Mixed-state Markov models for image motion analysis

• Auteur / Autrice : Tomás Crivelli
• Direction : Patrick Bouthémy, Bruno Cernuschi-Frías
• Type : Thèse de doctorat
• Discipline(s) : Traitement du signal et télécommunications
• Date : Soutenance en 2010
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : École doctorale Mathématiques, télécommunications, informatique, signal, systèmes, électronique (Rennes)
• Partenaire(s) de recherche : Autre partenaire : Université européenne de Bretagne (2007-2016)

Mots clés

Mots clés contrôlés

Statistique mathématique

Analyse de scènes (informatique)

Vision par ordinateur

Champs aléatoires de Markov

Traitement d'images -- Techniques numériques

Résumé

Cette thèse traite des champs aléatoires à états mixtes et de leur application à l’analyse du mouvement dans des séquences d’images. Cette approche permet de considérer à la fois des valeurs discrètes et continues dans une même modélisation statistique, et d’exploiter les interactions entre les deux types d’état. Dans ce contexte, nous identifions deux scénarios possibles. Dans le premier, nous nous intéressons à la modélisation des observations à états mixtes. Elles sont obtenues en général à partir de mesures de mouvement sur des images et présentent soit une valeur discrète nulle (absence de mouvement), soit une valeur continue correspondant à une mesure de mouvement. De telles cartes de mouvement, extraites à partir de séquences d’images de texture dynamique, sont adaptées pour être modélisées par des champs markoviens à états mixtes. Nous développons ensuite des modèles paramétriques de textures de mouvement reposant sur la théorie des champs aléatoires et des chaînes de Markov à états mixtes. Nous les appliquons à la caractérisation de textures de mouvement, à la reconnaissance, à la segmentation et au suivi. Dans le second scénario, nous cherchons à inférer des variables aléatoires à états mixtes pour des problèmes de décision-estimation jointes. Dans ce cas, l’état discret est une valeur symbolique caractérisant un label. De tels problèmes doivent être résolus de manière jointe et le cadre des états mixtes peut être exploité afin de modéliser la relation naturelle entre décision et estimation. Dans ce contexte, nous abordons le problème de la détection de mouvement (problème de décision) et de reconstruction du fond (problème d’estimation) de manière jointe.

This thesis deals with mixed-state random fields and their application to image motion analysis. The approach allows us to consider both discrete and continuous values within a single statistical model, exploiting the interaction between the two types of states. In this context, we identify two possible scenarios. First, we are concerned with the modeling of mixed-state observations. Typically they are obtained from image motion measurements depicting a discrete value at zero (null-motion) and continuous motion values. Such motion maps extracted from dynamic texture video sequences are suitable to be modeled as mixed-state Markov fields. We thus design parametric models of motion textures based on the theory of mixed-state Markov random fields and mixed-state Markov chains. We apply them for motion texture characterization, recognition, segmentation and tracking. The second scenario involves inferring mixed-state random variables for simultaneous decision-estimation problems. In this case, the discrete state is a symbolic value indicating an abstract label. Such problems need to be solved jointly and the mixed-state framework can be exploited in order to model the natural coupling that exists between them. In this context, we address the problem of motion detection (decision problem) and background reconstruction (estimation problem). An accurate estimation of the background is only possible if we locate the moving objects; meanwhile, a correct motion detection is achieved if we have a good available background representation. Solving the motion detection and the background reconstruction jointly reduces to obtain a single optimal estimate of a mixed-state process.