Application des algorithmes évolutionnaires pour l'estimation du mouvement à l'aide des champs de Markov
Cet article présente une nouvelle approche fondée sur les algorithmes
évolutionnaires (AE), pour l’estimation du flot optique à l’aide des champs de Markov. La
méthode proposée utilise une stratégie du type Diviser-pour-Régner qui permet d’exploiter de
manière adéquate la propriété markovienne. L’image est découpée en petites parties sur
lesquelles l’estimation du flot optique est effectuée de manière indépendante. Les résultats
élémentaires obtenus respectivement sur les différentes parties sont ensuite combinés pour
construire le résultat global final. Les flots optiques calculés à l’aide de la méthode proposée
sur des images synthétiques et des images réelles sont comparés aux résultats fournis par
deux méthodes traditionnelles d’estimation du flot optique, l’ICM et le recuit simulé. On
observe d’une part, une amélioration de la qualité de l’estimation avec la méthode proposée
en comparaison avec les autres méthodes, et d’autre part, une réduction significative des
temps de calcul par rapport aux AE de base.
This paper presents a new optical flow estimation method using Markov Random
Fields (MRFs) modelling. In the MRF framework, optical flow estimation leads to minimizing
an energy function. To this end, we propose an Evolutionary Algorithm (EA) based on a
Divide-and-Conquer strategy which adequately exploits the Markovian property. The image
is split into small parts on which EAs are performed separately and independently. The
elementary results obtained from all image parts are then combined into a final global
solution. Experimental results using synthetic and real-world image sequences demonstrate
the effectiveness of the method. Compared with traditional ICM and simulated annealing,
results are improved. Moreover, computation cost is significantly reduced in comparison
with a basic EA.
A.DIPANDA, S.VOISIN
estimation du mouvement, flot optique, champs de Markov, algorithmes évolutionnaires.
motion estimation, optical flow, Markov random fields, evolutionary algorithms.
Français
|
