Détection et l'estimation de mouvement utilisant le flot optique
| dc.contributor.author | Chili Kahina | |
| dc.contributor.author | Taguine Dehbia | |
| dc.contributor.other | Diaf Moussa | |
| dc.date.accessioned | 2019-11-12T13:05:13Z | |
| dc.date.available | 2019-11-12T13:05:13Z | |
| dc.date.issued | 2014 | |
| dc.description | 46 f. : ill. ; 30 cm. (+ CD-Rom) | en |
| dc.description.abstract | Le thème de ce mémoire est l'estimation et la détection du mouvement dans les séquences d'images en temps réel . L'étape d'estimation consiste à déterminer le champ de vitesse entre deux images successives. l'étape de la détection des objets en mouvement : le résultat est une image binaire qui indique pour chaque pixel s’il y a mouvement ou non. Ce mémoire va explorer le problème de l’estimation du mouvement à partir des changements temporels dans les séquences d’images. Plus précisément, nous allons traiter la partie calcul « bas niveau » qui fournissent des informations locales de vitesse sous la forme d’un flot optique, ou champs de vecteurs vitesse. Il s’agit d’associer à chaque région de l’image un vecteur qui représente sa vitesse apparente. On parle de vitesse « apparente », car le flot optique accessible à cette phase de traitement bas-niveau est issu du mouvement apparent dans la séquences d’images : on ne possède pas d’information de profondeur ou de structure spatiale de la scène pour faire une estimation de la vitesse réelle. Nous avons étudié deux techniques de calcul du flot optique. Les deux algorithmes s'inscrivent dans le cadre des méthodes différentielles et reposent sur la résolution d'un système d'équation du flot optique. Donc il existe deux approches pour l'estimation et la détection du mouvement, elles différent l'une de l'autre essentiellement dans la définition du modèle reliant le mouvement aux variations temporelles. La première approche c'est l'estimation locale (Lucas & Kanade) du mouvement: cette approche elle permet d'estimer le mouvement à partir de mesures locales des variations spatio-temporelles de la décomposition multi-bandes de la séquence d'images. Le résultat obtenu permet d'associer à chaque pixel un vecteur de vitesse relatif aux variations de la séquence entre deux instants différents. Ces résultat qui on trouver quand on appliqué cette approche sur des séquences artificielles et réelles nous montrent que la méthode permet de mesurer de manière fiable et précise le flot optique entre deux images. La deuxième méthode est basée sur une modélisation globale (Horn & Schunk) du mouvement. La mesure du mouvement s'effectue par l'estimation d'un modèle paramétrique de mouvement appliqué à tout le support de l'image. L'estimation obtenue, qui consiste en un nombre réduit de paramètres de mouvement, est globale et permet de calculer en tout point de la scène un vecteur vitesse. Les résultats obtenus sont comparables aux résultats de l'approche d'estimation locale. pour l'implémentation de la méthode de Horn & Schunck et la méthode de Lucas & Kanade de calcul du flot optique on utilisons le langage Simulink de Matlab 2013. | en |
| dc.identifier.citation | Automatique Industrielle | |
| dc.identifier.other | MAST.AUTO.09-14 | en |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/7708 | |
| dc.language.iso | fr | en |
| dc.publisher | Université Mouloud Mammeri | en |
| dc.subject | Flot optique | en |
| dc.subject | Estimation de mouvement | en |
| dc.subject | Détection de mouvement . | en |
| dc.title | Détection et l'estimation de mouvement utilisant le flot optique | en |
| dc.type | Thesis | en |