Sommaire: Analyse du mouvement et suivi de cibles mobiles dans les séquences vidéo

Introduction
I ETAT DE L’ART
PROBLEMATIQUE
I.2 SEGMENTATION DES IMAGES
I.2.1 Détection des contours
I.2.1.1 Détection par filtrage
I.2.1.2 Les opérateurs basées sur le Laplacien
I.2.1.3 Autre approche de détection des contours : approche de Haralick
I.2.1.4 Extraction des extrema locaux du gradient
I.2.1.5 Segmentation des contours
I.2.2 Segmentation En Régions
I.2.2.1 Segmentation en régions par classification
I.2.2.2 Segmentation par croissance de régions
I.2.2.3 Segmentation de région par fermeture de contours
I.3 DETECTION DU MOUVEMENT APPARENT
I.3.1 Classification des approches
I.3.2 Interprétation du mouvement
I.3.2.1 Estimation du mouvement 3D
I.3.2.2 Mouvement et segmentation
I.3.3 Récapitulatif
I.4 PANORAMA DES APPROCHES DE SUIVI
I.4.1 Approches basées sur la segmentation
I.4.1.1 Exemple: Suivi des segments de droite dans les séquences d’images.
I.4.1.2 Détection des formes rigides
I.4.1.3 Critiques
I.4.2 Approches statistiques
I.4.2.1 Exemple: suivi par sélection d’attributs
I.4.2.2 Critiques
II.LES SYSTEMES MUTIAGENTS
II.1. Introduction
II.2. Concepts SMA et Agent
II.2.1. Le Concept d’agent
II.2.2. Système multiagents
II.2.2.1. Définition
II.2.2.2. Les caractéristiques d’un SMA
II.2.2.3. Approche Voyelles (AEIO) de description d’un SMA
II.3. Architectures des SMA
II.3.1. Architectures Délibératives (cognitives)
II.3.1.1. IRMA
II.3.1.2. AUTODRIVE
II.3.1.3. HOMER
II.3.1.4. GRATE
II.3.2. Architectures non Délibératives (Réactives)
II.3.2.1. L’architecture subsumption
II.3.2.2. Pengi
II.3.2.3. Automates Situés
II.3.2.4. Reactive Action Packages
II.3.2.5. Plans Universels
II.3.2.6. Architecture en réseau
II.3.2.7. HPTS
II.3.3. Architectures Hybrides
II.3.3.1. PRS
II.3.3.2. Adaptative Intelligent Systems
II.3.3.3. Phoenix
II.3.3.4. Touring Machines
II.4. Les Outils de développement de SMA
II.4.1. Langages Déclaratifs
II.4.2. Langages Impératifs
II.4.3. Langages Hybrides
II.4.4. Langages Orientés Coordination
II.4.5. Synthèse
III LA VISION COGNITIVE.
III.1 Vision Cognitive
III.2 Exemple d’un système multiagents de suivi de mouvement
III.2.1 Spécification des agents
III.2.2 Spécification du schéma de communication.
III.2.3 Résultats
III.3 Exemple 2: Vision active distribuée
IV UN SYSTEME MULTIAGENTS POUR LE SUIVI
IV.1 Cadre applicatif
IV.2 Conception du SMA
IV.2.1 Définition des agents
IV.2.2 Spécification de l’environnement
IV.2.3 Interaction inter-agents
IV.2.4 Organisation
IV.3 Schéma fonctionnel du système.
IV.4 Experimentations
IV.4.1 Implantation
IV.4.2 Résultats Expérimentaux
IV.4.3 Les Performances
IV.5 Conclusion
Bilan et perspectives
Approche Agent VS approche classiques
Perspectives
Bibliographie

Extrait du mémoire analyse du mouvement et suivi de cibles mobiles dans les séquences vidéo

Introduction
Qu’est ce que la Vision Artificielle ?
La vision par ordinateur est une discipline très vaste au croisement de différents domaines des sciences de l’ingénieur tels que les mathématiques appliquées, l’intelligence artificielle, le traitement de signal, l’automatique et l’informatique afin de réaliser différentes tâches perceptives.
Au niveau théorique, elle a pour but de fournir des modèles de la perception visuelle des formes, du mouvement et des objets. Au niveau applicatif, elle a pour but d’automatiser différentes opérations telles que la détection des obstacles pour la navigation d’un Robot, la reconstruction tridimensionnelle d’une scène, la détection d’objet en mouvement, l’indexation d’images d’une séquence vidéo, la compression …etc.
Plusieurs raisons rendent la vision artificielle par ordinateur difficile :
Tout d’abord, la plupart des problèmes en vision par ordinateur sont mal définis, à savoir que même s’ils paraissent évidents, il est souvent très difficile de trouver une formulation technique judicieuse. D’autre part, même si ces problèmes techniquement bien définis, ils sont mal posés au sens de HADAMARD, ceci est du principalement à la perte considérable d’une quantité importante d’informations lors du passage du monde réel 3-D aux images 2-D.
Un autre obstacle qui rend les problèmes en vision artificielle plus ardus est le fait qu’on doit manipuler une multitude de données : le minimum d’additions et de multiplications par pixel nécessite un temps important sur une image de 500X500 Pixels (la complexité algorithmique est de l’ordre de O(105). L’application d’un algorithme quadratique ou de complexité supérieure ralenti l’exécution d’une manière considérable.
On doit donc, résoudre des problèmes difficiles avec des outils mathématiques préalablement étudiés pour leur coût.
Enfin, il convient de souligner qu’on ne peut pas parler d’image sans invoquer la perception: ce sont nos sens qui nous permettent de juger si une image en sortie est correcte  » satisfaisante  » ou pas. De nombreuses études d’ordre psycho-visuel ont été menées pour tenter d’expliquer nos processus d’analyse perceptif. Cette considération devra toujours être prise en compte, notamment dans l’analyse des résultats obtenus.
………….

Si le lien ne fonctionne pas correctement, veuillez nous contacter (mentionner le lien dans votre message)
Mémoire Online: Analyse du mouvement et suivi de cibles mobiles dans les séquences vidéo (1.1 MO) (Cours PDF)