Détection et poursuite dans des séquences d'images vidéo : développement d'une technique statistique rapide dans le cas de caméras fixes

Detection and tracking in video image sequences : development of a fast statistical technique in the case of fixed cameras

• Auteur / Autrice : Jean-François Boulanger
• Direction : Philippe Réfrégier
• Type : Thèse de doctorat
• Discipline(s) : Traitement des images
• Date : Soutenance en 2009
• Etablissement(s) : Aix-Marseille 3

Mots clés

Mots clés contrôlés

Processus stochastiques

Télévision dans les systèmes de sécurité

Poursuite automatique

Résumé

Ces dernières années, les progrès techniques ont favorisé le développement de systèmes d'aide a la prise de décision pour la vidéosurveillance Les algorithmes de détection et de poursuite de cible ont un rôle majeur pour de telles applications. De plus, dans ce contexte, il est nécessaire de respecter les contraintes d'application en temps réel sur des ordinateurs standard alors que le flot informatique à gérer par ordinateur augmente considérablement. Nous avons développé dans le cas de caméras fixes des techniques statistiques de détection et de poursuite de cible fondées sur le principe de minimisation de la complexité stochastique. Cette approche permet de réaliser un compromis entre écart des valeurs des pixels à un modèle de fond et similarité à un modèle de cible, ces modèles étant appris sur les trames précédentes. La combinaison de ces deux caractéristiques au sein d'un même critère permet de conserver une modélisation simple des données à l'aide de lois gaussiennes et de pouvoir ainsi satisfaire aux contraintes de temps de calcul, grâce a l'utilisation d'images intégrales. Les temps de calcul obtenus sont de l'ordre d'une dizaine de millisecondes pour la détection des cibles présentes sur une image et de quelques millisecondes pour la poursuite de ces cibles (pour des images couleur 320x240 pixels). Nous avons ainsi pu montrer sur différentes séquences vidéo que l'utilisation périodique d'une étape de détection couplée avec l'algorithme de poursuite de cible permet de filtrer les fausses détections et de gérer simplement des événements lies à la surveillance d'une scène : changement dans le fond, apparition ou disparition de cibles, occlusion.

Technical progress over the past years has widely favored the development of video surveillance systems. Detection and tracking algorithms have a major role in such applications. It is necessary in this context to respect the constraints of real time performance on standard computers whereas the computer data flow to be processed is dramatically increasing. We developed for fixed cameras statistical techniques of target detection and tracking based on the stochastic complexityI minimization principle. This approach allows one to realize a trade-off between the deviation of the pixel values to a background model and the similarity to a target model, both of which are learned during the video sequence. The combination of both of these characteristics within a single criterion allows one to keep a simple data modelization with Gaussian laws and to be able to fulfill the computation time constraints, thanks to the use of an integral imaging approach. As a result, the obtained computation time reaches approximately ten milliseconds for detecting the different targets in an image and a few milliseconds for tracking the detected targets (on color images with 320x240 pixels). We were thus able to show on different video sequences that the periodic use of a detection stage coupled with the tracking algorithm allows one to filter the false detections and to manage in a simple way several surveillance related events : background changes, target apparition or disappearance, occlusion.