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