Applications de la topologie discrète pour la captation de mouvement temps réel et sans marqueurs
Auteur / Autrice : | Benjamin Raynal |
Direction : | Michel Couprie |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 07/12/2010 |
Etablissement(s) : | Paris Est |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-2015) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009) |
Jury : | Président / Présidente : Luc Brun |
Examinateurs / Examinatrices : Michel Couprie, Kalman Palagyi, Hideo Saito, Vincent Nozick | |
Rapporteurs / Rapporteuses : Edmond Boyer |
Résumé
Durant cette thèse, nous nous sommes intéressés à la problématique de la captation de mouvement sans marqueurs. Une approche classique est basée sur l'utilisation d'un modèle prédéfini du sujet, et est divisée en deux phases : celle d'initialisation, où la pose initiale du sujet est estimée, et celle de suivi, où la pose actuelle du sujet est estimée à partir des précédentes. Souvent, la phase d'initialisation est faite manuellement, rendant impossible l'utilisation en direct, ou nécessite des actions spécifiques du sujet. Nous proposons une phase d'initialisation automatique et temps-réel, utilisant l'information topologique extraite par squelettisation d'une reconstruction 3D du sujet. Cette information est représentée sous forme d'arbre (arbre de données), qui est mis en correspondance avec un arbre utilisé comme modèle, afin d'identifier les différentes parties du sujet. Pour obtenir une telle méthode, nous apportons des contributions dans les domaines de la topologie discrète et de la théorie des graphes. Comme notre méthode requiert le temps réel, nous nous intéressons d'abord à l'optimisation du temps de calcul des méthodes de squelettisation, ainsi qu'à l'élaboration de nouveaux algorithmes rapides fournissant de bons résultats. Nous nous intéressons ensuite à la définition d'une mise en correspondance efficace entre l'arbre de données et celui décrivant le modèle. Enfin, nous améliorons la robustesse de notre méthode en ajoutant des contraintes novatrices au modèle. Nous terminons par l'application de notre méthode sur différents jeux de données, démontrantses propriétés : rapidité robustesse et adaptabilité à différents types de sujet