Géométrie stochastique pour la détection et le suivi d’objets multiples dans des séquences d’images haute résolution en télédétection
| Date: | Mercredi, 25 Novembre 2015 |
| Heure: | 10:30 |
| Lieu: | Salle Euler Violet, Bâtiment Euler, INRIA Sophia Antipolis Méditerranée, 2004 route des Lucioles, 06902 Sophia Antipolis |
Rapporteurs:
Prof. Alfred M. Bruckstein, Technion – Institut Israélien de Technologie, Israel
Prof. Ba-Ngu Vo, Curtin University, Australie
Examinateurs:
Dr. Jacques Blanc-Talon – Direction Générale de l’Armement, France
Dr. Xavier Descombes – INRIA, France
Dr. Mathias Ortner – Airbus Defense and Space, France
Prof. Michel Schmitt – Institut Mines-Telecom, France
Prof. Daniela Zaharie – Université de l’Ouest de Timişoara, Roumanie
Directrice de thèse:
Prof. Josiane Zerubia – INRIA, France
Résumé:
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 œuvre multi-cœur de l’échantillonneur MCMC à sauts réversibles. Nous obtenons des résultats supérieurs à ceux fournis par des méthodes 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 œuvre 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.
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 œuvre multi-cœur de l’échantillonneur MCMC à sauts réversibles. Nous obtenons des résultats supérieurs à ceux fournis par des méthodes 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 œuvre 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.
Mots-clés:
Suivi d’objets multiples, détection d’objets, processus ponctuel marqué, filtre de Kalman, séquences d’images satellitaires, séquences de données de microscopie, haute résolution.
