Détection robuste et automatique de véhicules dans les images aériennes

Cette thèse se situe dans le cadre général de la détection d’objets. Elle porte plus particulièrement sur la détection de véhicules dans les images aériennes de grandes dimensions. Le principal obstacle à l’obtention d’une détection robuste des véhicules est la grande variété de leurs apparences. Da...

Full description

Bibliographic Details
Main Author: Sahli, Samir
Other Authors: Sheng, Yunlong
Format: Others
Language:FR
Published: Université Laval 2013
Subjects:
Online Access:http://www.theses.ulaval.ca/2013/30264/30264.pdf
Description
Summary:Cette thèse se situe dans le cadre général de la détection d’objets. Elle porte plus particulièrement sur la détection de véhicules dans les images aériennes de grandes dimensions. Le principal obstacle à l’obtention d’une détection robuste des véhicules est la grande variété de leurs apparences. Dans un premier temps, nous avons abordé le cadre théorique de la détection et identifié une approche prometteuse, l’analyse locale de scène. Par le biais de détecteurs, nous avons limité l’analyse aux seules régions susceptibles de contenir des véhicules. De là, nous avons extrait les informations locales caractéristiques des véhicules afin d’entraîner des Séparateurs à Vaste Marge (en anglais Support Vector Machine, SVM). Cette première chaîne de traitement nous a permis d’obtenir de multiples détections par véhicule. Dans un deuxième temps, nous avons regroupé automatiquement les multiples détections à l’aide de l’algorithme Affinity Propagation(AP). Des contraintes spatiales ont été introduites afin de garantir que le regroupement se fasse dans le respect des dimensions des véhicules. Finalement, l’extraction des véhicules a été effectuée en utilisant les informations relatives à l’orientation et la forme des véhicules présentes dans l’image. Afin de pallier certaines faiblesses que présente la première chaîne de traitement, nous avons développé une seconde chaîne de traitement. Tout d’abord, nous avons procédé à la sélection de régions saillantes susceptibles de contenir les véhicules. Ensuite, nous avons sur-segmenté l’image afin d’obtenir des régions uniformes en couleur de dimensions inférieures à celles des véhicules, les superpixels. De là, nous avons extrait les informations locales et globales relatives à ces superpixels et entraîné à nouveau des SVM en mode classification. À l’issue de cette deuxième chaîne de traitement, nous avons augmenté significativement notre capacité de détection. Finalement, dans le dernier chapitre de cette thèse, nous avons proposé un nouvel algorithme destiné à sélectionner les régions saillantes de l’image. Cet algorithme est spécialement conçu pour traiter des images aériennes. De plus, il présente de nombreux avantages comparativement aux méthodes concurrentes existantes.