Exploitation des Réseaux R pour la reconnaissance de comportement d objets d. à partir d images d. de vidéosurveillance

Dimension: px

Commencer à balayer dès la page:

Download "Exploitation des Réseaux R pour la reconnaissance de comportement d objets d. à partir d images d. de vidéosurveillance"

Patrick Roux
il y a 8 ans
Total affichages :

1 Exploitation des Réseaux R Bayésiens pour la reconnaissance de comportement d objets d à partir d images d de vidéosurveillance Sujet de thèse : Présent sentée e par: hmed Ziani Encadrements : Mr C. Motamed,, Pr D. Hamad

images d de vidéosurveillance Sujet de thèse : Présent

2 Plan Introduction Problématique Méthodes de reconnaissance Modèle de comportements Expérimentation

3 Introduction Problématique Méthodes Modèle de comportement Expérimentation Contexte Objectif Equipe extraction de l information l et apprentissage du LSL pplication dans la vision par ordinateur Création d un d système automatique de reconnaissance de comportements des objets dans une scène réelle r ( séquence s vidéo) pplications : surveillance-sécurit curité,, interaction homme-machine, machine, analyse de geste sportif développer un algorithme de reconnaissance permettant de reconnaître des comportements particuliers en intégrant la contrainte de traitement temps réelr => indexation automatique de vidéo o (description haut niveau )

vidéo) pplications : surveillance-sécurit curité,, interaction homme-machine, machine, analyse de geste sportif développer un algorithme de reconnaissance

4 Introduction Problématique Méthodes Modèle de comportement Expérimentation Étapes principales : Détection et suivi d objets d dans une séquence s vidéo Extraction de caractéristiques ristiques Reconnaissance de comportements qui est basée e : Mise en correspondance d un d comportement observé (ensemble de caractéristiques ristiques extraites de l image) l et un ensemble de modèles de comportements

Reconnaissance de comportements qui est basée e : Mise en correspondance d un d comportement

5 Introduction Problématique Méthodes Modèle de comportement Expérimentation Difficultés s : Enchaînement nement d é étapes d intégrant des imperfections L image est dégradd gradée e par différents phénom nomènes nes liés s aux conditions d é éclairage, d les distorsions, les effets de numérisation... détection ( fausse-détection, non détection) suivi d objet d ( perte, confusion, occultation d objets) d extraction de caractéristique ristique ( instable, imprécise) Modélisation des comportements (variabilité,, dépendance d variables diverses)

6 Introduction Problématique Méthodes Modèle de comportement Expérimentation Techniques Existantes pour la Reconnaissance de Comportements Programmation dynamique [Myers80] Chaîne de caractère, re, reconnaissance de parole Réseaux de Neurones [Guo94] beaucoup d exemples, d Modèle de Markov Caché [Poddar98] la plus utilisée e pour analyse de séquence s enchaînée e d é états d Réseaux Bayésiens [Pearl01] (plus récent) r Incertitudes Combinaison d information de nature diverse ( qualitative-quantitative) quantitative)

beaucoup d exemples, d Modèle de Markov Caché [Poddar98] la plus utilisée e pour analyse de séquence s enchaînée e d é états d

7 Reconnaissance de comportement Introduction Problématique Méthodes Modèle de comportement Expérimentation niveau de complexité Comportement1 Séquences d images Détection et suivi d objets mobiles Calcul de propriétés d objets mobiles Comportement2 ComportementN Réseaux Bayésiens Traitement bas niveau Traitement haut niveau Caractérisation risation de l'image : caractéristique ristique d une d région r mobile (objet mobile) Propriété de l objet l mobile : propriété formée à partir d'une ou plusieurs régions r mobiles Comportements : comportement d'un objet mobile sur une certaine période p de temps

Traitement haut niveau Caractérisation risation de l'image : caractéristique ristique d une d région r mobile (objet mobile) Propriété de l objet l

8 Introduction Problématique Méthodes Modèle de comportement Expérimentation Comportement de Base Combinaison de plusieurs propriétés s d'objets mobiles On vérifie v à chaque image si le comportement se produit (à( chaque instant). Par ex. «un objet se rapproche d un d autre objet» Méthode proposée e (Réseaux bayésiens) Extraire un ensemble d'observations (dans le temps) des propriétés s des objets mobiles O = O(1, t) = O1 O2 Ot Déterminer un ensemble de modèles de comportements possibles C = { comportement1, comportement2,, comportementn } Déterminer la probabilité que le comportement se soit produit P(comportement O(1, t) ) Utiliser des Réseaux R Bayésiens dont la sortie est la «validité d une hypothèse (comportement)»

«un objet se rapproche d un d autre objet» Méthode proposée e (Réseaux bayésiens) Extraire un ensemble d'observations (dans le temps) des propriétés s des objets mobiles O = O(1, t)

9 Introduction Problématique Méthodes Réseaux Bayésiens Modèle de comportement Expérimentation Exemple de comportement ( Etiseo, projet technovision ) Quelques types de Comportements Comportements de base : Stopped(p or g or v or m) Walking (p), running(p) Standing (p), sitting(p) Lying (p), crouching(p) moving (p or v), waiting(p or g) close_to(p1, p2 or g or v) going_toward(p1 or g1, p2 or g2 or v) Comportements complexes : abandoned_baggage (o)

or g or v or m) Walking (p), running(p) Standing (p), sitting(p) Lying (p), crouching(p) moving (p or v),

10 Introduction Problématique Méthodes Modèle de comportement Expérimentation Exemple de Modélisation de comportement complexe scénario Bagage abandonné Division O1 T C B : début objet qui s éloigne O1,1 B : début objet statique O1,2 C : détection risque B 2 événements qui démarrent en même temps D F E D : O1,2, stationnaire pendant Dt E : Objet O1,1 loin F : détection B t 2 événements devant être validés dans le temps

début objet statique O1,2 C : détection risque B 2 événements qui démarrent en même temps D F E D :

11 Introduction Problématique Méthodes Modèle de comportement Expérimentation Raisonnement Temporel et Réseaux Bayésiens Comportements sophistiqués = comportements de base + relations temporelles. relations temporelles d llen [llen81]. Relation Inverse Signification < B B > précède(<) B suit (>) C m B B mi B rencontre(m) rencontré par(mi) s(,b) o B B oi chevauche(o) B chevauché par(oi) d B B di pendant (d) s() f() s(b) f(b) s B B si B B contient(di) commence (s) commencé par(si) B f B B fi termine (f) B terminé par(fi) = B B = égal() B

Relation Inverse Signification < B B > précède(<) B suit (>) C m B B mi B rencontre(m) rencontré par(mi) s(,b) o B B oi chevauche(o) B

12 ristique é image d caract Introduction Problématique Méthodes Modèle de comportement Expérimentation C_Complexe rapprochement C_Complexe comportement complexe tourne vers ralentissement distance diminue comportement de base vitesset Vitesset-1 vitessemax propriétés d objets angle1 angle2 Distance objt Distance objt-1 mobiles complexes trajectoire position obj zone E/S zone S/E centre zone gauche zone droite Implémentation des réseaux bayésiens dans la reconnaissance de comportements

Vitesset-1 vitessemax propriétés d objets angle1 angle2 Distance objt Distance objt-1 mobiles complexes trajectoire

13 Introduction Problématique Méthodes Modèle de comportement Expérimentation Résultat de l indexation automatique Par description symbolique

14 Introduction Problématique Méthodes Modèle de comportement Expérimentation Représentation de résultats r :( les deux modules ) Module de Détection et Suivi t Module de Reconnaissance de comportement t

15 Introduction Problématique Méthodes Modèle de comportement Expérimentation Exploitation des réseaux r bayésiens et les Modèles de Markov Cachés pour modéliser et reconnaître des enchaînements. nements. pproche de réseaux r bayésiens hiérarchis rarchisées pour modéliser des comportements complexes. pprofondir l utilisation l des réseaux r temporels (nœ ud temporel). pprendre des paramètres de ces réseaux r à partir d exemples. d

pproche de réseaux r bayésiens hiérarchis rarchisées pour modéliser des comportements complexes.

Documents pareils

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language

Cycle de vie du logiciel. Unified Modeling Language UML. UML: définition. Développement Logiciel. Salima Hassas. Unified Modeling Language Unified Modeling Language UML Salima Hassas Version Cycle de vie du logiciel Client Besoins Déploiement Analyse Test Conception Cours sur la base des transparents de : Gioavanna Di Marzo Serugendo et Frédéric