Stochastic geometry for automatic object detection and tracking in remotely sensed image sequences - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2015

Stochastic geometry for automatic object detection and tracking in remotely sensed image sequences

Géométrie stochastique pour la détection et le suivi d'objets multiples dans des séquences d'images haute résolution en télédétection

Résumé

In this thesis, we combine the methods from probability theory and stochastic geometry to put forward new solutions to the multiple object detection and tracking problem in high resolution remotely sensed image sequences. First, we develop a spatial marked point process model to detect a pre-defined class of objects (i.e. boats) based on their visual and geometric characteristics. We design a multiple core implementation of the reversible jump MCMC sampler. We show improved results over state of the art methods and competitive detection times. The very good results obtained motivated us to extend these models to the temporal domain and create a framework based on spatio-temporal marked point process models to jointly detect and track multiple objects in image sequences. We propose the use of simple parametric shapes to describe the appearance of these objects. We build new, dedicated energy based models consisting of several terms that take into account both the image evidence and physical constraints such as object dynamics, track persistence and mutual exclusion. We construct a suitable optimization scheme that allows us to find strong local minima of the proposed highly non-convex energy. As the simulation of such models comes with a high computational cost, we turn our attention to the recent filter implementations for multiple object tracking, which are known to be less computationally expensive. We propose a hybrid sampler by combining the Kalman filter with the standard Reversible Jump MCMC. High performance computing techniques are also used to increase the computational efficiency of our method. We provide an in-depth analysis of the proposed framework, as well as an extensive comparison with state of the art methods, based on standard multiple object tracking metrics and computational efficiency. This analysis yields a very good detection and tracking performance at the price of an increased complexity of the models. Exhaustive tests have been conducted both on high resolution satellite and microscopy image sequences.
Dans cette thèse, nous combinons les outils de la théorie des probabilités et de la géométrie stochastique pour proposer de nouvelles solutions au problème de la détection et du suivi d'objets multiples dans des séquences d'images haute résolution. Tout d'abord, nous développons un modèle de processus ponctuel marqué spatial pour détecter une classe prédéfinie d'objets (i.e. des bateaux) en fonction de leurs caractéristiques visuelles et géométriques. Nous concevons une mise en oeuvre multi-coeur de l'échantillonneur MCMC à sauts réversibles. Nous obtenons des résultats supérieurs à ceux fournis par des methodes proposées dans l'état de l'art et des temps de détection compétitifs. Les très bons résultats obtenus nous ont motivés pour étendre ces modèles dans le domaine temporel et pour créer un cadre fondé sur des modèles de processus ponctuels marqués spatio-temporels afin de détecter et suivre conjointement plusieurs objets dans des séquences d'images. Nous proposons l'utilisation de formes paramétriques simples pour décrire l'apparition de ces objets. Nous construisons de nouveaux modèles fondés sur des énergies dédiées, constituées de plusieurs termes qui tiennent compte à la fois de l'attache aux données et des contraintes physiques telles que la dynamique de l'objet, la persistance de la trajectoire et de l'exclusion mutuelle. Nous construisons un schéma d'optimisation approprié qui nous permet de trouver des minima locaux de l'énergie hautement non-convexe proposée qui soient proches de l'optimum global. Comme la simulation de ces modèles requiert un coût de calcul élevé, nous portons notre attention sur les dernières mises en oeuvre de techniques de filtrage pour le suivi d'objets multiples, qui sont connues pour être moins coûteuses en temps de calcul. Nous proposons un échantillonneur hybride combinant le filtre de Kalman avec l'échantillonneur MCMC à sauts réversibles. Des techniques de calcul haute performance sont également utilisées pour augmenter l'efficacité de notre méthode. Nous fournissons une analyse en profondeur du cadre proposé, ainsi qu'une comparaison extensive avec l'état de l'art sur la base de plusieurs métriques classiques de suivi d'objets et de l'efficacité de calcul. Cette analyse montre une très bonne performance de détection et de suivi ainsi que d'une complexité accrue des modèles. Des tests exhaustifs ont été menés à la fois sur des séquences d'images satellitaires haute résolution et sur des données de microscopie.
Fichier principal
Vignette du fichier
CraciunPaula_ThesisManuscript.pdf (58.49 Mo) Télécharger le fichier

Dates et versions

tel-01235255 , version 1 (29-11-2015)
tel-01235255 , version 2 (24-02-2016)

Identifiants

  • HAL Id : tel-01235255 , version 1

Citer

Paula Craciun. Stochastic geometry for automatic object detection and tracking in remotely sensed image sequences. Signal and Image processing. Université de Nice-Sophia Antipolis, 2015. English. ⟨NNT : ⟩. ⟨tel-01235255v1⟩
439 Consultations
413 Téléchargements

Partager

Gmail Facebook X LinkedIn More