Analyse vidéo de comportements humains dans les points de ventes en temps-réel

• Auteur / Autrice : Ronan Sicre
• Direction : Henri Nicolas
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 24/05/2011
• Etablissement(s) : Bordeaux 1
• Ecole(s) doctorale(s) : École doctorale de mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire bordelais de recherche en informatique
• Jury : Président / Présidente : Jean-Philippe Domenger
• Jury : Examinateurs / Examinatrices : Olivier Garosi, Quoc Cuong Pham
• Jury : Rapporteurs / Rapporteuses : Atilla Baskurt, Ioannis Patras

Mots clés

Mots clés contrôlés

Études de motivation

Vision par ordinateur

Télévision dans les systèmes de sécurité

Analyse

Comportement humain

Mots clés libres

Vision par ordinateur

Analyse de comportements humains

Vidéo-surveillance

Marketing

Computer vision

Human behavior understanding

Video-surveillance

Marketing

Résumé

Cette thèse est effectuée en collaboration entre le LaBRI (Laboratoire bordelais de recherche en informatique) et MIRANE S.A.S., le leader français en Publicité sur Lieu de Vente (PLV) Dynamique. Notre but est d'analyser des comportements humains dans un point de vente. Le long de cette thèse, nous présentons un système d'analyse vidéo composé de plusieurs procédés de divers niveaux. Nous présentons, dans un premier temps, l'analyse vidéo de bas niveau composée de la détection de mouvement et du suivi d'objets. Puis nous analysons le comportement de ces objets suivis, lors de l'analyse de niveau moyen. Finalement, l'analyse de haut-niveau est composée d'une interprétation sémantique de ces comportements et d'une détection de scenarios de haut-niveau.

Along this thesis various subjects are studied, from the lowest to the higher level of video analysis. We first present motion detection and object tracking that compose the low-level processing part of our system. Motion detection aims at detecting moving areas, which correspond to foreground, of an image. The result of motion detection is a foreground mask that is used as input for the object tracking process. Tracking matches and identifies foreground regions across frames. Then, we analyze the behavior of the tracked objects, as the mid-level analysis. At each frame, we detect the current state of action of each tracked object currently in the scene. Finally, the system generates a semantic interpretation of these behaviors and we analyze high-level scenarios as the high-level part of our system. These two processes analyze the series of states of each object. The semantic interpretation generates sentences when state changes occur. Scenario recognition detect three different scenarios by analyzing the temporal constraints between the states.