Reconnaissance d'activités humaines à partir de séquences multi-caméras : application à la détection de chute de personne

Recognition of human activities based on multi-camera sequences : application to people fall detection

• Auteur / Autrice : Ange Mikaël Mousse
• Direction : Cina Motamed, Eugène C. Ezin
• Type : Thèse de doctorat
• Discipline(s) : Génie informatique, Automatique et Traitement du signal
• Date : Soutenance le 10/12/2016
• Etablissement(s) : Littoral en cotutelle avec Université d'Abomey-Calavi (Bénin)
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique, signal et image de la Côte d'Opale (Calais, Pas de Calais) - Laboratoire d'Informatique Signal et Image de la Côte d'Opale / LISIC
• Jury : Président / Présidente : Antoine Vianou
• Jury : Examinateurs / Examinatrices : Cina Motamed, Eugène C. Ezin, Pierre Gouton, Marc Kokou Assogba, Patrice Wira
• Jury : Rapporteurs / Rapporteuses : Pierre Gouton, Marc Kokou Assogba

Mots clés

Mots clés contrôlés

Vidéosurveillance

Analyse de scènes (informatique)

Reconnaissance de l'activité humaine (informatique)

Reconnaissance des formes (informatique)

Classification

Posture

Détection du signal

Chutes (accidents)

Mots clés libres

Détection de chute

Classification des postures

Homographie planaire

Détection de mouvement

Codebook

Vidéosurveillance intelligente

Fall detection

Posture classification

Planar homography

Motion detection

Codebook

Intelligent video surveillance

Résumé

La vision artificielle est un domaine de recherche en pleine évolution. Les nouvelles stratégies permettent d'avoir des réseaux de caméras intelligentes. Cela induit le développement de beaucoup d'applications de surveillance automatique via les caméras. Les travaux développés dans cette thèse concernent la mise en place d'un système de vidéosurveillance intelligente pour la détection de chutes en temps réel. La première partie de nos travaux consiste à pouvoir estimer de façon robuste la surface d'une personne à partir de deux (02) caméras ayant des vues complémentaires. Cette estimation est issue de la détection de chaque caméra. Dans l'optique d'avoir une détection robuste, nous avons fait recours à deux approches. La première approche consiste à combiner un algorithme de détection de mouvements basé sur la modélisation de l'arrière plan avec un algorithme de détection de contours. Une approche de fusion a été proposée pour rendre beaucoup plus efficiente le résultat de la détection. La seconde approche est basée sur les régions homogènes de l'image. Une première ségmentation est effectuée dans le but de déterminer les régions homogènes de l'image. Et pour finir, nous faisons la modélisation de l'arrière plan en se basant sur les régions. Une fois les pixels de premier plan obtenu, nous faisons une approximation par un polygone dans le but de réduire le nombre d'informations à manipuler. Pour l'estimation de cette surface nous avons proposé une stratégie de fusion dans le but d'agréger les détections des caméras. Cette stratégie conduit à déterminer l'intersection de la projection des divers polygones dans le plan de masse. La projection est basée sur les principes de l'homographie planaire. Une fois l'estimation obtenue, nous avons proposé une stratégie pour détecter les chutes de personnes. Notre approche permet aussi d'avoir une information précise sur les différentes postures de l'individu. Les divers algorithmes proposés ont été implémentés et testés sur des banques de données publiques dans le but de juger l'efficacité des approches proposées par rapport aux approches existantes dans l'état de l'art. Les résultats obtenus et qui ont été détaillés dans le présent manuscrit montrent l'apport de nos algorithmes.

Artificial vision is an involving field of research. The new strategies make it possible to have some autonomous networks of cameras. This leads to the development of many automatic surveillance applications using the cameras. The work developed in this thesis concerns the setting up of an intelligent video surveillance system for real-time people fall detection. The first part of our work consists of a robust estimation of the surface area of a person from two (02) cameras with complementary views. This estimation is based on the detection of each camera. In order to have a robust detection, we propose two approaches. The first approach consists in combining a motion detection algorithm based on the background modeling with an edge detection algorithm. A fusion approach has been proposed to make much more efficient the results of the detection. The second approach is based on the homogeneous regions of the image. A first segmentation is performed to find homogeneous regions of the image. And finally we model the background using obtained regions.