Thesis of Mehdi Oulad Ameziane

Amélioration de l'exploration de l'espace d'état dans les méthodes de Monte-Carlo séquentielles pour le suivi visuel.

Le suivi visuel constitue une tâche essentielle en vision par ordinateur. Les approches Bayésiennes sont largement utilisées aujourd’hui pour résoudre la problématique du suivi visuel, notamment grâce aux possibilités offertes par les méthodes de Monte Carlo séquentielles (SMC) qui prennent en compte les incertitudes des modèles et s’adaptent à des scénarios variés. L’efficacité des méthodes SMC dépend fortement du choix de la loi de proposition utilisée pour explorer l’espace d’état. Dans cette thèse, nous cherchons à améliorer l’exploration de l’espace d’état en approchant la loi de proposition optimale. La loi de proposition quasi-optimale proposée repose sur une approximation de la fonction de vraisemblance définie à partir d'une information de détection souple qui est à la fois plus fiable et moins couteuse à calculer. En comparaison avec les travaux existants sur le sujet, cette loi de proposition quasi-optimale offre un bon compromis entre optimalité et complexité algorithmique. L'amélioration de l'exploration de l’espace d’état est nécessaire dans deux applications du suivi visuel : le suivi des mouvements abrupts et le suivi multi-objets. Dans cette thèse nous avons montré la capacité des méthodes SMC quasi-optimales à suivre les mouvements abrupts, en les comparant aux méthodes proposées dans la littérature spécifiquement pour ce type de scénario. Nous avons aussi étendu la loi de proposition quasi-optimale au cas multi-objets. Enfin, nous avons implémenté le filtre particulaire local qui permet de partitionner l’espace d’état de grande dimension en sous-espaces de taille inférieure, tout en modélisant les interactions entre objets. Les résultats de simulation montrent l’intérêt d’exploiter l’information de détection souple dans la loi de proposition, confortent les hypothèses formulées et prouvent que les algorithmes proposés améliorent la précision et la robustesse du suivi.

Jury

- Séverine DUBUISSON, Maître de conférences HDR, Université Pierre et Marie Curie, ISIR - Christophe DUCOTTET, Professeur, Université de Saint Etienne, Laboratoire Hubert Curien Examinateurs : - Ariane HERBULOT, Maître de conférences, Université Paul Sabatier, LAAS - Lyudmila MIHAYLOVA, Professor, University of Sheffield - Jean-Charles NOYER, Professeur, Université du Littoral Côte d'Opale, LISIC Encadrants : - Emmanuel DUFLOS, Professeur, Centrale Lille, CRIStAL - Christelle GARNIER, Maître de conférences, IMT Lille Douai, CRIStAL

Thesis of the team SIGMA defended on 23/06/2017