Les portails Lyon 2 :
Intranet
-
Portail Etudiant
-
www
Représentations hiérarchiques et discriminantes pour la reconnaissance des formes, l'identificatio...
par THOME Nicolas
-
2007
-
Université Lumière Lyon 2
Menu
Présentation générale
Consulter le document
Versions imprimables
Contact
Table des matières
Page de titre
Résumé
Summary
1. Introduction générale
1.1. Contexte et historique des travaux de thèse
1.2. Organisation et contributions principales
1.2.1. Analyse du mouvement humain dans les séquences d’images
1.2.2. Lecture de plaques minéralogiques
2. Lecture de plaques minéralogiques
2.1. Problématique de la lecture de plaques minéralogiques par analyse de la vidéo
2.1.1 Approches récentes
2.2 Méthode proposée
2.2.1 Contribution
2.3 Détection de la plaque
2.3.1 Etat de l’art
2.3.2. Comparaison et approche retenue
2.3.3 Pré traitements
2.3.4 Algorithme de détection de la plaque
2.3.5 Extraction d’un ensemble de candidats pour la plaque
2.3.6 Suivi de la plaque
2.3.7 Post traitements
2.4 Binarisation de l’image de plaque extraite
2.4.1 Critère de détection de régions homogènes
2.4.2 Résultats
2.5 Extraction des caractères
2.5.1 Stratégie proposée
2.5.2 Etiquetage en composantes connexes
2.5.3 Connaissance a priori sur les caractères individuels
2.5.4 Contraintes globales sur les caractères
2.5.5 Analyse du rapport d’aspect
2.5.6 Utilisation des projections d’histogrammes
2.5.7 Détection de caractères fragmentés
2.5.8 Discussion
2.6 Reconnaissance des caractères
2.6.1 Approche proposée
2.6.2 Classification statistique
2.6.3 Analyse structurelle
2.7 Moyennage Temporel
2.7.1 Détection et suivi d’un véhicule unique
2.7.2 Mise à jour dynamique des reconnaissances au cours du temps
2.8 Feedback entre les niveaux
2.9 Résultats
2.9.1 Performances de la détection de plaques
2.9.2 Performances de la reconnaissance de plaques
2.10 Conclusions et perspectives
3 Analyse du mouvement humain
3.1. Introduction
3.2 La détection d’humains dans la vidéo
3.2.1 Méthodes Bottom/Up
3.2.2 Approches Top/Down
3.3 Suivi d’humains dans la vidéo
3.3.1 Méthodes 2D vs 3D
3.3.2 Suivi avec/sans détection
3.3.3. Stratégies de recherche
3.3.4 Représentation adoptée et caractéristiques mises en correspondance
3.4 Détection, étiquetage des membres et suivi d’humains
3.4.1 Approches Top/Down
3.4.2 Approches Bottom/Up
3.5 Interprétation du mouvement humain dans la vidéo
3.5.1 Méthodes discriminantes et génératives
3.5.2 Identification d’humains par reconnaissance du mouvement
3.6 Approche Retenue
4 Le suivi d’humains par modèle d’apparence articulé
4.1 Extraction d’objets
4.1.1 Etiquetage des pixels mobiles
4.1.2 Suppression des ombres
4.1.3 Post traitements
4.2 Mise en correspondance dynamique de régions
4.2.1 Tirer profit de la cohérence temporelle
4.3. Formation d’un modèle d’apparence articulé pour le suivi
4.4 Détection et étiquetage des membres
4.4.1 Généralités sur les graphes
4.4.2 Approches existantes
4.4.3 Génération d’un graphe modélisant le squelette humain
4.4.4 Génération d’un graphe image
4.4.5 Mise en correspondance de graphes
4.4.6 Résultats de l’´etiquetage
4.5 Mise à jour du modèle d’apparence de chaque membre
4.6 Utilisation du modèle d’apparence pour la reconnaissance
4.7 Suivi lors des occlusions
4.8 Résultats
4.9 Conclusions et perspectives
5 Interprétation du mouvement humain : application à la détection de chutes
5.1 Contexte applicatif
5.2. Etat de l’art
5.3. Approche proposée
5.4. Discriminer les poses debout/couché dans chaque image
5.4.1 Extraction de caractéristiques
5.4.2 Rectification métrique de l’image
5.4.3 Relier les caractéristiques aux poses
5.4.4 Simulation numérique
5.5 Analyse de la séquence des poses avec un HHMM
5.5.1 Architecture du modèle
5.5.2 Paramètres du HHMM
5.6 Résultats
5.7 Conclusions et discussion
6 Conclusions et perspectives
6.1 Synthèse des travaux entrepris
6.1.1 L’importance des approches hiérarchiques
6.1.2 L’invariance et la spécificité des caractéristiques extraites
6.1.3 La combinaison horizontale des stratégies
6.1.4 Les approches généatives et discriminantes, et la coopération verticale
6.2 Limites et perspectives de recherche
A Les descripteurs de Fourier
A.1 Description par tangente
A.2 Représentation complexe
A.3 Extension pour gérer des courbes non connexes
B Méthodes de classification statistique pour la reconnaissance des formes
B.1 Les Réseaux de Neurones artificiels
B.1.1 Des réseaux de neurones biologiques aux Perceptrons multicouches
B.1.2 Les Perceptrons multicouches
B.2 Combinaison de classifieurs élémentaires : la méthode ADABOOST
B.2.1 Les arbres de décision et le boosting
B.2.2 Introduction au boosting
B.2.3 Le premier algorithme de boosting
B.2.4 Le boosting probabiliste et l’algorithme ADABOOST
B.2.5 L’utilisation du boosting
B.2.6 En résumé
C Filtrage de Kalman et filtrage particulaire
C.1 Le filtre de Kalman
C.1.1 Optimalité du filtre de Kalman
C.1.2 Mise en œuvre de l’algorithme
C.1.3 Extensions du filtre
C.2 Pourquoi le filtrage de Kalman n’est pas toujours adapté au suivi visuel
C.3 Le filtrage particulaire
C.3.1 Résultats et performances
D Modèles deMarkov
D.1 Exemple introductif
D.2 Modèles de Markov observables
D.3 Modèles de Markov cachés
