Maintien des personnes âgées à domicile
|
|
- Émile Morency
- il y a 8 ans
- Total affichages :
Transcription
1 Maintien des personnes âgées à domicile Enjeux scientifiques et technologiques liés à la vision par ordinateur Christian Wolf
2 Introduction Sommaire Les données et les problèmes associés Segmentation fond/forme Les caméras non traditionnelles Suivi d objets en mouvement Reconnaissance de comportements Détection de chutes Méthodes sans segmentation Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 2
3 Applications Reconnaissance de comportements En train de dormir? En train de prendre un médicament? Lequel? Quantité respectée? Détection de chutes Localisation d objets perdus La vision peut apporter des solutions Défis de robustesse et fiabilité Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 3
4 Types de capteurs Caméras fixes Caméras PTZ («Pan / Tilt / Zoom») Caméras en mouvement libre (robotique mobile) Telerobot Kompai Pekee II Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 4
5 Problèmes liés à l acquisition Point de vue, changements d échelle Eclairage non suffisant ou contraste trop faible Eclairage fluorescent Changements d éclairage (durant la journée) Ombres Changements de couleurs Caméra en mouvement Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 5
6 Exemple : éclairage, couleurs Verificon Corporation. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 6
7 Eclairage insuffisant Acquisition en infrarouge [TheSamovar] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 7
8 Exemple : ombres [Li Guan]. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 8
9 Changement d échelle Changement d échelle Changement d échelle Changement d échelle Intro Donnés Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 9
10 Changement de point de vue Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 10
11 Reconnaissance de formes Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 11
12 Apprentissage & reconnaissance de formes Exemple : deux classes, 1: loups, 2: chats Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 12
13 Apprentissage & reconnaissance de formes Extraction d un vecteur de caractéristiques «Features» Objectif: Discrimantes (différentes pour des classes différentes) Invariantes (rotation, changement d échelle, bruit, changement de point du vue ) Exemple : deux valeurs : taille, couleur moyenne Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 13
14 Prise de décision souvent classique (e.g. réseaux de neurones) Features Etiquette de classe Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 14
15 Segmentation fond / forme Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 15
16 Segmentation des objets en mouvement Objectif : séparer les objets en mouvement du fond Avantage : problème de localisation «résolu» Permet d appliquer un traitement ciblé sur une région (un objet; une personne?) ANR Canada / LIRIS Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 16
17 Une architecture classique Segmentation fond/forme (typique) Suivi des «objets» Calcul de caractéristiques Modèle Décision / Détection Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 17
18 Soustraction de fond Un pixel est considéré comme «objet» si la différence de niveau de gris entre 2 frames consécutives est grande Pas de mouvement fond (problème!) Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 18
19 Différence de frames : désavantages Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 19
20 Soustraction de fond : Modèles de fond Création d un modèle explicite du fond Mis à jour dynamique du modèle Permet de gérer un changement d éclairage Exemple : moyenne/médiane dynamique, filtre de Kalman etc. Segmentation Modèle de fond Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 20
21 Mélange de Gaussiennes (GMM) Permet de gérer un fond en mouvement (rideaux, plantes et arbres, drapeaux etc.) Modélisation de la couleur de chaque pixel par plusieurs distributions normales Ev. plusieurs distributions de fond Ev. plusieurs distributions de forme (objets) Pour chaque pixel et chaque composante: Moyenne Variance Poids [Grimson and Stauffer, 1999] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 21
22 Extensions aux caméras PTZ : carte globale «Pan / Tilt / Zoom» Foxstream / LIRIS Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 22
23 L état de l art aujourd hui Intégration des informations de haut niveau (retour des étapes suivantes) Prise de décision au niveau globale Intégration de la direction du mouvement Apprentissage automatique Reconnaissance automatique et suppression des ombres [Li Guan] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 23
24 Résultats Vidéo d entrée GMM Par bloc Mouvement [Wolf and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 24
25 Caméras non-traditionnelles Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 25
26 Caméras «Temps de Vol» (dite «3D») Sortie : des images en «profondeur» Pour chaque pixel : quelle est la distance entre la caméra et la surface «visible» sur le pixel? Développées récemment Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 26
27 Caméras «Temps de Vol» Plusieurs principes possible, e.g. lumière pulsée : pulsation de lumière de durée extrêmement courte (~ 70ns) Observation de la réflexion, mesure du délai Exemple de caméra: «ZSense», 3DV Systems Résolution spatiale : 320x240 Résolution en profondeur : 8 bit Dynamique : 70cm à 3m (variable) Fréquence : 30Hz Couplée avec une caméra couleur traditionnelle Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 27
28 MS Kinect (Xbox) Sortie le 4 novembre 2010 Microsoft Research Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 28
29 Une alternative : MS Kinect Caméra conçue par PrimeSense Estimation de la profondeur par projection de lumière structurée Couplée avec une caméra couleur traditionnelle Résolution en profondeur : 11 bit Dynamique : 1.2m à 7m Résolution spatiale : couleur 640x480, profondeur: 320x240 Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 29
30 Plateforme «VOIR» LIRIS Robot «Pekee II» MS Kinect : exemples Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 30
31 Reconnaissance de comportements Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 31
32 Méthode 1 : Descriptions 2D du mouvement Objectif : traduction du mouvement d une personne en deux images 2D discriminantes [Bobick and Davis, 2001] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 32
33 Descriptions 2D du mouvement Motion energy image (MEI): image binaire Quel sont les endroits en mouvement? Motion history images (MHI) : image en niveau de gris Quel pixel a changé quand? [Bobick and Davis, 2001] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 33
34 Descriptions 2D : classification Description statistique de chaque MEI et de chaque MHI : vecteur F i de caractéristiques (7 moments de Hu) Apprentissage : pour chaque classe d actions et pour chaque vue: - Moyenne F des vecteurs F i - Matrice de covariance Σ des vecteurs Classification : calcul de la distance entre un nouveau vecteur et la moyenne F, en tenant compte de Σ Intro Donneés Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 34
35 Méthode 2 : Modèles statistiques du mouvement humain Modélisation de l évolution temporelle d une silhouette binaire [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 35
36 Modèles statistiques Extraction de caractéristiques de forme de chaque silhouette : moments der Zernike Décomposition de la forme en différents moments décrivant des niveaux de détail: Hautes et basses «fréquences» [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 36
37 Modélisation temporelle un vecteur de caractéristiques Y t par instant t Classification par modèles de séquences (HMM, CRF etc.) [Taylor et al. 2008] Intro Donneés Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 37
38 «Validation» du modèle Création de frames artificielles à partir de Un modèle des séquences probabiliste appris à partir d une base de vidéos d apprentissage Un amorçage de 6 frames qui ne font pas partie de la base d apprentissage [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 38
39 Quelques résultats (1) [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 39
40 Quelques résultats (2) [Wolf, Taylor and Jolion 2010] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 40
41 Suivi de personnes et d objets Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 41
42 Problème : Suivi d objets Détecter des objets dans la vidéo et les suivre, même face à des occultations. Retrouver des trajectoires (ou est allé une personne ) Détection frame par frame n est pas suffisant en cas d occultation Solution : Intégrer des informations sur la dynamique des objets (vitesses etc.) Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 42
43 Suivi d objets : principe Modèle d apparence Détection/reconnaissance d un objet Mise à jour : position Dynamique : Le suivi peut intégrer la dynamique de la position de l objet de l image des caractéristiques Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 43
44 Localisation d objets Solution 1 : recherche directe dans l image Solution 2 : suivi de changements dans la scène (segmentation fond/forme) Problème : ev. petite taille de l objet dans l image ASSIST Project, Univ. Of Massach. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 44
45 Détection de chutes Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 45
46 Détection de chutes ASSIST Project, Univ. Of Massach. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 46
47 Schéma typique Segmentation fond/forme Suivi de la personne Calcul de caractéristiques Détection de la chute Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 47
48 Méthodes Classification de la pose, fitting d un modèle de type «stick figure» Sans modèle de pose : Extraction de caractéristiques Deux modes : Frame par frame, ou Modèle de séquences (HMM etc.) Problème : dépend du point de vue Kinect Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 48
49 Orientation du corps L orientation du corps est une caractéristique importante Une normalisation de l image est nécessaire [Thome et al., 2009] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 49
50 Prise de décision par séquence HMM hiérarchique [Thome et al., 2009] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 50
51 [Thome et al., 2009] Intégration de plusieurs vues Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 51
52 Technologies sans segmentation fond / forme Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 52
53 Points d intérêt spatiaux (SIFT) : Utilisation : Détection de points «saillants» et «stables» dans une image Vidéo: Lukáš Mach Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 53
54 Points d intérêt spatio-temporels Objectif : étendre le concept des points d intérêts à la dimension temporelle Détecter des primitives parcimonieuses dans l espacetemps Les coins spatio-temporels: Coins spatiaux Vecteur de vitesse change de direction Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 54
55 Bags of words (sacs de mots) Inspiré de la classification statistique de documents textuels: Un document contient des «mots», tirés d un dictionnaire («codebook») Un document est décrit par les fréquences de parution de chaque mot Traduction de ce principe aux images et vidéos : extraction de «mots visuels» [Laptev, 2005] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 55
56 Apprentissage, étape 1: Caractéristiques Détection de points d intérêts spatio-temporels Extraction de caractéristiques autour de chaque (e.g. histogramme des gradients point) un vecteur par point [Laptev, 2005] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 56
57 Apprentissage, étape 2: Création d un codebook Un vecteur par point Clustering Codebook Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 57
58 Classification d une nouvelle Détection de points d intérêts spatiotemporels Extraction de caractéristiques ensemble de vecteurs Chaque vecteur : projection sur le codebook (plus proches voisins) vidéo ensemble de mots (symboles) Création d un histogramme (sac de mots) Classification par SVM, réseau de neurones etc. Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 58
59 Approche hiérarchique & localisation Reconnaissance d activités complexes Modèle structuré (du même type!) Chaque caractéristique correspond à une action élémentaire [Ryoo and Aggrawal 2009] Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 59
60 Conclusions La vision peut apporter des solutions pratiques (absence de bracelet et d autres outils électroniques) Détection de chutes Localisation d objets perdus Vérification de prise de médicaments Découverte de syndromes de maladies (troubles de sommeils etc.) Verrous scientifiques : robustesse et grande fiabilité dans toute situation (éclairage, point de vue, taille de l objet etc.) Les nouveaux capteurs amélioreront les systèmes de vision de type «indoor» Prochaine révolution : la robotique mobile (??) Ri-man Intro Données Segmentation Caméras Reco-comportements Suivi Det.-chutes Sans-segmentation 60
Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailDétection des points d intérêt et Segmentation des images RGB-D. Présentée par : Bilal Tawbe. Semaine de la recherche de l UQO
Détection des points d intérêt et Segmentation des images RGB-D Présentée par : Bilal Tawbe Semaine de la recherche de l UQO 25 Mars 2015 1. Introduction Les méthodes de détection de points d intérêt ont
Plus en détailReconnaissance de gestes : approches 2D & 3D
Reconnaissance de gestes : approches 2D & 3D Maher Mkhinini et Patrick Horain Institut Mines-Télécom/Télécom SudParis Département Électronique et Physique, 9 rue Charles Fourier, 91011 Evry, France Email
Plus en détailN. Paparoditis, Laboratoire MATIS
N. Paparoditis, Laboratoire MATIS Contexte: Diffusion de données et services locaux STEREOPOLIS II Un véhicule de numérisation mobile terrestre Lasers Caméras Système de navigation/positionnement STEREOPOLIS
Plus en détailSujet de thèse : Suivi d objets en mouvement dans une séquence vidéo
Université PARIS DESCARTES Centre universitaire des Saints-Pères UFR DE MATHÉMATIQUES ET INFORMATIQUE Thèse présentée pour l obtention du grade de Docteur de l université PARIS DESCARTES Spécialité : Informatique
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailGlossaire technique Veditec
Glossaire technique Veditec 3D/2D DNR (digital noise réduction) La technologie DNR est un système de réduction numérique de bruit ayant pour but de réduire le bruit sur l image. Elle permet d obtenir des
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailRecherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailReconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12
Reconnaissance de visages 2.5D par fusion des indices de texture et de profondeur ICI 12/12/12 2 Discrimination Invariance Expressions faciales Age Pose Eclairage 11/12/2012 3 Personne Inconnue Identité
Plus en détailSolution Vidéo Surveillance
Solution Vidéo Surveillance Objectifs de la solution : Mettre sous surveillance électronique un lieu sensible de votre établissement : o L entrée du bureau d études o L entrée du stock de matière première
Plus en détailMultivac Vision System (MVS) : Détection visuelle d objets et inspection qualité. * Le meilleur de l emballage
Multivac Vision System (MVS) : Détection visuelle d objets et inspection qualité * * Le meilleur de l emballage MVS Composants Domaines d application Données techniques Automatisation efficace de la production
Plus en détailApprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de
Apprentissage neuronal de caractéristiques spatio-temporelles pour la classification automatique de séquences vidéo Moez Baccouche To cite this version: Moez Baccouche. Apprentissage neuronal de caractéristiques
Plus en détailHiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin
Hiver 2013 Analyse d images IMN 259 Introduction à l analyse d images Par Pierre-Marc Jodoin Où se situe l analyse d images? Traitement d images Imagerie Image Analyse d images/ Vision par ordinateur Infographie
Plus en détailPROJET BIGDATART DOSSIER DE PRESENTATION
PROJET BIGDATART DOSSIER DE PRESENTATION Le projet BigDatArt est une installation scientifico-artistique centrée autour des notions d images et de BigData. Ce que je propose dans mon projet et d'inverser
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailAnalyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines
Analyse multi-échelle de trajectoires de points critiques pour la reconnaissance d actions humaines Cyrille Beaudry, Renaud Péteri, Laurent Mascarilla Laboratoire MIA, Univ. La Rochelle Avenue Michel Crépeau
Plus en détailá Surveillance en temps réel á Contrôle PTZ á Enregistrement
&DPpUDV5pVHDX /RJLFLHOVG $GPLQLVWUDWLRQ *XLGHG XWLOLVDWLRQUDSLGH ,)RQFWLRQQDOLWpV $)RQFWLRQQDOLWpVGH%DVH á Surveillance en temps réel á Contrôle PTZ á Enregistrement %)RQFWLRQQDOLWpVVSpFLDOHV á Surveillance
Plus en détailOpérations de base sur ImageJ
Opérations de base sur ImageJ TPs d hydrodynamique de l ESPCI, J. Bico, M. Reyssat, M. Fermigier ImageJ est un logiciel libre, qui fonctionne aussi bien sous plate-forme Windows, Mac ou Linux. Initialement
Plus en détailAnalyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
Plus en détailDétection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailDétection de chute à l'aide d'une caméra de profondeur
Université de Montréal Détection de chute à l'aide d'une caméra de profondeur par Ryane Alla Département d informatique et de recherche opérationnelle Faculté des arts et des sciences Mémoire présenté
Plus en détailµrv : Realité Virtuelle
µrv : Realité Virtuelle Edgar-Fernando ARRIAGA-GARCIA Charles-Henri BABIAUD Clément GRELLIER Quentin PETIT Jérôme Ricoeur Florent VIOLLEAU INSA Rennes 21 septembre 2011 1 / 15 Objectifs pour cette semaine
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailDétection des deux roues motorisés par télémétrie laser à balayage
MEsure du TRAfic des deux-roues MOTOrisés pour la sécurité et l évaluation des risques Détection des deux roues motorisés par télémétrie laser à balayage Séminaire de mi parcours 11 mai 2012 CETE Normandie
Plus en détailSmartCam HD. Guide d utilisation
SmartCam HD Guide d utilisation Index P.04 Mise en route à partir d un PC (Windows) P.07 Panneau de contrôle (Windows) P.11 Contrôle PTZ (Windows) P.12 Paramétrer enregistrement vidéo (Windows) P.14 Paramétrer
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailConnecte les Foules. Réinvente les Rituels.
Connecte les Foules. Réinvente les Rituels. Les gens oublieront ce que vous avez dit, ils oublieront ce que vous avez fait, MAIS ILS N OUBLIERONT JAMAIS CE QU ILS ONT RESSENTI REIVENTER LES RITUELS NOTRE
Plus en détailLa visio-conférence holographique : Pourquoi? Comment?
La visio-conférence holographique : Pourquoi? Comment? Francis Felix Labo LSIS / Arts & Métiers Paritech (ENSAM) 2 Cours des Arts et Métiers 13100 Aix-en-Provence Thierry Henocque AIP-Primeca Dauphiné
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailAlgorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
Plus en détailVISION PAR ORDINATEUR ET APPRENTISSAGE STATISTIQUE : VERS UN INSTRUMENT DE MUSIQUE IMMATERIEL
VISION PAR ORDINATEUR ET APPRENTISSAGE STATISTIQUE : VERS UN INSTRUMENT DE MUSIQUE IMMATERIEL 1 Sotiris Manitsaris 2 Tsagaris Apostolos 2 Vassilios Matsoukas 2 Athanasios Manitsaris 1 Centre de Robotique
Plus en détailModules Multimédia PAO (Adobe)
Modules Multimédia PAO (Adobe) Pré-requis : Bonne maîtrise de la manipulation d'un PC (environnement Windows ou Mac) et de la navigation Internet. Disposition pour le graphisme recommandée. Mémoire visuelle,
Plus en détailDynamique de la Gestuelle
Université de Caen Basse-Normandie Département d Informatique Master 2 Recherche En Informatique Spécialité Traitement Automatique de l Image et de la Langue - IMALANG Mémoire de Stage de Fin d Etude Dynamique
Plus en détailPréparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS
Année 2004 THESE Préparé au Laboratoire d Analyse et d Architecture des Systèmes du CNRS En vue de l obtention du titre de Docteur de l Institut National Polytechnique de Toulouse Spécialité : Informatique
Plus en détailL évaluation d algorithmes d analyse vidéo Quelques pistes
L évaluation d algorithmes d analyse vidéo Quelques pistes Jean-François GOUDOU 1, Louise NAUD 1, Laurent GIULIERI 2, Jaonary RABARISOA 3, Olivier PIETQUIN 4, Dana CODREANU 5, Dijana PETROVSKA 6 1 THALES
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailSystèmes d information et bases de données (niveau 1)
Systèmes d information et bases de données (niveau 1) Cours N 1 Violaine Prince Plan du cours 1. Bibliographie 2. Introduction aux bases de données 3. Les modèles 1. Hiérarchique 2. Réseau 3. Relationnel
Plus en détailCapacité étendue d utilisation en réseau
Fiche technique n VIBOFF_1A_f Emonitor Odyssey introduit une nouvelle conception de la maintenance conditionnelle (prédictive) en automatisant les opérations de routine afin d améliorer les vitesses de
Plus en détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailSystème complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés
Système complet d acquisition vidéo, de suivi de trajectoires et de modélisation comportementale pour des environnements 3D naturellement encombrés Application à la surveillance apicole SOUTENANCE DE THÈSE
Plus en détailCodage hiérarchique et multirésolution (JPEG 2000) Codage Vidéo. Représentation de la couleur. Codage canal et codes correcteurs d erreur
Codage hiérarchique et multirésolution (JPEG 000) Codage Vidéo Représentation de la couleur Codage canal et codes correcteurs d erreur Format vectoriel (SVG - Scalable Vector Graphics) Organisation de
Plus en détailGroupe Eyrolles, 2006, ISBN : 2-212-11959-3
Groupe Eyrolles, 2006, ISBN : 2-212-11959-3 annexe B Piano Corner, (c) 2005 par Zsolt Stefan : http://deeppixel.uw.hu/gallery.html YafRay, le moteur de rendu photoréaliste Dès sa création, par une équipe
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailAÉRIENNE UNE STRATÉGI. Organisation. n de l aviation. Montréal, 19 1.1. SOMMAIRE et à moyen terme. la surveillance. fusion de. tions du 5.3.
Organisation n de l aviation civile internationale NOTE DE TRAVAIL AN-Conf/12-WP/146 31/10/12 Français et anglais seulement 1 DOUZIÈME CONFÉRENCE DE NAVIGATION AÉRIENNE Montréal, 19 30 novembre 2012 Point
Plus en détailAnalyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains
Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques
Plus en détailLe projecteur qu il vous faut pour vos jeux vidéos
www.optoma.fr GT720 Le projecteur qu il vous faut pour vos jeux vidéos 3D 3D-XL La révolution est en marche : Faites en partie! A vous les jeux 3D et les films en 3D! Le vidéoprojecteur Optoma GT720, NVIDIA
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailStart me quick! Français
Start me quick! Français Descriptif de la caméra: Contenu de l emballage: Installation de la caméra: Capteur de luminosité Lampe indicatrice Lentille de la caméra Lampes de l éclairage infrarouge Charnière
Plus en détailEMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006
EMETTEUR ULB Architectures & circuits David MARCHALAND STMicroelectronics 26/10/2006 Ecole ULB GDRO ESISAR - Valence 23-27/10/2006 Introduction Emergence des applications de type LR-WPAN : Dispositif communicant
Plus en détailVérification audiovisuelle de l identité
Vérification audiovisuelle de l identité Rémi Landais, Hervé Bredin, Leila Zouari, et Gérard Chollet École Nationale Supérieure des Télécommunications, Département Traitement du Signal et des Images, Laboratoire
Plus en détailun nouvel œil pour l analyse de mouvement
un nouvel œil pour l analyse de mouvement L entreprise EyeNetics La S.A.R.L. EyeNetics a pour objectif de simplifier l utilisation des systèmes d analyse de mouvement. Dans cette optique nous avons conçu
Plus en détailUne fréquence peut-elle être instantanée?
Fréquence? Variable? Instantané vs. local? Conclure? Une fréquence peut-elle être instantanée? Patrick Flandrin CNRS & École Normale Supérieure de Lyon, France Produire le temps, IRCAM, Paris, juin 2012
Plus en détailDétection d activité à l aide de Kinect 2.0
Travail de Bachelor 2014 Détection d activité à l aide de Kinect 2.0 Etudiant : Martin Tazlari Professeur : Yann Bocchi Déposé le : 28 juillet 2014 HES-SO Valais-Wallis rue de la Plaine 2 3960 Sierre +41
Plus en détailGuide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon
Guide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon Version 4.10 PDF-CIT-D-Rev1_FR Copyright 2011 Avigilon. Tous droits réservés. Les informations présentées sont sujettes à modification
Plus en détailhttp://www.icp.inpg.fr/~savario/_activite/zip/trap_v4.zip Hélène Lœvenbruck, Christophe Savariaux, Dorothée Lefebvre
TRAP : TRAITEMENT DES SIGNAUX DE PAROLE http://www.icp.inpg.fr/~savario/_activite/zip/trap_v4.zip Hélène Lœvenbruck, Christophe Savariaux, Dorothée Lefebvre Institut de la Communication Parlée Les différents
Plus en détailArborescence et interface
Architecture de l information et réseaux (EDM 2530) Automne 2012 UQAM Cours / 04 Arborescence et interface Geoffroi Garon et Martin Lessard Déroulement Partie 1 Ab Arborescence Ev1 Pause Partie 2 Interface
Plus en détailSynthèse d'images I. Venceslas BIRI IGM Université de Marne La
Synthèse d'images I Venceslas BIRI IGM Université de Marne La La synthèse d'images II. Rendu & Affichage 1. Introduction Venceslas BIRI IGM Université de Marne La Introduction Objectif Réaliser une image
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailUtilisation du logiciel ImageJ gratuit
Utilisation du logiciel ImageJ gratuit on peut récupérer sur le lien suivant : http://rsbweb.nih.gov/ij/ à partir duquel ce résumé très bref (!!) a été élaboré Lancer ImageJ Vous avez une fenêtre qui s'ouvre
Plus en détailSLAM Visuel 3D pour robot mobile autonome
Master de Sciences Mention «Imagerie, Robotique et Ingénierie pour le Vivant» - Projet de Fin D étude - SLAM Visuel 3D pour robot mobile autonome Romain Drouilly Encadrants ECA Benoit Morisset Pierrick
Plus en détailSommaire. Bertrand PECUCHET
Sommaire I. Introduction... 2 II. Présentation de la Kinect... 3 1. Caractéristiques :... 4 III. Focus sur les différents capteurs de la Kinect... 5 1. Le capteur RGB... 5 2. Capteur et émetteur Infrarouge...
Plus en détailCaractérisation de défauts par Magnétoscopie, Ressuage, Courants de Foucault
Page 1 25 octobre 2012 Journée «Contrôle non destructif et caractérisation de défauts» Caractérisation de défauts par Magnétoscopie, Ressuage, Courants de Foucault Henri Walaszek sqr@cetim.fr Tel 0344673324
Plus en détailInterception des signaux issus de communications MIMO
Interception des signaux issus de communications MIMO par Vincent Choqueuse Laboratoire E 3 I 2, EA 3876, ENSIETA Laboratoire LabSTICC, UMR CNRS 3192, UBO 26 novembre 2008 Interception des signaux issus
Plus en détailF210. Automate de vision hautes fonctionnalités. Caractèristiques. Algorithmes vectoriels
Automate de vision hautes fonctionnalités Caractèristiques Algorithmes vectoriels Les algorithmes permettent de sélectionner les éléments de traitement requis dans la bibliothèque, puis les combinent et
Plus en détailIntelligence artificielle et les défis en robotique mobile et autonome
Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailCalage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique
Calage robuste et accéléré de nuages de points en environnements naturels via l apprentissage automatique Mémoire Maxime Latulippe Maîtrise en informatique Maître ès sciences (M.Sc.) Québec, Canada Maxime
Plus en détailTS Physique Satellite à la recherche de sa planète Exercice résolu
P a g e 1 Phsique atellite à la recherche de sa planète Exercice résolu Enoncé Le centre spatial de Kourou a lancé le 1 décembre 005, avec une fusée Ariane 5, un satellite de météorologie de seconde génération
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailLogiciel MAXPRO NVR SOLUTION D ENREGISTREMENT VIDÉO RÉSEAU
SOLUTION D ENREGISTREMENT VIDÉO RÉSEAU Le logiciel MAXPRO NVR d Honeywell est un système IP ouvert de surveillance flexible et évolutif. Grâce à la prise en charge des caméras haute définition (HD) d Honeywell
Plus en détailCompte-rendu re union Campus AAR 3 mars 2015
Compte-rendu re union Campus AAR 3 mars 2015 Table des matières Liste d actions... 2 I. Environnement d analyse : INA, Armadillo... 3 a. Connexion de l outil INA avec API Armadillo... 3 b. Outil d analyse
Plus en détailLes images et les animations sur le web. Guérineau Chloé BTS2 Année 2001/2012
Les images et les animations sur le web Guérineau Chloé BTS2 Année 2001/2012 Sommaire I) Les images sur le web 1) Qu est ce qu une image? Les images numériques, destinées à être visualisées sur les écrans
Plus en détailSurveillance IP. Voir c est croire. Imp. GT 01 34 52 18 88
Surveillance IP Voir c est croire Imp. GT 01 34 52 18 88 Imp. GT 01 34 52 18 88 D-Link IP Surveillance Chez D-Link nous savons que dans un climat exigeant les PME, le secteur de l éducation et le secteur
Plus en détail11 Février 2014 Paris nidays.fr. france.ni.com
11 Février 2014 Paris nidays.fr Construire l enregistreur de données autonome de demain Marc-Junior LARROUY, Ingénieur d Applications, National Instruments France Contenu Introduction à l enregistrement
Plus en détailAbdenour Hacine-Gharbi. Sélection de paramètres acoustiques pertinents pour la reconnaissance de la parole
ÉCOLE DOCTORALE SCIENCES ET TECHNOLOGIES (ORLEANS) FACULTÉ de TECHNOLOGIE (Sétif) Laboratoire PRISME THÈSE EN COTUTELLE INTERNATIONALE présentée par : Abdenour Hacine-Gharbi soutenue le : 09 décembre 2012
Plus en détailCommunications immersives : Enjeux et perspectives
Journée Futur et Ruptures Communications immersives : Enjeux et perspectives Béatrice Pesquet-Popescu Télécom ParisTech, Département TSI 5 mars 2015 Institut Mines-Télécom Tendances actuelles Plus, plus,
Plus en détailPROJETS. Arts Numériques Arts² CORENTIN CLOUET
BAC3 2014-2015 PROJETS Arts Numériques Arts² PROJET PERSONEL : VARIOUS BODIES Projecteur Kinect Miroir MIROIR SHÉMA 2D PRINCIPE Various Bodies est une installation interactive et visuelle. Elle propose
Plus en détailIndustrie 4.0 L usine connectée
En partenariat avec Industrie 4.0 L usine connectée Les nouveaux métiers de l industrie 4.0: Méthodologie de conception des certifications Mardi 29 avril 2014 Séminaire ISA-France / Espace Hamelin Jean-Luc
Plus en détailProgramme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique
É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions
Plus en détailL'astrophotographie au Cercle
L'astrophotographie au Cercle Introduction générale à l'astrophotographie Le matériel Les différents domaines: imagerie sur trépied, du ciel profond... Réaliser des images sur trépied Réaliser des images
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailSimulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE
Simulation d'un examen anthropomorphique en imagerie TEMP à l iode 131 par simulation Monte Carlo GATE LAURENT Rémy laurent@clermont.in2p3.fr http://clrpcsv.in2p3.fr Journées des LARD Septembre 2007 M2R
Plus en détailBACCALAURÉAT GÉNÉRAL SÉRIE SCIENTIFIQUE
BACCALAURÉAT GÉNÉRAL SÉRIE SCIENTIFIQUE ÉPREUVE DE SCIENCES DE L INGÉNIEUR ÉPREUVE DU VENDREDI 20 JUIN 2014 Session 2014 Durée de l épreuve : 4 heures Coefficient 4,5 pour les candidats ayant choisi un
Plus en détailTP Blender n 2 : Importation d un modèle SketchUp et animation
TP Blender n 2 : Importation d un modèle SketchUp et animation Service de Conception Géométrique Université de Liège Aérospatiale et Mécanique Conçu avec Blender 2.66 et SketchUp 8 De SketchUp à Blender
Plus en détail