Applications de la topologie discrète pour la captation de mouvement temps réel et sans marqueurs

Applications of digital topology for real-time markerless motion capture

• 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
• Jury : Examinateurs / Examinatrices : Michel Couprie, Kalman Palagyi, Hideo Saito, Vincent Nozick
• Jury : Rapporteurs / Rapporteuses : Edmond Boyer

Mots clés

Mots clés contrôlés

Théorie des graphes

Structures de données (informatique)

Imagerie tridimensionnelle

Mouvements, Étude des

Squelette

Topologie

Mots clés libres

Captation de mouvements

Topologie discrète

Squelettisation

Alignement

Homéomorphisme

Interposition

Motion capture

Digital topology

Thinning

Alignment

Homeomorphism

Betweenness

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

This manuscript deals with the problem of markerless motion capture. An approach to thisproblem is model-based and is divided into two steps : an initialization step in which the initialpose is estimated, and a tracking which computes the current pose of the subject using infor-mation of previous ones. Classically, the initialization step is done manually, for bidding the possibility to be used online, or requires constraining actions of the subject. We propose an automatic real-time markerless initialization step, that relies on topological information provided by skeletonization of a 3D reconstruction of the subject. This topological information is then represented as a tree, which is matched with another tree used as modeldescription, in order to identify the different parts of the subject. In order to provide such a method, we propose some contributions in both digital topology and graph theory researchfields. As our method requires real-time computation, we first focus on the speed optimization of skeletonization methods, and on the design of new fast skeletonization schemes providing good results. In order to efficiently match the tree representing the topological information with the tree describing the model, we propose new matching definitions and associated algorithms. Finally, we study how to improve the robustness of our method by the use of innovative con-straints in the model. This manuscript ends by a study of the application of our method on several data sets, demon-strating its interesting properties : fast computation, robustness, and adaptability to any kindof subjects