Logo LVSN
EnglishAccueil
A proposPersonnesRecherchePublicationsEvenementsProfil
A propos

 

 

 

 

CERVIM

REPARTI

MIVIM

Segmentation de bas niveau et suivi de personnes à l’aide d’un réseau de caméras indépendantes.
Maîtrise
Nicolas Martel-Brisson
André Zaccarin (Directeur)
Problème: La détection et le suivi de personnes dans des environnements intérieurs et extérieurs a été l’objet de travaux et de nombreuses publications pour une multitude d’applications. La complexité de la tâche dépends de plusieurs facteurs dont le type d’arrière plan ( fixe, mobile, évolutif...) , la qualité de la segmentation désirée (avec ou sans ombre, seulement visage…) et la complexité de la cible à suivre (contraste avec l’arrière fond, immobile, plusieurs personnes…).
Motivation: L’automatisation du domaine de la surveillance vidéo est intrinsèquement lié à la capacité de repérer des cibles présentes dans l’image. Dans le cadre du projet MONNET - (Monitoring of Extended Premises: Tracking Pedestrians Using a Network of Loosely Coupled Cameras), nous désirons segmenter les gens de l’arrière-fond, les suivre d’un champ de vue à l’autre et analyser leurs mouvements à l’aide d’un réseau de caméras où chaque unité d’acquisition et de traitement est indépendant. Cette indépendance permet de transférer le minimum d’information entre les nœuds de traitement. La segmentation des personnes est l’étape initiale à une multitude d’algorithme de d’analyse de mouvements et de tracking.
Approche: Afin de segmenter adéquatement les silhouettes présentes dans le champ de vue de la caméra, nous modélisons l’arrière-plan avec une somme de distributions gaussiennes. À ce modèle statistique, nous voulons y jumeler un estimateur de mouvement basé sur l’association de bloc « block matching ». Cet estimateur permettrait un traitement spatial de la segmentation, déficient à la modélisation statistique. Ensuite nous voulons suivre les cibles détectées tout au long de leur présence devant les caméras en suivant les vecteurs de mouvements et être capable de les reconnaître devant d’autres caméras en étudiant leurs distributions statistiques
Défis: Le principal défi de ces travaux est de jumeler adéquatement les divers algorithmes de modélisation et de suivi dans le but de les rendre coopératif.
Applications: Ce projet permet de nombreuses applications tant dans les domaines de la surveillance que de la vision artificielle.
Calendrier: janvier 2003 - janvier 2005
Dernière modification: 2007/11/24 par nmartel

     
   
   

©2002-. Laboratoire de Vision et Systèmes Numériques. Tous droits réservés