Modélisation de séquences vidéo par mélange de lois Gaussiennes : Application à l'estimation de mouvement

Abstract

Cette thèse décrit une nouvelle méthode d’estimation de mouvement basée sur le critère de mise en correspondance des blocs en modélisant les blocs des séquences d’images par un mélange de deux lois Gaussiennes dans une première expérience et par un mélange de trois lois Gaussiennes dans une deuxième expérience. Les paramètres du mélange telles que les poids des composantes, les vecteurs moyens et les matrices de covariances sont estimés par l’algorithme Expectation Maximisation (EM) qui maximise le critère log-vraisemblance des données complétées (observées et cachées). La similarité entre chaque bloc de l’image courante et le bloc qui lui ressemble le plus dans une fenêtre de recherche de l’image de référence est mesurée par minimisation de la distance de Mahalanobis généralisée et la divergence de Kullback-Leibler appliquées entre les composantes des mélanges. La composante Gaussienne de faible poids représente a priori un bruit Gaussien corrélé, l’estimation de mouvement sans tenir compte de cette composante est la plus performante permettant ainsi une bonne Interprétation des résultats.