Maintien des personnes âgées à domicile

Dimension: px
Commencer à balayer dès la page:

Download "Maintien des personnes âgées à domicile"

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 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 détail

Analyse d images introduction

Analyse d images introduction L3, option Image Analyse d images introduction http ://perception.inrialpes.fr/people/boyer/teaching/l3/ Elise Arnaud - Edmond Boyer Université Joseph Fourier / INRIA Rhône-Alpes elise.arnaud@inrialpes.fr

Plus en détail

Utilisation 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 détail

Journée Rencontres Académiques SCS

Journée Rencontres Académiques SCS Journée Rencontres Académiques SCS 24/01/2012 Prof. Frédéric Precioso Knowledge Extraction, Integration & Algorithms (KEIA) http://keia.i3s.unice.fr/ 2 /35 Permanents Célia Pereira da Costa, Christel Dartigues,

Plus en détail

RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains. Vincent DELCOURT ASC

RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains. Vincent DELCOURT ASC RASV, SAMSIT, TRIPS, ISCAPS, Vers une Vidéosurveillance Intelligente dans les Trains Vincent DELCOURT ASC 1 Contexte: Introduction: Besoin Les actes de malveillance et les agressions sur le réseau SNCF

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

8TRD147: Animation et images par ordinateur

8TRD147: Animation et images par ordinateur 8TRD147: Animation et images par ordinateur Introduction au traitement numérique des images Y. Chiricota Département d informatique et de mathématique Université du Québec à Chicoutimi / Certaines des

Plus en détail

Audition candidature thèse IFSTTAR début Septembre 2013 Christophe CONIGLIO

Audition candidature thèse IFSTTAR début Septembre 2013 Christophe CONIGLIO Sujet de thèse : «Détection, suivi et ré-identification de passagers dans un réseau de cameras. Application à la gestion des flux de voyageurs en contexte multimodal». Audition candidature thèse IFSTTAR

Plus en détail

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel

Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel 1 Partie I : Implantation d un réseau de neurones RBF sur des systèmes embarqués : la détection et la reconnaissance de visages en temps réel F.Yang M.Paindavoine GDR-ISIS 20 Janvier 2005 Paris 2 Plan

Plus en détail

Reconnaissance d'activités en environnement intelligent. Dominique Vaufreydaz Équipe PRIMA Inria/Université Pierre Mendès-France

Reconnaissance d'activités en environnement intelligent. Dominique Vaufreydaz Équipe PRIMA Inria/Université Pierre Mendès-France Reconnaissance d'activités en environnement intelligent Dominique Vaufreydaz Équipe PRIMA Inria/Université Pierre Mendès-France Reconnaissance d'activités en environnement intelligent Dominique Vaufreydaz

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Introduction au domaine Applications Frédéric Devernay Qu'est-ce que la vision? Le monde a une structure 3D et est composé d'objets L'être humain sait parfaitement décrire et interpréter

Plus en détail

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun des s Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun Sébastien Harasse thèse Cifre LIS INPG/Duhamel le 7 décembre 2006 1 Système de surveillance des s Enregistreur

Plus en détail

en environnement intérieur pour l'indexation de vidéo issue de caméra portée

en environnement intérieur pour l'indexation de vidéo issue de caméra portée Reconstruction et localisation 3D en environnement intérieur pour l'indexation de vidéo issue de caméra portée H. Wannous, V. Dovgalecs, R. Mégret* IMS - Projet IMMED / ANR 09-BLAN BLAN-0165 0165-01 *remi.megret@ims-bordeaux.fr

Plus en détail

LO12. Chap 1 1. 1. Introduction UTC A2006. 1.1 Présentation de l'uv. Bases de l infographie et Images de synthèse. Objectifs

LO12. Chap 1 1. 1. Introduction UTC A2006. 1.1 Présentation de l'uv. Bases de l infographie et Images de synthèse. Objectifs UTC A2006 1. Introduction 1.1 Présentation de l'uv Objectifs Bases de l infographie et Images de synthèse savoir se repérer dans l espace, comprendre les principaux algorithmes d infographie (leur puissance

Plus en détail

Évaluation de la classification et segmentation d'images en environnement incertain

Évaluation de la classification et segmentation d'images en environnement incertain Évaluation de la classification et segmentation d'images en environnement incertain EXTRACTION ET EXPLOITATION DE L INFORMATION EN ENVIRONNEMENTS INCERTAINS / E3I2 EA3876 2, rue F. Verny 29806 Brest cedex

Plus en détail

Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) )

Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) ) Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) ) El)Mustapha)Mouaddib)(mouaddib@u:picardie.fr)) O.)Labbani:Igbida,)P.)Merveilleux)et)R.)Marie) Contexte' Projet'ANR'R.Discover' Travaux'soutenus'par':'

Plus en détail

Indexation 3D à partir de vues 2D

Indexation 3D à partir de vues 2D Indexation 3D à partir de vues 2D Thibault Napoléon 1 Télécom ParisTech - TSI Qu est ce que l indexation 3D? Recherche dans une grande base de donnée 3D Recherche par le contenu (la forme, la couleur...)

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Projet 2009 2010 Biométrie 3D PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Département : TIC Mots clés : Biométrie, Analyse d images, Vision, Caméra thermique, Caméra temps de vol, Détection

Plus en détail

Apprentissage par méthodes à noyaux en reconnaissance d images

Apprentissage par méthodes à noyaux en reconnaissance d images Apprentissage par méthodes à noyaux en reconnaissance d images Alberto Bietti Table des matières Introduction 2 1 Apprentissage par méthodes à noyaux 2 1.1 Position du problème et motivation..........................

Plus en détail

Profil du candidat et connaissances techniques à connaître/maîtriser

Profil du candidat et connaissances techniques à connaître/maîtriser Utilisation d algorithmes de deep learning pour la reconnaissance d iris. jonathan.milgram@morpho.com Dans ce cadre, l'unité de recherche et technologie a pour but de maintenir le leadership Au sein de

Plus en détail

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme

Distance et classification. Cours 4: Traitement du signal et reconnaissance de forme Distance et classification Cours 4: Traitement du signal et reconnaissance de forme Plan Introduction Pré-traitement Segmentation d images Morphologie mathématique Extraction de caractéristiques Classification

Plus en détail

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification 1/54 Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification Étienne Baudrier CReSTIC vendredi 9 décembre 2005 2/54 Contexte programme national de

Plus en détail

Hiver 2013 IMN 259. Introduction à l analyse d images. Par Pierre-Marc Jodoin

Hiver 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 détail

«Vers une méthode rapide de l évaluation de la tendreté»

«Vers une méthode rapide de l évaluation de la tendreté» Matthieu ALRIC - matthieu.alric@adiv.fr Chargé d Etudes en Génie Mécanique et Robotique «Vers une méthode rapide de l évaluation de la tendreté» Développement d un système robotique équipé de capteurs

Plus en détail

N. Paparoditis, Laboratoire MATIS

N. 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 détail

Mesure agnostique de la qualité des images.

Mesure 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 détail

Cahier. des charges. T.E.R. : Modélisation architecturale basée photo/vidéo. reconstruction intérieure basée profondeur

Cahier. des charges. T.E.R. : Modélisation architecturale basée photo/vidéo. reconstruction intérieure basée profondeur Cahier T.E.R. : Modélisation architecturale basée photo/vidéo reconstruction intérieure basée profondeur des charges Renaud Jean-Christophe Naville Vincent Explicitation du contexte Dans le cadre de notre

Plus en détail

SISELL. Solutions intelligentes pour la vidéosurveillance. Recherche multicritères. Génération de rapports. Extraction de données.

SISELL. Solutions intelligentes pour la vidéosurveillance. Recherche multicritères. Génération de rapports. Extraction de données. SISELL Solutions intelligentes pour la vidéosurveillance Recherche multicritères Détection Pistage Extraction de données Génération de rapports 3 FONCTIONS La Vidéosurveillance En 3 fonctions clés... Gestion

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

Bases de données multimédia VII Bag of words

Bases de données multimédia VII Bag of words Bases de données multimédia VII Bag of words ENSIMAG 2014-2015 Matthijs Douze & Karteek Alahari Video-Google! LA référence : Josef Sivic and Andrew Zisserman «Video Google: A Text Retrieval Approach to

Plus en détail

Formes et Optimisation en Vision par Ordinateur. Renaud Keriven Ecole des Ponts / ENS

Formes et Optimisation en Vision par Ordinateur. Renaud Keriven Ecole des Ponts / ENS Formes et Optimisation en Vision par Ordinateur Renaud Keriven Ecole des Ponts / ENS Journées Images et Modélisations Mathématiques Rennes, décembre 2006-1- Contexte (i) Snakes [Kass et al. 88] Contours

Plus en détail

Analyse de trafic en milieu urbain par télémètre laser à balayage

Analyse de trafic en milieu urbain par télémètre laser à balayage Analyse de trafic en milieu urbain par télémètre laser à balayage 3 /6/214 FOURRE Jérémy 1 Contexte et enjeux (1/2) Source DSCR : CISR du 18/2/21 Le risque d être tué à moto est 24 fois plus élevé qu en

Plus en détail

Introduction à la Vision 3D

Introduction à la Vision 3D à la Vision 3D David Fofi Le2i UMR CNRS 6306 IUT Le Creusot Les applications présentées sont le fruit d une collaboration entre le Le2i et le laboratoire VICOROB de l Université de Gérone (Espagne). Les

Plus en détail

IMN459 - Fondements de la vision par ordinateur

IMN459 - Fondements de la vision par ordinateur IMN459 - Fondements de la vision par ordinateur Chapitre 1 Introduction 1. Acquisition IMN117 2. Traitement IMN259 Scène 3D Caméra optique Une ou plusieurs images 2D Caractéristiques bas niveaux (contours,

Plus en détail

Visualisation 3D sur un Smartphone

Visualisation 3D sur un Smartphone Visualisation 3D sur un Smartphone Réalisé par: Bouhajja Lamia Daikhi Rahma Encadré par : Madame Ben Azouz Zouhour SOMMAIRE : I. Introduction Générale générale II. Objectif du projet III. Rendu 3D IV.

Plus en détail

Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur

Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur 18/12/2003 p.1/50 Systèmes de représentation multi-échelles pour l indexation et la restauration d archives médiévales couleur Julien DOMBRE Laboratoire IRCOM-SIC, UMR-CNRS 6615. En partenariat avec le

Plus en détail

Traitement bas-niveau

Traitement 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 détail

Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo

Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Christelle Garnier Télécom Lille / LAGIS UMR CNRS 829 Contexte Utilisation accrue de caméras dans de nombreux domaines d application

Plus en détail

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes

Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes CNES Paris - 22/05/2003 Atelier «Très Haute Résolution Spatiale» Outils pour la reconnaissance des formes Michel DHOME LASMEA UMR 6602CNRS/UBP Clermont-Ferrand Etat de l art (communauté vision artificielle)

Plus en détail

Analyse d images IMN 259. Où se situe l analyse d images?

Analyse d images IMN 259. Où se situe l analyse d images? Hiver 016 Analyse d images IMN 59 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 détail

Présentation des Images et introduction a la reconnaissance des formes

Présentation des Images et introduction a la reconnaissance des formes Master Info 1 Image et RF Présentation des Images et introduction a la reconnaissance des formes Plis fòs ba pengwen là! Objet de ce cours? Comprendre comment est acquise / stockée une image. Quelles mesures

Plus en détail

Détection 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 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 détail

Synthèse sur les segmentations testées 2D et 3D Dernière mise à jour : avril 2011

Synthèse sur les segmentations testées 2D et 3D Dernière mise à jour : avril 2011 Projet 2009 2010 Biométrie 3D Synthèse sur les segmentations testées 2D et 3D Dernière mise à jour : avril 2011 Département : TIC Mots clés : Biométrie, Analyse d images, Vision, Caméra thermique, Caméra

Plus en détail

BIO_MUL. (Biométrie & Multimodalité) Jean-François Bonastre - LIA. ACI Sécurité Informatique

BIO_MUL. (Biométrie & Multimodalité) Jean-François Bonastre - LIA. ACI Sécurité Informatique Communication Langagière et Interaction Pers onne-sys tème CNRS - INPG - UJF BP 53-38041 Grenoble Cedex 9 - France ACI Sécurité Informatique BIO_MUL (Biométrie & Multimodalité) Jean-François Bonastre -

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

Travaux pratiques de traitement d images

Travaux pratiques de traitement d images Travaux pratiques de traitement d images EI3 année 2009-2010 TP n 1 : Segmentation d images en régions p. 3 TP n 2 : Reconnaissance des formes p. 15 Vandenbroucke Nicolas R11 TP n 1 Segmentation d images

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L 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 détail

Application du deep learning à la traduction automatisée

Application du deep learning à la traduction automatisée Application du deep learning à la traduction automatisée soutenance de stage Montreal Institute for Learning Algorithms sous l encadrement de Yoshua Bengio et Pascal Vincent Avril - Août 2014 1/33 Plan

Plus en détail

Bases de données multimédia VIII indexation vidéo & audio

Bases de données multimédia VIII indexation vidéo & audio Bases de données multimédia VIII indexation vidéo & audio ENSIMAG 2014-2015 Matthijs Douze & Karteek Alahari Plan Spécificité du problème Filtrage temporel Détecteur spatio-temporels Aggrégation temporelle

Plus en détail

Reconnaissance 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 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 détail

Séminaire. de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg

Séminaire. de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg Séminaire de Cédric Graf Prof. Rolf Ingold Dr. Denis Lalanne Document, Image and Voice Analysis (DIVA) University of Fribourg 1 Y. Azoz, L. Devi, and R. Sharma. Reliable of human arm dynamics by multiple

Plus en détail

CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION

CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION Laboratoire Systèmes de Vision Embarqués CEA/SACLAY DEPARTEMENT DES TECHNOLOGIES DES SYSTEMES INTELLIGENTS SERVICE ARCHITECTURES ET CONCEPTION RT LIST DTSI - LSVE CEA/SACLAY 91191 GIF-SUR-YVETTE CEDEX

Plus en détail

Les mathématiques et le traitement de l image Kévin Polisano

Les mathématiques et le traitement de l image Kévin Polisano Les mathématiques et le traitement de l image Kévin Polisano [ Doctorant au Laboratoire ] Jean Kuntzmann et CNRS N hésitez pas à lever la main! pour m interrompre! Qu est-ce qu une image numérique? Source

Plus en détail

Apprentissage Automatique

Apprentissage 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 détail

L apport des technologies pour la détection de la fragilité et la prévention de la dépendance chez le sujet âgé

L apport des technologies pour la détection de la fragilité et la prévention de la dépendance chez le sujet âgé L apport des technologies pour la détection de la fragilité et la prévention de la dépendance chez le sujet âgé Eric Campo Journée découverte "De la détection de la fragilité à la dépendance : les apports

Plus en détail

Réalité Augmentée. Sylvie Naudet Collette. sylvie.naudet@cea.fr. Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC)

Réalité Augmentée. Sylvie Naudet Collette. sylvie.naudet@cea.fr. Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC) Réalité Augmentée Sylvie Naudet Collette Laboratoire Vision et Ingénierie des Contenus (DIASI/LVIC) sylvie.naudet@cea.fr PLAN 1. Introduction et définitions 2. Réalité augmentée sur des objets 3D Applications

Plus en détail

Projet Télédétection. Vidéo Surveillance. Deovan Thipphavanh Mokrani Abdeslam Naoui Saïd. Master 2 Pro SIS - 2005 / 2006

Projet Télédétection. Vidéo Surveillance. Deovan Thipphavanh Mokrani Abdeslam Naoui Saïd. Master 2 Pro SIS - 2005 / 2006 Projet Télédétection Vidéo Surveillance Deovan Thipphavanh Mokrani Abdeslam Naoui Saïd Master 2 Pro SIS - 2005 / 2006 Plan Introduction Lecture des images Détection des objets mouvants Détection des anomalies

Plus en détail

Lecture optique par vision industrielle

Lecture optique par vision industrielle Lecture optique par vision industrielle Le but du TP est d effectuer la détection et la lecture automatique de plaques d immatriculation de véhicules automobiles. Cette application est utilisée pour le

Plus en détail

PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES

PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES PROPOSITION D UNE APPROCHE DE SEGMENTATION D IMAGES HYPERSPECTRALES Nathalie GORRETTA MONTEIRO 1 1 UMR Information et Technologies pour les Agro-Procédés, Cemagref Montpellier, France Présentée le 25 Février

Plus en détail

Environnement Architecture de controle. Décisions

Environnement Architecture de controle. Décisions Chapitre 1 Introduction 1.1 Robot Mobile Il existe diverses définitions du terme robot, mais elles tournent en général autour de celle-ci : Un robot est une machine équipée de capacités de perception,

Plus en détail

largeur x hauteur en pixels, par exemple 640 x 480 ou 1920 x 1080

largeur x hauteur en pixels, par exemple 640 x 480 ou 1920 x 1080 Capteurs Cours #1 : Capteurs 2D CCD Par : Bernard Besserer Terminologie Dimensions / Taille de l image largeur x hauteur en pixels, par exemple 640 x 480 ou 1920 x 1080 Résolution points par pouce (dpi

Plus en détail

La thématique Traitement Statistique de l Information à TL1

La thématique Traitement Statistique de l Information à TL1 La thématique Traitement Statistique de l Information à TL1 Equipe de recherche Thématique développée à TL1 par 3 enseignants-chercheurs : Yves Delignon, Christelle Garnier, François Septier Thématique

Plus en détail

Guide d Utilisation du Logiciel Videoconsult sur PC

Guide d Utilisation du Logiciel Videoconsult sur PC Guide d Utilisation du Logiciel Videoconsult sur PC Sommaire Mise en marche Utilisation d une caméra courante Recherche d événements 5 Recherche par date. 6 Enregistrer une image 7 Enregistrer une séquence

Plus en détail

Champ de Markov couple pour la segmentation d images texturées

Champ de Markov couple pour la segmentation d images texturées Champ de Markov couple pour la segmentation d images texturées Juliette Blanchet INRIA Rhône-Alpes Equipes Mistis et Lear 1 Segmention d images par champ de Markov caché 2 Segmentation de textures 3 Résultats

Plus en détail

Vision par Ordinateur

Vision par Ordinateur Vision par Ordinateur James L. Crowley DEA IVR Premier Bimestre 2005/2006 Séance 6 23 novembre 2005 Détection et Description de Contraste Plan de la Séance : Description de Contraste...2 Le Détecteur de

Plus en détail

Systèmes d aide à l audio et à la vidéo surveillance dans les systèmes de transport

Systèmes d aide à l audio et à la vidéo surveillance dans les systèmes de transport Systèmes d aide à l audio et à la vidéo surveillance dans les systèmes de transport Sébastien AMBELLOUIS et Louahdi KHOUDOUR {sebastien.ambellouis,louahdi.khoudour}@inrets.fr 1 Plan de l'exposé La vidéo-surveillance

Plus en détail

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...

I Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème... TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................

Plus en détail

Initiation à la fouille de données et à l apprentissage automatiq

Initiation à la fouille de données et à l apprentissage automatiq Initiation à la fouille de données et à l apprentissage automatique 1 Laboratoire d Informatique Fondamentale de Marseille Université de Provence christophe.magnan@lif.univ-mrs.fr www.lif.univ-mrs.fr/

Plus en détail

Bases du traitement des images. Détection de contours

Bases du traitement des images. Détection de contours Détection de contours Dominique.Bereziat@lip6.fr Contributions: N. Thome, D. Béréziat, S. Dubuisson Octobre 2015 1 / 76 Introduction Rôle primordial de la détection de contours en vision 1 Réduction d

Plus en détail

Détection des deux roues motorisés par télémétrie laser à balayage

Détection 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 détail

Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites

Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites Projet GIZ-CRTS Formation en Télédétection spatiale et SIG CRTS, 18-21 janvier 2016 Aperçugénéral des principales méthodes d Extraction d informations thématiques à partir des images satellites Abderrahman

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence 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 détail

Analyse multidimensionnelle de données longitudinales

Analyse multidimensionnelle de données longitudinales Analyse multidimensionnelle de données longitudinales Ndèye Niang Conservatoire National des Arts et Métiers Plan Introduction Terminologie-Notations Méthodes directes Coefficient d association vectorielle

Plus en détail

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Ce cours est très proche du cours diffusé

Plus en détail

Vérification du bâti à partir de la disparité de points de contour

Vérification du bâti à partir de la disparité de points de contour Vérification du bâti à partir de la disparité de points de contour Charles Beumier Signal and Image Centre (Prof. Marc Acheroy) Ecole royale militaire Bruxelles, Belgique 8 Jan 29, Paris-Tech 1 Vérification

Plus en détail

Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements

Bases du traitement des images. Détection de contours. Nicolas Thome. 19 octobre 2009. Plan Modélisation Filtrage Approches continues Post-Traitements Détection de contours Nicolas Thome 19 octobre 2009 1 / 61 Introduction Rôle primordial de la détection de contours en vision 1 Réduction d'information Information de toute l'image résumée dans le contours

Plus en détail

L imagerie vue par un mathématicien

L imagerie vue par un mathématicien L imagerie vue par un mathématicien Li-Thiao-Té Sébastien LAGA UMR 7539, Université Paris 13 Plan Généralités Images Modèles Qu est-ce qu une image? des coordonnées spatiales des mesures pour chaque position

Plus en détail

Système de Vidéosurveillance

Système de Vidéosurveillance Système de Vidéosurveillance Systèmes Electroniques Numériques Lycée Professionnel Louis Lumière Contenu Mise en situation... 2 Cahier des charges... 2 Appropriation du matériel... 3 Caméra vidéo... 3

Plus en détail

Laboratoire 2 Extraction des caractéristiques

Laboratoire 2 Extraction des caractéristiques Laboratoire 2 Extraction des caractéristiques L objectif de l extraction et de la sélection de caractéristiques est d identifier les caractéristiques importantes pour la discrimination entre classes. Après

Plus en détail

Guide technique de caméras. Ce que vous devez prendre en compte lors du choix de vos caméras de vidéosurveillance

Guide technique de caméras. Ce que vous devez prendre en compte lors du choix de vos caméras de vidéosurveillance Guide technique de caméras Ce que vous devez prendre en compte lors du choix de vos caméras de vidéosurveillance Introduction Investir dans un système de vidéosurveillance de qualité est une sage décision.

Plus en détail

Cours: SYSTEMES MULTIMEDIA Master RSD, 2014/2015

Cours: SYSTEMES MULTIMEDIA Master RSD, 2014/2015 Cours: SYSTEMES MULTIMEDIA Master RSD, 2014/2015 Prof. Slimane Larabi Chapitre 2. Notions sur l image et la vidéo 2.1 Notions sur l'image 2.2 Représentation d une image 2.3 OPERATIONS SUR LES IMAGES 2.4

Plus en détail

OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES

OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES OUTILS FONDAMENTAUX EN TRAITEMENT D IMAGES Défis actuels Mégadonnées (big data) Square Kilometer Array Telescope : 300 To/s (100 Internet) 9 Robustesse Défis actuels Repérer les comportements suspects

Plus en détail

Bases de données multimédia V Description globale

Bases de données multimédia V Description globale Bases de données multimédia V Description globale ENSIMAG 2014-2015 Matthijs Douze & Karteek Alahari Description globale Une description globale est une représentation de l image dans son ensemble, sous

Plus en détail

6.1 Méthode des champs de potentiel

6.1 Méthode des champs de potentiel Chapitre 6 Évitement d obstacles L évitement d obstacles est un comportement de base présent dans quasiment tous les robots mobiles. Il est indispensable pour permettre au robot de fonctionner dans un

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

THESE. Rajae El Ouazzani

THESE. Rajae El Ouazzani Université Mohammed V - Souissi THESE pour obtenir le grade de : Docteur en Sciences Appliquées Spécialité : Informatique Préparée au sein de l UFR : Systèmes d Information Métiers, Multimédia et Mobile

Plus en détail

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille

PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Résumé de PFE PROJET DE FIN D ÉTUDES Asservissement visuel d un robot parallèle à câbles pour la réalisation d une fresque verticale de grande taille Introduction Dans le domaine de la robotique, la robotique

Plus en détail

Visibilité polygone à polygone :

Visibilité polygone à polygone : Introduction Visibilité polygone à polygone : calcul, représentation, applications Frédéric Mora Université de Poitiers - Laboratoire SIC 10 juillet 2006 1 La visibilité Introduction Contexte L espace

Plus en détail

Examen de Bases de données multimédia 5 février 2014 durée : 2h00

Examen de Bases de données multimédia 5 février 2014 durée : 2h00 Examen de Bases de données multimédia 5 février 2014 durée : 2h00 Documents autorisés : transparents du cours, notes de cours. Calculatrice non autorisée. Bonus = points en plus hors barème. EXERCICE 1.

Plus en détail

Vision Par Ordinateur. Techniques Statistiques de la Reconnaissance de Forme. Segmentation...2. Variables Aléatoires...7

Vision Par Ordinateur. Techniques Statistiques de la Reconnaissance de Forme. Segmentation...2. Variables Aléatoires...7 Vision Par Ordinateur James L. Crowley DEA IVR Premier Bimestre 1999/00 Séance 4 26 octobre 1999 Plan de la séance : Techniques Statistiques de la Reconnaissance de Forme Segmentation...2 La Distribution

Plus en détail

Endoscope vidéo et testeur CCTV

Endoscope vidéo et testeur CCTV Guide de l Utilisateur Endoscope vidéo et testeur CCTV Modèle BR50 Introduction Toutes nos félicitations pour votre acquisition de cet endoscope vidéo BR50 d Extech. Cet instrument est conçu pour servir

Plus en détail

Rapport de Stage. Habillage procédural et rendu en temps réel de vastes terrains texturés par GPU-quadtrees. (15 janvier - 15juillet 2006

Rapport de Stage. Habillage procédural et rendu en temps réel de vastes terrains texturés par GPU-quadtrees. (15 janvier - 15juillet 2006 Rapport de Stage Habillage procédural et rendu en temps réel de vastes terrains texturés par GPU-quadtrees (15 janvier - 15juillet 2006 15 avril - 15 juillet 2007) Effectué au sein du laboratoire MAP-ARIA

Plus en détail

Enjeux mathématiques et Statistiques du Big Data

Enjeux 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 détail

CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX?

CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX? CALCULS PARALLÈLES ET APPLICATIONS LA VISION PAR ORDINATEUR AU CEA LIST, QUELS CHOIX ARCHITECTURAUX? LABORATOIRE DE VISION ET INGÉNIERIE DES CONTENUS (LVIC) Fusion multimedia : extraction multimodale d

Plus en détail

Caméras, Vision et Mobilités ou Vision par ordinateur et Mobilités. Christophe CUDEL, Laboratoire MIPS

Caméras, Vision et Mobilités ou Vision par ordinateur et Mobilités. Christophe CUDEL, Laboratoire MIPS Caméras, Vision et Mobilités ou Vision par ordinateur et Mobilités Christophe CUDEL, Laboratoire MIPS Sommaire Vision par Ordinateur? Vision par ordinateur et mobilités Quelques projets : Mobilités Vision

Plus en détail

Apprentissage Automatique Numérique

Apprentissage Automatique Numérique Apprentissage Automatique Numérique Loïc BARRAULT Laboratoire d Informatique de l Université du Maine (LIUM) loic.barrault@lium.univ-lemans.fr 16 septembre 2015 1/42 Problème classique Automatique Autre

Plus en détail

Formation Actuaire Data-Scientist PROGRAMME

Formation Actuaire Data-Scientist PROGRAMME Formation Actuaire Data-Scientist PROGRAMME 15 Septembre 2014 Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz 15914 Programme Séance inaugurale : révolu-on numérique besoins des entreprises cadre

Plus en détail