Segmentation des Images au Sens du Mouvement (Image Segmentation Based on Motion).

Abstract

La détection d'objets en mouvement à partir du fond dans des séquences vidéo est difficile, mais est une tâche essentielle dans un grand nombre d'applications en vision par ordinateur. La plupart des méthodes existantes donnent des résultats acceptés uniquement dans le cas où les objets et l'arrière-plan sont rigides, à cause d'occlusions et de calculs complexes, ce qui présente des limitations en cas d'occlusions et d'ombres. Dans cette thèse, nous avons développé trois nouvelles techniques pour détecter le premier plan à partir d'un arrière-plan complexe. Dans la première approche appelée nouvelle méthode pour l'estimation du mouvement et la segmentation des objets en mouvement "NMES", nous nous sommes concentrés sur la combinaison des caractéristiques de mouvement, de couleur et de texture. Tout d'abord, nous avons utilisé la méthode de mise en correspondance des blocks pour calculer le vecteur de mouvement et nous avons également pris en compte le résultat de la différence des trame, pour améliorer la qualité du flux optique. De plus, nous avons utilisé l'algorithme de regroupement k-means pour regrouper les pixels, ayant des caractéristiques de mouvement, de couleur et de texture similaires. Enfin, le résultat du regroupement des pixels est utilisé comme entrée dans le modèle de Chan-Vese, afin d'attirer le contour évolutif des contours d'objets en mouvement. Dans la deuxième approche appelée combinaison entre les caractéristiques de mouvement et de forme "MSF", nous avons appliqué une comparaison logique entre les résultats du flux optique (caractéristique de mouvement) et la segmentation de l'espace de couleur (caractéristique de forme) de chaque pixel. Dans la troisième approche appelée hybridation entre les fonctions de mouvement et de texture "BMFS-LBP", nous nous sommes concentrés sur la combinaison entre le modèle binaire local (fonction de texture) et l'algorithme complet de recherche de bloc (fonction de mouvement). Les approches MSF et BMFS-LBP sont toutes les deux adaptées pour distinguer les objets mobiles à partir des arrière-plans statiques et dynamiques. Pour évaluer les performances de nos approches proposées, nous les avons testées sur des séquences complexes. les résultats expérimentaux ont montré que, notre approche BMFS-LBP permet de trouver de meilleurs résultats que la segmentation avec la méthode MSF et les méthodes éxistants.