Détection automatique d'objets dans les images numériques : application aux images aériennes

Automatic object detection in digital images : application to aerial images

• Auteur / Autrice : Xavier Perrotton
• Direction : Michel Roux
• Type : Thèse de doctorat
• Discipline(s) : Signal et images
• Date : Soutenance en 2009
• Etablissement(s) : Paris, Télécom ParisTech

Mots clés

Mots clés contrôlés

Imagerie quadridimensionnelle

Traitement d'images -- Techniques numériques

Résumé

Cette thèse a été effectuée dans le cadre d'une thèse CIFRE entre EADS Innovation Works et Télécom ParisTech. Elle est dédiée à la détection d'objets dans les images. Les travaux se sont concentrés sur les méthodes à base d'Adaboost en raison de son efficacité théorique et pratique. Un nouveau descripteur a été introduit pour mieux discriminer les objets, ce descripteur a été mis en oeuvre dans une première chaîne algorithmique permettant de détecter des avions dans des images réelles à partir d'un apprentissage sur des images simulées. Une première amélioration permet d'explorer l'espace des descripteurs et de rendre ainsi la modélisation de la cible plus robuste. L'idée consiste à construire une cascade à partir d'une première famille de descripteurs et de remplacer cette famille par une nouvelle famille de l'espace de recherche lorsque le dernier descripteur sélectionné n'apporte plus d'information discriminante. L'algorithme permet ainsi d'utiliser la complémentarité de différents descripteurs et de mieux décrire l'objet à détecter. La deuxième amélioration consiste à permettre au modèle d'apprendre toutes les vues d'un objet 3D, et de le reconnaître à partir d'une vue unique quelconque. Une structure hiérarchique implicite décroissante permet de modéliser les différentes vues. Ces deux approches complémentaires ont finalement été fusionnées pour obtenir une chaîne algorithmique complète. En appliquant ce modèle à différentes tâches de détection, nous avons vérifié d'une part l'apport du modèle multi-vues pour apprendre des apparences et des poses multiples et d'autre part l'amélioration apportée par la combinaison de familles de descripteurs.

This thesis was conducted as part of a CIFRE contract between EADS Innovation Works and Telecom ParisTech. The presented work aims at defining techniques for the detection and localisation of objects in digital images. This work focused on methods based on AdaBoost because of its theoretical and practical effectiveness. A new descriptor robust to background and target texture variations is introduced. A first object detection framework based on this descriptor is proposed and applied. Observed results prove that a vision system can be trained on adapted simulated data and yet be efficient on real images. A first improvement allows the proposed cascade to explore the space of descriptors and thus to improve the modeling of the target. The idea developed here consists in the beginning to build a cascade with one type of descriptors and then introduce new kinds of descriptors when the current descriptor family does not bring enough differentiating information anymore. We present a novel boosting based learning approach which automatically learns a multi-view detector without using intra-class sub-categorization based on prior knowledge. An impicit hierarchical structure enables both a precise modelling and an efficient sharing of descriptors between views. These two complementary approaches are finnally merged to obtain a complete algorithm chain. With the application of this model to different tasks of detection, we verified, on one hand, the efficiency of multi-view model to learn different appearances and poses, and on the other hand, the performances improvement made by the combination of families of descriptors.