On segmentation and tracking of dynamic objects

Abstract

Dans la segmentation et la poursuite des objets en mouvement, l’éclairage, les ombres, le bruit et le temps de calcul sont des facteurs déterminants dans la performance des systèmes de vidéosurvaillance. En effet, la segmentation de l’image pour identifier les pixels de l’objet en mouvement pour le séparer du fond de la scène s’avère une tâche difficile en particulier si le fond lui-même est dynamique. Pour améliorer la segmentation cette thèse propose de nouvelles méthodes basées sur l’analyse en composantes principales (PCA) et les modèles de mélanges de Gaussiènnes (GMM), en particulier l’extension de PCA au cas 2D. Ce qui a permi de réduire en même temps le bruit présent dans les frames et le temps de calcul. Quand au problème de l’efficacité de poursuite d’objets en mouvement, les travaux de recherche de cette thèse se basent sur le filtrage de Kalman (KF) et les techniques Bayesiennes en particulier la technique de Monte Carlo séquentielle (SMCM). Le développement de cette technique a conduit à l’émergence du filtrage particualire (PF). Ce type de filtrage a permi de résoudre le problème de poursuite de l’évolution des systèmes dynamiques non linéaires. L’application de ces techniques de segmentation et de poursuite dans des scènes réelles a aboutit à des résultats très satisfaisants.