Les mines sous marines sont très utilisées dans les conflits. Pour contrer cette menace, les marines s'équipent de moyens de lutte anti-mine autonomes afin d'éviter l'intervention humaine. Une mission de guerre des mines se découpe en quatre étapes distinctes : la détection des objets, la classification et l'identification puis la neutralisation. Cette thèse propose des solutions algorithmiques pour l'étape d'identification par caméra vidéo. Le drone d'identification connaît la position approximative de l'objet à identifier. La première mission de ce drone est de re-détecter l'objet avant de le classifier et de l'identifier. Le milieu sous-marin perturbe les images acquises par la caméra (absorption, diffusion). Pour faciliter la détection et la reconnaissance (classification et identification), nous avons prétraité les images. Nous avons proposé deux méthodes de détection des objets. Tout d'abord nous modifions le spectre de l'image afin d'obtenir une image dans laquelle il est possible de détecter les contours des objets. Une seconde méthode a été développée à partir de la soustraction du fond, appris en début de séquence vidéo. Les résultats obtenus avec cette seconde méthode ont été comparés à une méthode existante. Lorsqu'il y a une détection, nous cherchons à reconnaître l'objet. Pour cela, nous utilisons la corrélation. Les images de référence ont été obtenues à partir d'images de synthèse 3D des mines. Pour les différentes méthodes utilisées, nous avons optimisés les résultats en utilisant les informations de navigation. En effet, selon les déplacements du drone, nous pouvons fixer des contraintes qui vont améliorer la détection et réduire le temps de calcul nécessaire à l'identification. / To avoid the underwater mine threat and to limit human interventions, navies use autonomous underwater vehicles. An underwater mine warfare mission is divided into four steps : object detection, classification, identification and neutralization. This PhD thesis proposes algorithmic solutions for the identification step done with a video camera. Thanks to the detection step, the identification vehicle knows approximately the object position. First, the vehicle has to detect and position this object exactly. Then it will be classified and identified. The underwater medium affects the images acquired with a video camera through absorption and scattering. The first step of our algorithm is to preprocess the images to help the detection and recognition (classification and identification) steps.We have proposed two detection methods. The first one consists in modifying image spectrum in order to obtain an image in which we will be able to detect edges of objects. The second method, based on region segmentation, has been developed from background subtraction methods. The background image has been learned at the beginning of the video when there is no object. The results of the latter have been compared to those obtained with a state-of-art method, on data acquired at sea. Once we have detected an object, we want to recognize it. For that, we use the correlation technique. The reference images have been obtained from 3D computer generated images of mines. This novel approach gives promising results. For each developed method, we have optimized the results through the use of navigational information. Indeed, depending on vehicle's motion, we can set constraints to improve the detection step and reduce processing time.

Les mines sous marines sont très utilisées dans les conflits. Pour contrer cette menace, les marines s'équipent de moyens de lutte anti-mine autonomes afin d'éviter l'intervention humaine. Une mission de guerre des mines se découpe en quatre étapes distinctes : la détection des objets, la classification et l'identification puis la neutralisation. Cette thèse propose des solutions algorithmiques pour l'étape d'identification par caméra vidéo. Le drone d'identification connaît la position approximative de l'objet à identifier. La première mission de ce drone est de re-détecter l'objet avant de le classifier et de l'identifier. Le milieu sous-marin perturbe les images acquises par la caméra (absorption, diffusion). Pour faciliter la détection et la reconnaissance (classification et identification), nous avons prétraité les images. Nous avons proposé deux méthodes de détection des objets. Tout d'abord nous modifions le spectre de l'image afin d'obtenir une image dans laquelle il est possible de détecter les contours des objets. Une seconde méthode a été développée à partir de la soustraction du fond, appris en début de séquence vidéo. Les résultats obtenus avec cette seconde méthode ont été comparés à une méthode existante. Lorsqu'il y a une détection, nous cherchons à reconnaître l'objet. Pour cela, nous utilisons la corrélation. Les images de référence ont été obtenues à partir d'images de synthèse 3D des mines. Pour les différentes méthodes utilisées, nous avons optimisés les résultats en utilisant les informations de navigation. En effet, selon les déplacements du drone, nous pouvons fixer des contraintes qui vont améliorer la détection et réduire le temps de calcul nécessaire à l'identification.

Ce travail thèse s’inscrit dans le cadre du projet FUI Tandem portant sur l’imagerie radar de mines enfouies dans un sol sec par des antennes héliportées. Les données d’antennes correspondent à des mesures de champ électromagnétique (composante tangentielle à l’antenne) en configuration « back-scattering » : une seule antenne émettrice-réceptrice. L’objectif premier de la thèse est de valider/modifier la méthodologie SAR (Synthetic Aperture Radar) proposée par les ingénieurs pour traiter les données d’antenne et imager les mines. La difficulté essentielle réside dans le fait que la méthode SAR repose sur le principe d’un milieu de référence homogène alors que le cas d’étude ne l’est pas. Nous avons étudié l’incorporation d’une approximation bicouche du milieu de référence pour corriger l’effet du sol et obtenir des images moins sensibles à l’effet de celui-ci. La première solution consiste à mimer la technique SAR pour construire une indicatrice de la géométrie via la rétro-propagation de la donnée dans le milieu bi-couche en utilisant la formule donnée par l’approximation de Born. La deuxième option, beaucoup plus coûteuse numériquement consiste à inverser le modèle de Born avec une technique de régularisation de type variation totale. Nous nous intéressons dans une deuxième partie à l’adaptation de méthodes d’inversion de type MUSIC (MUltiple SIgnal Classification) pour retrouver l’information « profondeur » non fournie par les méthodes SAR. S’inspirant de la problématique Tandem, nous avons proposé l’extension de ces méthodes au cas de données en configuration quasi-back-scattering : une antenne émettrice couplée à un réseau 1D d’antennes réceptrices. La méthodologie est complètement nouvelle et la justification de la méthode repose sur l’analyse asymptotique du problème de diffraction dans le régime petit obstacle et champ lointain. L’étude a également été étendue à des configurations cylindriques qui pourraient être adaptées à l’imagerie bio-médicale. / This work is part of the FUI Tandem project on radar imaging of mines buried in dry ground by heliborne antennas. The antenna data correspond to measurements of the electromagnetic field (component tangential to the antenna) in the back-scattering configuration: a single transmitter/transceiver antenna. The primary objective of the thesis is to validate / modify the SAR (Synthetic Aperture Radar) methodology proposed by engineers to process the antenna data and to image the mines. The main difficulty lies in the fact that the SAR method is based on the principle of a homogeneous background whereas the study case is not. We have studied the incorporation of a two-layer approximation of the reference medium to correct the effect of the soil and to obtain images that are less sensitive to the effect of the latter. The first solution consists in mimicking the SAR technique to construct an indicator of the geometry via the back propagation of the data in the bi-layer medium using the formula given by the Born approximation. The second option, much more costly numerically consists in inverting the Born model with a regularization technique of the total variation type. In a second part, we are interested in adapting MUSIC (MUltiple SIgnal Classification) methods to retrieve the "depth" information not provided by SAR methods. Based on the Tandem experiement, we proposed the extension of these methods to the case of data in quasi-back-scattering configuration: a transmitting antenna coupled to a 1D array of receiving antennas. The methodology is completely new and the justification of the method is based on the asymptotic analysis of the scattering problem in the small obstacle and far field regime. The study was also extended to cylindrical configurations that could be adapted to biomedical imaging.