Analyse d’images séquentielles de scènes routières par modèles d’apparence pour la gestion du réseau routier

Nous abordons dans cette thèse, le problème de l’indexation par le contenu de bases d’images séquentielles de scènes routières. On s’intéresse particulièrement à la détection et la reconnaissance des objets fixes sur l’accotement (arbres, panneaux,...). Deux méthodes de détection sont proposées. La première repose sur une analyse de l’apparence locale et sur une hypothèse de comportements statistiques temporels différents entre la classe d’objets d’intérêt et les autres éléments de la séquence vidéo. L’analyse des changements statistiques temporels permet d’extraire les densités de probabilités des mesures locales associées aux objets d’intérêt dont la localisation dans la séquence est ensuite réalisée par rétroprojection. Cette technique originale est non supervisée et détecte les évènements tels que l’apparition, la disparition ou le changement d’apparence des objets dans la séquence vidéo. La seconde méthode de détection proposée repose sur un apprentissage d’un ensemble de caractéristiques globales de l’apparence représentatives de la classe d’objets d’intérêt. Les techniques classiques de détection et de reconnaissance basées sur une représentation par espace propre, ne sont pas robustes aux perturbations locales telles que les occultations partielles. Pour palier ce problème, nous proposons de nouvelles procédures reposant sur des estimateurs statistiques robustes. Elles sont comparées aux méthodes classiques de détection et de reconnaissance par espace propre et montrent leur nette supériorité. Toutes les techniques proposées ici sont développées dans le cadre statistique bayésien permettant de prendre en compte un a priori sur la distribution dans l’espace propre.This thesis deals with the detection and the recognition of static objects (poles, traffic signs,...) on the road side in road scene video databases. The first part focuses on statistical event detection using local appearance based features. Statistics of the objects of interest and of the cluttered background have a different temporal behaviour which is used to extract relevant probability density functions of local measures on objects. Objects are localized thanks to a backprojection algorithm. This method is unsupervised and allows to detect events like entering, exiting or changing objects in the scene. The second part on this thesis focuses on robustly detecting and recognizing possibly occluded objects using global appearance-based features. Appearances representative of an object class, are collected. In order to reduce their dimension, we use an eigenspace representation. Standard detection and recognition methods rely on Gaussian noise models. Therefore they cannot deal with structured noise due to cluttered background or partial occlusion.We propose new techniques based on robust estimators able to deal with outliers. They are developed in a bayesian framework allowing to take into account an a priori knowledge on the distribution in the eigenspace. The proposed bayesian robust method significantly outperforms the standard robust or non-robust approaches. Key Words : Detection and recognition of objects, statistical learning, robust estimation, M-estimators, Principal Component Analysis, multidimensional histogram