Conception d'une méthode d'analyse de mouvements basée sur la théorie de la croyance

Conception of an analysis method for motion estimation based on evidence theory

• Auteur / Autrice : Sarra Naffakhi
• Direction : Amir Nakib
• Type : Projet de thèse
• Discipline(s) : Signal, Image, Automatique
• Date : Inscription en doctorat le 01/09/2012
• Etablissement(s) : Paris Est en cotutelle avec Faculté des sciences de Tunis
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : LISSI - Laboratoire Images, Signaux et Systèmes Intelligents

Mots clés

Mots clés libres

Analyse de mouvement

Théorie de la croyance

Suivi des objets

Motion estimation

Evidence theory

Object tracking

Résumé

L'estimation de mouvement consiste à étudier le déplacement des objets dans une séquence vidéo, via la recherche de la corrélation entre deux images successives afin de prédire le changement de position du contenu. Le mouvement est un réel problème en vidéo puisqu'il décrit un contexte en trois dimensions alors que les images sont une projection de scènes 3D dans un plan en 2D. L’estimation de mouvement est un domaine de recherche intense durant ces deux dernières décennies pour son attrait scientifique et sa rentabilité. Il reste un sujet de recherche ouvert de par le manque de système de suivi satisfaisant, qui prend en compte les distorsions intrinsèques et extrinsèques : variations d ́éclairement, occlusions, bruits et erreurs dans la correspondance et la classification d’objets ne sont qu'une partie des problèmes actuellement rencontrés en estimation de mouvement. Le but de cette thèse est de proposer une nouvelle approche d’estimation de mouvement qui intègre l’information contextuelle dans le cadre de la théorie de la croyance pour l’analyse et la détection de comportements anormaux ou pathologiques. En effet, la représentation de fonctions de densité de probabilité est cruciale pour modéliser les variables aléatoires. En particulier, les modèles paramétriques sont pratiques car ils permettent un archivage de la représentation ainsi que la simulation du processus aléatoire sous-jacent.