caor@mines-paristech.fr

Olivier Huynh a le plaisir de vous convier à sa soutenance de thèse le mardi 31 mai à Mines Paristech. La soutenance aura lieu à 14h00 dans l’amphithéâtre L109.

La thèse s’intitule « Application du Modèle à Distribution de Points au corps humain pour la ré-identification de personnes ».

Some annotated samples from Inria Person dataset

Some annotated samples from Inria Person dataset

Le jury est composé de:

  • – M. Mounim EL YACOUBI (Telecom SudParis, Rapporteur)
  • – M. Antoine MANZANERA (ENSTA ParisTech, Rapporteur)
  • – M. Jean-Philippe THIRAN (EPFL, Examinateur)
  • – M. Philippe FUCHS (Mines ParisTech, Directeur)
  • – M. Bogdan STANCIULESCU (Mines ParisTech, Co-Directeur)

Résumé de la thèse :

L’essor des systèmes mobiles pose de nouvelles problématiques dans le domaine de vision par ordinateur. Les techniques de ré-identification s’appuyant sur un réseau de caméras fixes doivent être repensées afin de s’adapter à un décor changeant. Pour répondre à ces besoins, cette thèse explore, dans le cadre du corps humain, l’utilisation d’un modèle structurel habituellement employé pour de la reconnaissance faciale. Il s’agit de l’alignement d’un modèle à distribution de points (Point Distribution Model ou PDM). L’objectif de ce pré-traitement avant la ré-identification est triple, segmenter la personne du décor, améliorer la robustesse vis-à-vis de sa pose et extraire des points clés spatiaux pour construire une signature basée sur son comportement.
Nous concevons et évaluons un système complet de ré-identification, découpé en trois modules mis en séquence. Le premier de ces modules correspond à la détection de personnes. Nous proposons de nous baser sur une méthode de l’état de l’art utilisant les Channel Features avec l’algorithme AdaBoost.

Le second module est l’alignement du PDM au sein de la boîte englobante fournie par la détection. Deux approches sont présentées dans cette thèse. La première s’appuie sur une formulation paramétrique du modèle de forme. L’alignement de ce modèle est guidé par la maximisation d’un score d’un modèle d’apparence GentleBoost utilisant des caractéristiques locales de type histogrammes de gradients orientés. La seconde approche exploite une technique de cascade de régressions de forme. L’idée principale est le regroupement de déformations homogènes en clusters et la classification de ces derniers dans le but d’aligner le PDM itérativement.

Enfin, le troisième module est celui de la ré-identification. Nous montrons que l’utilisation d’un PDM en support permet d’améliorer les résultats de ré-identification. Nos expérimentations portent sur des signatures d’apparence classique, les histogrammes de couleurs, et sur un descripteur de forme, le Shape Context. L’évaluation de ce dernier fournit des résultats encourageants pour une perspective d’utilisation des PDM au sein d’une reconnaissance de démarches.

Mots clés: Modèle à Distribution de Points, Alignement, Régression de Forme, Corps humain, Ré-identification, Applications embarquées

Comments are closed.