A model of adaptative vision system : application to pedestrian detection by an autonomous vehicle

• Auteur / Autrice : Paolo Lombardi
• Direction : Bertrand Zavidovique, Virginio Cantoni
• Type : Thèse de doctorat
• Discipline(s) : Sciences appliquées
• Date : Soutenance en 2003
• Etablissement(s) : Paris 11 en cotutelle avec Università di Pavia, Italie

Mots clés

Mots clés libres

Traitement d'images

Vision par ordinateur

Modèles markoviens cachés

Analyse du contexte

Résumé

La vision par ordinateur en temps-réel demande l'extraction des seuls signaux informatifs, au détriment de toute prétention à une reconstruction globale de la scène. Aujourd'hui, les systèmes temps-réel utilisent massivement les informations a priori sur l'état espéré de la scène, des objets, et des agents dans le but de maîtriser l'ambigui͏̈té et le bruit contenu dans les images. L'exploitation d'informations contextuelles devrait contribuer à l'amélioration des temps de calcul et des performances de tels systèmes. La détection de piétons par des véhicules autonomes est une des applications qui devrait bénéficier de cette approche. Les environnements urbains sont si compliqués qu'une discrimination de la classe ''piétons'' est loin d'être triviale. L'information contextuelle autant que l'intégration de traits caractéristiques des piétons deviennent essentielles à une classification correcte. Une analyse des difficultés de la vision des machines appliquée à la détection des piétons ouvre la thèse. Ensuite, on illustre les techniques classiques de fusion de données et d'intégration multi -caractéristiques, pour mieux introduire une méthodologie de conception et de contrôle de système visuel exploitant le contexte et basée sur les Modèles Markoviens Cachés. Enfin, quelques implications de cette nouvelle méthodologie sont étudiées et appliquées à la détection de piétons pour montrer les améliorations apportées par la prise en compte du contexte.

Real-time machine vision calls for the extraction of uniquely meaningful signals, as opposed to global scene reconstruction. Today, real-time systems are bound to make massive use of a priori expectations on scenes, objects, and agents to contain the impressive amount of noise coming from images. Exploiting contextual information to build sound assumptions may provide the key to improvements. Pedestrian detection from autonomous vehicles is one application that would beneficiate from such approach. Urban environments are so cluttered that accurate discrimination of the ''pedestrian class'' is all but trivial. Other than contextual information, multi-cue integration is essential to cumulate evidence for correct pedestrian classification. In this dissertation, we discuss pedestrian detection as a starting applicative problem. Then, we tackle multi-cue integration with classical methods of data and sensor fusion. Third, we introduce a method for managing system adaptation to context, within Hidden Markov Models theory. Finally, we study some implications of the new methodology and apply it to pedestrian detection as a case study.