Analyse d'événements dans une vidéo par les coupes de graphes

Abstract

Cette thèse s’intéresse à l’analyse de vidéo et plus particulièrement : à la détection de mouvement au suivi d’objets en mouvement détection de mouvements cohérents et extraction de couches de même mouvement. Dans la première partie, deux nouvelles approches ont été proposées. Nous avons proposé une nouvelle méthode automatique pour la détection d’objets en mouvement basée sur une modélisation des interactions spatio-temporelles entre étiquettes (arrière plan et objets mobiles) par un champ de Markov. Puis, une nouvelle approche de suivi d’objets en mouvement a été proposée. Cette méthode se décompose en trois étapes principales. La première étape consiste à déterminer pour chaque objet le modèle de mouvement affine caractérisant son déplacement. La deuxième étape consiste à prédire les objets à suivre dans l’image suivante en utilisant les modèles de mouvement calculés dans l’étape précédente. La dernière étape consiste à raffiner les frontières des objets suivis par une méthode de segmentation dynamique. Une quatrième étape est ajoutée dans le cas de chevauchement des objets suivis. Cette dernière étape est basée sur la classification des pixels des objets qui se chevauchent par la méthode des coupes de graphes (algorithme alpha-expansion). La deuxième partie du document a traité le problème de détection de mouvements cohérents et d’extraction de couche de même mouvement. Dans un premier temps, nous avons présenté une nouvelle approche de détection de mouvements cohérents. Cette méthode se décompose en trois étapes principales. La première étape consiste à détecter et à mettre en correspondance les points d’intérêt. La deuxième étape consiste à grouper les points d’intérêt spatio-temporellement connexes. Cette dernière étape permet de regrouper les points d’intérêt en fonction de leurs vecteurs de déplacement locaux, donc incapable de regrouper les points distants (non connexes) ayant le même mouvement, ainsi incapable de regrouper les points dont les vecteurs de déplacement locaux sont différents et qui peuvent être modélisés par un seul modèle de mouvement paramétrique. Dans la troisième étape, afin de résoudre le problème de sur-groupement, nous avons utilisé un algorithme permettant de fusionner les groupes dont le modèle du mouvement calculé à partir de l’ensemble des points de ces groupes supporte plus que 85% des points de chaque groupe via un processus itératif. L’approche précédente de détection de mouvements cohérents permet d’obtenir le nombre de mouvements cohérents ainsi que leurs modèles de mouvement. Ces informations sont ensuite utilisées afin de segmenter la scène en couches de même mouvement . 3 Pour réaliser cette recherche, nous avons utilisé les descripteurs intra-images (tels que la géométrie, le mouvement, la forme, la couleur …) ainsi les descripteurs inter-images (tels que la trajectoire). Nous avons utilisé aussi des techniques basées sur les coupes de graphes.