Suivi et catégorisation multi-objets par vision artificielle. Applications au suivi de personnes et de véhicules - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2009

Multi-object tracking and classification by artificial vision. Applications to pedestrians and vehicules

Suivi et catégorisation multi-objets par vision artificielle. Applications au suivi de personnes et de véhicules

Résumé

This thesis addresses real-time automatic visual tracking and classification of a variable number of objects such as pedestrians or/and vehicles, under time-varying illumination conditions. The tracking system has been designed in LASMEA4 Laboratory during years 2006 to 2009, with Michel Naranjo as thesis director and Thierry Chateau as thesis manager. We first draw a landscape of applications where real-time multi-object tracking and classification is required. We then describe the main difficulties related to this functionnality, and the most frequently used methods. We choose to use a Particle Filter, operating in the joint multi-object joint configuration. This yields a high dimension state space. Getting efficient operation from a Particle Filter in such a state space is conditionned by the filter ability to " smartly " choose and propagate its particles, a process known as resampling. After reminding the principle of Particle Filter, we focus on major strategies for resampling particles : Partitionned Particle Filters and Markov Chain Monte-Carlo Particle Filters (MCMC PF). These strategies are benchmarked over synthetic data. Experiments show that we obtain best results with marginal move Markov Chain Monte-Carlo Particle Filters (MCMC PF). Based on this choice, a system is described for jointly tracking and classifying a variable number of objects under variable illumination. The measurement is provided by a static camera, and we deliberately chose to feed the filter with poor observation : a basic binary foreground / background segmentation. In order to comply with variable illumination, object shadows are modelled and the light source is jointly tracked with the multi-object configuration by the (MCMC PF). As a first contribution, we propose in this paper to jointly track the light source within the Particle Filter, considering it as an additionnal object. Illumination-dependant shadows cast by objects are modeled and treated as foreground, thus avoiding the difficult task of shadow segmentation. As a second contribution, we estimate object category as a random variable also tracked within the Particle Filter, thus unifying object tracking and classification into a single process. Real time tracking results are shown and discussed on sequences involving various categories of users such as pedestrians, cars, light trucks and heavy trucks.
Cette thèse présente une méthode de suivi et de classification conjoints en temps réel d'un nombre variable d'objets tels que des piétons et/ou des véhicules, sous conditions d'illumination variables au cours du temps. La méthode retenue entre dans le champ du suivi Multi-Objets par Filtre Particulaire, dont la clé de voûte est l'échantillonnage des particules. Nous examinons deux familles de filtres particulaires : les Filtres Particulaires Partitionnés, et les Filtres Particulaires par Chaîne de Markov (FP MCMC). Nous comparons ensuite leurs performances sur des données de synthèse. Les résultats obtenus montrent la supériorité du Filtre Particulaire MCMC. Un système de suivi et classification conjoints en temps réel d'un nombre variable d'ojets tels que des piétons et/ ou des véhicules, sous illumination variable, est ensuite présenté. La mesure est délivrée par une ou plusieurs caméras statiques. Nous avons délibérément choisi d'alimenter le filtre avec une observation pauvre, reposant uniquement sur une segmentation binaire avant-plan / arrière-plan basée sur un modèle de l'arrière-plan mis à jour en ligne à chaque image. Pour résister aux variations d'illumination, les ombres sont modélisées et le filtre est étendu afin de suivre conjointement le soleil et les objets. Les résultats de suivi et classification en temps réel sont présentés et discutés sur des séquences réelles et sur des séquences de synthèse, impliquant plusieurs catégories d'utilisateurs tels que des piétons, des voitures, des camionettes et des poids lourds.
Fichier principal
Vignette du fichier
2009CLF21972.pdf (12.38 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00724975 , version 1 (23-08-2012)

Identifiants

  • HAL Id : tel-00724975 , version 1

Citer

François Bardet. Suivi et catégorisation multi-objets par vision artificielle. Applications au suivi de personnes et de véhicules. Automatique / Robotique. Université Blaise Pascal - Clermont-Ferrand II, 2009. Français. ⟨NNT : 2009CLF21972⟩. ⟨tel-00724975⟩
238 Consultations
445 Téléchargements

Partager

Gmail Facebook X LinkedIn More