Approche de suivi visuel d'objet basée sur la Transformée de Cosinus Discret DCT et les reseaux de neurones convolutionnels CNN

NEBBAR, HANANE (2024) Approche de suivi visuel d'objet basée sur la Transformée de Cosinus Discret DCT et les reseaux de neurones convolutionnels CNN. Doctoral thesis, Faculté Science et technologie.

Text these nebbar hanane.pdf Download (5MB)

Abstract

Cette thèse introduit une approche novatrice de suivi visuel d'objets (VOT) conçue pour résoudre un défi majeur rencontré dans les méthodes existantes : l'altération considérable de l'apparence des objets, principalement causée par une occlusion étendue et des conditions d'éclairage changeantes.La méthode proposée intègre plusieurs éléments clés, incluant les Réseaux de Neurones Convolutifs Profonds (DCNN), la Transformation en Cosinus Discret (DCT), les Histogrammes de Gradients Orientés (HOG), ainsi qu'une condition énergétique basée sur l'espace colorimétrique HSV. Initialement, une condition énergétique basée sur le HSV enrichit le processus d'apprentissage en fusionnant les bases de couleurs RVB et HSV, améliorant ainsi l'adaptabilité du modèle. Plutôt que de se baser sur un modèle d'image, cette technique utilise les coefficients issus de la DCT de l'image pour gérer les images à forte saturation dans l'entrée des Réseaux de Neurones Convolutifs (CNN). L'extraction des caractéristiques CNN implique l'utilisation de la Transformation Inverse en Cosinus Discret (IDCT). Ensuite, l'approche exploite les cartes de corrélation multi-canaux générées par les CNN pour déterminer précisément la position de la cible. Ceci est accompli en fusionnant les caractéristiques convolutives. La méthode de Newton joue un rôle central dans ce processus, améliorant la rétention à long terme des caractéristiques de la cible par le système. De plus, le paramètre de mise à jour des filtres de corrélation est déterminé en sélectionnant la valeur la plus élevée parmi les cartes de sortie dérivées des filtres de corrélation, en utilisant les caractéristiques convolutives extraites des caractéristiques HOG du modèle d'image. Les résultats concluants établissent sans équivoque la supériorité de la méthode proposée, dépassant les performances des techniques de suivi les plus récentes.

Actions (login required)

View Item