Détection et suivi d'objects dans les scènes animée : application à la vidéo surveillance

Abstract

Dans le cadre de cette thèse, nous nous sommes intéressés à l’application des outils d’apprentissage statistique aux problèmes d’extraction et de suivi d’objets dans le contexte de la surveillance vidéo par des caméras statiques. Notre étude se déroule en trois phases : la première consiste à détecter l’ensemble des objets en mouvement par l’analyse des variations de luminosité au cours du temps. Nous avons proposé pour cela une méthode de détection de tels objets dans la continuité des travaux de Grimson et Stauffer à la base de la modélisation de la luminance des pixels par des mélanges des lois Gaussiennes. Nous proposons une règle de décision statistique au sens du MAP simplifiée pour satisfaire les contraintes temps-réel. Une régularisation des résultats de la détection par modélisation des champs des étiquettes en tant que champs de Markov nous a permis d’obtenir des masques de mouvement les plus complets aussi bien au niveau spatial que temporel. Suite à cette première analyse, un deuxième processus de détection est exécuté en vue de l’identification d’un ou plusieurs objets d’intérêt. L’ensemble de ces objets est prédéfini au préalable par un opérateur. Dans le cadre de ce travail, nous avons envisagé une application concrète, celle de la détection de visages, tout en considérant des solutions statistiques de classification suffisamment généralistes ainsi qu’une étude des espaces de représentation adéquats. Nous avons étudié et déployé un classifieur à base de Support Vector Machine –SVM-. Afin d’optimiser les temps de calcul, nous avons proposé une méthode d’élimination des vecteurs de support linéairement dépendants ainsi qu’un schéma de détection de l’objet d’intérêt uniquement dans les zones de mouvement précédemment détectées. Enfin, la troisième contribution de cette thèse consiste en un outil de suivi d’objets ppris avec un modèle de mouvement affine complet de premier ordre et ceci à la base du même formalisme SVM. Ici les paramètres de classifieur appris à l’étape de la détection sont réutilisés pour le suivi. Ce modèle permet ainsi de gérer les mouvements complexes des objets filmés dans des environnements naturels.