| Titre : | Détection et suivi d’objets |
| Auteurs : | Saadia Medouakh, Auteur ; Mohamed Boumehraz, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algerie] : Université Mohamed Kheider, 2019 |
| Langues: | Français |
| Mots-clés: | Suivi d’objet visuel,L’algorithme Mean shift,Histogramme conjoint couleur-texture,Espaces de couleurs,Descripteurs locaux LPQ,LBP et BSIF,Vision par ordinateur. |
| Résumé : | Au cours de ces dernières décennies, la détection et le suivi d’objets ont attiré beaucoup d’intérêt en raison de leurs diverses applications dans la vie humaine, en particulier la vidéosurveillance et la robotique. Le suivi d’objet est l’estimation de la localisation d’un objet et la détermination de sa trajectoire au cours du temps dans une séquence vidéo. Bien que de nombreux algorithmes de suivi aient été développés ces dernières années pour sa résolution, il demeure un problème non résolu à cause du nombre élevé de facteurs environnementaux. Dans ce travail de thèse, nous nous intéressons spécifiquement à l’étude et à l’amélioration de l’algorithme de suivi Mean shift, qui est l’un des algorithmes de suivi les plus efficaces pour les applications en temps réel, en raison de sa simplicité et de sa robustesse. Bien qu’il soit robuste à l’occultation partielle, la rotation, le mouvement de fond et la déformation non-rigide de la cible, il est très sensible aux changements d’échelles, aux occultations importantes, et il peut échouer en présence d’un autre objet de couleurs similaires, ou de fond de couleurs similaires ou dans le cas de grands déplacements, parce qu’il est basé sur l’histogramme de couleur pour représenter le modèle de l’objet cible. La première partie de cette thèse est consacrée à l’étude et à l’analyse des effets de l’utilisation de différentes configurations d’espace de couleurs, sur l’efficacité et la qualité du suivi en utilisant le tracker Mean shift qui se base sur l’information de couleur pour construire le modèle d’apparence de l’objet cible. Dans notre étude, nous avons utilisé les informations intrinsèques de tracker Mean shift : le coefficient de Bhattacharyya et la carte de rétroprojection pour comprendre l’influence des espaces de couleurs sur la performance de ce tracker. Les résultats obtenus sur les bases de données OTB 2013, OTB 2015, en utilisant les espaces de couleurs les plus utilisés dans la vision par ordinateur, et confirment que l’espace de couleur HSV donne une représentation robuste de l’objet cible dans la plupart des séquences vidéos. Dans la deuxième partie, nous proposons une nouvelle approche qui a pour but d’améliorer l’efficacité et la robustesse de tracker Mean shift par la combinaison des informations couleurs avec les informations spatiales, afin de construire le modèle d’apparence de l’objet cible. Le tracker Mean shift utilise seulement l’histogramme de couleur RGB pour modéliser l’objet cible, ceci rend ce tracker incapable de détecter l’information spatiale de chaque pixel dans l’image, et ne peut pas distinguer entre la cible et le fond lorsqu’ils sont similaires. Pour surmonter ce problème nous proposons une nouvelle représentation de modèle d’apparence de cible et qui se base sur une mixture des caractéristiques de couleur HSV et de texture LPQ, LBP ou BSIF pour construire l’histogramme pondéré conjoint couleur-texture. Nous avons évalué nos histogrammes conjoints couleur-texture, de manière étendue sur deux bases de donnés citées précédemment. Les résultats obtenus et leurs comparaison avec le traditionnel algorithme Mean shift et les trackers de l’état de l’art montrent la robustesse et la précision de ces histogrammes conjoints, ainsi ils sont capables de gérer certains défis liés au suivi, à savoir le flou de mouvement, la similarité entre l’objet cible et le fond et les changements d’illuminations. |
| Sommaire : |
Table de matière
Introduction……………………...…………………………………….…….…......... 1 Chapitre 1 Etat de l’art sur la détection et le suivi d’objet 1.1 Introduction………………………………………………………………….……... 6 1.2 Suivi d’objet………………………………………………………………………... 7 1.2.1 Domain d’application……………………………………………………….. 8 1.2.2 Les défis du suivi d’objet ………………………………………….……….. 9 1.3 Représentation d’objets …………………………………………………….……… 10 1.3.1 Représentation de la forme d’un objet………………………………............ 10 1.3.2 Représentation de l’apparence d’un objet……………………………..….… 12 1.4 Caractéristiques visuelles pour le suivi d’objets…………………………………… 13 1.4.1 Caractéristique de couleur…………………………………………………... 13 1.4.2 Caractéristique de gradient…………………………………………………. 13 1.4.3 Caractéristique de texture…………………………………………………… 14 1.4.4 Caractéristique de flot optique………………………….…………………... 14 1.5 Détection d’objets …………………………………………………………………. 15 1.5.1 Détection des points d’intérêt ……………………………………………… 15 1.5.1.1 Le détecteur de Moravec………………………………………….... 15 1.5.1.2 Le détecteur de Harris………………………………………………. 16 1.5.1.3 Le détecteur de KLT………………………………………………... 16 1.5.1.4 Le détecteur de SIFT……………………………………………….. 16 1.5.1.5 Le détecteur de SURF………………………….…………………… 17 1.5.2 Détection par soustraction de fond.………………………………………… 17 1.5.2.1 Modèles Gaussiens………………………………………………….. 17 1.5.2.2 Modèles basés sur l’apprentissage de sous-espaces.………………... 18 1.5.3 Détection par segmentation………………….……………………………… 19 1.5.3.1 Mean Shift ………………………………………………………….. 19 1.5.3.2 Segmentation par Coupe-graphe………………….………………… 19 1.5.3.3 Contours actifs…………………………………...…………………. 20 1.5.4 Détection par apprentissage supervisé………………….…………………... 21 1.5.4.1 Boosting adaptatif……………………………….………………….. 21 1.5.4.2 Machines à vecteurs supports…………….…………………………. 22 1.6 Méthodes de suivi d’objets……………………………………………………….... 23 1.6.1 Suivi de points………………………………………………………………. 23 1.6.1.1 Méthodes déterministes…………………………………………….. 24 1.6.1.2 Méthodes probabilistes……………………………………………… 25 1.6.2 Suivi de Noyau…………………………………………………………….... 27 1.6.2.1 Les méthodes basées sur des Templates ou densité de probabilité…. 27 1.6.2.2 Les méthodes basées sur une représentation multi-vues de l’objet…. 29 v 1.6.3 Suivi de Silhouettes………………………………………………………..... 36 1.6.3.1 Méthodes de correspondance de formes……………………………. 36 1.6.3.2 Méthodes d’évolution du contour………………………………….. 37 1.7 Conclusion…………………………………………………………………………. 40 Chapitre 2 Suivi d’objet par l’algorithme Mean shift 2.1 Introduction………………………………………………………………………... 41 2.2 Etat de l’art sur l’algorithme Mean shift…………………………………………… 42 2.3 Principe de tracker Mean shift……………………………………………………... 44 2.4 Algorithme du Mean shift pour le suivi d’objet……………………………………. 45 2.4.1 Représentation de la cible………………………………………………….. 46 2.4.1.1 Modèle cible………………………………………………………… 46 2.4.1.2 Candidat cible………………………………………………………. 47 2.4.2 Mesure de similarité………………………………………………………... 50 2.4.3 Localisation de la cible…….……………………………………………….. 52 2.5 Suivi d’objet par Camshift…………………………………………………………. 54 2.5.1 Procédure de suivi Camshift……………………………………………….. 54 2.5.1.1 Initialisation de la fenêtre de recherche………….…………………. 55 2.5.1.2 Génération d’histogramme de couleur………….………………….. 55 2.5.1.3 Rétroprojection de l’histogramme...………………………………... 58 2.5.1.4 Calcul de la taille de la fenêtre de recherche……….………………. 59 2.5.2 Algorithme de Camshift…………………………………..….…………….. 60 2.6 Suivi par Mean shift avec filtre de Kalman (KaMS).……………..…….………… 61 2.6.1 Filtre de Kalman……………...…………………………………………….. 61 2.6.1.1 Principe du filtre de Kalman……...……….………….………..….. 61 2.6.1.2 Calcul de l’estimateur de Kalman…………...…….………………. 62 2.6.1.3 Prédiction du vecteur d’état et des mesures……………………….. 62 2.6.1.4 Correction de l’état……………...……….……………………….... 63 2.6.2 Algorithme de la combinaison entre Mean shift et filtre de Kalman……..... 64 2.7 Conclusion……………………………….………………………………………… 66 Chapitre 3 Etude de l’influence de l’espace couleur sur la performance du tracker Mean shift 3.1 Introduction……………………………….…………………………………….…. 67 3.2 Construction du modèle d’apparence………………………………………….…... 68 3.3 Les espaces colorimétriques...………………….……………………………........... 71 3.3.1 L’espace RGB……………………………….………………………….….. 72 3.3.2 L’espace XYZ……………………………….……………………………... 73 3.3.3 L’espace Lab et Luv.……………………….……………………………..... 73 3.3.4 L’espace HSV…………………………………………………………….... 74 3.3.5 Les espaces de type YCrCb………………………………….…………….. 75 3.3.6 L’espace I1I2I3………………………………………………………….…. 77 3.3.7 L’espace OPP………………………………………………………………. 77 3.4 L’influence des espaces couleurs sur la performance de suivi………………….….. 78 vi 3.4.1 Indicateurs de bon comportement………………………………………….. 80 3.4.2 Etude de l’effet des espaces de couleurs…………………………………… 82 3.5 Conclusion………………………………………………………………….………. 90 Chapitre 4 Suivi d’objets robuste en utilisant un histogramme conjoint couleur-texture 4.1 Introduction………………………………………………………………………... 91 4.2 Aperçu du Modèle d’apparence proposé………………………………………….... 92 4.3 Descripteurs de texture……………………………………………………………... 93 4.3.1 Le descripteur LPQ………………………………………………………… 94 4.3.2 Le descripteur LBP……………………………………………………….... 97 4.3.3 Le descripteur BSIF………………………………………………………... 99 4.4 Suivi d’objet par le tracker Mean shift avec l’histogramme conjoint couleur-texture proposé…………………………………………………………………………….. 102 4.4.1 Représentation de cible avec l’histogramme conjoint HSVcouleur-LPQ texture……………………………………………………………………… 102 4.4.2 L’algorithme de suivi avec l’histogramme conjoint couleur-texture…….… 104 4.5 Conclusion………………………………………………………………………...... 106 Chapitre 5 Résultats Expérimentaux et Evaluation des Performances 5.1 Introduction……………………………………………………………………….... 107 5.2 Bases de données pour le suivi d’objet…………………………………………….. 108 5.2.1 La base OTB (Objet Tracking Benchmark)……………………………...… 109 5.2.2 La base VOT (Visual object tracking (VOT) challenge)………………...… 111 5.3 Métriques de performance………………………………………………………….. 112 5.3.1 Erreur de localisation du centre CLE……………………………………..... 113 5.3.2 Précision selon un seuil sur l’erreur de localisation………………………... 113 5.3.3 Taux de recouvrement moyen VOR……………………………………….. 114 5.3.4 Précision selon un seuil sur le taux de recouvrement………………………. 115 5.4 Présentation des résultats………………………..………………………………..... 115 5.4.1 Comparaison de tracker Mean shift avec Camshift et KaMS………………. 117 5.4.2 Influence des espaces de couleurs sur les performances de tracker Mean shift………………………………………………………………….. 122 5.4.3 L’efficacité de l’histogramme conjoint couleur-texture proposé………….... 132 5.4.3.1 Performance de tracker MS à travers la variation de la valeur de rayon du descripteur LPQ…………………………………………... 132 5.4.3.2 Performances du tracker Mean shift par les histogrammes conjoints proposés HSV-LPQ, HSV-LBP et HSV-BSIF…………………..… 135 5.5 Conclusion………………………………………………………………………….. 156 Conclusion……………………………………………………………………………. 158 Productions Scientifiques…………………………………….…………………… 162 Bibliographie…………………………………………………….…………………… 163 |
Disponibilité (1)
| Cote | Support | Localisation | Statut | Emplacement | |
|---|---|---|---|---|---|
| TH/0995 | Thèse de doctorat | BIB.FAC.ST. | Empruntable |
Erreur sur le template
