Algorithmes adaptatifs d'estimation du fond pour la détection des objets mobiles dans les séquences vidéos

Detecting foreground pixels is the rst step to detect objects of interest in videos. The objective of this thesis is to propose a new background estimation method to detect foreground pixels. The proposed method can adapt the estimated background to various changes of environment (e.g. changes of illumination or of contextual objects). The proposed background estimation method consists of a new background subtraction algorithm to detect foreground pixels, post-processing algorithms to remove shadow and highlight, and a controller to adapt the background subtraction algorithm to the current scene conditions. The new background subtraction algorithm takes into account the scene characteristics such as dynamic background (e.g. tree leave motion), displacement of contextual objects to improve the foreground detection results. It also proposes a new updating method to better adapt its background representation to the current scene conditions. The algorithms to remove shadow and highlight employ new chromaticity and homogeneity (texture) constraints which are robust to illumination changes. These constraints are constructed based on the illumination model and the camera model. The controller has two adaptation methods for the background subtraction algorithm. The rst method is to selectively update the background representation of the background subtraction algorithm. With this updating method, the background subtraction algorithm can solve various problems such as managing stationary objects, keeping track of objects when they stop moving. The second method is to tune the parameter values of the background subtraction algorithm. To fulfill these two tasks, the controller extensively uses the feedback from the classication task and the information about the background subtraction algorithm and the scene. This method has been validated using the public database ETISEO and one hour video from the project GERHOME.Dans cette thèse, nous nous intéressons à la détection d'objets mobiles dans des séquences vidéo. En particulier, nous proposons une nouvelle méthode d'estimation du fond qui peut s'adapter aux différentes variations de la scène (ex. changements d'illumination, du fond). Cette méthode est composée d'un algorithme de soustraction du fond pour détecter les pixels du fond et d'un algorithme de post-traitement pour éliminer les changements d'illumination tels que les ombres des objets mobiles. Pour que cette méthode puisse s'adapter à une scène dynamique, nous proposons un contrôleur avec deux stratégies d'adaptation. La première stratégie supervise l'algorithme de soustraction du fond pour mettre à jour la représentation du fond en fonction du type d'objets détectés et des conditions d'illumination. Cette stratégie permet aux algorithmes de soustraction du fond de résoudre des problèmes concernant des petits bruits, des changements soudains d'illumination, la gestion des objets stationnaires, et aussi la détection des objets d'intérêt quand ils s'arrêtent de bouger. La deuxième stratégie règle les valeurs des paramètres de l'algorithme de soustraction du fond pour qu'il puisse s'adapter aux conditions courantes de la scène telles que le niveau de bruit. Pour atteindre ces objectifs, le contrôleur utilise les résultats des tâches de classification et de suivi, les informations diverses des algorithmes (ex. la sémantique des paramètres), ainsi que la nature de la scène observée (ex. scènes intérieures ou extérieures) . L'algorithme de soustraction du fond proposé est une extension du modèle de Mélange de Gaussiennes et il prend en compte les caractéristiques de la scène tels que les mouvements du fond et les changements dynamiques du fond. Cet algorithme propose également une nouvelle méthode pour mieux estimer la moyenne et l'écart type des distributions gaussiennes dans la représentation du fond. L'étape de post-traitement consiste en un algorithme pour supprimer les changements d'illumination à l'aide d'un nouvel espace de couleurs. Cet espace de couleurs est robuste aux changements d'illumination, ainsi que des irrégularités de caméras (la balance de blanc, la transformation non-linéaire lorsque l'intensité de lumière est faible par exemple). Cette méthode a été validée dans la base de données publiques ETISEO et dans une vidéo d'une heure du projet GERHOME