Abstract

Movimento é uma poderosa característica em seqüências de imagens, revelando a dinâmica da cena pela relação espacial das características da imagem de acordo com a mudança temporal. A tarefa de analise de movimento permanece um desafio e um problema fundamental em visão computacional [02]. A dimensão temporal em processamento visual é importante primariamente por duas razões [01]: Primeira: O movimento aparente de objetos sobre um plano de imagem é uma forte sugestão visual para entender a estrutura e movimento 3D. Segundo: O sistema visual humano usa o movimento visual para inferir/tirar propriedades do mundo real 3D com um pequeno conhecimento prévio do mesmo, o que é um dos principais objetivos da visão computacional, inferir propriedades de uma cena 2D características que nos ajudem a reconstruir a cena original “o mundo 3D”.

1. Introdução

Uma importante técnica para estimar movimento em seqüência de imagens é o chamado Optical Flow (Fluxo Óptico). Fluxo Óptico é a distribuição da velocidade aparente do movimento dos padrões de intensidade em uma imagem. Fluxo Óptico pode surgir de um movimento relativo de objetos e vistas, consequentemente, Fluxo Óptico pode dar uma informação importante sobre o arranjo dos objetos vistos e sua taxa de mudança destes arranjos. A descontinuidade no Fluxo Óptico pode ajudar em segmentação de imagens em regiões que correspondam a diferentes objetos [10]. Fluxo Óptico ainda pode ser definido como a representação do movimento aparente do mundo projetado no plano de imagem. Fluxo Óptico é o campo de velocidade 2D, descrevendo o movimento aparente na imagem, que resulta de movimentos independentes de objetos na cena ou de um observador em movimento

Referências Bibliográficas

[1] E.Trucco, A.Verri, “Introductory Techniques for 3D Computer Vision”, Massachussets Institute of Technology, Massachussets-USA [2] B.Jahne, H.Haubecker, P.Geibler, “Handbook of Computer vision and Applications”, Interdisciplinary Center for Scientific Computing”, Heidelberg-Germany. [3] N.Paragios, Y.Chen, O.Faugeras, “Handbook of Mathematical Models in Computer Vision”, University of Florida, Florida-USA. [4] Mark S. Nixon, Alberto S. Aguado “Feature Extraction and Image Processing”, New Delhi, India. [5] D. H. Ballard, C.M.Brown, “Computer Vision” Prentice-Hall, Englewood Cliffs, NJ, 1982. [6] M. Shah, “Fundamental of Computer Vision”, University of Central Florida, Florida-USA. [7] Allan Jepson, Michael Black, “Mixture Models for Optical Flow Comparation” Canadian Institute for Advanced Research, University of Toronto-Canada. [8] Berthold K.P. Horn, Brian G. Schunk, “Dertemining Optical Flow”, Artificial Intelligence Laboratory, Massachusetts Institute of Technology, Cambridge, MA-USA [9] R.L.Barbosa, R.B.Gallis, J.F.Silva, M.M.Junior “A computação do fluxo óptico em imagens obtidas por um sistema móvel de mapeamento terrestre”, Universidade Estadual Paulista, SP-Brasil [10] M.J.Black, P.Anadan, “A framework for the robust estimation of Optical Flow”, Department of computer Science, University of Toronto, Toronto-Canada. [11] M.J.Black, “Robust Incremental Optical flow” Philosofy Doctor Thesis, Yale University 1992, USA. [12] J.L.Barron, N.A. Thacker, “Computing 2D and 3D Optical Flow”, Imaging Science and Biomedical Engineering Division, University of Manchester. [13] R.L.Barbosa, R.B.A.Gallis, J.Silva,M.M.Junior “ A computação do fluxo optico em imagens obtidas por um sistema móvel de mapeamento terrestre”, Universidade Estadual Paulista UNESP, Fac. De Ciências e Tecnologia, SP – BRASIL.