Маппинг поверхностей в видеороликах

Есть несколько First-Person View видеороликов, на которых человек идёт по помещению (например, супермаркет) или работает со cмартфoном, упаковкой и т.п. 
Соответственно, какие-то элементы будут встречаться в практически идентичном виде (например, рекламный стенд), какие-то в слегка изменённом (полка супермаркета), но под разными углами (например, экраны приложения смaртфoна), возможно несколько другим освещением и т.п.  как в одном видео, так и в нескольких.

Задача: 
Сделать софт, способный реализовать следующий функционал:
1. В одном из роликов, на паузе выделяется фрагмент кадра в видео (конкретная полка супермаркета). 
2. При необходимости, можно выделить несколько фрагментов (например, одна и та же полка при разном освещении) в разных видео
3. Эта поверхность определяется во всех роликах, т.е. надо четко знать на каждом фрейме есть ли эта поверхность в кадре и какие у нее границы.