Une Approche combinant codebook basé SIFT et apprentissage profond pour la détection , le suivi et la reconnaissance des objets dans une vidéo

q$ffiffiff

R6publique

Alg6rienne

_{D6mocratique Et}

_Populaire

_{Ministdre de I'Enseignement}

Sup6rieur et la Recherche

Scientifique

Universit6 Mohamed Sadik BENYAHIA

_-

JIJEL

D6partement informatiq

""

f47\.O5 U8

Mdmoire

de

fin

d'dtudes

_{pour l,obtention du dipldme}

_de

Master

en

fnformatique

Option

:

Intelligence

Artificielle

des

_{Objets dans une}

_Vid6o

i-;'.*r.] "".fl.qI\

_F

'i,

\"-

j

r*" tz

{i

.L*d

:*-l-'r*lE-, t J .r*dfl

Chlme

Une

Approche

_{Cornbinant Codebook}

_bas6

SIFT

_{et Apprentissage Profond}

_pour

_la

D6tection, le

Suivi

et

la Reconnaissance

.at

-

'r-t

F-,i

ir

Rt/Ir€,?tr-.

Mr.

ki.at

|i*,qvrJ

tnr.

KaateJrc,

tvldulltlr/

_Lart:e,

Promotion :2017-ZArc

Etr*t

_7ar.

Mr.

ra$Far

Mokhfar

#

,.;

sq

3

#ffi

ffi

tDtrD

:i.:, .:':I

D'abord

on

remercie

_ALLAH,

_le

_tout

_puissant

_qui

_a

_illumind

_notre

chemin et,qtri

armds

de

_{courage et}

_de

_la

_patience

_pour

_accoaplir

dans

les

_{meilleurs conditions}

_ce

_travail;

on

remercie

_{plus particuridrement l{r.}

_{TAFFAR M0KHTAR}

_{pour qui}

on

dprouve

tout

le

respect

et

ra

gratitudl

et

pour

le temps

qu'ril"

.nous

a

accordd ofl

VtI€ de

nous

projet

fin

d'dtude, merci

de

votre

disponibilitd

de

votre

aide et

i*

"""r-**i;;:;;;il;;-dirrgeq

_{notre m6moire.}

Nos

vifs

_{remerciements aux}

_membres

_de

_jury

_{d,avoir bien voulu}

Evaluer

ce

m6moire.

sans oublier tous

les Enseignants

_{qui ont contribud}

_d

_notre

formation,

depuis

la premidre

ann6e

jusqu'i

_{maintenant pour le}

savoir

et

les connaissances

qu'ils

_{nous ont inculqud, Aussi bien}

mes

_{colldgues, nous}

_{avons beaucoup}

_appris

_gr6ce

d

vous.

A

vous tous,

_{veuillez recevoir L'expression}

_de

_ma

_{gratitude Et}

de

mon profond

respect

et

_{merci pour tous ceux qui ont contribud}

_d

_la

rdalisation

_{de ce}

_fiavail.

V*

#

$*'

rt"Urot

\

Louange

_d

_Dieu,

_le

_climent

_et

_le

Misiricordieux

_et

_que

_la

_{bdnddiction et}

La

paix soient

sur

notre

_{proph0te Mohamed.}

]e

dddie

ce

rapport

i

_{mes chers}

_maitres

Pour Leurs Efforts fournis,

leur

bont6,

leur

tendresse

_et

_{Leur Encouragement}

en

leur souhaitant

_une

_Longue

_vie

_combl6e

de

bonheur

et

de sant6.

*

-

A

mes

colldgues

Informaticien.

_#

O \

-

Amesproches,i.tous

_t

_,O.

3*

ceuxquim'aiment'**

l*#

't.*

tul

%*'

6

'$,

1rq

b*

l,*

_,f

,t lt

{.

n"

Se

t$

f*

*il

-0

€

\

ltr

nl

v*r

b

t

nl

f*

ofo

Frdl.

Sommaire

Sommaire

Introduction

g6n6ral

chapitre

1

:

M6thodes de

construction

_{de ModEles de}

_Fond

1.1

Introduction--4

1.2 Types

_{de ModEles de}

_Fonds

1.3

M€thode

_diffrirence

_frame

1.3.1

Drifinition

1.3.2

_{L'algorithme de diffr{rence}

_de

_frame

1.4 Mdlange

de

Gaussiennes

1.5

M6thode

du

flux

Optique

1.5

Mdthode

_de

Lucas-Kanade

1.7

Mdthode

_{de codebook}

1.7.t

D6finition

t-7-2

_{Fonctionnement de}

_Iargorithme

_{de codebook}

1.7.2.1

Phase

d,apprentissagq

1.7.2.2

Phase

de

d€tection

des

objets

mobiles

1.7.2.3

_{Construction de}

_l,algorithme

_codebook

1.8

Conclusion

Chapitre 2

:

_{Apprentissage, Ddtection}

_Et

_{Reconnaissance}

_Bas6s

Sur

Descripteurs

Locaux

Invariants

.7

8

9

9

I

9

10

tt

2.1

Introduction_

t2

2.2Gfin6ralit€

_{sur les Ddtecteurs}

2.3 D6tecteur de points

d,int6r€t

2.3.1

_{D6tecteur de Harris}

2.?.1.t

tdr6e

g€n€rale

2.3.1.2

Etapes

de

l,Algorithme

2.3.2

D6tecteur

SIFT

Sommaire

2.3.2.t

tdrie

g€ndrale

2.3.2.2

Etapes

d,algorithme

2.3.3

Ddtecteur

FAST

_t7

2.3.3.1

Ddfinition

2.3.3.2

Etapes

de

l,Atgorithme

_t7

19

19

22

22

2.3.3.3

Limitations

_{_lo}

_{r o}

2.4 D€tecteurs de rrigions

2.4.1

Ddtecteur

MSER

2.4.1.1

Ddfinition

2.4.t.2

Etapesd,algorithme

2.4.1.3

propri6t6s

2.4.2

D6tecteur de

SURF

2.4.2.1

Ddfinition

2.4.2.2

Avantages

2.4.2.3

Etapes

de

l,afgorithme

2.5

Apprentissage

profond et

_Rdseaux

_{convorutionners}

2t

2.5.1

Apprentissage

profond

_2l

2.5.2

R6seaux

Convolutionnels

2.5.3

Apergu

g6n6ralsur

_les

_outils

_de

_{ddveloppement}

2.5-3.1

outils

et

_{BibliothEques de l,apprentissage}

profond_

₂₂

2-5.3.2

outils

et

_{Biblioth6ques de}

_Rdseaux

_{convolutionnels_}

23

2.6 Conclusion

Chapitre 3

:

M6thode

_{Proposee Pour}

_La

_D6tection

_Et

_Le

_Suivi

_Des

Objets

3.1

Introduction

3.2

Architecture

_du

_Systime

25

3.3 Description du Fonctionnement du

SystEme

3.3.1

Phase

_{de modtirisation}

_de

_fond

_avec

_codebook

Sommaire

3.3.2

3.3.3

3.3.4

Phase

_{de mod6lisation de}

_fond

_avec

SIFT

Phase

_de

_detection

_des

_objets

Phase

_{de mise en correspondance}

26

25

26

31

31

31

32

Chapitre 4

:

_{Expdrimentation et r6sultats}

4.1 Introduction

4.2

Choix

de

l,environnement

4.2.1

Python

4.2.1.1

Caract6ristiques

_{et philosophie python}

4.2.2

OpenCV

4.2.3

Caffe

34

4.3

Interface

Utilisateur

4.3.1

Page

_d,accueit

4.3.2

Page

principale

.35

35

36

36

3.3.4.1

_{K-Nearest Neighbors}

_{(kNNl_}

27

3.3.4.2

Algorithme

3.3.5

Phase

_{de sdparation}

_des

_objets

3.3.6

_{Construction du Codebook}

_bas6

SIFT

3'3'7

_{L'Algorithme de la}

_mrithode

_proposde

coDEBooK

basd

srFT_3'

3.4

Mdthode

proposde

€tendue

_{_.}

3'3'5'1

_{Regroupement par}

_fargorithme

_Meanshift

,e

31

3.4.1

Apport

_{de l,Apprentissage}

profond

3.4.1.1

pour

_le

_{Traitement lmage/Vidrio}

3.4.t.2

_{Ddtection/Su ivi/Recon}

_{na issa}

_nce

_d,Objets

3.4.2 Desription

_{de l,Approche}

3'4'3

_{Algorithme codebook}

_{basd slFT}

_intrigrant

un

Apprentissage

profond

(cbsAPl

3.5 Conclusion

Sommaire

4.4

_{Considdrations de performances}

4.4.1

V6rit6s

terrains

4.4.2

_{Classification de pixel}

4.4.3

Rappet

_{et prdcision}

4.4.3.t

Rappef

4.4.3.2

pr6cision

4.5

Expdrimentations

_et

_Rr{sultats

4.5.1

_{R€suftats de D€tection/Suivi d,Objets}

4.5.1.1

M6thode

_Diffr{rence

_Frames

4.5.1.2

M6thode

Ffux

_Optique

4.5.1.3

M6thodelucas-Kanade

38

38

38

38

39

4t

4l

4.5.1.5

M6thode

propos€e

_:

_Codebook

basri

SIFT

₄₅

4'5'2

_{R6sultats de Ddtection/suivi/Recon}

na issa

nce

d,objets__

₄₇

4.5.2,1

_{Apprentissage}

_{profond utilisant}

l,Apt

Caffe_

_{_}

_4g

4.5.2.2

Codebook

bas€

S|FT

et Apprentissage

_profond

_{_}

_50

4.5.3

_{Comparaison des}

_mdthodes

50

4'5'3'1

_{comparaison seron}

_{Rappeuprdcision}

E.r

4.5.3.2

_{Comparaison sefon le temps d,ex6cution}

4.5.t.4

MdthodeCodeBook

42

51

4.5.3.3

Discussion

4.6 Conclusion

52

52

Conclusion g€n6ral

chapitre

I

_:

_M6thodes

_De

_construction

De

Moddfes

De

Fond

Figure

7.7

structure

_mfithode

_{de sousfra}

_ction

_(diff'rence

frame),

Figure

_1'2

Rdsultat de

ta

ddtection

_en

_utilisant

_la

_{soustraction/diffvrence frames_6}

Figure 7'3

Resuht

de

ta

dfitection

par

la

_{mflthode de}

_mixturede

Gaussrb

_{nnes_7}

Figure

7,4

te

mouvemenf

des

poinfs

_d

_travers

₅

_frames

cons6cuti'__7

Figure

7.5

eyramide

_de

_{Lucas Kanade}

FigUre

7.6

Structure

_d'algorithme

codebook_

10

chapitre

2

:

_{Apprentissage, Ddtection et}

_{Reconnaissance}

bas6s

_sur

Descripteurs

_Locaux

_Invariants

Figure

_2.7

Construction

_d,un

_espace

_DoG

15

Figure

_2.2

_{Structure de}

_I'algorithme

_S/Ff

Figure

_2.3

La

matricede

Hesse

pour

r,fuchette et

ra

tocatisation

_2n 17

Figure

_2.4

_{Anectation d,orientation}

21

Figure

_2.5

_{SUnr mabhins}

_21

Figure

2.6

nrcnitectureDe

_{Rdsea u}

_{De convorution}

chapitre

₃

_:

_M6thode

_{Proposde Pour}

_[a

D6tection

_Et

_Le

_suivi

_Des

Objets

':frT'3'7

structure

g,nerale

de

l'algorithme

utitisant

te

modcte

_codebook

_bas6

Figure

_3.2

_{Exemptedeprocessus}

_de

recherche

_du

_mode

_de

_d'carage

_{moyen_zg}

Figure

3'3

Exempte

_des

_{pointsde bassins}

_d'aftnction

_oi

chaque

_{basinesf assocrd}

?ry*[f{"ir?:i"*

_:y*

svnthltique

ae tro,is

g;i;pes

_{non-tin€a'es}

_sdpa

_rabtes

Chapitre

_4:

_{Exp6rimentation et Rdsultats}

Figure

_4.7

page

_d'accueit

Figure

_4.2

page

principate

Figure

_4.3

_{intertace codehook}

Liste Figures

Figure

_4,4

intefface

_m1thode

_praposfue

!f:,i;l;::'i1'"r';'::

l1;;

obrbrs

avec mdthade

soustraction

(Dirr,rence

_rrame) 39

'J!![3f;!r,':r!':",;!:?!?'obiets

avec

m'thode

soustraction

(Dirr,rence

rrame)

g|::Sf]:iasramme

rappe! et

prdcision

_{de sous}

_{traction (Diff€rence}

rrame)

l|irr

4.8 ta

dhtection des

obTbfs

avec

milthode

_ftux

_optique

_sur

_{une vid6o}

F|irr

4.9

ta

dhtection des

oblbfs

avec mflthode Lucas

Kanade

_{sur une}

_vid6o

Figure

_A.rc

_La

_dhtection

_des

_{objets avec mflthode}

cadebook

_sur

_{une vid6o}

PET

Figure

_4.71

_Diagramme

_rappet

_et

_prfucision

de

codebook

_4s

Figure

_4'72

_La

_ddtection

_des

objets avec mtithade

codebook

_{sur une}

_vid€o CVLAB

Figure

4.73

Diagramme

_rappet

_et

_pr*cision

_de

_codebook

44

,;Eirr

4.74

La

_{d*tection des}

_{obiets avec mflthode}

proposde

_{sar une}

_vid6o

Figure

_{4-75 Diagramme rappetet}

_prfucision

_de

mflthode

proposde_46

Figure

_4.76

_La

_d,tection

_{des ob,lbfs avec mflthode}

propos6e

_{sur une}

_vid6o CVLAB

Figure

_4'77

Diagramme

_rapperet

_{prftcision de}

_ta

mflthode

propos6e_47

:'f!:rr#8

La

d1tectiondes

oO7bfs

avec mftthode

_{apprcnfibsase}

_{profond sur}

une

Figure

_4.79

_Diagramme

_rappet

_et

_prfucision

de appreHfi.ssage

profond

₄₉

:'fl{r"li?/a

d1tection

des

obiets avec mtthode t,appreHfi.ssase

profond

_sur

_une

40

41

41

42

45

Figure

4.27

_{Diagramme rappetet}

_{prfucision de}

Liste tableaux

Chapitre 4

:

_{Expdrimentation et}

_r6sultat

Tableau

_4.7

_raonau

_des

_rfusurtats

de

Diffvrence

_{frame pixet/pixet_}

40

Tableau

_4.2

_raoteau

_des

_rfusurtats

_de

Difflrence

_frame

_opencv

40

Tableau

_4.3

_faOteau

_des

_rfusuttats

de

Ftux

Optique

41

42

43

Tobleau

_4.4

_fanteau

_des

_rfusuttats

_de

Lucas

Kanade

Tableau

_4.5

_faOteau

_des

_rftsuttats

de

codebook

pET

Tableau

_4.6

_ranbau

_des

_r*suttats

_de

codebook

_cvLAB

Tableau

_4-7

_raweau

_des

_r*surtats

de

ta

m*thode

propos*e

pET

Tobleau

_4.8

_raoteau

_des

_rlsuttats

de

ta

_mflthode

_proposke

cvLAB_

47

Tableau

_4-9

_rannau

_des

_r*suttats

de

,appreHtr.ssage

_profond

pET

48

Tableou

_4.70

_{Tabteau des rdsu/fa}

ts

de ,apprenfi.ssage

_profond

cvLAB_4g

[i!,,!7f!rf;Lt

l"*u

comparative

entre

tes rappets

et

_{prtcision par}

_vid6o

#!,,!7f!rf;t'r'rX!"tu

comparative

entre

tes rappers et

_{pr,cision parvid6o}

Tobleau

_4.19

_{Tabteau comparative}

entreles

remps

_d,ex'cution

44

45

51

Rdsumd

Rdsum6

Les _{recherches rdcentes en vision}

par ordinateur et _{analyse d,images, en particurier,} celles li6es

i

_{la viddosurveillance,}

_ont

de pfus en prus port6 _{sur la construction}

systdmes de d6tection _{et suivi des objets en mouvement,}

re _{tracer de leur trajectoire}

et la ctassification de l'apparence de ses objets _{permettant leur reconnaissance.}

Les _{modeles d,arridre-plan}

_et

_de

suivi sont devenus des composants critiques pour _{de nombreuses applications}

de vision pour l'anafyse _automatique

des scdnes. Typiquement, les mdthodes de mod6lisation _de

l,arridre-pfan

_et

_les

_techniques

_le

suivi des objets

(basdes

_sur

_la

_moddtisation

d,objet)

sont

mutuellement

_{inddpendants dans plusieurs}

approches

_de

_{vision. Dans}

_ce

_m6moire, nous adoptons une mdthode de suivi d'objets _{en mouvement bas6e}

_codebook

oil

en premier _un moddle fond est construit' _Ensuite,

_i

_{partir de}

ce _{modale de fond, fes objets sont d6tect6s}

et caractdrisds avec les traits _{SIFT. Ces derr} .

et d es d es cri pte u rs, i I s p e r m en _{e n}

t

_d e

#H;

HHI"ffi

il"':i::,

.'r'iJ::rilf

_::::

la scdne' une fois ddtectd, _{nous pouvons reconnaitre un objet}

par sa crasse d,appartenance

en utilisant

_un

_{apprentissage}

_{profond' Notre}

systBme

_de

_mod6lisation

_{du fond}

_et

de ddtection/suivi _{des objets fonctionne}

bien sur des vid6os de _{bases se donn6es} pET _{et cvLAB.}

Les

_{r6sultats expirimentaux qualitatifs}

et

_{quantitatifs obtenus montrent les}

bonnes performances

_{de notre}

_systeme

sur

ces bases

de

donndes _lesquefs

_sont

_comparables

ir d'autres mdthodes de ta littdrature.

Mots

cl6s:

Moddre

_codeboo(

_d6tection

_des

objets,

descripteurs _{rocaux, srFT, suRF,}

Abstract

Abstract

Recent researches _{in computer}

vision and image analysis, especialty _{those related}

_to

video surveiflance' have increasingly focused _{on the construction of systems for}

the detection and tracking

_of

_{moving objects,}

_the

tracing

of

their

trajectory

and

their

crassification. _the appearance

_of

_{his objects allowing}

_their

recognition. _{Background and tracking}

moders have become

_critical

_components

_for

many

vision

apprications

_for

_automatic

_scene

anarysis.

Typically' _background

modeling methods and object tracking techniques (based

_on

_object modeling) are mutually independent in severalvision _{approaches. In this}

memoir, we adopt a

codebook-based

_moving

obiect tracking method where

a

background

_model

_is

_first constructed' Then' from this _{background model, objects are detected and characterized}

with slFT

traits'

_{These are extracted after}

a cafculation of

the

points

_of

_{interest and descriptors,} they allow

to

define a model of _{each object and}

_to

_follow

_it

_in

the scene. once _{detected, we} can recognize an object by its class of _{membership by using a deep rearning.}

our

background modeling and object tracking

_/

_{tracking system works}

weil on base videos getting _{data from}

PET _{and cvLAB' The quaf itative and}

quantitative

experimentar resurts obtained show the good

ir*ffi:::

of our svstem on these databases which are comparabre

_{to other}

_methods

_of

Key

words:

codebook _moder,

_object

_detection,

rocar descriptors,

_srFr

_{suRF, background} tempfate modering

_/

_{subtraction, object detection}

s€iLjf

Ulail.Jf

qFJF

ds& '

-*i*lttlr-,^r

iir*^rr

crb

i-.

_,

_Jr-rr

_,Jrl-r,

,irr*.srr+:r c,+.,*. q.b,r

.lr.-ryr _{Js_fi}

"'*t,

i.

h.il-fi.y+

e-*r

lr{^L-+f

J6L.

l"e+i^JJlo_,,t*,"

Cilj ,

isJ$,Jtat,,*!t

_{C$_1.} ;.Kl i*-Eif _,l+

_*J,

el+s: i+iliJl4+i^tjl.iJt

_{i;Jsr r i.rLe,.}

rjGhtt .6.*Jt

_{,.F-rt6r:i*Lrttr.r +"*ll+.6-}

_ours.

&6'b

4*ililtait-j

c'!:";s

_.-b

"r+

t-(.,*r"

r-iis,;g

5 c'rJsr^rr ora

,j.a;:jr

G{r

6-

*ts u:*+lt rs .

_

i,. ilij*.

..,tj:lsrr

_eli

€lJai''l*

slFT'

cili'-r

taljJ

_crl;r5jl0e

_'

_i'?Kllri

. i+iri'rr _e:rJ^irr ria

g.

, _{F. i-r.}

_d:!

6ie"ir

oLr

*."H-rJ++r'

_'c'rJl

,*,.s

.,+l,.J #ls

_ds,

_6i3*r

,+bii

e^J

b!

,

c,r;.-ur_l

_rb)tr

_i

+i.rr

_t*,r

,.J..,- .rrr aie

iF

_esl

o*l+

_e$-r

_on!.r

_i'i;.

_.3i"-

rl'J rhi.jsr+ LJ,.:,J'

.

;r.

_LbLi

_iF

_{dfrs *Jc}

_{, u.rrl}

r ii(q. r r*"r.iisl

arA ciul+i,l

"''-F,-l'

tr^tiii, iJ+,

e'#r

_{t*,r' &,--Jr}

_f

*$r +^s,rr 1$s,r 4+#J,.rrr _Gi*irr

_{_rL:}

_{.cvtRg _rprt}

.d,t+"11 _{.sJilt,i_.rAltJ} r

*.;uLL Os" *.fr_,

elilf

_{dE C:L}

_tr+i:

_{.SURF .SIFT .}

_!1,-

_c,ri.f3

c _{LiL{t,_itinst}

_.

_Codebook

_gj-r

:4**t:;.1€l-t<tl iflSJl _C$ c _LiL$l,rJ,

,

;-_:t1l,_iLiisl _.

fntroduction _G6n6ral

Introduction

_G6n6rale

Avec fa

gdndralisation

_de

_{l'utilisation des}

images numdriques,

_de

_{fa viddo}

_et

des

camdras de surveitance de divers genres que nous _{pouvons nous en procurer,}

de nos jours,

i

bon

marchd'

_la

_ddtection

_et

_te

_iuivi

d'objets en mouvement a pris une

part

importante dans nos vies quotidiennes

_et

dans fe domaine oe la rectrerche en vision _{par ordinateur. Le}

suivi d'objet

dans

_{une vidt{o est une tdche}

courante

_{en vision}

_artificieile

ayant

des

:J#:.,T:T,iJ}j;::H[,tly,"es

ters que ra _{viddosurveilrance, re contr6re}

du tranc, ra

La _{viddosurveillance est un systdme de camdras}

disposdes dans un espace

_i

_contr.rer

et

i

scruter' _{ces camdras sont refides}

_i

un systEme inrormatique _qui

_perrnele

traitement et l'analyse des donndes image _{ou frame captur6es.}

suite

au

progris

_{furgurant du matdriet} et des mdthodes _{utilisdes' ainsi qu'aux}

besoins de protecfion _{des personnes, des biens}

et

des

6tats' la

vid6o

surveillance

_{intelligente est}

devenue

_ce:

_derniers

_temps

re domaine par excellence de _{la sdcuritd civile,}

_aont

te seur

but

_{est de}

_igr"o.,

_{ou pr6dire}

des .vdnements anormaux' _{Les approches}

de ddtection d'objets _{dans une vid6o}

_ont

6garement ra

vertu

de reconnaitre _ces

objets, de suivre feurs d6placements et d,anaryser _{reurs actions.}

un

grand _{nombre de chercheurs se}

sont impliquds, _{durant la}

_derniire

d€cennie, dans le _{d6veloppement de m€thodes}

pour _{proposer des approches nouveiles}

et efficaces pour ra

ddtection

_et

_{fe suivi des objets}

dans la viddo.

_oepuii.nt

_{de ra nature}

_{du probrime}

pos6,

:il1

tt"oes

cat€gories

de

mdthodes peuvent

6tre

mentionndes, _{seron que}

'on

veut

ou

1-

_{caractdriser les objets}

d _{suivre, en d6finissant un moddte de}

l,objet.

_Ainsitout

objet qui _{apparait dans la vid6o est ddtectd puis}

analys

6,

panapport _{au moddle}

_d6ji

ddcrit

dans

le

systdme,

_{afin de}

_d6terminer

_s'il

correspond

_ou

_non

i

_l,objet

_que

le

systEme doit _{connaitre et suivre, ou encore}

2-

Proposer _{une approche bas6e}

moddle de

fond

(de

prdfirence

_panoramique

et/ou

dynamique);

_et

_de

_ce

_fait,

_connaissant

le

modBle

_de

_fond

_tout

_objet

_qui

,',fi:1:T:,ilil1;::i"

peut 6tre d6tect6 et suivi dans ra vid6o, depuis son apparition

Dans

le

premier

_type

_d'approches,

un objet peut 6tre ddcrit

_{par diffdrents types de} caract6ristiques visuelles

_telles

_que

_:

_la

_couleur,

ra

_{texture de}

_r6gion,

_res

_contours,

fes

courbures' les gradients _{et tes moments. Mais,}

pas _{seuremen! puisque res}

m6thodes bas6es

sur des traits locaux

ont

_{principalement prouvd leurs efficacit6s et}

fiabititds _{dans le domaine}

de

la

description'

_de

_la

_ddtection

_et

_de

_la

reconnaissance

_(y

_compris

_{rapprentissage)}

d'objets'

parmi _{ces caractdristiques rocares,}

lntroduction 66n6ral LBp, _{les rdgions saillantes,}

et tant

d,autres;

_et

_m6me

_la

_combinaison

de

ces diffdrentes caractdristiques _{trouve une utilitd}

dans le domaine

_ie

_{ia ctassirication}

des objets. Dans

_le

_deuxidme

_{type de}

techniques,

_{un grand}

_nombre

de

mdthodes

_ont

_6td proposdes; _{elles sont}

trEs efficaces

pour

_{fa ddtection}

_et

_{fe suivi}

d,objets, tefs que _{les flots}

optique'

_la

_soustraction

_de

_frames,

le

codeBook,

_re

_m6range

_de

_Gaussiennes

-GMM

(Gaussian

_Mixture

_Model),

le

filtre

de Kalman, etc. Bien dvidemment, _{une combinaison}

des

ffij::::ches

donnera

une performanc.

,upple-*ntaire

i

un

systrlme

_de

_vision

_par La

d6tection

_et

_le

_suivi

_du

_mouvement

est

un nombre de probfdmatiques.

_on

_p"ut

notamment

_citer.

vaste

_sujet

_qui

_englobe

_un

certain

-

la

_{ddtection des objets}

_en

_mouvement,

c'est-i-dire

la

d6tection

d,un

il::HI

de

points

d'int6r€t

(caractdrisant

un

ooi.o

en

mouvement _{dans ra scdne}

o,n,

*u'i;:l:i;:i:t;;iillj;,:ut

est

de

ddterminer ra position

de

chaque objet

La ddtection _{des objets en mouvement}

est, en gdnrdrar, _{une premi6re}

6tape pour _des systimes _{de vision dddids d la viddosurveillance.}

ces systdmes peuvent _uuo,,

oou,. vocation,

;[ir:to""ment

de d6tecter, soit de ddtecter

_",

,...onn.itre,

soit

de _{ddtecter et suivre des}

La seconde probldmatique _{de suivi d'objet}

est aussi _{importante et n6cessite}

ta mise en

place de mdthodes simples _{et robustes.}

_un

large nombre d,approches _ont

_fait

_et

_font

_f,objet

fi,nfillil|fili*lrl,?J

no'

jours, ir

n'existe

pm

o;rrgorithme _g6n6rar

_qui

_s,adaptent

_i

Le

but

_{de notre travail est essentiellement}

de

ditecter

et _{suivre des objets dans une} sdquence _{viddo' Pour cefa, nous procdderons}

i

ra fois

i

_{une construction du moddre de fond} de la scdne

et

i

_{une description}

_du

_{moddle de}

l'objet

une _{fois d6tectd. ceci nous}

_offre

la

possibilitd' _{dans une ultime}

6tape, _{de reconnaitre}

_et

_crassifier

robjet,

une fois moddris6, _en utilisant _{un apprentissage profond}

(deep learning). Nous proposons dans _ce

_{travail une}

_mdthode

de

d6tection

_et

_de

_{suivi d,objets}

en

mouvement

_{utilisant un l'algorithme}

codebook

_pour

_{construire re}

moddre

_{de fond}

_d,une

scBne donn6e' Par _{cette premidre construction, nous serons capables}

de d6tecter, mod6riser

et

_{caractdriser par des}

_traits

locaux slFT (scale _{Invariant Features Transform)}

tout

objet qui

entre

dans

la

scane'

les

caractiristiques

_slFT

_sont

extraites aprds

un

carcur

des

points d'int6rets et de leurs descripteurs. _{npres ddtection}

o.(s) oiiut(s),

_{nous proposons d,utiriser}

un

algorithme

_codebook

_modifi6

bas6e

sur

ces

traits'sirr

pour,

i

ra

_{fois, (1) suivre}

_et reconnaitre

_{les objets}

_ddji

ddtect6s dans

fa

scdne,

_{(z) Jgteaer de}

_nouveaux

objets

_t3)

I:il.t"tt

d

jour

notre

modile

de

fond et enfin

(4) reconnaitre _{ra crasse de f,objet}

dans ra

Notre _{m6moire comporte principalement}

quatre chapitres :

chapitre

_1:

_{dans ce premier chapitre on parlera}

des mdthodes _{de ddtection}

_et

_suivi des objets bas6e sur la construction de modEle _{du fond.}

lntroduction _Gtindraf

chapitre

2

:

Le

-deuxidme

chapitre prdsente res

approches

de

mod6risation, _de

ddtection

_et

_de

_{classification des}

oii.r,

bas6es

sur

res descripteurs _rocaux

_{srF,,

_suRF,

l##:lf:il:ffiles

nouvelles

api'ochus

_{d'apprentissage et de crassification}

bas6es _sur

chapitre _{3 : ce chapitre}

expose la mdthode propos6e,

_i

_{ra fois, pour ra construction}

de

mod'dle de fond et _{la moddlisation, la d6tection et}

le suivi

ies

ob;ets utilisant _{un argorithme} codebook basd stFT' et reconnaitre _{ces objet}

par un algorithme d,apprentissage profond. chapitre 4 : ce chapitre _{r6sume notre}

travail pratique d'impl6mentation et les rrisultats expdrimentaux que nous avons obtenus.

o"r.ffl;ill;lt:sion

termine note

m6moire

_oir

_{des perspectives seront}

Chapitre

_L

Mdthodes

_De

_construction

_De

De Moddles _{De Fond}

1.1

Introduction

La _{moddfisation du fond}

est souvent utitisde dans diff6rentes _{appfications pour}

_d.crire

;nt::H::il:.""t

scdne, ce qui permet par ta _{suite de}

_d6te*er

_re

ddpracernent des objets Dans _{certains environnements,}

l'arriire-plan

_{ou le fond}

_{n,est pas}

disponible

_et

_peut

touiours

_{changer dans des}

situations critigues comme les variations _dues

i

_{l,dclairage, aux} objets introduits _{ou enlev6s de la scdne (par}

exempfg _{un arbre qui osciile}

_i

cause du vent).

Dans ce chapitre' _{nous allons 6tudier les}

mdthodes de moddtisation de l,arridre-plan qui

:ilff1j::;:Tjj::"

de s6rer _{de manidre robuste divers chansements}

sui se produisent

1.2 Types

_de

_Modiles

_de

_Fonds

lls _{existent deux grandes cat6gories d'approches}

de mod6lisations de l,arridre_plan. selon la nature de la scEne, _on peut _{distinguer principalement}

:

-

res _{mdthodes de construction de moddres de fonds}

statiques, et

-

les

mithodes

_{de construction de moddles fonds dynamiques}

ou adaptatifs Chacune de ces catdgories _{comportent plusieurs}

_approches.

*

1'3

Mdthode

_de

_dirfdrence

_de

rrames

_(f6,

h

1.3.1

D.finition

\tfl1#

La _{diffdrence ou soustraction de frames est}

ra

_mithode

_{ra prus simpre}

ou,,u}H#ji'"

moddlisation de fonds. Efre est facite

i

_{comprendre et d mettre}

en

euvre.

Le _{principe de cette mdthode est de considdrer}

le frame

i

_{l,instant t comme un fond,} et

le frame

i

l'instant

_t+'

_comme

_frame

_de

traitement. Avant

_de

_{ddtecter les objets}

en

mouvement' _{on convertit d'abord}

les pixels en niveau de gris, aprds, chaque vareur _{de pixel} d'image de fond (image

_t)

_{est soustraite}

_i

valeur du pixer clrrespondant _dans

'image

{image t+1)'

si

la valeur obtenue _{est infdrieur}

_i

_un

seuir donn6 arors ce pixer est consid6r6 comme

pixeld'arriir6

_{plan, sinon comme du premier plan.}

Dans _{cette m6thode, la dd'tection}

d'objets _{est assur6e si on}

choisit un bon seuil [1]. Le diagramme de ra _{mdthode de diffdrence de frames est indiqud par}

Chapitre 1: Mdthodes De Construction De Modriles De Fond

Frames en niveau de gris

La d6tection (les pixels prennent soit 0 soit 255)

Figure 1.1 Structure m6thode de suslraction (diffdrence frame)

1.1.2

L'algorithme de diff6rence de

frame

1.

Entrer une viddo.

2.

Considdrer le frame (i) comme un fond et le frame _{{i+1} comme frame} de traitement.

3.

Convertir les valeurs de pixels du frame de fond et le frame

trait€

de RGB au niveau gris.

4.

Pour tous les pixels du frame _{{i) et le} frame (i+1), effectuez une soustraction :

Rdsultat de la

diffdr€nce-

pixel (frame i)

_-

_{pixel {frame i+1)}

Si (rdsultat de la diff6rence > seuil) :

I

Frame (i+1)= 255

Sinon:

I

rrame

(i+t)

₌ g

I

De Moddles De Fond

Figure 1'2 _{Rflsuttat de ta ddtection}

_en

utitisant ta soustractian/diffirence _frames

1.4

M€fange

_de

_Gaussiennes

La

mdthode

_de

_mdrange

_de

_Gaussiennes

(ou

_Mixture

_of

_Gaussian,

_MoG),

est

une approche oir _{chaque pixel est moddlisd}

par une _{mixture de N gaussiennes.}

_un

6l6ment de la

iliit*

de gaussiennes est repr6sentd par une moyenne Fn,

ur

6cart-type

o'., _{etun poids a,,} A chaque nouvelte image, le pixel correspond

_i

une Gaussienne, sera consid6rd comme de f'arridre-plan' _{Pour cela,}

_i

un instant

t,

_{on considdre que le modibte}

_Mg

g6n€r6pour chaque

il*j"H

lTrffi:res

{zs'zt"""zt-r}est

correc.

La vraisembrance pour qu,un pixer P

(MJ

_zt)

:Zn=y

_anJ(ttn,an)

l'adaptabilitd

_{du moddle de fond}

est assurd en mettant gaussienne

_;

_pour

_{res autres gaussiennes}

on

normarise juste moyenne et l,6cart type _{ne changent pas,}

Avec

d

la

dimension

_de

_{l,espace de} mesure Zt

i

une gaUssienne

_n,si

llZ,

_{-lr"ll lKon}

(7.2) (1.1)

i

jour

_{les paramitres de cette} les _{valeurs de poids, mais la} coufeurs

de la

mesure 71, ot1 associe d,abord la

(1.3)

(1.4) {1.s) Avec 6 le coefficient _{d'apprentissage.}

_ll

reprdsente ra _{vitesse d,adaptation du}

moddre. Pour toutes fes autres gaussiennes _n

_*

_n',

_{la moyenne}

et

ta _{variance ne sont pas modifi.es,}

ou

K vaut _{2 ou 3' L'opdrateur}

< est vrai si toutes res _{composantes du vecteur}

_i

_gauche

sont infdrieures

i

_{K'rr.' cette}

_{mesure reprdsente}

fe fond si la gaussienne

_,,

_d.crit

_{te fond} de

ffii.1T::il:'tt

da est

6fevi'

cette gaussienne est arors mise

i

jour _{en cafcurant a,,,}

a,n-

(1

_-6)an*6

p?

_{= (1-6)vn+6Zt}

-,

Moddles _{De Fond}

an=(l_6)qn

si le test de l'dquatio

_n

_l''2)dchoue,

_te

pixef est associd au premier

_,,:::1,

_gaussienne ayant re prus

petit

_{poids est r6initiaris.e}

avec ra _{mesure actuere.}

dn=

6

Fn=

Zt

o$ =o2

Un

exemple

_{de les}

_mouvement

des objets utilisant

la

Gaussiennes est donnd par la

figurel.3.

(r.71 (1.8) (1.e)

mdthode

_de

_{mdlange de}

Figure 1.3 _{R'suttat de ta d'tection par}

ta

_{mftthade de mixturede Gausgbnnes}

1.5

Mdthode

_du

_flux

_Optique

objets,,ilft::lllu"

_'oot'cal

flot'

en anglais) est le schema _{du mouvement apparent}

des

c,estunchamp*":*,,'.:.:J'"T:ff

_::""ff

_::lni:i:il.#

_j:fi

:fiil

j;f,'.,illn

mouvement des points d,un frame d _{l,autre [4].}

Figure _{1'4 Le mouvement des pornfs}

odAles De Fond

La

figure

1.4

montre

_{une balle se ddplagant} montre _{son vecteur de d6ptacement.}

Le flux _optique domaines tels que:

1.

Structure

i

partir _{du mouvement}

2.

_{Compression de vid6o}

3.

_{Stabilisation viddo}

dans

5

_{images consdcutives. La fldche} a de nombreuses applications dans des

Oir:

Le flux _{optique fonctionne sur plusieurs hypothdses:}

1'

Les _{intensitds de pixels}

d'un objet _{ne changent pas entre les frames cons6cutifs.}

2.

Les _{pixels voisins ont}

un mouvement similaire. Consid6ront

,, nsta n

*

e u s q _u e

sn

il.

H::,1,

Ix;i

J3

{ll,

Ti;;:

T

:T

J:1?

ilT.,;,

f];1

::i:il

j

ce pixel se _{ddprace de ta distance}

_d

=

(d"x, dy)dans ta

_oro.nu,n.

_{image prise aprds}

re temps

dt'

Donc, puisque _{te pixer est re}

m6me et ne change pas _rintensitd,

nous pouvons dire,

I(x,y,t)

₌

I

(x

*

_dx,y

*

_dy,t

₊

_dt)

Ensuite' prenons t'approximation

_{de la}

_sdrie

de

Taylor d,une

_droite,

_{supprimez tes} termes communs _{et divisez par}

_dt

_pour

obtenir _{r,dquation suivante:}

fx.u*fy.v+ft=0

fx

=

a{/Ax;

_fy

₌

0f/0y

u=dx/dtlv=dy/di

L'dquation _ci-dessus

_est

appelde dquation

_{du flux}

_optique.

Dans cefui_ci,

_on

peut

trouver/r

_et/y

_{les pas du mouvement.}

De m€me,

_/t

_{est la fraction du}

temps du mouvement.

(u'v)

est

l'inconnue

_qui

_correspond

_i

fa vitesse

_du

_{ddpracement. Nous}

_ne

pouvons pas

r6soudre

_{cette dquation}

_avec

deux

variabfes inconnues.

_Dong

_prusieurs

m6thodes sont fournies pour

_risoudre

_{ce probrdme et}

run _{d,entre eux est Lucas_Kanade.}

1.6

Mdthode

_de

_Lucas-Kanade

La m6thode _{Lucas-Kanade est une}

technique _{de ddtection et}

de suivi du mouvement

des _{objets dans une vid6o'}

Elle prend un patch de 3x3 autour du point. _{Donc, tous tes 9 points}

ont

_{fe m€me mouvement. Nous pouvons}

trouver (fx,

_fy,

_ft)

_pour

_ces

_g

_points.

Arors, re

problBme

_revient

_i

_rdsoudre

9

dquations

_{avec deux}

_variabres

_inconnues

qui

sont surddtermindes' une meilfeure solution _{est obtenue avec ra}

mdthode des _{moindres carr6s.}

ci-i:ffi;l.la

solution

finale qui

est

un

probldme

i

deux dquations

_et

_{deux inconnus d}

e Moddles _{De Fond}

on vdrifie la _{similaritd de la matrice inverse avec}

re _{ddtecteur de coin}

_Ha'is,

cera _signifie

que fes _{coins sont de meilleurs points}

i

suivre.

Lowest resolutioa

Originalresolution

pyramid _Levels

Figure i.5 pyramide _de

Lucas Kanade

Donc' du point _{de vue de I'utilisateur, l'idde}

est _{simpre, nous donnons quefques points}

_i

suivre' _{nous recevons res vecteurs de frux}

optique de ces points.

Jusqu'i

pr6sent' _{nous avions affaire d}

de petits _{mouvements. Mais, l,atgorithme}

Lucas

Kanade

_ichoue

_quand

_il

y a un grand mouvement. _{Nous montrons dans ra}

pyramide de ra

figure _{1'5 que les petits mouvements}

sont entevds et fes _{grands mouvernents deviennent de}

H5J"'vements'

Donc en y appliquant Lucas-Kanade, nous obtenons un flux optique avec

1.7

Codebook

1.7.1Ddfinition

L'algorithme de codebook a €'t6 _{proposd par Kim et ar}

[5]. il est devenu une r6f6rence de plus en plus utilis6 _{dans les domaines de la}

d6tection et

du

_{suivi d,objets mobiles.}

_cette

mdthode est robuste et efficace dans un grand nombre _{de cas d,utilisation. Elte}

est largement utilisde pour ra ddtection _{des objets en cas}

d,arridre _{-pfan statique et dynamique.}

1.7.2

_{Fonctionnement de}

_l,algorithme

de codebook

o*"*,jif*""J:il:

_iffi::'"ok

a

deux phases, ta phase d'apprentissase

et

ra phase de

1.7.2.t

_{phase d,apprentissage}

La _{mdthode de codebook consiste en un}

partitionnement

de l,image afin de construire

un

modEle

d'arriire-plan

_{pendant une p6riode}

d'apprentissage. Le

fond

_{est une matrice}

_i

e ModAles De Fond

l'apprentissage' tl est ddfini par _{deux vecteurs contenant}

respectivement _{res vareurs R6B du}

codeword'

_et

pfusieurs _{autres donnrdes}

teiles que

_{res vareurs}

_{de ruminosit. minimum}

et maximum' des informations temporelles _et

de frdquence d,observation du codeword _[5J.

t.7.2.2

_{phase de d6tection des}

objets mobiles

Aprds la phase d'apprentissage, on peut _{cr6er un modele de r6f6rence pour}

ddtecter des objets

en

premier-plan'

_ll

_s'agii

_ie

_vdrifier

l'existence _dans

_le

_modile

_d,un

codeword rdpondant _{aux m6mes contraintes}

pr6cddemment ddcrites que _{cefles du pixel observd. s,il} existe un _{codeword du}

_modile

correspondant au pixef observ6, alors

il

est 6tiquet6 _comme appartenant au

fond

_{et le}

_{codeword correspondant}

est

mis

i

jour.

_sinon,

_ir

_est

_6tiquetd comme appartenant

_i

_{un objet mobite).}

For€gi@ad

Figure 1.6 gtructure _{d,atgoithme cadebook}

[5]

1.7 .2.3 Constru ction de l,a lgorith m e code _book

L'afgorithme _est

_dicrit

_{pour l'imagerie couleur, mais}

itpeut igatement _{6tre utifisd pour} l'imagerie de _{niveau gris avec des modifications mineure}

.dans cette _{m6thode chaque pixef}

est

repr6sent6

_{par un}

_tabre

_{de codage}

rrlc

₌

_{tct,cz,.,..ci}

_ou

_mc

_reprr6sent6

par

un codebook pour un pixel ou

Ci,t

₌

1 .,. ... .,. ..1 _{repr6sente un mot de code [7].}

chaque pixel

_a

_une

_{taille de}

_codebook

diff6rente en fonction

_de

_sa

_variation

_de

l'6chantillon.

_chaque

_{mot de}

_code

_f,i

= i

..,

...1

_se

_compose

_{d,un vecteur}

RGB I/,

₌

(Ri'GtB;)

_{et 6-tuple}

_auxi.

=

{l

^rni,l

^o*r,

fi,7i,

pi, qi},le

auxituple

contient les vafeurs de luminance les _{variables d6crites comme suit}

:

-

I

_min:

limite _{minimale d,intensitd du codeword}

-

I

_**:

limite _{maximale d,intensit6 du codeword}

- f

: _{frdquence du codeword (nombre d,occurrence)}

-

)':

_{nombre maximare d'images ou}

re _{codeword ne correspond d}

aucun pixel

-

p

:

premiire

_{occurrence du codeword}

-

q

I _{derni,bre occurrence de codeword}

t$pitre

1: Mdthodes De Construction De Modriles De Fond

lnput : _{sdquence viddo S}

Output : objet mobile mc _{= [],} L _{=0 (ensemble vide)}

bur t=1 d N _faire

/*N

est re nombre de _frames utirisdes pour |apprentissage*/ P-our taut pixel _Xt de _{frame Ntfaire}

Xt _{= {R, G, B),} t=tftR^2+G^2+B^2 ₎

/*

xt

les valeurs de pixer entrant, | !uminositd de pixer entrant

*/

Pouri=1dL _faire

Si (distorsion-couleur

_(Xt,vt))

_I

_seuill

lljaistorsiol-couleur

:

est la fonction qui ddtermine

la

distance entre les valeurs

de

pixel*/

{*seuilL : c'est le seuil d,apprentissage*/

]/*de pixel entrant et la valeur de pixel de cadeword

*/

Et ((distarsion-luminositd (t, _{{tmin, tmax}))= True) alorc}

(.*.distorsion

-

luminositd est la fonction qui ddcide est ce que Luminosit| de pixel

*/

(*entrant

est o l'intervalle bas

et

haut de la luminositd lide au Codeword*/

]Sdlectionnez un ci de codeword opparids ]Sonir (break)

FSi Ffuur

oucun codeword _{sdlectionnd ou L=0 olors :}

L=L*t

Crder un nouveau _{codeword avec les valeurs suivantes}

vl

₌

(R,G,B)et AUXL

₌

_{tI,I,I,t - !,t,t\}

((f

i

* Ri + R)

/ (fi

+

L),

(fi

* Gt + c)

_/

(1,i

+

t),

Qf

i

x Bi + B)

I

(jii +

L))

ausci

=

_{min

_(l,mtni),max

_(l,maxi),fi

_*

_{l,max (hi,t}

_

_qi),pi,t}

Pour chaque codeword cifoire :

I

fi

=

maz

_{7i,(N

_-

qi+

pi

_-

1)}

/xinitialement on n'o pas des codewords est vide*/

FPour

1.8

Conclusion

Dans

ce

_{premier chapitre, nous}

_{avons pr6sent6}

_les

_{principaux algorithmes}

de construction de modEles de fonds et de ddtection _{et de suivi de mouvements des objets dans} une scEne' Pour chaque algorithme nous avons exposd les _{principales 6tapes et} les op€rations

utilisies'

Nous avons

vu

6galement que

la

_{moddlisation de l'arriEre-plan est compos6e en} deux grandes catdgories _{de mdthodes. Dans la suite de ce m6moire, nous avons}

retenu la

m6thode

de

codebook

pour

proposer

_une

_approche

_de

_construction

_de

_modEle

de fond combinant codebook et srFT qui sera prdsentd dans le chapitre _3.

Chapitre

₂

Apprentissage,

_Ddtection

_Et

Reconnaissance

_Bas6s

_Sur

Ghapitre 2 : _{Apprentissage, Ddtection Et Reconnaissance}

Basds sur Descripteurs Locaux lnvariants

2.1

Introduction

Pour pouvoir _{suivre les objets dans la}

viddo, la premidre 6tape est de d6tecter leur prisence _{puis feurs mouvements. cette}

6tape joue un r6le trds important dans _{I'analyse vid6o.} La d6tection des objets dans la vid6o

_{peut 6tre}

_{abord6e de deux maniEres}

_:

₍₁₎

ddcrire un

modile

de la classe objet ir ddtecter et

i

_{suivre, ou {2) ddcrire le moddle de fond de la}

scEne

permettant _{de ddtecter}

_tout

_{objet en}

mouvement et de f e suivre.

La moddlisation

_et

_{la ddtection de I'objet comprend}

l'eKraction

_{des caractdristiques} locales (appel6e 6galement les _{descripteurs locaux invariants), leurs mises en correspondance}

avec celles

d6ji

_{apprises dans le moddle, puis leurs classifications par}

rapport aux classes du moddle' Ainsi' un objet est

dicrit

_{par moddle compos6 d'un ensemble des descripteurs locaux.} La ddtection _{d'objet doit prendre en compte certaines particularit6s incluant}

les ddformations relatives aux transformations g6om6triques affines _{(changements d,6chelles,}

_{rotations et}

translations)

_ainsi

_que

_les

_variations

_{d'illumination}

ou de

luminosit6.

_ces

_diff6rentes propri6t6s d'invariance ont tes retrouvent dans la plupart des _{descripteurs locaux, d,oir le nom}

d'invariance aux diffdrents _{changements que peut subir un objet.}

S'agissant

d'une

d6tection

_et

_suivi

_des

_objets

_par

_rapport

_i

_un

modEle

de

fond {construit g6ndralement durant le ddplacement des objets dans la s6quence vid6o), ce dernier permet d'assurer essentiellement :

-

la ddtection d'un objet

i

partir _{de ces mouvements constatds dans}

la vid€o, ou par

-

le

ddplacement

_{des pixels}

_{{de l'objet ou de}

_{l'arridre-plan)}

ou

encore

par

le changement de la distribution _{pixelique de certaines r6gions, comme par exemple,}

fes _{variations dans tes valeurs des histogrammes.}

ll

existe

de

nombreuses _{mdthodes d'extraction}

_de

_descripteurs

locaux

qui

_ont

_6td proposdes _{et ddveloppdes ces deux dernidres d€cennies. parmi}

les _{descripteurs on distingue} les _{caractdristiques locales invariantes}

2.2 Gflnflralit6 sur

les

D6tecteurs

Les ddtecteurs

permettent

_l'extraction

_et

_{la localisation des points (ou}

des rigions)

d'int6r€t,

_{appelds dgalement points-clds. ces points-clds (ou}

r6gions d,intdrets) pr6sentent

une structure importante, telles que, les

rigions

image

i

_forte

_{variations d,illumination} indiquant _{la pr6sence d,objets dans l,image.}

Ces points et rdgions d,int6r6t possddent :

Un fondement _{mathdmatique solide,}

une structure _{du voisinage local riche en termes de contenu}

informatif,

trds

stables

en

pr6sence

_de

perturbations _locales

_et

_{globales dans l,espace image,}

incluant les

_{ddformations relatives}

_au

_changement

_de

_{transformation}

affne

:

changement d'dchelle, rotation et translation _{; ainsi que aux variations d,illumination,}

un

point/rdgion

_d'int6r6t

_{devrait 6galement inclure}

un

attribut

d,invariance multi-6chelle.