Analyse du mouvement dans les vidéos et Suivi d objets
|
|
- Aurore Brunet
- il y a 7 ans
- Total affichages :
Transcription
1 Analyse du mouvement dans les vidéos et Suivi d objets Aurélie Bugeau Enseirb-Matmeca, IPB Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 1 / 45
2 Introduction Vidéo Séquence d images Chaque image pourrait être traitée indépendamment Pourquoi l analyse de vidéo? Cohérence temporelle Temps de calcul Mouvement : information supplémentaire Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 2 / 45
3 Introduction Que peut on faire? Calculer le mouvement Détecter les objets en mouvement Segmentation de mouvement Suivre les objets Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 3 / 45
4 Détection des objets en mouvement Plan Détection des objets en mouvement Extraction des objets à partir de la carte de mouvement Flot optique Segmentation de mouvement Detect-before-track Suivi basé sur les distributions Segmentation dynamique Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 4 / 45
5 Détection des objets en mouvement Détection des objets en mouvement 1. (quels pixels ont changé) 2. Extraction des objets à partir de la carte de mouvement Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 5 / 45
6 Détection des objets en mouvement Objectif : identifier dans chaque image quels pixels ont bougé i.e. quels pixels appartiennent à des objets mobiles Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 6 / 45
7 Détection des objets en mouvement Objectif : identifier dans chaque image quels pixels ont bougé i.e. quels pixels appartiennent à des objets mobiles Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 7 / 45
8 Détection des objets en mouvement Détection des objets en mouvement Identifier dans chaque image quels pixels ont bougé ou J(x, y, t) = I(x, y, t) I(x, y, t 1) J(x, y, t) = I(x, y, t) I ref (x, y, t) Si J(x, y, t) 0 alors le pixel a bougé Sinon pas de mouvement. Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 8 / 45
9 Détection des objets en mouvement Identifier dans chaque image quels pixels ont bougé J(x, y, t) = I(x, y, t) I ref (x, y, t) Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 9 / 45
10 Détection des objets en mouvement Détection des objets en mouvement Identifier dans chaque image quels pixels ont bougé J(x, y, t) = I(x, y, t) I(x, y, t 1) Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 10 / 45
11 Détection des objets en mouvement Détection des objets en mouvement Identifier dans chaque image quels pixels ont bougé ou J(x, y, t) = I(x, y, t) I(x, y, t 1) J(x, y, t) = I(x, y, t) I ref (x, y, t) Si J(x, y, t) 0 alors le pixel a bougé Sinon pas de mouvement. En pratique, utilisation d un seuil (Si J(x, y, t) < τ). Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 11 / 45
12 Détection des objets en mouvement Identifier dans chaque image quels pixels ont bougé J(x, y, t) = I(x, y, t) I ref (x, y, t) τ = 0 τ = 20 τ = 50 τ = 100 Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 12 / 45
13 Détection des objets en mouvement Limitation : difficulté du choix du seuil, de la fréquence D(n) = I(x, y, t + n) I(x, y, t) Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 13 / 45
14 Détection des objets en mouvement Utilisation de trois images : Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 14 / 45
15 Détection des objets en mouvement Contraintes (sans seuil) Caméra fixe Illumination constante Environnement contrôlé Capteur parfait Contraintes (avec seuil) Caméra bougeant lentement Faible variation d éclairement Bruits de capteur Environnement non contrôlé nécessité d estimer le mouvement ou d apprendre le fond Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 15 / 45
16 Détection des objets en mouvement Soustraction de fond Différence d images limitée à des séquences simples Estimation statistique en chaque pixel Moyenne arithmétique des n derniéres images (coûteux) Moyenne récursive (M(x, y, t) = αi(x, y, t) + (1 α)m(x, y, t 1)) Modèle gaussien ou GMM (variance et moyenne récursive) C. Stauffer and E. Grimson, "Adaptive Background Mixture Models for Real-time Tracking," CVPR, Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 16 / 45
17 Détection des objets en mouvement Soustraction de fond 1 1. Source : Massimo Piccardi Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 17 / 45
18 Détection des objets en mouvement Extraction des objets à partir de la carte de mouvement Détection des objets en mouvement Extraction des objets à partir de la carte de mouvement 1. Extraction des composantes connexes, suppression des pixels parasites 2. Etiquetage des composantes connexes Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 18 / 45
19 Détection des objets en mouvement Extraction des objets à partir de la carte de mouvement Extraction des objets à partir de la carte de mouvement Extraction des composantes connexes Opérateurs morphologiques (érosion, dilatation) Erosion : supprime les pixels isolés Dilatation : renforce les groupes denses de pixels Ouverture morphologique : érosion puis dilatation Fermeture morphologique : dilatation puis érosion Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 19 / 45
20 Détection des objets en mouvement Extraction des objets à partir de la carte de mouvement Opérateurs morphologiques Erosion Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 20 / 45
21 Détection des objets en mouvement Extraction des objets à partir de la carte de mouvement Opérateurs morphologiques Dilatation Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 21 / 45
22 Détection des objets en mouvement Extraction des objets à partir de la carte de mouvement Détection des objets en mouvement Extraction des objets à partir de la carte de mouvement 1. Extraction des composantes connexes, suppression des pixels parasites 2. Etiquetage des composantes connexes Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 22 / 45
23 Flot optique Plan Détection des objets en mouvement Flot optique Segmentation de mouvement Detect-before-track Suivi basé sur les distributions Segmentation dynamique Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 23 / 45
24 Flot optique Flot optique Flot optique = Champ de déplacement Hypothèse de conservation de l intensité : I(x, y, t) = I(x + δ x, y + δ y, t 1) Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 24 / 45
25 Flot optique Flot optique Block matching Equation du flot optique (ECMA : équation de contrainte du mouvement apparent) I(x, y, t) = I(x + δ x, y + δ y, t + δt) I(x, y, t) + δi δi δi.δx +.δy + δx δy δt.δt (Taylor) δi δx.δx δt + δi δy.δx δt + δi δt = 0 I.v + δi δt = 0 Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 25 / 45
26 Flot optique Flot optique I.v + δi δt = 0 Lucas & Kanade Champ de mouvement constant sur des petites régions v = arg min [ I(m, t).v + I t (m, t)] 2 v p Ω Résolution par moindres carrés Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 26 / 45
27 Segmentation de mouvement Plan Détection des objets en mouvement Flot optique Segmentation de mouvement Detect-before-track Suivi basé sur les distributions Segmentation dynamique Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 27 / 45
28 Segmentation de mouvement Segmentation de mouvement Aurélie Bugeau (Enseirb-Matmeca, IPB) Analyse des vidéos 28 / 45
29 Segmentation de mouvement Suivi d objets dans des vidéos Aurélie Bugeau Enseirb, IPB Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 29 / 45
30 Introduction Introduction Suivi temporel, de points, d objets segmentés ou de boîtes englobants des objets. Suivi temporel À partir des positions de l objet dans les images précédentes, trouver la position de l objet dans la nouvelle image 2 2. Source : Alain Boucher - IFI Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 30 / 45
31 Introduction Introduction Suivi temporel, de points, d objets segmentés ou de boîtes englobants des objets. Difficultés Zoom Occultations Changement d apparence Mouvement de la caméra Objets non rigides Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 31 / 45
32 Introduction Introduction 3 catégories : 1. Detect-before-track 2. Suivi basé sur les distributions 3. Segmentation dynamique Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 32 / 45
33 Detect-before-track Plan Détection des objets en mouvement Flot optique Segmentation de mouvement Detect-before-track Suivi basé sur les distributions Segmentation dynamique Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 33 / 45
34 Detect-before-track Detect-before-track Mise en correspondance de l objet suivi à t 1 avec les objets détectés à l instant t 3 Critères d appariement Visuels : taille, couleur, forme... Spatiaux : distance entre centres Source : Rémi Mégret Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 34 / 45
35 Detect-before-track Block Matching 4 4. Source : Alain Boucher - IFI Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 35 / 45
36 Detect-before-track Utilisation du mouvement Mouvement permet de prédire la nouvelle position de l objet 5 Prédiction Flot optique Vitesse constante, accélération constante... Appariement Recherche dans un voisinage autour de la prédiction Méthodes de filtrage 5. Source : Elise Arnaud Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 36 / 45
37 Méthodes de filtrage Detect-before-track 6 2 étapes 1. Prédiction 2. Correction à l aide d une mesure 6. Source : Alain Boucher - IFI Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 37 / 45
38 Méthodes de filtrage Detect-before-track 2 étapes 1. Prédiction 2. Correction à l aide d un mesure Erreurs de prédiction et de mesures 7 7. Source : Alain Boucher - IFI Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 38 / 45
39 Detect-before-track Avantages/Inconvénients + Peut gérer l entrée et la sortie d objets dans la scène + Suivi robuste si les détections sont de bonne qualité + Utilisation du mouvement : gestion des occultations - Dépend beaucoup des détections Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 39 / 45
40 Suivi basé sur les distributions Plan Détection des objets en mouvement Flot optique Segmentation de mouvement Detect-before-track Suivi basé sur les distributions Segmentation dynamique Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 40 / 45
41 Suivi basé sur les distributions Suivi basé sur les distributions Meilleure position correspond à la position pour laquelle la distribution des pixels est la plus proche de celle de référence 8 (poids élevé pour les pixels correspondant au modèle de couleur) 8. Robert Collins Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 41 / 45
42 Suivi basé sur les distributions Suivi basé sur les distributions En général distribution de couleur 9 9. Robert Collins Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 42 / 45
43 Suivi basé sur les distributions Avantages/Inconvénients + Suivi rapide et robuste dans des vidéos couleurs - Ne gère pas l entrée et la sortie de nouveaux objets - Sensible aux changements d illumination - Boîtes englobantes seulement Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 43 / 45
44 Segmentation dynamique Plan Détection des objets en mouvement Flot optique Segmentation de mouvement Detect-before-track Suivi basé sur les distributions Segmentation dynamique Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 44 / 45
45 Segmentation dynamique Segmentation dynamique Faire évoluer le contour obtenu à l instant précédent vers les contours de l image courante. 10 Utilisation des contours actifs 10. Kristen Grauman Aurélie Bugeau (Enseirb, IPB) Analyse des vidéos 45 / 45
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 détailAnalyse 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 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 détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
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 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 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 détailMODE D EMPLOI DU LOGICIEL LIGNES DE TEMPS A partir du film La Mort aux trousses d Alfred Hitchcock
MODE D EMPLOI DU LOGICIEL LIGNES DE TEMPS A partir du film La Mort aux trousses d Alfred Hitchcock Pour ouvrir un projet Pour ouvrir un fichier projet, lancez Lignes de temps et cliquez sur Fichier ->
Plus en détailM2R IMA UE CONF Présentation
M2R IMA UE CONF Présentation L objectif de l UE «Conférences» est de : 1. Présenter des applications du traitement d images dans divers domaines industriels ou académiques. 2. Apporter des compléments
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 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 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 détailEfficace et ciblée : La surveillance des signaux de télévision numérique (2)
Efficace et ciblée : La surveillance des signaux de télévision numérique (2) La première partie de cet article publié dans le numéro 192 décrit la méthode utilisée pour déterminer les points de surveillance
Plus en détailMIEUX CONNAÎTRE LES HANDICAPS, ADAPTER SON COMPORTEMENT
MIEUX CONNAÎTRE LES HANDICAPS, ADAPTER SON COMPORTEMENT Chaque handicap est différent. Si la classification des handicaps en grandes familles peut, au premier abord, paraître réductrice, elle a cependant
Plus en détailÉtude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test
11 juillet 2003 Étude des Corrélations entre Paramètres Statiques et Dynamiques des Convertisseurs Analogique-Numérique en vue d optimiser leur Flot de Test Mariane Comte Plan 2 Introduction et objectif
Plus en détailM1 Informatique, Réseaux Cours 9 : Réseaux pour le multimédia
M1 Informatique, Réseaux Cours 9 : Réseaux pour le multimédia Olivier Togni Université de Bourgogne, IEM/LE2I Bureau G206 olivier.togni@u-bourgogne.fr 24 mars 2015 2 de 24 M1 Informatique, Réseaux Cours
Plus en détailCours d Acoustique. Niveaux Sonores Puissance, Pression, Intensité
1 Cours d Acoustique Techniciens Supérieurs Son Ière année Aurélie Boudier, Emmanuelle Guibert 2006-2007 Niveaux Sonores Puissance, Pression, Intensité 1 La puissance acoustique Définition La puissance
Plus en détailExposition. VLR plongée e commission photo
Exposition VLR plongée e commission photo Agenda Définitions Exposition / analogie du verre d eau (de vin?) Ouverture Vitesse Sensibilité La notion d EV Pourquoi cela ne suffit pas? Dynamique des capteurs
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
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 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 détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailINTRODUCTION GENERALE AU MARKETING
INTRODUCTION GENERALE AU MARKETING 1. La notion de marché 2. La définition du Marketing et du Marketing - Mix 3. Les fonctions de l entreprise 4. La stratégie push ( fonction de production ) 5. La stratégie
Plus en détailFête de la science Initiation au traitement des images
Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone
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 détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
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 détailMASTER D INFORMATIQUE
INSTITUT DE LA FRANCOPHONIE POUR L INFORMATIQUE INSTITUT NATIONAL DE RECHERCHE EN INFORMATIQUE ET EN AUTOMATIQUE MEMOIRE DE FIN D ETUDES MASTER D INFORMATIQUE REPARATION DES TRAJECTOIRES DE PERSONNES SUIVIES
Plus en détailCompression et Transmission des Signaux. Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette
Compression et Transmission des Signaux Samson LASAULCE Laboratoire des Signaux et Systèmes, Gif/Yvette 1 De Shannon à Mac Donalds Mac Donalds 1955 Claude Elwood Shannon 1916 2001 Monsieur X 1951 2 Où
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détail1. Comportement envers l homme au standard/à la mesure
- 1 - - 2-1. Comportement envers l homme au standard/à la mesure Pendant que le chien soit mesuré/ jugé au standard son comportement est observé: Le chien réagit déjà d une manière craintive/ agressive
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 détailCHAPITRE. Le mouvement en deux dimensions CORRIGÉ DES EXERCICES
CHAPITRE Le mouvement en deux dimensions CORRIGÉ DES EXERCICES Exercices. Les vecteurs du mouvement SECTION. 5. Une montgolfière, initialement au repos, se déplace à vitesse constante. En 5 min, elle
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 détail(In)sécurité de la Voix sur IP [VoIP]
(In)sécurité de la Voix sur IP [VoIP] Nicolas FISCHBACH Senior Manager, IP Engineering/Security - COLT Telecom nico@securite.org - http://www.securite.org/nico/ version 0.01 Introduction» Voix et téléphonie
Plus en détailChapitre 2 Caractéristiques des ondes
Chapitre Caractéristiques des ondes Manuel pages 31 à 50 Choix pédagogiques Le cours de ce chapitre débute par l étude de la propagation des ondes progressives. La description de ce phénomène est illustrée
Plus en détailUne offre performante, la clé du succès Techniques Marketing pour PME, TPE et Indépendant
Les clés de la Réussite Une offre performante, la clé du succès Techniques Marketing pour PME, TPE et Indépendant E-learning 14 heures Tarif : 490 Le manque d approche Marketing pénalise les petites structures.
Plus en détailFIDELISER LES CLIENTS GRACE A DES OUTILS ADAPTES
FIDELISER LES CLIENTS GRACE A DES OUTILS ADAPTES Ville -Date 20/02/2013 1 Sommaire Sur Internet personne ne passe devant votre boutique! Il est donc indispensable de mettre en place des outils pour garder
Plus en détailAtelier du 25 juin 2012. «Les bonnes pratiques dans l e-mailing» Club
Atelier du 25 juin 2012 «Les bonnes pratiques dans l e-mailing» Agenda de l atelier Introduction et rappel des bonnes pratiques Exemple et retour d expérience Maison Tasset Partage d expérience entre les
Plus en détailImmersion - Vision 3D dans la RV.
Cours RVS Master II IVA Immersion - Vision 3D dans la RV. Cours de Réalité Virtuelle et Simulation Master II - IVA A. Mebarki - Maître de Conférences Département d'informatique Faculté des Mathématiques
Plus en détailhttp ://www.labri.fr/perso/bugeau/
Aurélie Bugeau Etat civil Date de Naissance 17 septembre 1982 à Nantes (44) Nationalité Française Situation familiale Mariée, deux enfants Adresse professionnelle LaBRI, Université Bordeaux, 351 cours
Plus en détailStratégies marketing. Augmenter sa créativité en période de changement. Journée d information sur les cultures ornementales en serre Novembre 2009
Stratégies marketing Augmenter sa créativité en période de changement Journée d information sur les cultures ornementales en serre Novembre 2009 La présentation Marketing en temps de crise Quelques principes
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 détailTP SIN Traitement d image
TP SIN Traitement d image Pré requis (l élève doit savoir): - Utiliser un ordinateur Objectif terminale : L élève doit être capable de reconnaître un format d image et d expliquer les différents types
Plus en détailIntérêts et limites de la vidéo-surveillance intelligente pour la Sécurité Globale
Intérêts et limites de la vidéo-surveillance intelligente pour la Sécurité Globale Pierre BERNAS 1 1 EVITECH +33.820.2008.39 pbernas at evitech dot com 1. Introduction Depuis la fin des années 90, la numérisation
Plus en détailUtilisation des Points d Intérêts Couleurs pour le Suivi d Objets
Utilisation des Points d Intérêts Couleurs pour le Suivi d Objets Pierre Gabriel, Jean-Bernard Hayet, Justus Piater et Jacques Verly Université de Liège, Département d Électricité, Électronique et Informatique
Plus en détailTP Modulation Démodulation BPSK
I- INTRODUCTION : TP Modulation Démodulation BPSK La modulation BPSK est une modulation de phase (Phase Shift Keying = saut discret de phase) par signal numérique binaire (Binary). La phase d une porteuse
Plus en détailScanner acoustique NoiseScanner
Scanner acoustique NoiseScanner «Des yeux et des oreilles pour localiser les sources de bruit...» Scanner acoustique NoiseScanner Décibel d Or 2014 Caractéristiques générales Originalités Fruit de 20 ans
Plus en détailMéthodologie des projets de communication
PETER STOCKINGER, PU Institut National des Langues et Civilisations Orientales (INALCO) Méthodologie des projets de communication (Séminaire CIM 5A 01c) Quatrième partie Paris, Institut National des Langues
Plus en détailSystème de détection d intrusions périmétrique par câble enterré INTREPID TM
icrotrack, la dernière addition à la famille de systèmes de détection d intrusions INTREPID de Southwest Microwave, est un nouveau système de câble enterré destiné aux applications qui exigent une protection
Plus en détailSpectrophotométrie. Spectrophotomètre CCD2. Réf : 701 606. Version 1.0. Français p 2. Version : 4105
Réf : Version 1.0 Français p 2 Version : 4105 Spectrophotomètre CCD2 1 Avant-propos et description Chère cliente, cher client, nous vous félicitons d'avoir choisi notre Spectrophotomètre CCD2 pour réaliser
Plus en détailObserver TP Ondes CELERITE DES ONDES SONORES
OBJECTIFS CELERITE DES ONDES SONORES Mesurer la célérité des ondes sonores dans l'air, à température ambiante. Utilisation d un oscilloscope en mode numérique Exploitation de l acquisition par régressif.
Plus en détailCours 1 : Qu est-ce que la programmation?
1/65 Introduction à la programmation Cours 1 : Qu est-ce que la programmation? Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr Université Paris Diderot Paris 7 2/65 1. Sortez un appareil qui peut se rendre
Plus en détailLes Réseaux sans fils : IEEE 802.11. F. Nolot
Les Réseaux sans fils : IEEE 802.11 F. Nolot 1 Les Réseaux sans fils : IEEE 802.11 Historique F. Nolot 2 Historique 1er norme publiée en 1997 Débit jusque 2 Mb/s En 1998, norme 802.11b, commercialement
Plus en détailEn quelques mots. 8 millions de profils Opt-In et qualifiés. nos fichiers exclusifs contiennent
En quelques mots Maildata à pour mission d accélérer la croissance et la visibilité de ses clients par le canal de campagnes email marketing extra ciblées nos fichiers exclusifs contiennent 8 millions
Plus en détail3 Bees Online SAS ACEOS 2014
3 Bees Online SAS ACEOS 20 3 Bees Online - 5 rue de Courtalin 77700 Magny-le-Hongre 01 60 04 51 65 1 Présentation 3 Bees Online est une agence de conseil développement sur mesure en communication numérique
Plus en détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailPack Fifty+ Normes Techniques 2013
Pack Fifty+ Normes Techniques 2013 Nos formats publicitaires par site 2 Normes techniques 2013 Display classique Pavé vidéo Footer Accueil panoramique Publi rédactionnel Quiz Jeu concours Emailing dédié
Plus en détailLivrable 2.1 Rapport d analyse et de restructuration de code monothread des modules P, T, Q et F de l encodage MPEG-4 AVC
Groupe des Ecoles des Télécommunications Institut National des Télécommunications Département ARTEMIS Advanced Research & TEchniques for Multidimensional Imaging Systems Livrable 2.1 Rapport d analyse
Plus en détailTests de comparaison de moyennes. Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique»
Tests de comparaison de moyennes Dr Sahar BAYAT MASTER 1 année 2009-2010 UE «Introduction à la biostatistique» Test de Z ou de l écart réduit Le test de Z : comparer des paramètres en testant leurs différences
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 détailContributions à l expérimentation sur les systèmes distribués de grande taille
Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte
Plus en détailSpécifications Techniques - Tablettes
Spécifications Techniques - Tablettes SOMMAIRE : Le Figaro ipad.3 Le Figaro Magazine ipad.16 Interstitiel Le Figaro / Safari IPAD... 20 Le Figaro Madame ipad. 22 Le Figaro GOLF ipad 24 Le Figaro Android
Plus en détailVidéo Protection La R82
Vidéo Protection La R82 Nos métiers R 81 R 82 i7/f7 Nos clients 50%. de nos clients sont des «risques lourds»! Nos certifications La Déclaration de Conformité: Un engagement de résultat sur nos installations
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailCREER UN ENREGISTREMENT DANS LA ZONE DNS DU DOMAINE
CREER UN ENREGISTREMENT DANS LA ZONE DNS DU DOMAINE Ref : FP. P861 V 9.0 Résumé La zone DNS de votre domaine regroupe l'ensemble des informations permettant de faire fonctionner votre domaine. Vous pouvez
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailIntroduction à l informatique temps réel Pierre-Yves Duval (cppm)
Introduction à l informatique temps réel Pierre-Yves Duval (cppm) Ecole d informatique temps réel - La Londes les Maures 7-11 Octobre 2002 -Définition et problématique - Illustration par des exemples -Automatisme:
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 détailEnregistrement et transformation du son. S. Natkin Novembre 2001
Enregistrement et transformation du son S. Natkin Novembre 2001 1 Éléments d acoustique 2 Dynamique de la puissance sonore 3 Acoustique géométrique: effets de diffusion et de diffraction des ondes sonores
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en détailMicroscopie de fluorescence Etat de l art
Etat de l art Bibliométrie (Web of sciences) CLSM GFP & TPE EPI-FLUORESCENCE 1 Fluorescence Diagramme de JABLONSKI S2 S1 10-12 s Excitation Eex Eem 10-9 s Émission Courtoisie de C. Spriet
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 détailbasée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB www.enseirb.fr/~legal Olivier Augereau Formation UML
basée sur le cours de Bertrand Legal, maître de conférences à l ENSEIRB www.enseirb.fr/~legal Olivier Augereau Formation UML http://olivier-augereau.com Sommaire Introduction I) Les bases II) Les diagrammes
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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailQoS et Multimédia SIR / RTS. Introduction / Architecture des applications multimédia communicantes
QoS et Multimédia SIR / RTS Introduction / Architecture des applications multimédia communicantes Isabelle Guérin Lassous Isabelle.Guerin-Lassous@ens-lyon.fr http://perso.ens-lyon.fr/isabelle.guerin-lassous
Plus en détailFormation e-publicité
Formation e-publicité OT de Thonon-les-Bains - Juillet 2012 Page 1 2 façons d envisager l e-publicité DISPLAY CRÉER LA DEMANDE - Bannière publicitaire - Publicité vidéo (web tv) - Publi-reportage - Affichage
Plus en détailكر اس الشروط الفني ة اخلاص ة
اجلمهورية التونسية وزارة التعليم العالي والبحث العلمي جامعة املنستري كر اس الشروط الفني ة اخلاص ة Camera de Surveillance interne Full HD Camera Jour/Nuit IP Camera Norme : IP66 Caméra capteur : 1/2 2 Méga
Plus en détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
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 détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailAnalyses psychoacoustiques dans ArtemiS SUITE
Analyses psychoacoustiques dans ArtemiS SUITE La psychoacoustique est l étude du rapport existant entre les grandeurs physiques du son et la sensation auditive qu elles provoquent. Des paramètres physiques
Plus en détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailL'intelligence en mouvement. Caméras AUTODOME 7000 avec fonction de suivi intelligent
L'intelligence en mouvement Caméras AUTODOME 7000 avec fonction de suivi intelligent 2 Bosch AUTODOME 7000 Les caméras IP et HD AUTODOME 7000 combinent une intelligence avancée, une flexibilité de diffusion
Plus en détailWilliam Pezet monsieurpixel@gmail.com
Du grain à moudre est un projet d installation multimédia qui utilise le moulin à café à la fois comme interface interactive mais aussi comme base imaginaire pour son propos William Pezet monsieurpixel@gmail.com
Plus en détailTeste et mesure vos réseaux et vos applicatifs en toute indépendance
Teste et mesure vos réseaux et vos applicatifs en toute indépendance 2013 J3TEL en quelques minutes Groupe HBG en bref : Siège social à Paris 1100 employés dans 6 pays 150 M d de CA en 2012 Des activités
Plus en détailAntenne amplifiée d intérieure SRT ANT 10 ECO
Antenne amplifiée d intérieure SRT ANT 10 ECO Image simulée Manuel d'utilisateur Table de Matière 1.0 INTRODUCTION 1 2.0 CONTENU DE LA BOITE 1 3.0 PRECAUTIONS D UTILISATION 2 4.0 BRANCHEMENT DE L ANTENNE
Plus en détailContribution à la conception par la simulation en électronique de puissance : application à l onduleur basse tension
Contribution à la conception par la simulation en électronique de puissance : application à l onduleur basse tension Cyril BUTTAY CEGELY VALEO 30 novembre 2004 Cyril BUTTAY Contribution à la conception
Plus en détailSYSTEME DE PALPAGE A TRANSMISSION RADIO ETUDE DU RECEPTEUR (MI16) DOSSIER DE PRESENTATION. Contenu du dossier :
SYSTEME DE PALPAGE A TRANSMISSION RADIO ETUDE DU RECEPTEUR (MI16) DOSSIER DE PRESENTATION Contenu du dossier : 1. PRESENTATION DU SYSTEME DE PALPAGE A TRANSMISSION RADIO....1 1.1. DESCRIPTION DU FABRICANT....1
Plus en détailChapitre 7 - Relativité du mouvement
Un bus roule lentement dans une ville. Alain (A) est assis dans le bus, Brigitte (B) marche dans l'allée vers l'arrière du bus pour faire des signes à Claude (C) qui est au bord de la route. Brigitte marche
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 détailLes différents parcours en S4
Les différents parcours en S4 3x3 parcours sont proposés. Il existe d abord trois grandes familles de spécialisation: le développement front (60 places), le développement back (30 places) et la communication
Plus en détailObjectifs quantitatifs : Générer des flux prospectifs Développer les admissions parallèles
LES OBJECTIFS 1 Objectifs quantitatifs : Générer des flux prospectifs Développer les admissions parallèles Objectifs qualitatifs Augmenter la visibilité de l offre post-bac+3/4 Capter un public averti
Plus en détailCodage vidéo par block matching adaptatif
Traitement et analyse d'images(39) Codage vidéo par block matching adaptatif Abdelhamid Djeffal Département d informatique Université Mohamed Khider BISKRA, ALGERIE Abdelhamid_Djeffal@yahoo.fr Zine Eddine
Plus en détailLES OUTILS DE FIDÉLISATION
LES OUTILS DE FIDÉLISATION Sommaire Sur Internet personne ne passe devant votre boutique! 1. Site 2. Newsletters 3. Fidélité 4. Parrainage 5. Réseaux sociaux 6. Nouveauté 1. Votre site votre porte d entrée
Plus en détail