C. Kervrann. Learning probabilistic deformation models from image sequences. Signal Processing, (71):155-171, 1998.
Charger l'article :
Adobe portable document (pdf)
Copyright : Les documents contenus dans ces répertoires sont rendus disponibles par les auteurs qui y ont contribué en vue d'assurer la diffusion à temps de travaux savants et techniques sur une base non-commerciale. Les droits de copie et autres droits sont gardés par les auteurs et par les détenteurs du copyright, en dépit du fait qu'ils présentent ici leurs travaux sous forme électronique. Les personnes copiant ces informations doivent adhérer aux termes et contraintes couverts par le copyright de chaque auteur. Ces travaux ne peuvent pas être rendus disponibles ailleurs sans la permission explicite du détenteur du copyright.
In This paper, we present an approach for an unsupervised learning of probabilistic deformation modes of 2D moving objects from images sequences. The object representation relies on a statistical description of global and local deformations applied to an a priori prototype shape. The optimal Bayesian estimate of the deformation process is obtained by maximizing a nonlinear joint probability distribution using stochastic and deterministic optimization techniques. The estimates obtained at time t are integrated in the deformation model as a priori knowledge for the segmentation at time \textit{t} + 1. Deformation modes are updated on-line using a principal component analysis of the distortions computed from the shapes estimated previously in the image sequence. In addition, the updated deformation modes are exploited for the real-world image sequences showing the tracking of hands undergoing 2D articulated movements
@article{98Ksp,
Author = {Kervrann, C.},
Title = {Learning probabilistic deformation models from image sequences},
Journal = {Signal Processing},
Number = {71},
Pages = {155--171},
Year = {1998}
}
Charger la référence EndNote (.ref)
This document was translated automatically from BibTEX by bib2html (Copyright 2003 © Eric Marchand, INRIA, Vista Project).
