Contributions à la détection et la segmentation non supervisée des objets en mouvement : Approches basées sur la saillance spatio-temporelle

Abstract

De nos jours, le monde a assisté à une croissance explosive de données vidéo. La recherche dans le domaine de l’analyse vidéo est devenue donc l’un des champs les plus actifs et progressifs et qui attire l’attention du comité scientifique. Dans le cadre de cette thèse, nous abordons le sujet de la détection et la segmentation des objets mobiles dans les séquences vidéo. Plusieurs méthodes ont été proposées dans la littérature pour accomplir cette tâche. Nous nous intéressons ici par les approches basées sur la saillance. En effet, l’émulation de la capacité cognitive humaine pour détecter les régions pertinentes dans une scène, appelées régions saillantes, se révèle l’un des concepts les plus utilisés dans le domaine de la vision par ordinateur. Ainsi, nous proposons deux contributions pour la segmentation des objets mobiles dans une séquence vidéo basées sur la saillance spatio-temporelle. Notre premier algorithme combine une carte de saillance spatiale, générée par une méthode basée sur les graphes, avec l’information de mouvement pour la construction d’une carte de saillance spatio-temporelle et l’extraction d’une région d’intérêt mobile susceptible de contenir l’objet d’intérêt. Dans une deuxième étape, nous faisons appel à un schéma interactif de segmentation basé sur les contours actifs pour la segmentation de l’objet mobile d’une manière automatique et ce en exploitant la région d’intérêt mobile extraite précédemment pour obtenir des graines de l’objet et de l’arrière-plan. Dans la deuxième contribution, nous proposons un nouveau modèle de saillance en utilisant l’algorithme de fouille de motifs pour déterminer des patterns de saillance spatio-temporels discriminants et propager leur information au reste de l’image afin de construire notre carte de saillance finale. Ensuite, nous intégrons notre carte de saillance dans un processus de minimisation d’énergie pour effectuer la segmentation spatio-temporelle de l’objet saillant dans toute la séquence. Finalement, nous avons mené nos expériences dans plusieurs bases de données de référence et nous avons démontré la supériorité de nos algorithmes aussi bien pour la détection de la saillance vidéo que pour la segmentation de l’objet d’intérêt en mouvement et ce en comparant nos résultats avec plusieurs méthodes de l’état de l’art et en utilisant plusieurs critères d’évaluation.