Reconnaissance multi-vues de véhicules sur séquences d'images

Vehicle identification across multiple non overlapping image sequences

• Auteur / Autrice : Jonathan Guinet
• Direction : Sylvie Philipp-Foliguet
• Type : Thèse de doctorat
• Discipline(s) : Sciences et technologie de l'information et de la communication
• Date : Soutenance en 2008
• Etablissement(s) : Cergy-Pontoise
• Ecole(s) doctorale(s) : École doctorale Sciences et ingénierie (Cergy-Pontoise, Val d'Oise)

Mots clés

Mots clés contrôlés

Modélisation tridimensionnelle

Théorie du signal (télécommunications)

Reconnaissance visuelle des formes

Mots clés libres

Dri

Résumé

Le contexte de la vidéo surveillance nécessite l'utilisation de traitements automatisés pour gérer l'afflux de données provenant de capteurs multiples. Nous nous intéressons plus particulièrement à la reconnaissance de véhicules sur des séquences d'images prises à basse altitude, dans lesquelles de forts changements de point de vue peuvent intervenir. Ce contexte d'étude est rendu difficile, d'une part par la nature de nos objets d'intérêt qui présentent de larges zones homogènes et peu discriminantes, et d'autre part par la variation d'aspect pouvant intervenir lors de la comparaison de deux véhicules. Nous nous basons sur une modélisation précise des a priori sur les objets et sur les prises de vue pour construire une chaîne de reconnaissance complète permettant de gérer les variations d'aspect. Nous proposons deux stratégies de reconnaissance. La première consiste à utiliser une règle de décision adaptative paramétrée par les conditions de prise de vue. La seconde repose sur des techniques d'apprentissage basées sur l'extraction de caractéristiques éparses afin de déterminer les détails discriminants.

Visual recognition of vehicles through multiple observations is an important task in automatic trafic management. We address the problem of vehicle matching on aerial images sequences with large view point and viewing condition differences. This task is a difficult problem for two principal reasons. On one hand our objects of interest are composed with large uniform patterns, subject to illumination problems, which results in bad discrimination power. On the other hand large pose variations may occur in vehicle comparison. The challenges of change in pose, aspect and appearances across two disparate observations are handled by using a precise a priori modelling of object geometry. Two recognitions strategies are proposed. The first one consists in adaptative threshold parametrized by viewing conditions. The second ones learns disriminants elements which characterize “same” and “different” couple of vehicles, to build a similarity measure. Evaluations and comparisons with state-of-art are proposed to validate our algorithms.