La segmentation de bas niveau consiste à extraire une cible ou un objet d'intérêt d’un arrière-plan. Dans un environnement très contrôlé, tel un individu vêtu de noir devant un arrière-plan uniforme blanc ou de couleur prédéfinie, il est relativement aisé d’extraire l’individu de son contexte. Par contre, lors de situations réelles, le problème se complexifie rapidement. La stabilité de l’environnement, le type de cible à détecter, le matériel d’acquisition sont tous des facteurs influençant grandement la qualité de la segmentation.

Bien que l’on considère généralement l’arrière-plan comme étant statique, celui-ci subit diverses formes de perturbations. Que l’on soit à l’intérieur ou à l’extérieur, ces changements modifient entièrement ou localement l’apparence de l’arrière-plan. Un algorithme de segmentation efficace doit être en mesure de tolérer la non stationnarité de l’arrière-plan, soit en étant invariant à ces changements, soit en s’adaptant à ceux-ci.

Nous avons développé une approche statistique non supervisée permettant de modéliser correctement un arrière-plan sans aucune séquence d'apprentissage. En se basant sur les Kernel Density Estimators (KDE) l'approche non paramétrique proposée permet, à partir d'une séquence vidéo, de filtrer les événements d'intérêts de l'arrière-plan afin d'obtenir une représentation statistique de ceux-ci. Les observations ultérieures sont ensuite classifiées en mettant en compétition les modèles nouvellement obtenus à l'aide de l'équation de Bayes.

L'objectif de ce séminaire est d'exposer la problématique de la soustraction d'arrière-plan et de mettre en relation l'approche développée des approches paramétriques et non paramétriques proposées dans la littérature.

Les séminaires du LVSN ont lieu le vendredi à 11h30 dans la salle PLT-2700.