Contribution à l'analyse de scènes par vision active : utilisation de réseaux Bayesiens

A contribution to scene analysis by active vision : Using bayes nets

• Auteur / Autrice : David Djian
• Direction : Patrick Rives
• Type : Thèse de doctorat
• Discipline(s) : Informatique Temps Réel-Robotique-Automatique
• Date : Soutenance en 1997
• Etablissement(s) : ENSMP

Mots clés

Mots clés contrôlés

Robotique

Raisonnement

Apprentissage

Résumé

Dans ce mémoire, l'analyse de scènes a pour but l'amélioration de l'autonomie en robotique. Afin de percevoir un environnement complexe, nous avons choisi la vision pour la richesse des informations qu'elle fournit, dans un cadre de vision active consistant à ne traiter que les données pertinentes (régions d'intérêt dans l'image). La prise en compte des incertitudes dans les modèles des capteurs améliore la robustesse aux erreurs de mesure, et nous étudions l'apprentissage des modèles d'objets que l'on veut reconnaître. Nous proposons un modèle hiérarchique de l'environnement qui incorpore explicitement les actions de perception dans le graphe représentant un objet. On associe aux noeuds du graphe les parties constituant l'objet, et aux arcs du graphe les actions de perception permettant de reconnaître l'objet. Le modèle des capteurs choisi est une extension des capteurs logiques de Henderson. Nous introduisons la notion d'observateur dynamique comme l'association d'une région d'intérêt dans l'image avec des traitements élémentaires de vision et leur modèle d'incertitude correspondant. Le mécanisme de déplacement de l'observateur dans l'image est contenu dans le modèle du capteur logique. Le processus de reconnaissance est piloté par une stratégie de perception qui décide à quel endroit et à quel moment lancer les observateurs dynamiques. Les réseaux Bayesiens offrent un formalisme rigoureux et unifié, fondé sur la théorie des probabilités, pour la mise en oeuvre de chacune des trois composantes de notre système de reconnaissance. Ils permettent de représenter la connaissance a priori sur les modèles d'objets, la connaissance incrémentale obtenue au cours de la reconnaissance, et les stratégies de perception (raisonnement avec incertitudes). Nous présentons des résultats expérimentaux d'apprentissage et de reconnaissance de modèles d'objets complexes sur des images réelles.

In this thesis, scene analysis is aimed at improving autonomy in robotics. In order to perceive a complex environment, we have chosen vision which provides rich information. The framework of active vision consists in processing only relevant data (regions of interest in an image). Robustness to sensor errors is improved by taking into account uncertainty in the sensor models used. Finally, we study the learning of object models for recognition. We propose a hierarchical model of the environment which incorporates explicitely sensor actions in a graph representing an object. Graph nodes correspond to object parts, and graph links correspond to the perception actions which detect object parts during recognition. Our sensor model is an extension of Henderson's logicial sensors. We have introduced the concept of dynamic observers as a region of interest in the image coupled with elementary vision algorithms and their associated model of uncertainty. Observers are moved in the image thanks to an internal mechanism decided in the sensor models. The recognition process is driven by a strategy of perception which decides where and when dynamic observers should be started. Bayes nets offer a rigorous and unified framework based o probability theory to implement the three components of our recognition system. They can represent prior knowledge about objet models, incremental knowledge gathered during recognition, and various strategies of perception (reasoning under certainty). We show sucessful results for the learning and the recognition of complex object models on real images.