Estimation hiérarchique du mouvement par ondelettes géométriques

CHERIF, Fella (2015) Estimation hiérarchique du mouvement par ondelettes géométriques. ["eprint_fieldopt_thesis_type_phd" not defined] thesis, Université Mohamed Khider - Biskra.

Preview

Text Elect_d3_2015.pdf Download (2MB) | Preview

Abstract

La méthode de Horn & Schunck et la méthode de Lucas & Kanade sont considérées comme les méthodes les plus faciles à mettre en œuvre. Ce sont en effet les deux techniques les plus largement employées dans la communauté scientifique dans le cadre de l’étude du mouvement. Cependant, celles-ci souffrent de défauts qui leur sont propres ; ainsi, la méthode de Horn & Schunck non parallélisable le rend peu adapté aux applications en temps réel, tandis que la méthode de Lucas & Kanade est inadaptée lorsqu'il s'agit de traiter de grands déplacements. Il est toutefois possible de pallier ce dernier problème en utilisant une approche multi-échelles basée sue le pyramide Laplacien, Gaussien ou la transformée en ondelettes. Donc dans un problème d’estimation de mouvement, deux performances critiques sont à améliorer, le temps de calcul et la précision des résultats. Dans la présente thèse, et suite à la nature parallèle des réseaux de neurones et leur aptitude à résoudre des problèmes complexes en temps réel, on a proposé d’introduire les réseaux de neurones récurrents dans le problème de l’estimation de mouvement utilisant la méthode de Horn & Schunck reformulée par Metiche & Mansouri et la méthode de Lucas & Kanade. Pour la précision des résultats, on a introduit la transformée en curvelettes pour l’estimation multi-échelles de la méthode de Lucas & Kanade. Pour améliorer d’avantage les performances de la méthode de Lucas & Kanade multi-échelles, un préfiltrage utilisant la transformée en curvelettes a été également utilisé. Les résultats obtenus sur des séquences de test synthétiques et réelles montrent que les méthodes proposées nous permettent une nette amélioration de point de vu précision et rapidité. On a pu montrer que deux itérations sont suffisantes pour que le réseau de neurones atteigne une erreur de convergence très petite. De même l’introduction de la transformée en curvelettes dans l’estimation de mouvement multi-échelles nous permet d’aboutir à des résultats comparables avec des travaux récents. Pour achever cette thèse, une extension des deux méthodes proposées aux séquences d’images tridimensionnelles a été proposée.

Actions (login required)

View Item