offres d'emploi formations actualités contact accès annuaire intranet
Thèses >

Interprétation en temps réel de séquence vidéo par exploitation des modèles graphiques probabilistes

Ahmed Ziani - manuscrit

jeudi 2 décembre 2010 à 14h00


Le travail de recherche concerne l’ étude et la mise en œuvre de systèmes de reconnaissance de scénarios dans des séquences d’images de vidéo-surveillance. Les couches hautes du système de reconnaissance exploitent principalement les approches graphiques probabilistes (réseaux bayésiens et les modèles de Markov Cachés et leurs extensions) qui permettent de gérer de manière efficace les incertitudes au sein du système d’interprétation.

Un premier algorithme de reconnaissance de séquences d’événements, combinant deux extensions de modèles de Markov cachés (hiérarchique et semi-markovien) a été proposé. Il permet de modéliser des scénarios complexes basés sur une structure hiérarchisée intégrant des contraintes temporelles sur la durée de chaque événement. Ensuite, nous avons étudié une approche de reconnaissance de trajectoire d’objets en utilisant les modèles de Markov cachés semi-continus. Nous avons adapté une méthode de quantification permettant d’obtenir automatiquement les états du modèle. Dans le but d’accélérer le comportement du système de reconnaissance, nous avons proposé une technique de prédiction basée sur la reconnaissance des débuts de trajectoires et qui permet rapidement d’écarter les modèles ne pouvant être compatibles avec les observations.

La dernière partie du travail a été le développement d’une structure globale et modulaire d’un système de reconnaissance de scénarios. L’intérêt principal de cette architecture est de pouvoir exploiter des techniques probabilistes tout en intégrant des capacités de raisonnement temporel. L’architecture logique du système exploite une approche multi-agents organisée selon trois couches. Afin de gérer les contraintes temps réel de l’application, la stratégie de contrôle du système de reconnaissance active un nombre minimal d’agents en fonction de ses décisions internes. Les agents de la première couche ont pour rôle de mettre en évidence les événements élémentaires et sont construits principalement à base de réseaux bayésiens ou de modèles de Markov cachés. Les agents temporels de la deuxième couche sont construits également à partir d’une structure spécifique de type réseau bayésien. Ils ont pour rôle de modéliser de manière explicite les relations temporelles entre événements mis en évidence à partir de la première couche. Les agents du troisième niveau interviennent dans l’ étape finale de décision en exploitant l’ensemble des décisions des agents intermédiaires. Les différentes approches de reconnaissance de scénarios ont été testées sur diverses séquences réelles en environnement extérieur et intérieur.