Titre: Indexation de la vidéo de surveillance dans
l'environnement multi-capteurs 2D
Directeurs : H. Nicolas, J. Benois-Pineau
Labo / Equipe: LaBRI / Image et Son
La recherche proposée dans le cadre de cette thèse se situe
dans
le domaine en plein essor. Il s'agit ici de l'analyse et de
l'interprétation de la vidéo numérique provenant des
capteurs - caméras de surveillance. Si voilà
quelques années les tâches d'analyse consistaient
essentiellement en détection des objets en mouvement et leur
suivi
par les outils d'analyse et du traitement du signal numérique,
aujourd'hui il s'agit de faire un pas en avant et de pouvoir
interpréter de façon automatique le contenu enregistré. Ainsi
dans une scène de surveillance d'environnement urbain il est
nécessaire de distinguer les piétons d'autres objets en
mouvement, comme par exemple des voitures. Dans des locaux,
il
s'agit de détecter des objets - intrus et
d'interpréter leurs comportements. Il s'agit de proposer des
modèles des comportements « normaux » et « anormaux ».
La recherche dans ce domaine est hautement compétitive et
est
fortement soutenue aussi bien international que national. Nous
allons
citer ici le projet ARGOS 2005-2007 de l'Action TECHNOVISION
soutenue par le Ministère Délégué à la Recherche et le
Ministère de la Défense. L'objectif de ce projet consiste
à organiser une campagne d'évaluation nationale des
méthodes d'analyse et d'indexation de la vidéo y compris
celle de surveillance. Dans ce projet le LABRI est le
partenaire
- producteur du corpus de tests de la surveillance
vidéo et de son indexation de référence. Au niveau
européen, les projets portant sur l'analyse, le codage
adaptatif
et distribué des flux de surveillance vidéo sont également
financés avec des grands industriels tels que Philips par
exemple
(projet CANTATA).
L'environnement multi-capteurs dont le site expérimental a
été financé au LABRI par le projet Pôle Informatique
Aquitaine ouvrent une richesse supplémentaire aux
informations à
exploiter d'une part et augmentent significativement la
masse de
données d'autre part. Ces environnements sont constitués des
caméras non-calibrées et supposent des scénarii de
surveillance dynamiques et à géométrie variable. Ainsi les
images vidéo acquises peuvent être caractérisés par le
mouvement du zoom, de la rotation engendrant les changements
de
luminosité des scènes observées en particulier dans les
conditions de la prise de vue de l'intérieur. L'intérêt
d'une telle approche par rapport à celui avec le calibrage
consiste dans le fait que des installations des caméras
ordinaire
sans réglages précises rend ses solutions attrayantes d'un
point de vue économique. En plus l'enrichissement de tout le
système avec des capteurs supplémentaires est directe.
L'objectif de cette thèse consistera à définir des
méthodes d'analyse et d'identification originales des
événements d'intérêt dans un environnement
multi-capteur avec pour objectif la génération d'alarme en
cas de détection d'événement anormaux
Plusieurs problèmes sont à résoudre pour atteindre cet
objectif. D'une part il s'agit de la détection robuste des
objets en mouvement. Si dans nos travaux actuels nous avons
proposé
des solutions efficaces pour la détection des objets en
mouvement
dans les scenarii de surveillance mono-caméra statique [1],
la
détection des objets dans le cas des mouvements de la caméra
et
dans des conditions de changement simultané de la luminosité
reste un défi. En plus, les méthodes efficaces doivent être
proposées pour la fusion des résultats de la détection
mono-flux dans l'environnement multi-capteur non-calibré. Il
s'agit d'identifier des éléments de la scène
observée sous différents angles de vue pour apparier les
objets
d'intérêt. Il est
primordial de définir la notion de
l'objet d'intérêt pour que le système de surveillance
puisse se focaliser la dessus et ainsi d'éviter des
sur-détections comme par exemple des ombres portées. Vu la
diversité et variabilité des formes des objets naturels qui
sont
généralement déformables, il s'agit donc d'introduire
des méthodes d'identification par apprentissage statistique
que
nous explorons dans nos travaux actuels [2]. Par ailleurs, la
question centrale de ces travaux consiste à définir les
modèles des événements « anormaux ». Il est impossible
de proposer un ensemble des solutions déterministes pour la
variété des scenarii possibles. Il s'agit donc de prendre en
considération plusieurs paramètres, tels que les
trajectoires
des objets d'intérêt [3], leur continuité. Enfin sachant
que la chaîne méthodologique proposée doit aboutir à la
génération d'alarme, il est nécessaire de proposer des
méthodes optimales opérant en temps réel [4]. Les outils
méthodologiques à développer s'appuieront à la fois sur
les outils classique d'analyse vidéo tels que les méthodes
de
la détection du mouvement [1], de l'estimation du mouvement
global - celui de la caméra [6], mais aussi sur
des méthodes d'aprentissage statistique appliquées au
contexte de la surveillance vidéo [2 - 5]
Bibliographie
[1] L. Carminati, J. Benois-Pineau. Gaussian Mixture
Classification
for moving object detection in Video Surveillance
environment , in
Proc IEEE ICIP'2005, Genova, September 11 - 14,2005
[2] L. Carminati, J. Benois-Pineau, M. Gelgon, « Human
Detection
and tracking fro video surveillance applications in low
density
environment », SPIE VCIP'2003, special session on Object-based
video, July
8-11, Lugano, (SW), 2003, pp 51 -60