Modélisation de fonds complexes pour la détection d'événements petits et rares

par Axel Davy

Projet de thèse en Mathématiques aux interfaces

Sous la direction de Agnès Desolneux et de Jean-michel Morel.

Thèses en préparation à Paris Saclay , dans le cadre de Mathématiques Hadamard , en partenariat avec CMLA - Centre de Mathématiques et de Leurs Applications (laboratoire) , Traitement des images et du signal (equipe de recherche) et de École normale supérieure Paris-Saclay (Cachan, Val-de-Marne) (établissement de préparation de la thèse) depuis le 01-09-2016 .


  • Résumé

    L'exploitation des données de surveillance vidéo est un domaine de recherche en pleine expansion. Il introduit des questions mathématiques et statistiques relevant de la modélisation de texture, de l'extraction de fond (Background Subtraction), de la détection et du pistage d'objets. En particulier les méthodes de Track-Before-Detect qui s'appliquent à des petites cibles faiblement visibles, mais à dynamique connue, et sur un fond de bruit connu. Bien que nombre des problèmes de ces domaines ont des solutions proposées, celui de la détection d'événements petits et rares sur fond de scène complexe est non résolu à notre connaissance. Par événement rares, nous entendons événements de haute variabilité et à faible chance, ce qui empêche l'entraînement d'un classificateur pour les reconnaître. Par événement petit, nous entendons un événement qui ne couvrirait que quelques pixels et/ou avec un rapport signal sur bruit très faible. La recherche académique sur la vidéo surveillance s'est concentrée sur le cas de la vidéo urbaine, dont les détection sont typiquement larges et relativement fréquentes. Notre projet est d'attaquer le problème de la détection d'événements rares et petits sur fond complexes. La solution attendue doit avoir des garanties mathématique sur le nombre de fausses alarmes, et être suffisamment simple pour avoir une implémentation temps-réel. Nous aurons accès à des données de deux applications réelles, afin de tester l'efficacité de nos proposition.

  • Titre traduit

    Modélisation de fonds complexes pour la détection d'événements petits et rares


  • Résumé

    The analysis of video surveillance signals is a difficult task and a wide research area. Among its subdomains one can find Texture Modeling, Background Subtraction, Object Detection and Object Tracking, in particular Track-Before-Detect methods to track small targets. While some solutions have been found in these domains, the problem of detecting small and rare events on complex backgrounds remains unresolved to the best of our knowledge. By rare events, we mean events that have both a high variability and a low occurrence rate, so that no training is possible. By small events, we mean events of the size of a few pixels, or with low Signal over Noise Ratio. Academic research has focused on urban video surveillance systems targetting large objects, the focus being a correct segmentation and interpretation. Track-Before-Detect methods, used for example for radars, require strong hypotheses on the target's dynamics and the background noise, making them unfit to detect rare events in complex backgrounds. Our project is to find solutions to this last problem, with the help of the a contrario methodology. Mathematical guarantees are required on the number of false alarms, while the algorithms must keep a low complexity to run eventually in real time. In order to check the effectiveness of our propositions, we will deal with two real world applications on big data.