Estimation hiérarchique du mouvement par ondelettes géométriques

Abstract

La méthode de Horn & Schunck et la méthode de Lucas & Kanade sont considérées comme les méthodes les plus faciles à mettre en œuvre. Ce sont en effet les deux techniques les plus largement employées dans la communauté scientifique dans le cadre de l’étude du mouvement. Cependant, celles-ci souffrent de défauts qui leur sont propres ; ainsi, la méthode de Horn & Schunck non parallélisable le rend peu adapté aux applications en temps réel, tandis que la méthode de Lucas & Kanade est inadaptée lorsqu'il s'agit de traiter de grands déplacements. Il est toutefois possible de pallier ce dernier problème en utilisant une approche multi-échelles basée sue le pyramide Laplacien, Gaussien ou la transformée en ondelettes. Donc dans un problème d’estimation de mouvement, deux performances critiques sont à améliorer, le temps de calcul et la précision des résultats. Dans la présente thèse, et suite à la nature parallèle des réseaux de neurones et leur aptitude à résoudre des problèmes complexes en temps réel, on a proposé d’introduire les réseaux de neurones récurrents dans le problème de l’estimation de mouvement utilisant la méthode de Horn & Schunck reformulée par Metiche & Mansouri et la méthode de Lucas & Kanade. Pour la précision des résultats, ....