michaelis, B.: Facial expression recognition based on geometric and optical flow features in colour image sequences. IET computer vision 6(2), 79–89 (2012)
16.
Pu, Y.F., Zhou, J.L., Yuan, X.: Fractional differential mask: a fractional differential-based approach for multiscale texture enhancement. IEEE Transactions on Image Processing 19(2), 491–511 (2010)
17.
Riemann, B.: Versuch einer allgemeinen auffassung der integration und differentiation. Gesammelte Werke 62 (1876)
18.
Rudin, L.I., Osher, S., Fatemi, E.: Nonlinear total variation based noise removal algorithms. Physica D: Nonlinear Phenomena 60(1), 259–268 (1992)
19.
Schneider, R.J., Perrin, D.P., Vasilyev, N.V., Marx, G.R., Pedro, J., Howe, R.D.: Mitral annulus segmentation from four-dimensional ultrasound using a valve state predictor and constrained optical flow. Medical image analysis 16(2), 497–504 (2012)
20.
Weickert, J.: On discontinuity-preserving optic flow. In: Proceeding of Computer Vision and Mobile Robotics Workshop (1998)
21.
Werlberger, M., Trobin, W., Pock, T., Wedel, A., Cremers, D., Bischof, H.: Anisotropic huber-l1 optical flow. In: BMVC. vol. 1, p. 3 (2009)
22.
Zach, C., Pock, T., Bischof, H.: A duality based approach for realtime tv-l 1 optical flow. In: Pattern Recognition, pp. 214–223. Springer (2007)
Metadaten
Titel
Motion Estimation from Image Sequences: A Fractional Order Total Variation Model
verfasst von
Pushpendra Kumar
Balasubramanian Raman
Copyright-Jahr
2017
Verlag
Springer Singapore
Buch
Proceedings of International Conference on Computer Vision and Image Processing

Print ISBN: 978-981-10-2106-0

Electronic ISBN: 978-981-10-2107-7

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-981-10-2107-7_27

Neuer Inhalt

    Bildnachweise