Detecting nonstationarities in image sequences

This thesis presents a novel approach for detecting nonstationarities in image sequences.We propose a general purpose approach, which combines features from computer vision and statistical techniques to perform dimensionality reduction and to detect changes in a data sequence (CDT and change point methods, CPM). We provide a formal description of the approach, resulting in a modular framework made of parametric macroblocks, which builds a hierarchical algorithm that relies on a univariate CDT for the change detection task, and a multivariate CPM for the validation of the online detections and for estimating the time instant when the non-stationarity occurred.

Questa tesi presenta un nuovo approccio per l'individuazione di non-stazionarietà in sequenze di immagini. Proponiamo un approccio generico, che combina features tipiche della computer vision e tecniche statistiche per la riduzione della dimensione dei dati multivariati e per individuare non-stazionarietà in sequenze di immagini (CDT e CPM). Il risultato è un algoritmo gerarchico, che utilizza un CDT univariato per identificare online la presenza di cambiamenti in sequenze di immagini, e un CPM multivariato per la validazione dei risultati del CDT e per la stima dell'istante temporale in cui il cambiamento ha inizio.