La thématique Traitement Statistique de l Information à TL1 Equipe de recherche Thématique développée à TL1 par 3 enseignants-chercheurs : Yves Delignon, Christelle Garnier, François Septier Thématique intégrée dans l équipe Signal & Image du laboratoire d automatique, génie informatique et signal de Lille (LAGIS UMR CNRS 8219) Problématiques d estimation Estimation des paramètres d objets multiples à partir des observations bruitées délivrées par un ou plusieurs capteurs Objets d'intérêt (état caché) Système Capteurs (observations bruitées) 1 Nombre d'objets? Caractéristiques des objets? Position Taille Orientation Vitesse
Développements méthodologiques Développement de modèles et de méthodes d'estimation statistique (RT9) Méthodes de type Monte-Carlo : méthodes de Monte-Carlo séquentielles (SMC) et méthodes de Monte-Carlo par chaînes de Markov (MCMC) Avantages : capacité à traiter des problèmes complexes non linéaires et non gaussiens, efficacité, caractère très générique Limitations : problèmes de grande dimension, réglage des paramètres Objectifs des travaux actuels Lever la limitation de ces méthodes en grande dimension (cas multi-objets) Automatiser l adaptation de ces méthodes aux données. Améliorer l efficacité de ces méthodes dans des cas spécifiques : le modèle statistique ne peut être évalué, il faut décider entre plusieurs modèles pour caractériser les données (problème de sélection de modèles) 1 thèse en cours (Futur & Ruptures), 1 revue, 2 conférences, collaborations : University College of London (UK), University of Cambridge (UK), Nanyang Technology University (Singapour), Laboratoire Paul Painlevé (Lille) 2
Domaines d application (1/2) Communications numériques avancées 2004 à 2008 Méthodes d estimation conjointe du bruit de phase et du canal de transmission dans les systèmes multi-porteuses 1 thèse soutenue (2008), 4 revues, 3 conférences, collaboration : IEMN Valenciennes Poursuite multi-cibles (radar) 2009 à 2011 Modèles de déplacement des cibles en groupe coordonné (formation d'avions, convois ) Méthodes d'estimation en grande dimension 1 chapitre de livre, 1 revue, 7 conférences, collaborations : University of Cambridge (UK), University of Lancaster (UK), Nanyang Technological University (Singapour) 3
Domaines d application (2/2) Localisation de sources de pollution - depuis 2011 (RT8) Méthodes d'estimation : de l emplacement des sources, de l'instant du rejet du type de polluant Contexte : sources multiples défaillance possible des capteurs 1 thèse en cours, 1 postdoc (2012), 3 conférences, 3 rapports techniques, collaborations : CEA (projet MALICE), University of Cambridge (UK) Détection et suivi d objets multiples dans des scènes vidéos complexes - depuis 2011 (RT4) Modélisation statistique du problème et méthodes de détection et de suivi 1 post-doc (2011), 1 conférence, collaborations : IFSTTAR (projet DISCOVER), CETE Sud Ouest 4
dans des scènes vidéos complexes (1/5) Approche Approche de type «tracking-by-detection» Intérêt : Augmentation du degré d automatisation des systèmes de vidéosurveillance Principe : Détection en continu et utilisation de l information de détection dans l étape de suivi DETECTION SUIVI Information «soft» : - Carte de probabilité de présence des objets d intérêt dans l image - Plus riche qu une information binaire (présence/absence d objets) 5
dans des scènes vidéos complexes (2/5) Méthodes Suivi multi-objets par méthodes de Monte-Carlo (filtrage particulaire) SUIVI DETECTION Proposition - représentant les différents états cachés possibles - selon un modèle dynamique de déplacement 6
dans des scènes vidéos complexes (2/5) Méthodes Suivi multi-objets par méthodes de Monte-Carlo (filtrage particulaire) SUIVI DETECTION Proposition Sélection - les plus pertinentes avec l observation courante - le degré de pertinence est mesuré par la loi de vraisemblance 7
dans des scènes vidéos complexes (3/5) Travaux réalisés [Truong12] Intégration des informations de détection au niveau de la loi de vraisemblance Définition de lois de vraisemblance SUIVI DETECTION Proposition Sélection Détecteur existant : HOG pour la détection de personnes [Dalal05] Nouveau détecteur : Modélisation spatio-temporelle du fond, plus performante que la modélisation courante par pixel [Truong11] 8
dans des scènes vidéos complexes (3/5) Travaux réalisés [Truong12] Modèles pour s adapter aux variations d apparence et de mouvement des objets Loi de Dirichlet pour modéliser l évolution des histogrammes des objets Loi de Wishart pour modéliser l évolution des écarts de mouvement Adaptation des méthodes MCMC à l estimation séquentielle pour le suivi multiobjets Meilleures performances que le filtrage particulaire en grande dimension Complexité plus faible que l adaptation classique [Khan05] 9
dans des scènes vidéos complexes (4/5) Quelques résultats Cas mono-cible Filtre particulaire classique (en vert) Filtre particulaire basé sur les méthodes MCMC (en rouge) 10
dans des scènes vidéos complexes (4/5) Quelques résultats Cas multi-cibles Détection automatique des nouvelles cibles Gestion des occlusions partielles 11
dans des scènes vidéos complexes (5/5) Perspectives Améliorer la robustesse de la détection Méthodes actuelles : Modélisation du fond par un mélange de gaussiennes [Stauffer99] Limitations : Difficulté de gérer la création et la suppression de modes, d où un manque de robustesse en cas de fond dynamique SUIVI DETECTION Proposition Sélection Proposition : Méthodes bayésiennes non paramétriques (très bonnes propriétés d adaptabilité) 12
dans des scènes vidéos complexes (5/5) Perspectives Améliorer le suivi multi-objets Méthodes actuelles : Variantes séquentielles des méthodes MCMC [Khan05] [Truong12], méthodes à échantillonnage partitionné [MacCormick00] Limitations : Manque d efficacité pour des densités importantes d objets SUIVI DETECTION Proposition Sélection Proposition : Méthodes exploratoires de Wang- Landau (capacité à rechercher les nombreux modes d une densité) 13
dans des scènes vidéos complexes (5/5) Perspectives Optimiser les liens entre détection et suivi Méthodes actuelles : Intégration des informations de détection dans la loi de vraisemblance [Breitenstein10] [Truong12] Limitations : Solution non optimale (dynamique approximative, peu de particules pertinentes, informations de suivi non utilisées) Propositions : Intégration de l information de détection dans la loi de proposition SUIVI DETECTION Proposition Sélection Intégration de l information de suivi au niveau de la détection 14
Références [Truong12] D.N. Truong Cong, F. Septier, C. Garnier, L. Khoudour and Y. Delignon, "Robust visual tracking via MCMC-based particle filter", ICASSP, Mar. 2012. [Dalal05] N. Dalal and B. Triggs, Histograms of oriented gradients for human detection, CVPR, 2005. [Truong11] D.N. Truong Cong, L. Khoudour, C. Achard, and A. Flancquart, "Adaptive model for object detection in noisy and fast-varying environment", ICIAP, Sep. 2011. [Khan05] Z. Khan, T. Balch, and F. Dellaert. "MCMC-Based particle filtering for tracking a variable number of interacting targets". IEEE Transactions Pattern Analysis and Machine Intelligence, 2005. [Stauffer99] C. Stauffer and W.E.L. Grimson, "Adaptive background mixture models for real-time tracking," CVPR, 1999. [MacCormick00] J. MacCormick and A. Blake, "A Probabilistic Exclusion Principle for Tracking Multiple Objects", International Journal of Computer Vision, 2000. [Breitenstein10] M. Breitenstein, F. Reichlin, E. Koller-Meier, B. Leibe and L. Van Gool, Online multi-person Tracking-by-Detection from a single, uncalibrated camera, IEEE Transactions on Pattern Analysis and Machine Intelligence, Oct. 2010. 15