Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun
|
|
|
- Martial Marion
- il y a 8 ans
- Total affichages :
Transcription
1 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
2 Système de surveillance des s Enregistreur vidéo embarqué dans chaque véhicule Plusieurs caméras Ordinateur limité (CPU, mémoire, disque) Station de relecture située au central Ordinateur classique Objectif : Étude des apports de l analyse des séquences d images PC 2
3 Système de surveillance des s Enregistreur vidéo embarqué dans chaque véhicule Plusieurs caméras Ordinateur limité (CPU, mémoire, disque) Station de relecture située au central Ordinateur classique Objectif : Étude des apports de l analyse des séquences d images PC 2
4 Système de surveillance des s Enregistreur vidéo embarqué dans chaque véhicule Plusieurs caméras Ordinateur limité (CPU, mémoire, disque) Station de relecture située au central Ordinateur classique Objectif : Étude des apports de l analyse des séquences d images PC 2
5 Système de surveillance des s Enregistreur vidéo embarqué dans chaque véhicule Plusieurs caméras Ordinateur limité (CPU, mémoire, disque) Station de relecture située au central Ordinateur classique Objectif : Étude des apports de l analyse des séquences d images PC 2
6 Système de surveillance des s Enregistreur vidéo embarqué dans chaque véhicule Plusieurs caméras Ordinateur limité (CPU, mémoire, disque) Station de relecture située au central Ordinateur classique Objectif : Étude des apports de l analyse des séquences d images PC DEPOT PC 2
7 Système de surveillance des s Enregistreur vidéo embarqué dans chaque véhicule Plusieurs caméras Ordinateur limité (CPU, mémoire, disque) Station de relecture située au central Ordinateur classique Objectif : Étude des apports de l analyse des séquences d images PC DEPOT PC 2
8 envisagées des s 3 domaines d applications : Aide à installation et maintenance Aide à la relecture des images Transmission vidéo bas-débit 2 thèmes scientifiques principaux : 1 Détection de défauts sur les caméras 2 et suivi des passagers PC DEPOT PC 3
9 Plan de la Présentation des s 1 2 des s 3 4
10 Plan des s 1 2 des s 3 5
11 But: Assurer la bonne qualité des enregistrements des s 6
12 But: Assurer la bonne qualité des enregistrements des s flou 6
13 But: Assurer la bonne qualité des enregistrements des s obstruction 6
14 But: Assurer la bonne qualité des enregistrements des s 3 caractéristiques étudiées : 1 Cadrage de la caméra 2 Netteté de l image 3 Visibilité de la scène 6
15 Plan des s 1 2 des s 3 7
16 des s 1 Extraire une mesure pour chaque caractéristique étudiée (netteté, champ de vision, visibilité) : sensible au réglage sélective robuste aux variations de la scène et de l illumination 2 Etudier l évolution des mesures Déviation standard du profil moyen Temps (indice de l image) 8
17 Difficultés du problème Caméras mobiles / extérieur des s Variations : 1 Contenu de la scène 2 Illumination (brusque ou lente) Passagers Paysage extérieur 9
18 Difficultés du problème Caméras mobiles / extérieur des s Variations : 1 Contenu de la scène 2 Illumination (brusque ou lente) Passagers Paysage extérieur 9
19 Difficultés du problème Caméras mobiles / extérieur des s Variations : 1 Contenu de la scène 2 Illumination (brusque ou lente) Heure de la journée Ombres portées mobiles Contrôles automatiques de gain et de balance des couleurs 9
20 Difficultés du problème Caméras mobiles / extérieur des s Variations : 1 Contenu de la scène 2 Illumination (brusque ou lente) Heure de la journée Ombres portées mobiles Contrôles automatiques de gain et de balance des couleurs 9
21 Difficultés du problème Caméras mobiles / extérieur des s Variations : 1 Contenu de la scène 2 Illumination (brusque ou lente) Heure de la journée Ombres portées mobiles Contrôles automatiques de gain et de balance des couleurs 9
22 Difficultés du problème Caméras mobiles / extérieur des s Variations : 1 Contenu de la scène 2 Illumination (brusque ou lente) Très peu d a priori Adaptation à l environnement 9
23 Plan des s 1 2 des s 3 10
24 Champ de vision des s Information temporellement stable, rendant compte du champ de vision. Contours : véhicule, paysage, passagers, reflets/ombres Somme temporelle des contours contours stables vue 1 vue 2 vue 3 11
25 Champ de vision des s Information temporellement stable, rendant compte du champ de vision. Contours : véhicule, paysage, passagers, reflets/ombres Somme temporelle des contours contours stables 11
26 Champ de vision des s Information temporellement stable, rendant compte du champ de vision. Contours : véhicule, paysage, passagers, reflets/ombres Somme temporelle des contours contours stables 11
27 Champ de vision des s Information temporellement stable, rendant compte du champ de vision. Contours : véhicule, paysage, passagers, reflets/ombres Somme temporelle des contours contours stables 11
28 Champ de vision des s Information temporellement stable, rendant compte du champ de vision. Contours : véhicule, paysage, passagers, reflets/ombres Somme temporelle des contours contours stables 11
29 Comparaison de deux vues des s vue de référence autre vue mesure = médiane des valeurs dans la carte de distances 12
30 Comparaison de deux vues des s contours de référence contours de l autre vue mesure = médiane des valeurs dans la carte de distances 12
31 Comparaison de deux vues des s distances de chanfrein contours de l autre vue mesure = médiane des valeurs dans la carte de distances 12
32 Comparaison de deux vues des s superposition contours de l autre vue mesure = médiane des valeurs dans la carte de distances 12
33 Détection d un Évolution de la mesure lors de l apparition d un des s Distance médiane cadrage de référence à gauche Temps (indice de l image) Seuil de détection = maximum toléré 13
34 Détection d un Évolution de la mesure lors de l apparition d un des s Distance médiane cadrage de référence à gauche Temps (indice de l image) Seuil de détection = maximum toléré 13
35 Détection d un Évolution de la mesure lors de l apparition d un des s Distance médiane cadrage de référence à gauche Temps (indice de l image) Seuil de détection = maximum toléré 13
36 Plan des s 1 2 des s 3 14
37 des s Image floue = convolution d une image nette par une fonction d étalement gaussienne. Mesurable sur les contours : = I = I 0 f PSF Dérivée du contour : ( ) = = défocalisation : Adéquation d un modèle gaussien sur la norme du gradient Approximation de la largeur moyenne des contours 15
38 Mesure directe de l étalement des s 1 Acquisition de l image 2 Calcul de la norme gradient G 3 Détection des contours 4 du profil de G en chaque point de contour 5 Estimation d un profil moyen 6 Estimation du paramètre d étalement σ 16
39 Mesure directe de l étalement des s 1 Acquisition de l image 2 Calcul de la norme gradient G 3 Détection des contours 4 du profil de G en chaque point de contour 5 Estimation d un profil moyen 6 Estimation du paramètre d étalement σ 16
40 Mesure directe de l étalement des s 1 Acquisition de l image 2 Calcul de la norme gradient G 3 Détection des contours 4 du profil de G en chaque point de contour 5 Estimation d un profil moyen 6 Estimation du paramètre d étalement σ 16
41 Mesure directe de l étalement des s 1 Acquisition de l image 2 Calcul de la norme gradient G 3 Détection des contours 4 du profil de G en chaque point de contour 5 Estimation d un profil moyen 6 Estimation du paramètre d étalement σ Norme du gradient (normalisée) Position sur le profil 16
42 Mesure directe de l étalement des s 1 Acquisition de l image 2 Calcul de la norme gradient G 3 Détection des contours 4 du profil de G en chaque point de contour 5 Estimation d un profil moyen 6 Estimation du paramètre d étalement σ Norme du gradient (normalisée) Position sur le profil
43 Mesure directe de l étalement des s 1 Acquisition de l image 2 Calcul de la norme gradient G 3 Détection des contours 4 du profil de G en chaque point de contour 5 Estimation d un profil moyen 6 Estimation du paramètre d étalement σ Norme du gradient (normalisée) Profil moyen Profil estimé Position sur le profil (x µ)2 P(x) = α. exp( 2.σ 2 ) + β estimation par Levenberg-Marquardt 16
44 Approximation rapide de la largeur des s Exemple de contour : Profils de G : Largeur de G en chaque point de contour σ Intégration de cette largeur le long des contours aire bleue Approximation de la largeur des contours globalement sur l image, sans extraire les profils : L C = nombre de points > T nombre de points de contours 17
45 Approximation rapide de la largeur des s Exemple de contour : Profils de G : Largeur de G en chaque point de contour σ Intégration de cette largeur le long des contours aire bleue Approximation de la largeur des contours globalement sur l image, sans extraire les profils : L C = nombre de points > T nombre de points de contours 17
46 Approximation rapide de la largeur des s Exemple de contour : Profils de G : Largeur de G en chaque point de contour σ Intégration de cette largeur le long des contours aire bleue Approximation de la largeur des contours globalement sur l image, sans extraire les profils : L C = nombre de points > T nombre de points de contours 17
47 Étude des mesures de flou Invariance au contenu des s Évolution des mesures de flou : cas d un bon réglage cas d un mauvais réglage 18
48 Étude des mesures de flou Invariance au contenu des s Évolution des mesures de flou : cas d un bon réglage cas d un mauvais réglage 18
49 Étude des mesures de flou Invariance au contenu Première mesure : étalement σ des s Etalement σ Net Flou Temps Seconde mesure : largeur L C Largeur moyenne Net Flou Temps
50 Étude des mesures de flou Sensibilité au réglage des s image n 30 image n 160 image n 380 σ déviation standard du modèle de contour Largeur moyenne des contours temps (indice de l image) L C temps (indice de l image) Séquence vidéo de mise au point L approximation L C est : peu précise pour les réglages flous performante pour les réglages nets 20
51 Étude des mesures de flou Sensibilité au réglage des s image n 30 image n 160 image n 380 σ déviation standard du modèle de contour Largeur moyenne des contours temps (indice de l image) L C temps (indice de l image) Séquence vidéo de mise au point L approximation L C est : peu précise pour les réglages flous performante pour les réglages nets 20
52 Étude des mesures de flou Sensibilité au réglage des s image n 30 image n 160 image n 380 σ déviation standard du modèle de contour Largeur moyenne des contours temps (indice de l image) L C temps (indice de l image) Séquence vidéo de mise au point L approximation L C est : peu précise pour les réglages flous performante pour les réglages nets 20
53 Étude des mesures de flou Sensibilité au réglage des s image n 30 image n 160 image n 380 σ déviation standard du modèle de contour Largeur moyenne des contours temps (indice de l image) L C temps (indice de l image) Séquence vidéo de mise au point L approximation L C est : peu précise pour les réglages flous performante pour les réglages nets 20
54 Détection d un déréglage de mise au point des s σ L C Déviation standard du profil moyen Largeur moyenne des contours image n 1000 image n Temps (indice de l image) Temps (indice de l image) Détection de rupture de type moyenne-variance 21
55 Détection d un déréglage de mise au point des s σ L C Déviation standard du profil moyen Largeur moyenne des contours image n 1000 image n Temps (indice de l image) Temps (indice de l image) Détection de rupture de type moyenne-variance 21
56 Détection d un déréglage de mise au point des s σ L C Déviation standard du profil moyen Largeur moyenne des contours image n 1000 image n Temps (indice de l image) Temps (indice de l image) Détection de rupture de type moyenne-variance 21
57 Plan des s 1 2 des s 3 22
58 des s Campagne d acquisition 9h de séquences réelles, mais seulement en journée 15 défauts provoqués Détection de tous les défauts 2 minutes après leur apparition Pas de fausse alarme Dans les très faibles luminosités Trop peu d information dans l image Fausses alarmes 23
59 Plan des s 1 2 des s 3 24
60 des s des s But : Localiser les s entrant dans le véhicule aux arrêts, depuis la caméra chauffeur 2 thèmes principaux abordés : 1 Estimation des pixels d avant-plan 2 Modélisation d une et localisation 25
61 Difficultés du problème Séquences d arrêt, caméra chauffeur des s Contenu de la scène Fortes occultations de passagers Petits mouvements locaux dans l arrière-plan Mouvement apparent vertical dû aux suspensions Illumination globale Contrôles automatiques de la caméra Séquences courtes 26
62 Difficultés du problème Séquences d arrêt, caméra chauffeur des s 27
63 Plan des s 1 2 des s 3 28
64 des s 29
65 Plan des s 1 2 des s 3 30
66 Pixels de teinte chair Modélisation de la peau 1 des visages de la base d images FERET des s 56M pixels 2 Distribution des pixels de peau dans l espace rg-normalisé g r 3 Modèle 2D-Gaussien dans cet espace 1 f P (c) = 2π Γ P exp ( 1 1/2 2 (c µ P) T Γ 1 P (c µ P) ) Carte de probabilités Application de f P sur l ensemble des pixels de l image 31
67 Pixels de teinte chair Carte de probabilités de teinte chair des s Probabilités fortes ailleurs que sur la peau Combinaison avec les probabilités d avant-plan 32
68 Pixels d avant-plan des s Approches existantes pour un modèle de fond : Prédictives : Prédiction temporelle de la valeur du fond (Kalman) Non-prédictives : Distribution des valeurs du fond (Mélanges de gaussiennes) Approche prédictive + hypothèses multiples Modélisation de l arrière-plan proposée : Robuste aux changements globaux d illumination Robuste aux petits mouvements locaux (feuillage, suspensions,... ) Hypothèses multiples en chaque pixel (fond et passagers) 33
69 Pixels d avant-plan Robustesse aux mouvements locaux Recherche d un invariant aux mouvements locaux faibles des s Fenêtre d analyse Intensité Temps Profil temporel du pixel central Distribution locale des couleurs dans le voisinage petit mouvement histogrammes similaires 34
70 Pixels d avant-plan Robustesse aux mouvements locaux Recherche d un invariant aux mouvements locaux faibles des s Fenêtre d analyse Intensité Temps Profil temporel du pixel central Distribution locale des couleurs dans le voisinage objet d avant-plan histogrammes très différents 34
71 Pixels d avant-plan Robustesse aux mouvements locaux faibles des s Histogrammes 3D (couleurs RGB) Place mémoire vecteur des statistiques locales aux ordres 1 et 2 2 x t,k = 6 4 r 2 k ḡ 2 k b 2 k σ r 2 k σ g 2 k σ b 2 k σ rg k σ rbk σ gbk
72 Pixels d avant-plan Robustesse aux variations globales d illumination des s Modèle : Transformation linéaire globale à tous les pixels k de t 1 à t Estimable dans les zones sans mouvement fort vecteurs de statistiques de l arrière-plan : k, x t,k = A t x t 1,k 36
73 Pixels d avant-plan Transformation globale des s Estimer A t connaissant k : x t 1,k : vecteur de l arrière-plan estimé y t,k : vecteur observé (avant ou arrière-plan) k, y t,k = A t x t 1,k + e t,k + δ t,k e t,k = erreur résiduelle gaussienne δ t,k = contribution éventuelle des pixels d avant-plan Estimation de A t robuste aux pixels d avant-plan : moindres carrés pondérés itérés Pixels d avant-plan : δ t,k fort Suppose une estimation de x t 1,k 37
74 Pixels d avant-plan Hypothèse multiples Profil temporel d un pixel k : des s Conservation de plusieurs hypothèses pour x t 1,k : fond, passager 1, passager 2,... Une hypothèse = { un vecteur yk observé une fréquence d apparition x t 1,k = hypothèse la plus fréquemment observée. 38
75 Pixels d avant-plan Re sultats de de tection sur se quences synthe tiques se quences originale algorithme propose me langes de Gaussiennes Bonnes de tections 87% Fausses de tections 6% Bonnes de tections 73% Fausses de tections 35% des came ras Principe ge ne ral de cadrage Re sultats des s Principe ge ne ral Mode le de 39
76 Pixels d avant-plan de détection sur séquences réelles des s image originale algorithme proposé mélange de Gaussiennes Bonne estimation des pixels de passagers Pixels d avant-plan dans les reflets (rétroviseurs, vitres) Qualité suffisante pour la détection de s 40
77 Plan des s 1 2 des s 3 41
78 Définition du modèle des s Variabilité de posture : face, profil, distance Une = Visage teinte chair Tête et corps avant-plan Périphérie de la tête arrière-plan et non-peau à base de rectangles A : tête A : périphérie de la tête B : visage B : périphérie du visage C : corps Vecteur v des 12 paramètres : coordonnées de A, B, C. 42
79 Définition du modèle des s Variabilité de posture : face, profil, distance Une = Visage teinte chair Tête et corps avant-plan Périphérie de la tête arrière-plan et non-peau à base de rectangles A : tête A : périphérie de la tête B : visage B : périphérie du visage C : corps Vecteur v des 12 paramètres : coordonnées de A, B, C. 42
80 Définition du modèle des s Variabilité de posture : face, profil, distance Une = Visage teinte chair Tête et corps avant-plan Périphérie de la tête arrière-plan et non-peau à base de rectangles A : tête A : périphérie de la tête B : visage B : périphérie du visage C : corps Vecteur v des 12 paramètres : coordonnées de A, B, C. 42
81 Définition du modèle des s Variabilité de posture : face, profil, distance Une = Visage teinte chair Tête et corps avant-plan Périphérie de la tête arrière-plan et non-peau à base de rectangles A : tête A : périphérie de la tête B : visage B : périphérie du visage C : corps Vecteur v des 12 paramètres : coordonnées de A, B, C. 42
82 Détection de s Cadre bayesien des s Soient un vecteur v et les 2 cartes de probabilités z (peau et avant-plan). Loi de Bayes : p(v/z) p(z/v)p(v) p(v) : cohérence des paramètres p(z/v) : adéquation paramètres / peau et avant-plan 43
83 Détection de s Estimation des paramètres des s Combinaison de la peau et de l avant-plan dans p(z/v) : P A la moyenne des probabilités d avant-plan dans A P B la moyenne des probabilités de peau dans B... p(z/v) P A.P B.P C.(1 P A )(1 P B ) Échantillonage de Monte-Carlo : 1 Tirer des échantillons de la loi a priori p(v) 2 Les pondérer par leur densité d observation p(z/v) Personnes détectées = vecteurs de poids maximum dont les visages ne s intersectent pas 44
84 Re sultats peau avant-plan des came ras Principe ge ne ral de cadrage Re sultats des s Principe ge ne ral Mode le de 45 zone du visage
85 Re sultats Se quences avec 311 passagers visibles de face ou de profil : des came ras Principe ge ne ral de cadrage Re sultats des s Principe ge ne ral Mode le de Nombre de s de tecte es Taux de de tection % 4% Bonnes de tection Fausses de tection 46
86 Plan des s 1 2 des s 3 47
87 des s liées à l analyse du contenu de la scène : Comptage de s Suivi temporel des passagers, passage d un segment Compression sélective 3 préfiltrages de l image suivant les classes visages extérieur intérieur 48
88 Comptage de s des s Suivi interimages 1 signature de couleurs obtenue par classification k-means 2 comparaison des signatures entre 2 images vecteurs de mouvement de la zone du visage Comptage : passage d un segment imaginaire 49
89 Comptage de s des s 50
90 Compression sélective des s Contexte : Transmission bas-débit du véhicule au central Objectif : Améliorer le taux de compression Conserver une bonne visibilité des zones d intérêts Principe : 1 des zones d intérêt 2 Simplification des images en dehors des régions d intérêt 3 Compression vidéo bas-débit MPEG-4 51
91 Compression sélective image originale teinte chair des s 52
92 Compression sélective image originale parties vitrées des s Parties vitrées : pixels aux variations d intensité fortes et fréquentes 52
93 Compression sélective classes image préfiltrée des s 3 classes de pixels : Peau pas de lissage Extérieur du véhicule lissage gaussien faible Intérieur du véhicule lissage gaussien fort MPEG-4 : 70.2% de gain sur la taille des données 52
94 Plan des s 1 2 des s 3 53
95 2 1.5 Conclusion Contributions des s 1 Détection des éléments stables de la vue (contours stables) Mesures de flou sélectives et robustes aux fortes variations 2 des s Modèle d arrière-plan : distributions locales des couleurs adapté à la variabilité de posture 54
96 Conclusion des s Solutions logicielles : facilité d installation et mise-à-jour industrialisées : détecteurs de flous, s et obstructions Prototypes : Comptage de s Compression vidéo sélective 55
97 des s Améliorations algorithmiques : Détection de s en temps-réel Modèle d arrière-plan : 1 Transformation globale des pixels? 2 Distribution locale des couleurs : monomodale? basées sur nos outils : Détection d objets abandonnés Indexation d événements pour la relecture 56
98 des s merci. 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
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.
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.
Dan 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
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
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Soutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel
Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé
Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image
IN52-IN54 A2008 Algorithme des fourmis appliqué à la détection et au suivi de contours dans une image Etudiants : Nicolas MONNERET Alexandre HAFFNER Sébastien DE MELO Responsable : Franck GECHTER Sommaire
CONFERENCE EXPO-PROTECTION
CONFERENCE EXPO-PROTECTION Agenda Conférence Se conformer à l arrêté du 3 août 2007 : opportunités et menaces Points clés de l arrêté du 3 août 2007 et de la loi 95-73 Bénéfices de la mise en conformité
Sujet 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
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
Géométrie 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
Glossaire technique Veditec
Glossaire technique Veditec 3D/2D DNR (digital noise réduction) La technologie DNR est un système de réduction numérique de bruit ayant pour but de réduire le bruit sur l image. Elle permet d obtenir des
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
Une comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Cours de numérisation sur Epson Perfection
Cours de numérisation sur Epson Perfection 1- Vérifiez la propreté de la vitre, placez l original sur celle-ci. À savoir, on peut numériser des transparents avec ce scanner ; il a un capteur CCD dans le
MCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
F210. Automate de vision hautes fonctionnalités. Caractèristiques. Algorithmes vectoriels
Automate de vision hautes fonctionnalités Caractèristiques Algorithmes vectoriels Les algorithmes permettent de sélectionner les éléments de traitement requis dans la bibliothèque, puis les combinent et
Le traitement du 5ème concours A.I.P. pour l objet SH2-155 de Franck JOBARD
Le traitement du 5ème concours A.I.P. pour l objet SH2-155 de Franck JOBARD J ai fait le choix d utiliser Pixinsight en utilisant le process icons de l aip v3-21 pour le prétraitement. 1. Prétraitement
DOCUMENT DE SYNTHÈSE. Accéder facilement à la vidéo sur IP Les encodeurs vidéo offrent instantanément les avantages de la surveillance sur IP
DOCUMENT DE SYNTHÈSE Accéder facilement à la vidéo sur IP Les encodeurs vidéo offrent instantanément les avantages de la surveillance sur IP TABLE DES MATIÈRES 1. Accéder facilement à la vidéo sur IP 3
Projet 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,
404 CAMCORDER FONCTIONS CAMÉSCOPE ET APPAREIL PHOTO
FRANçAIS French 404 CAMCORDER FONCTIONS CAMÉSCOPE ET APPAREIL PHOTO Supplément du manuel d'utilisation de l'archos 404 Version 1.1 Pour télécharger la dernière version de ce manuel, veuillez vous rendre
Vidéo Haute définition pour Station Service
Vidéo Haute définition pour Station Service La technologie appelé HD-SDI (High-Definition Serial Digital Interface) permet d installer un réseau de vidéosurveillance avec une résolution max. de 1080 p.
Guide d Installation et de Configuration du Logiciel
CAMMEGH EyeBall Guide d Installation et de Configuration du Logiciel (seulement type mini PC) Merci de considerer l environnement avant d imprimer ce document. Cammegh Ltd. International Gaming Award Winners
Introduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
TABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
1S9 Balances des blancs
FICHE 1 Fiche à destination des enseignants 1S9 Balances des blancs Type d'activité Étude documentaire Notions et contenus Compétences attendues Couleurs des corps chauffés. Loi de Wien. Synthèse additive.
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
Pop-Art façon Roy Liechtenstein
1 sur 6 22/01/2010 22:35 Pop-Art façon Roy Liechtenstein Ce tutoriel peut paraître loin de la photographie, mais il contient des techniques très utiles, voire indispensables en matière de retouche. 1 -
TP 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
NOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Groupe Eyrolles, 2006, ISBN : 2-212-11959-3
Groupe Eyrolles, 2006, ISBN : 2-212-11959-3 annexe B Piano Corner, (c) 2005 par Zsolt Stefan : http://deeppixel.uw.hu/gallery.html YafRay, le moteur de rendu photoréaliste Dès sa création, par une équipe
COPY. Picture Style Editor Ver. 1.4 MODE D EMPLOI. Logiciel de création de fichiers de style d image. Contenu de ce mode d emploi
Logiciel de création de fichiers de style d image Picture Style Editor Ver..4 MODE D EMPLOI Contenu de ce mode d emploi Picture Style Editor est abrégé en PSE. Dans ce mode d emploi, les fenêtres utilisées
Création de maquette web
Création de maquette web avec Fireworks Il faut travailler en 72dpi et en pixels, en RVB Fireworks étant un logiciel dédié à la création de maquettes pour le web il ne propose que les pixels pour le texte
SudoClick Reconnaissance de grilles de sudoku pour téléphones portables
SudoClick Reconnaissance de grilles de sudoku pour téléphones portables Patrick Anagnostaras 1 24 mai 2008 Department of Informatics - Master Project Report Département d Informatique - Departement für
Franck VAUTIER, Jean-Pierre TOUMAZET, Erwan ROUSSEL, Marlène FAURE, Mohamed ABADI, Marta FLOREZ, Bertrand DOUSTEYSSIER
Utilisation d images dérivées d un jeu de données LIDAR pour la détection automatisée de vestiges archéologiques (programme de recherche méthodologique LiDARCHEO) Franck VAUTIER, Jean-Pierre TOUMAZET,
NON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification Irène Buvat U494 INSERM CHU Pitié-Salpêtrière, Paris buvat@imed.jussieu.fr http://www.guillemet.org/irene
Analyse d images. Edmond.Boyer@imag.fr. Edmond Boyer UFRIMA 1
Analyse d images Edmond.Boyer@imag.fr Edmond Boyer UFRIMA 1 1 Généralités Analyse d images (Image Analysis) : utiliser un ordinateur pour interpréter le monde extérieur au travers d images. Images Objets
MANUEL D UTILISATION DU LOGICIEL CMS
MANUEL D UTILISATION DU LOGICIEL CMS Sommaire Chapitre 1 Installation du logiciel CMS... 3 1.1 Instruction du logiciel CMS... 3 1.1.1 Etapes de l installation... 3 1.1.2 Utilisation du logiciel CMS...
Programme de formation Photoshop : Initiation 24 heures de formation (3 jours) 1/2
Programme de formation Photoshop : Initiation 24 heures de formation (3 jours) 1/2 Graphistes, photographes, webmasters, ou toute autre personne en charge de la création de visuels pour le web ou le print.
Logiciel MAXPRO NVR SOLUTION D ENREGISTREMENT VIDÉO RÉSEAU
SOLUTION D ENREGISTREMENT VIDÉO RÉSEAU Le logiciel MAXPRO NVR d Honeywell est un système IP ouvert de surveillance flexible et évolutif. Grâce à la prise en charge des caméras haute définition (HD) d Honeywell
Introduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Introduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Vidéo surveillance, biométrie, technique et réglementation. 18 mars 2009
Vidéo surveillance, biométrie, technique et réglementation 18 mars 2009 Intervenants Serge RICHARD, IBM Raphaël PEUCHOT, avocat Eric ARNOUX, gendarme Jean-Marc CHARTRES 2 Aspects techniques Eric ARNOUX
données 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)
AXIS Camera Station Logiciel de gestion vidéo complet pour la surveillance, l enregistrement, la lecture et la gestion d événements
Station Logiciel de gestion vidéo complet pour la surveillance, l enregistrement, la lecture et la gestion d événements Ne manquez plus aucun détail Des possibilités de gestion vidéo multiples, où que
RIE LE RENDU THEO. 2 e trim ÉTAPE DE FINITION BOÎTE DE DIALOGUE. remarques
THEO RIE LE RENDU 2 e trim JANVIER 2008 remarques ÉTAPE DE FINITION Le rendu est la partie finale de notre création, à ce moment on décide que notre 3D est finie et l on en réalise une image 2D Cette image
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Guide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon
Guide de l'utilisateur de l'utilitaire d'installation de caméra Avigilon Version 4.10 PDF-CIT-D-Rev1_FR Copyright 2011 Avigilon. Tous droits réservés. Les informations présentées sont sujettes à modification
Introduction 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:
Le Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Collection de photos échantillons
Collection de photos échantillons SB-800/600 Entrez dans le monde passionnant du Système d Eclairage Créatif de Nikon avec le SB-800/600. Les numéros de page se rapportent aux explications dans le manuel
Projet 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
Les bases de l étalonnage avec Adobe Premiere Pro Formation de Duduf http://www.duduf.training
Les bases de l étalonnage Formation de Duduf http://www.duduf.training I - Régler les contrastes Luminosité, niveaux, gamma... Forme d onde Y/C, Correcteur de luminance II - Régler la saturation Vivacité
Agrégation de liens xdsl sur un réseau radio
Agrégation de liens xdsl sur un réseau radio Soutenance TX Suiveur: Stéphane Crozat Commanditaire: tetaneutral.net/laurent Guerby 1 02/02/212 Introduction 2 Introduction: schéma 3 Définition d un tunnel
Traitement d un AVI avec Iris
Traitement d un AVI avec Iris 1. Définir le répertoire de travail Fichier > Réglages (Ctrl + R) Et on définit le chemin du répertoire de travail. C est là que les images vont être stockées. 2. Convertir
Programme 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
Vidéo 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
Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Précision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
http://mondomaine.com/dossier : seul le dossier dossier sera cherché, tous les sousdomaines
Principales fonctionnalités de l outil Le coeur du service suivre les variations de position d un mot-clé associé à une URL sur un moteur de recherche (Google - Bing - Yahoo) dans une locale (association
Projet 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
SmartCam HD. Guide d utilisation
SmartCam HD Guide d utilisation Index P.04 Mise en route à partir d un PC (Windows) P.07 Panneau de contrôle (Windows) P.11 Contrôle PTZ (Windows) P.12 Paramétrer enregistrement vidéo (Windows) P.14 Paramétrer
PRECAUTIONS DESCRIPTION DU PRODUIT
Vous venez d acquérir un produit de la marque Essentiel b et nous vous en remercions. Nous apportons un soin particulier au design, à l'ergonomie et à la simplicité d'usage de nos produits. Nous espérons
Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Surveillance IP. Voir c est croire. Imp. GT 01 34 52 18 88
Surveillance IP Voir c est croire Imp. GT 01 34 52 18 88 Imp. GT 01 34 52 18 88 D-Link IP Surveillance Chez D-Link nous savons que dans un climat exigeant les PME, le secteur de l éducation et le secteur
de calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
CAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Opérations 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
Initiation à LabView : Les exemples d applications :
Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple
Note technique. Formats de compression vidéo utilisés par CamTrace V11 avantages et inconvénients.
Note technique Formats de compression vidéo utilisés par CamTrace V11 avantages et inconvénients. 1) Formats d'acquisition et de stockage utilisées par CamTrace. CamTrace n'effectue aucune compression
Dans l idéal, ceci devrait être fait en amont pour chaque image envoyée sur l espace de stockage de votre site internet.
1- Optimiser le poids de votre image : Dans l idéal, ceci devrait être fait en amont pour chaque image envoyée sur l espace de stockage de votre site internet. Tous les types d utilisateurs (auteur, publicateur,
Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
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
Optimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Accélérer l agilité de votre site de e-commerce. Cas client
Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible
TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
á Surveillance en temps réel á Contrôle PTZ á Enregistrement
&DPpUDV5pVHDX /RJLFLHOVG $GPLQLVWUDWLRQ *XLGHG XWLOLVDWLRQUDSLGH ,)RQFWLRQQDOLWpV $)RQFWLRQQDOLWpVGH%DVH á Surveillance en temps réel á Contrôle PTZ á Enregistrement %)RQFWLRQQDOLWpVVSpFLDOHV á Surveillance
Alarme domestique- Présentation
STI2D PROJET SIN Alarme domestique- Présentation Document réponses Séquence découverte Le fonctionnement du système d alarme domestique: (Démarche d investigation) Après avoir fait une présentation de
Agrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
ESPACE MULTIMEDIA DU CANTON DE ROCHESERVIERE
1 Qu est-ce que Picasa? ESPACE MULTIMEDIA DU CANTON DE ROCHESERVIERE Atelier «pour approfondir» Organiser, traiter et partager ses photos avec Picasa C est un logiciel de gestion de photos gratuit proposé
TP Vidéo surveillance Bac pro SEN CCTV. Lycée de L Aa 1
CCTV Lycée de L Aa 1 Mise en situation Le Lycée de l Aa contact la société SENINSTAL, faisant suite à une appel d offre pour effectuer l installation d un système de vidéo surveillance dans une de ses
Comme chaque ligne de cache a 1024 bits. Le nombre de lignes de cache contenu dans chaque ensemble est:
Travaux Pratiques 3. IFT 1002/IFT 1005. Structure Interne des Ordinateurs. Département d'informatique et de génie logiciel. Université Laval. Hiver 2012. Prof : Bui Minh Duc. Tous les exercices sont indépendants.
UFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
PROJET BIGDATART DOSSIER DE PRESENTATION
PROJET BIGDATART DOSSIER DE PRESENTATION Le projet BigDatArt est une installation scientifico-artistique centrée autour des notions d images et de BigData. Ce que je propose dans mon projet et d'inverser
Choisir entre le détourage plume et le détourage par les couches.
Choisir entre le détourage plume et le détourage par les couches. QUEL CHOIX D OUTILS ET QUELLE METHODE, POUR QUEL OBJECTIF? Il existe différentes techniques de détourage. De la plus simple à la plus délicate,
Object Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Initiation à la bureautique
Initiation à la bureautique i 1 17-18-19-20 mars 4 jours Ce stage doit permettre à des débutants de se familiariser avec l outil bureautique, d acquérir des connaissances de base autour de la micro-informatique.
Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Axis IP-Surveillance. Solutions de vidéo sur IP professionnelles pour la sécurité, la vidéosurveillance et le contrôle à distance
Axis IP-Surveillance Solutions de vidéo sur IP professionnelles pour la sécurité, la vidéosurveillance et le contrôle à distance Facilité d'installation L offre de vidéo sur IP Axis apporte au monde professionnel
Sonde de surveillance environnementale gamma
SafePoint RMS : pérennité innovation sureté Caractéristiques Sonde de surveillance environnementale gamma perfectionnée, dotée de deux détecteurs et conçue pour assurer une surveillance sans présence dans
INF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Capacité étendue d utilisation en réseau
Fiche technique n VIBOFF_1A_f Emonitor Odyssey introduit une nouvelle conception de la maintenance conditionnelle (prédictive) en automatisant les opérations de routine afin d améliorer les vitesses de
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
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Introduction 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
Résumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Document de synthèse. Étude comparative du coût total des systèmes de vidéosurveillance IP et analogiques
Document de synthèse Étude comparative du coût total des systèmes de vidéosurveillance IP et analogiques Table des matières 1. Introduction 3 2. Méthode de recherche 3 3. Coût total de possession (TCO)