Détection de personnes à partir d’images 3D et identification de leurs postures et de leurs mouvements par la caméra 3D Kinect
| dc.contributor.author | Hemdane, Mohamed | |
| dc.date.accessioned | 2017-11-28T09:23:54Z | |
| dc.date.available | 2017-11-28T09:23:54Z | |
| dc.date.issued | 2017-10-22 | |
| dc.description | 58 p. : ill. ; 30 cm. (+ CD-Rom) | en |
| dc.description.abstract | La détection de personnes et l’identification de leurs postures et leurs mouvements est un sujet qui peut intervenir dans différents applications allant des interactions gestuelles aux jeux vidéo, en passant par le suivi d’activités à domicile, la surveillance,…etc. Pour qu’elles puissent être performantes et attractives, ces applications nécessitent la mise en ouvre d’outils de reconnaissance et d’interprétation des gestes humains, par des méthodes efficaces, rapides et ouvertes. Dans ce mémoire et dans un premier volet, nous nous sommes orientés vers la détection de personnes à partir des images de profondeur de la Kinect. Un algorithme de détection a été développé, appelé histogramme de profondeurs orientées (HOD) inspiré de la méthode d'histogramme des gradients orientés (HOG) et des caractéristiques particulières du capteur Kinect. Nous effectuons une recherche multi-échelle informée de HOD basée sur une régression échelle profondeur et une utilisation d'images intégrales. Dans un deuxième volet, une méthode pour la reconnaissance de poses en temps réel à partir d'un flux de squelette bruité tels que ceux extraits du capteur de profondeur Kinect, est présentée. Chaque pose est décrite en utilisant une représentation angulaire des articulations du squelette. Ces descripteurs servent à identifier des poses clés à travers un classifieur SVM multi-classes. Par la suite les poses clés seront utilisées pour reconnaitre les gestes à travers une forêt de décision qui permet la recherche efficace pour n'importe quelle séquence de poses clés qui composent un geste. Le descripteur HOD a été testé sur une base d’images de profondeur et a donné des résultats satisfaisants, atteignant un taux de précision de 85%. La machine d’apprentissage de poses clés était capable de reconnaître les poses clés des utilisateurs dans la plupart des cas, atteignant un taux de reconnaissance moyenne de 90,8%. La forêt de décision a pu identifier efficacement les gestes en temps réel, des résultats excellents ont été obtenus dans la majorité des gestes. | en |
| dc.identifier.citation | Option : Traitement d’Images et Reconnaissance de Formes | en |
| dc.identifier.other | MAG.AUTO.01-17 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/1574 | |
| dc.language.iso | fr | en |
| dc.publisher | Université Mouloud Mammeri | en |
| dc.subject | Kinect | en |
| dc.subject | Histogrammes de profondeurs orientées | en |
| dc.subject | Reconnaissance de gestes | en |
| dc.subject | Identification de postures | en |
| dc.subject | Détection de personnes | en |
| dc.subject | Image de profondeur | en |
| dc.title | Détection de personnes à partir d’images 3D et identification de leurs postures et de leurs mouvements par la caméra 3D Kinect | en |
| dc.type | Thesis | en |