New robust techniques for motion estimation and segmentation of moving objects in video sequene

Abstract

Le thème de cette thèse porte sur l’estimation et la segmentation du mouvement dans les séquences d’images. L’estimation du mouvement consiste à extraire le champ du mouvement entre deux images successives. A partir de cette extraction, la phase de segmentation sépare l’image en objets mobiles et objets statiques. La recherche concerne principalement l’amélioration des techniques classiques d’estimation du mouvement et de la segmentation au sens du mouvement dans le but de détecter et d’identifier des objets mobiles dans une séquence vidéo dégradée par un bruit additif de type Gaussien corrélé et de covariance inconnue. Nous avons développé quatre estimateurs de mouvement basés sur les statistiques d’ordre supérieur (SOS). Les paramètres du mouvement pour ces algorithmes sont estimés par les mesures du bispectrum et le bispectrum croisé . Les méthodes proposées sont implémentées dans le domaine fréquentiel. La première méthode est basée sur un modèle de mouvement translationnel dans le domaine bispectrum. L’algorithme utilise le bispectrum afin d’obtenir une mesure de similitude contenue dans les images temporellement adjacentes. Pour la deuxième approche, nous dérivons des expressions analytiques pour étendre le modèle translationnel à une estimation sous-pixellique. Dans la troisième approche, nous avons proposé une méthode basée sur un modèle paramétrique. Les paramètres du mouvement sont estimés en utilisant la technique des moindres carrés. Pour la quatrème méthode, nous proposons une nouvelle structure d’analyse du mouvement qui utilise un modèle hiérarchique affine pour concevoir l’estimation du mouvement efficace et robuste. Le champ final du mouvement est alors estimé en utilisant la stratégie grossière-à-fin définie dans la structure hiérarchique. Dans le dernier point de ce document nous avons suggéré une structure itérative générale pour la segmentation des séquences vidéo basée sur l’algorithme des k-moyennes fondé sur les SOS pour séparer l’image en deux groupes comme les objets en mouvement et les objets statiques du fond de l’image dans l’espace du paramètre affine.