Détection et suivi d’objets.

Abstract

في العقود الأخيرة، اجتذب اكتشاف وتتبع الأهداف الكثير من الاهتمام بسبب تطبيقاتها المختلفة في حياة الإنسان، خاصة المراقبة بالفيديو والروبوتات. تتبع الهدف هو تقدير موقع الهدف وتحديد مساره مع مرور الوقت في تسلسل الفيديو.على الرغم من أن العديد من خوارزميات التتبع قد تم تطويرها في السنوات الأخيرة من أجل حلها، إلا أنها تظل مشكلة غير محسومة بسبب العدد الكبير من العوامل البيئية المؤثرة. في هذه الأطروحة، نحن مهتمون بشكل خاص بدراسة وتحسين خوارزمية متوسط التتبع Mean shift ، التي تعد من أكثر خوارزميات التتبع كفاءة في تطبيقات الوقت الحقيقي،و ذلك بسبب بساطتها ومتانتها. على الرغم من أنها قوية للانسداد الجزئي، والدوران، وحركة الخلفية وتشوه الهدف الغير جامد، إلا أنها حساسة للغاية لتغيير الحجم، والانسداد الكبير، وقد تفشل في وجود كائن آخر من ألوان متشابهة، أو خلفية من ألوان متشابهة أو في حالة نزوح كبير، و هذا بسبب اعتمادها على الرسم البياني للون لتمثيل نموذج الكائن المستهدف. الجزء الأول من هذه الأطروحة مخصص لدراسة وتحليل تأثيرات استخدام مختلف تكوينات فضاء اللون على كفاءة وجودة المتابعة باستخدام المتعقب Mean shift الذي يعتمد على معلومات اللون لبناء نموذج المظهر للكائن الهدف. في دراستنا استخدمنا المعلومات الجوهرية للمتعقب Mean shift : معامل Bhattacharyya وخريطة الإسقاط العلوي لفهم تأثير مساحات اللون على أداء هذا المتعقب. النتائج التي تم الحصول عليها في قواعد البيانات OTB باستخدام مساحات اللون الأكثر استخدامًا في رؤية الكمبيوتر و المقارنة فيما بينها تؤكد أن فضاء اللون HSV تعطي تمثيلًا قويًا للكائن المستهدف في معظم تسلسلات الفيديو. في الجزء الثاني، نقترح نهجا جديدا يهدف إلى تحسين كفاءة ومتانة المتعقب Mean shift من خلال الجمع بين المعلومات اللونية و المكانية، من أجل بناء نموذج الكائن الهدف. في الجزء الثاني، نقترح نهجا جديدا يهدف إلى تحسين كفاءة ومتانة المتعقب Mean shift من خلال الجمع بين المعلومات اللونية و المكانية، من أجل بناء نموذج المظهر للكائن المستهدف. يستخدم المتعقب Mean shift الرسم البياني للألوان RGB فقط لنمذجة الكائن المستهدف، مما يجعل هذا المتعقب غير قادر على اكتشاف المعلومات المكانية لكل بكسل في الصورة، ولا يمكنه التمييز بين الهدف والخلفية عند التشابه. للتغلب على هذه المشكلة، نقترح تمثيلًا جديدًا لنموذج المظهر المستهدف والذي يعتمد على مزيج من خصائص ألوان HSV ونسيج LPQ و LBP أو BSIF لبناء الرسم البياني المشترك لون نسيج. قمنا بتقييم رسومنا البيانية المشتركة لون نسيج، على نطاق واسع على قاعدتي - - البيانات المذكورتان سابقا. تظهر النتائج التي تم الحصول عليها ومقارنتها مع Mean shift التقليدي وأحدث التقنيات متانة ودقة هذه الرسوم البيانية المشتركة، فضلا عن أنها قادرة على التعامل مع بعض التحديات المتعلقة بالتتبع وهي طمس الحركة، والتشابه بين الكائن المستهدف والخلفية والتغيرات في الإضاءة Au cours de ces dernières décennies, la détection et le suivi d’objets ont attiré beaucoup d’intérêt en raison de leurs diverses applications dans la vie humaine, en particulier la vidéosurveillance et la robotique. Le suivi d’objet est l’estimation de la localisation d’un objet et la détermination de sa trajectoire au cours du temps dans une séquence vidéo. Bien que de nombreux algorithmes de suivi aient été développés ces dernières années pour sa résolution, il demeure un problème non résolu à cause du nombre élevé de facteurs environnementaux. Dans ce travail de thèse, nous nous intéressons spécifiquement à l’étude et à l’amélioration de l’algorithme de suivi Mean shift, qui est l’un des algorithmes de suivi les plus efficaces pour les applications en temps réel, en raison de sa simplicité et de sa robustesse. Bien qu’il soit robuste à l’occultation partielle, la rotation, le mouvement de fond et la déformation non-rigide de la cible, il est très sensible aux changements d’échelles, aux occultations importantes, et il peut échouer en présence d’un autre objet de couleurs similaires, ou de fond de couleurs similaires ou dans le cas de grands déplacements, parce qu’il est basé sur l’histogramme de couleur pour représenter le modèle de l’objet cible. La première partie de cette thèse est consacrée à l’étude et à l’analyse des effets de l’utilisation de différentes configurations d’espace de couleurs, sur l’efficacité et la qualité du suivi en utilisant le tracker Mean shift qui se base sur l’information de couleur pour construire le modèle d’apparence de l’objet cible. Dans notre étude, nous avons utilisé les informations intrinsèques de tracker Mean shift : le coefficient de Bhattacharyya et la carte de rétroprojection pour comprendre l’influence des espaces de couleurs sur la performance de ce tracker. Les résultats obtenus sur les bases de données OTB 2013, OTB 2015, en utilisant les espaces de couleurs les plus utilisés dans la vision par ordinateur, et confirment que l’espace de couleur HSV donne une représentation robuste de l’objet cible dans la plupart des séquences vidéos. Dans la deuxième partie, nous proposons une nouvelle approche qui a pour but d’améliorer l’efficacité et la robustesse de tracker Mean shift par la combinaison des informations couleurs avec les informations spatiales, afin de construire le modèle d’apparence de l’objet cible. Le tracker Mean shift utilise seulement l’histogramme de couleur RGB pour modéliser l’objet cible, ceci rend ce tracker incapable de détecter l’information spatiale de chaque pixel dans l’image, et ne peut pas distinguer entre la cible et le fond lorsqu’ils sont similaires. Pour surmonter ce problème nous proposons une nouvelle représentation de modèle d’apparence de cible et qui se base sur une mixture des caractéristiques de couleur HSV et de texture LPQ, LBP ou BSIF pour construire l’histogramme pondéré conjoint couleur-texture. Nous avons évalué nos histogrammes conjoints couleur-texture, de manière étendue sur deux bases de donnés citées précédemment. Les résultats obtenus et leurs comparaison avec le traditionnel algorithme Mean shift et les trackers de l’état de l’art montrent la robustesse et la précision de ces histogrammes conjoints, ainsi ils sont capables de gérer certains défis liés au suivi, à savoir le flou de mouvement, la similarité entre l’objet cible et le fond et les changements d’illuminations.