|
Résumé :
|
Au cours de ces dernières décennies, la détection et le suivi d’objets ont attiré beaucoup d’intérêt en raison de leurs diverses applications dans la vie humaine, en particulier la vidéosurveillance et la robotique. Le suivi d’objet est l’estimation de la localisation d’un objet et la détermination de sa trajectoire au cours du temps dans une séquence vidéo. Bien que de nombreux algorithmes de suivi aient été développés ces dernières années pour sa résolution, il demeure un problème non résolu à cause du nombre élevé de facteurs environnementaux. Dans ce travail de thèse, nous nous intéressons spécifiquement à l’étude et à l’amélioration de l’algorithme de suivi Mean shift, qui est l’un des algorithmes de suivi les plus efficaces pour les applications en temps réel, en raison de sa simplicité et de sa robustesse. Bien qu’il soit robuste à l’occultation partielle, la rotation, le mouvement de fond et la déformation non-rigide de la cible, il est très sensible aux changements d’échelles, aux occultations importantes, et il peut échouer en présence d’un autre objet de couleurs similaires, ou de fond de couleurs similaires ou dans le cas de grands déplacements, parce qu’il est basé sur l’histogramme de couleur pour représenter le modèle de l’objet cible. La première partie de cette thèse est consacrée à l’étude et à l’analyse des effets de l’utilisation de différentes configurations d’espace de couleurs, sur l’efficacité et la qualité du suivi en utilisant le tracker Mean shift qui se base sur l’information de couleur pour construire le modèle d’apparence de l’objet cible.Dans la deuxième partie, nous proposons une nouvelle approche qui a pour but d’améliorer l’efficacité et la robustesse de tracker Mean shift par la combinaison des informations couleurs avec les informations spatiales, afin de construire le modèle d’apparence de l’objet cible. Le tracker Mean shift utilise seulement l’histogramme de couleur RGB pour modéliser l’objet cible, ceci rend ce tracker incapable de détecter l’information spatiale de chaque pixel dans l’image, et ne peut pas distinguer entre la cible et le fond lorsqu’ils sont similaires. Pour surmonter ce problème nous proposons une nouvelle représentation de modèle d’apparence de cible et qui se base sur une mixture des caractéristiques de couleur HSV et de texture LPQ, LBP ou BSIF pour construire l’histogramme pondéré conjoint couleur-texture. Nous avons évalué nos histogrammes conjoints couleur-texture, de manière étendue sur deux bases de données OTB 2013, OTB 2015.
|
