Une vidéo au format MPEG est constituée de 3 types d'images : les images I, P et B. Les images I sont codées en « spatial » ce qui signifie que l'on utilise pas de référence aux autres images pour effectuer le codage. Les images P sont « prédites » par rapport à l'image I ou P précédente, cette prédiction se fait par la compensation du mouvement entre les deux images. Enfin, les images B sont interpolées entre les deux images P (ou I et P) les plus proches. Les images se suivent selon la structure suivante : I B(B) P B(B) P...P B(B) I... avec une image I toute les 12 (ou 15) images. Pour les images P le mouvement est caractérisé par des vecteurs associés à chaque « macrobloc/bloc » de l'image. Le champ vectoriel ainsi constitué fournit à la fois les informations de mouvement des objets, en avant plan, mais aussi celles du fond, en arrière plan, visible sur l'image. Il est alors indispensable de savoir distinguer ces deux informations. Pour cela nous cherchons à extraire le mouvement global de chaque image P, généralement celui de la caméra, ce qui nous permettra à la fois de détecter la non-continuité de ce mouvement entre certaines images (changement de plan), et d'extraire les objets en avant plan dans les scènes. Les outils méthodologiques représentent la modélisation du mouvement global par le modèle affine (de 3 à 6 paramètres) et l'estimation robuste des paramètres de ces modèles. Des techniques de multi-résolution adaptées permettent une estimation adéquate avec le rejet des mesures aberrantes sur des champs de déplacements macroblocs très bruités issus des flux binaires MPEG. Les figures ci-dessous illustrent ces méthodes.



















