Importance de l’estimation de mouvement

Le problème de l’estimation de mouvement est un vaste et délicat sujet dans le traitement des images qui fait un appel aux connaissances croisées de plusieurs disciplines, il est devenu aussi l’outil incontournable pour aborder diverses applications (Amirpour2019; Wang2019) : analyse médicale (suivi de contractions cardiaques (Ouzir2018 ; Prince1992; Qian2017), détection d’infarctus (Wang2014)), détection et suivi d’objets en mouvement (robotique (Wang2009), vidéo­surveillance (Wu2019), militaire (Kumar2001), analyse de comportement complexe (météorologie (Dazhi2013), mouvement du corps humain (Rosenhahn2005) et tracking d’objet (Heyman2019)), compression de vidéo par compensation de mouvement (Bachu2017; Rajabai2018) et reconstruction des scènes tridimensionnelles (Sung2017).

Il existe diverses techniques d’estimation de mouvement que l’on peut classer en trois catégories principales : méthodes différentielles (Bruhn2005), méthodes fréquentielles (Sung1998 ; Fleet1994 ; Argyriou2004), méthodes de mise en correspondance de blocs ou block matching (Zhu2000). Les ondelettes sont des outils performants en traitement du signal et de l’image et leur efficacité a été prouvée dans de nombreux domaines, tels que le débruitage d’image (Jaiswal2014; Wu2018), la compression d’image (Bruylants2015), le codage de vidéo (Rüfenacht2016), la fusion d’image (Mehra2015; Shah2010; Zarei2018), la segmentation d’image (Liu2003) et suivi d’objet dans les séquences vidéo (Sahoo2018).

Estimation du mouvement

L’estimation du mouvement est un procédé qui consiste à étudier le déplacement des objets dans une séquence vidéo, en cherchant la corrélation entre deux images successives afin de prédire le changement de position du contenu.

Le mouvement est un réel problème en vidéo puisqu’il décrit un contexte en trois dimensions alors que les images sont une projection de scènes 3D dans un plan en 2D . En général, il est représenté par un vecteur de mouvement qui décrit une transformation d’une image en deux dimensions vers une autre (Betka2019 ; Brault2005 ; Li1995; Bernard1999; Drulea2013 ; Jambek2016).

Importance de l’estimation de mouvement

Le mouvement apparent distingué dans une séquence d’images fournit une information extrêmement pertinente. L’estimation de mouvement est souvent essentielle pour caractériser, comprendre et analyser les phénomènesk observés. De ce fait, l’estimation du mouvement est un moyen très important dans de nombreux domaines applicatifs tels que la surveillance (Hossen2016) (de trafic routier, de foules, de sites sensibles, etc.), la robotique mobile et la vision active, l’analyse et l’annotation de corpus vidéos, la postproduction cinématographique et le traitement vidéo, l’étude et la mesure de phénomènes physiques divers par le biais de l’image (imageries médicale, biologique, fluide, satellitaire), la météorologie, où la reconstruction des champs de vents à partir des données satellitaires permet de suivre et d’observer l’évolution de phénomènes météorologiques clés comme les centres dépressionnaires, les tornades ou certains groupes de nuages. Ces champs de vents permettent également d’initialiser des modèles atmosphériques numériques (Beyou2013), la détection et suivi d’objets mobiles (Gujjunoori2017), la segmentation des images et la compression d’images utilisant l’information du mouvement (Laveau2005; Bachu2017).

Mouvement global, mouvement local

Un mouvement global est un mouvement tel que tous les pixels de l’image se déplacent d’une manière homogène. Le mouvement local décrit individuellement le mouvement d’un ensemble de points de l’image. En général, ces deux spécifications ne restent qu’une définition, car du point de vue structurel, aucune distinction n’est faite entre mouvement global et local. Pour mieux comprendre ces définitions, plaçons­nous par exemple dans le contexte de l’analyse d’une image toute entière. Imaginons que nous observons une séquence vidéo en un point arbitraire. Le point est le plus petit élément que nous puissions observer sur un élément d’image. Dans le temps, l’intensité des pixels est susceptible de varier. Trois causes peuvent être la source d’une telle variation. La première est due au mouvement global ou mouvement de la caméra. Même si aucun mouvement n’apparaît dans cette scène, le mouvement de la caméra produit un mouvement global de la scène capturée. La seconde cause est le mouvement intrinsèque des objets dans la scène. Celle­ci apparaît comme un mouvement local car elle n’affecte pas l’image entière. Enfin, la troisième raison est la variation de la luminance. Si la condition d’éclairement change pendant que la séquence est capturée par la caméra, les intensités du pixel varient. Nous pouvons donc dire que le mouvement local résume l’aspect de chaque objet de l’image et le mouvement global est affecté à l’image toute entière. Ce qui n’est pas toujours valable car dans un contexte d’analyse d’objet (contenu dans une scène), le mouvement global correspond à la transformation subie par l’objet lui­même (déformations globales de la forme) et le mouvement local correspond à l’information pertinente (déformations résiduelles de la forme) (Daorolala2002).

Description du flot optique 

Le flot optique est la distribution apparente du mouvement de l‘intensité lumineuse des pixels de l‘image. Il peut être dû au mouvement des objets de la scène captée ou à celui du point de prise de vue. Le flot optique est représenté comme un champ vectoriel où chaque vecteur est associé à un point de l’image. Quand un point de l’image se déplace dans le temps, son vecteur correspondant dans le flot optique indique la direction et la magnitude du déplacement.  Les vecteurs du flot optique peuvent être vus comme étant la projection sur le plan rétinal des vecteurs déplacement 3D de chaque point de la scène ( Beauchemin1995; Barron1994; Weinzaepfel2016 ; Xie2017).

Problèmes de l’estimation de mouvement

Plusieurs problèmes sont souvent rencontrés et posés lors de l‘estimation de mouvement : problème d‘occlusion, problème d‘ouverture, présence du bruit, ambiguïté due à la projection et problème des régions homogènes.

Problème d’occlusion 

Le phénomène d’occlusion dans une séquence vidéo est dû à l’apparition et à la disparition ou aux croisements d’objets dans la vidéo. C’est le résultat du mouvement de la caméra et des objets dans la scène. Cependant, la frontière d’occlusion extérieure d’un objet est en réalité une zone de transition entre cet objet et d’autres objets, plus éloignés de la caméra et partiellement cachés. Ces objets peuvent effectuer des mouvements différents et il est difficile de savoir à quel objet correspond le mouvement estimé. En effet, les techniques d’estimation de mouvement entre deux images prises à des instants t et t +1 d’une séquence vidéo sont basées sur les ressemblances existantes entre ces deux images. Si des zones apparaissent entre les deux images, les ressemblances diminuent et l’estimation échoue dans ces zones (Ayvaci2012).

Problème d’ouverture

Le problème d’ouverture représente une formulation du fait que la solution du problème d‘estimation de mouvement n‘est pas unique. Si on suppose les vecteurs de mouvement en chacun des pixels comme des variables indépendantes, le nombre d‘inconnues sera (dans le cas 2D) deux fois plus grand que le nombre d‘équations disponibles. Ceci est dû au fait que le nombre d‘équations est égal au nombre de pixel de l‘image et le vecteur de mouvement en chaque pixel a deux composantes. En absence de contraintes supplémentaires, on ne peut déterminer en chaque point que la composante normale du déplacement qui est orientée dans la direction du gradient spatial de l‘intensité au point considéré. Dans cet exemple, le coin d’un objet se déplace dans la direction de l’axe des y. Si nous estimons le mouvement à partir d’une fenêtre locale, il est alors impossible de déterminer si l’objet se déplace vers le haut ou perpendiculairement à son contour (Horn1981).

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION
1 Estimation du mouvement : État de l’art
1.1 Estimation du mouvement
1.2 Importance de l’estimation de mouvement
1.3 Mouvement global, mouvement local
1.4 Description du flot optique
1.5 Problèmes de l’estimation de mouvement
1.5.1 Problème d’occlusion
1.5.2 Problème d’ouverture
1.5.3 Présence du bruit
1.5.4 Ambiguïté due à la projection
1.5.5 Problème des régions homogènes
1.6 Hypothèses d’estimation de mouvement
1.6.1 Contrainte de conservation de la luminance
1.6.2 Cohérence spatiale
1.7 Prédiction par compensation de mouvement
1.8 Estimation du mouvement : État de l’art
1.8.1 Méthodes différentielles
1.8.2 Méthode de Block Matching
1.8.3 Méthodes fréquentielles
1.8.4 Approches par ondelettes
1.9 Conclusion
2 Transformée en ondelettes géométriques
2.1 Transformée en ondelettes
2.1.1 Transformée en ondelettes continues
2.1.2 Transformée en ondelettes discrètes
2.1.3 Familles de la transformée en ondelettes
2.1.4 Analyse multi-résolution (AMR)
2.1.5 Espaces d’approximations et détails
2.2 Transformée en ondelettes géométriques
2.2.1 Transformée de Radon
2.2.2 Transformée en Ridgelets
2.2.3 Transformée en Curvelets
2.2.4 Transformée en Contourlets
2.2.5 Transformée en Contourlets non sous échantillonnée
2.2.6 Transformée Wedgelet
2.2.7 Transformée Bandelette première génération
2.2.8 Transformée bandelettes deuxième génération
2.2.9 Ondelettes complexes en arbre dual
2.3 Comparaison entre les différents transformées géométriques
2.4 Conclusion
3 Estimation de mouvement par la transformée en ondelettes géométriques
3.1 Algorithme d’estimation de mouvement par la transformée en ondelettes géométriques
3.1.1 Principe de la méthode proposée
3.1.2 Équation de flot optique pour un modèle affine de mouvement
3.2 Résultats expérimentaux
3.2.1 Applications aux séquences synthétiques
3.2.2 Critère d’évaluation de la méthode proposée
3.2.3 Choix du type d’ondelette géométrique utilisé dans l’estimation de mouvement
3.2.4 Simulation de la méthode proposée pour les séquences synthétiques
3.2.5 Comparaison avec les résultats de la littérature
3.2.6 Applications aux séquences réelles
3.3 Conclusion
4 Estimation de mouvement pour les séquences bruitées par la Transformée en ondelettes géométriques
4.1 Position du problème
4.2 Méthode proposée
4.2.1 Débruitage des séquences d’images
4.2.2 Estimation du flot optique par la méthode différentielle de Horn & Schunck
4.3 Résultat de la simulation
4.3.1 Interprétation des résultats
4.3.2 Impact du changement du terme de régularisation et de nombre d’itérations sur la valeur de l’erreur angulaire
4.4 Conclusion
CONCLUSION

Lire le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *