Dans cette thèse, nous nous sommes intéressés au problème de la ré-identification de personnes dans le cadre de bases d'identités ouvertes. Ré-identifier une personne suppose qu'elle a déjà été identifiée auparavant. La galerie fait référence aux identités connues. Dans le cas de bases d'identités ouvertes, la galerie ne contient pas toutes les identités possibles. Ainsi une personne requête peut être une des personnes de la galerie, mais peut aussi ne pas être présente dans la galerie. Ré-identifier en base ouverte consiste donc non seulement à ranger par ordre de similarité les identités galeries les plus semblables à la personne requête mais également à rejeter les personnes requêtes si elles ne correspondent à aucune personne de la galerie. Une de nos contributions, COPReV, s'appuie exclusivement sur des contraintes de vérification afin d'apprendre une projection des descripteurs telle que la distance entre les descripteurs d'une même personne soit inférieure à un seuil et que la distance entre les descripteurs de deux personnes distinctes soit supérieure au même seuil. Nos autres contributions se basent sur des méthodes parcimonieuses collaboratives qui sont performantes pour résoudre des tâches de classement. Nous proposons d'améliorer ces méthodes en introduisant un aspect vérification grâce à une collaboration élargie. De plus, une variante bidirectionnelle de cette approche la rend encore plus robuste et donne des résultats meilleurs que les autres approches actuelles de l'état de l'art dans le cadre de la ré-identification de personne en base d'identités ouverte. / In this thesis we tackle the open world person re-identification task in which the people we want to re-identify (probe) might not appear in the database of known identities (gallery). For a given probe person, the goal is to find out whether he is present in the gallery or not and if so, who he is. Our first contribution is based on a verification formulation of the problem. A linear transformation of the features is learnt so that the distance between features of the same person are below a threshold and that of distinct people are above that same threshold so that it is easy to determine whether two sets of images represent the same person or not. Our other contributions are based on collaborative sparse representations. A usual way to use collaborative sparse representation for re-identification is to approximate the feature of a probe image by a sparse linear combination of gallery elements, where all the known identities collaborate but only the most similar elements are selected. Gallery identities are then ranked according to how much they contributed to the approximation. We propose to enhance the collaborative aspect so that collaborative sparse representations can be used not only as a ranking tool but also as a detection tool which rejects wrong matches. A bidirectional variant gives even more robust results by taking into account the fact that a good match is a match where there is a reciprocal relation in which both the probe and the gallery identities consider the other one as a good match. COPReV shows average performances but bidirectional collaboration enhanced sparse representation method outperforms state-of-the-art methods for open world scenarios.

La ré-identification de véhicules permet d’estimer deux paramètres clés en gestion dynamique de trafic : les temps de parcours et les matrices origine-destination. Dans cette thèse, nous avons choisi d'effectuer cette ré-identification par analyse des signatures magnétiques mesurées par des capteurs tri-axiaux placés sur la chaussée. La signature magnétique est générée par l'aimantation du véhicule : elle est alors susceptible de varier en fonction de l'orientation du véhicule par rapport au champ magnétique terrestre (à cause de l'aimantation induite dans le plan horizontal), et en fonction de sa position latérale relative par rapport aux capteurs. Les expérimentations que nous avons menées nous ont permis d'obtenir une base de données de signatures magnétiques, et ainsi d'évaluer les performances des deux méthodes de ré-identification que nous avons élaborées.La première méthode consiste à comparer directement des paires de signatures magnétiques mesurées par les capteurs. Les calculs de distances entre les paires sont effectués avec des algorithmes classiques comme la distance euclidienne. Les résultats obtenus sont très bons, et baissent peu lorsque le véhicule change d'orientation. Toutefois, ils sont très sensibles à la déformation des signaux due au décalage latéral du véhicule, et nécessitent donc de positionner un capteur tous les 0.20m sur toute la largeur de la voie.Dans un second temps, nous proposons une méthode de ré-identification qui compare des paires de modèles magnétiques de véhicules. Ces modèles sont composés de plusieurs dipôles, et sont calculés à partir des signatures mesurées. La modélisation a pour but de s’affranchir du décalage latéral du véhicule, en remontant à la position relative du véhicule par rapport aux capteurs. Avec deux fois moins de capteurs que la méthode précédente, les résultats obtenus sur signaux réels sont également très bons, même s'ils sont un peu plus sensibles au changement d'orientation du véhicule. De plus, une simulation nous permet d'extrapoler qu'il est effectivement possible de s'affranchir du décalage latéral avec cette méthode. / Vehicle re-identification gives access to two essential data for dynamic traffic management: travel times and origin-destination matrices. In this thesis, we chose to re-identify vehicles by analysing their magnetic signatures measured with several 3-axis magnetic sensors located on the road. A magnetic signature is created by the vehicle magnetization. Therefore, the vehicle orientation to the Earth’s magnetic field (which determines the induced magnetization) and the variation of the lateral position of the vehicle relative to the sensors’ one might both have an impact on the magnetic signature. We gathered our experiments’ results into a database of magnetic signatures that we used to evaluate the performances of the two vehicle re-identification methods we developed.The first method is a direct comparison of pairs of magnetic signatures measured by the sensors. Distances between pairs of signatures are computed using classic algorithms such as the Euclidean distance. This method’s results are very positive and the vehicle change of orientation has only a slight impact on them. However, the distortion of signals due to a lateral offset in the vehicle position has a strong impact on the results. As a consequence, sensors have to be placed every 0.20m over the road’s entire width.The second proposed method compares pairs of vehicles’ magnetic models. Those models are composed of several magnetic dipoles and are determined from the measured signatures. Magnetic modelling aims to suppress the influence of the vehicle lateral position on the results by assessing the relative position of the vehicle above the sensors. Although the vehicle orientation has slightly more impact on the performances than with the first method, the overall results are more promising. This method also allows us to divide by two the number of sensors used.

Cette thèse CIFRE est effectuée dans un contexte industriel et présente un framework complet pour la détection, le suivi mono-caméra et de la ré-identification de personnes dans le contexte multi-caméras. Les performances élevés et le traitement en temps réel sont les deux contraintes critiques ayant guidé ce travail. La détection de personnes vise à localiser/délimiter les gens dans les séquences vidéo. Le détecteur proposé est basé sur une cascade de classifieurs de type LogitBoost appliqué sur des descripteurs de covariances. Une approche existante a fortement été optimisée, la rendant applicable en temps réel et fournissant de meilleures performances. La méthode d'optimisation est généralisable à d'autres types de détecteurs d'objets. Le suivi mono-caméra vise à fournir un ensemble d'images de chaque personne observée par chaque caméra afin d'extraire sa signature visuelle, ainsi qu'à fournir certaines informations du monde réel pour l'amélioration de la ré-identification. Ceci est réalisé par le suivi de points SIFT à l'aide d'une filtre à particules, ainsi qu'une méthode d'association de données qui infère le suivi des objets et qui gère la majorité des cas de figures possible, notamment les occultations. Enfin, la ré-identification de personnes est réalisée avec une approche basée sur l'apparence globale en améliorant grandement une approche existante, obtenant de meilleures performances tout en étabt applicable en temps réel. Une partie "conscience du contexte" est introduite afin de gérer le changement d'orientation des personnes, améliorant les performances dans le cas d'applications réelles.

Cette thèse CIFRE est effectuée dans un contexte industriel et présente un framework complet pour la détection, le suivi mono-caméra et de la ré-identification de personnes dans le contexte multi-caméras. Les performances élevés et le traitement en temps réel sont les deux contraintes critiques ayant guidé ce travail. La détection de personnes vise à localiser/délimiter les gens dans les séquences vidéo. Le détecteur proposé est basé sur une cascade de classifieurs de type LogitBoost appliqué sur des descripteurs de covariances. Une approche existante a fortement été optimisée, la rendant applicable en temps réel et fournissant de meilleures performances. La méthode d'optimisation est généralisable à d'autres types de détecteurs d'objets. Le suivi mono-caméra vise à fournir un ensemble d'images de chaque personne observée par chaque caméra afin d'extraire sa signature visuelle, ainsi qu'à fournir certaines informations du monde réel pour l'amélioration de la ré-identification. Ceci est réalisé par le suivi de points SIFT à l'aide d'une filtre à particules, ainsi qu'une méthode d'association de données qui infère le suivi des objets et qui gère la majorité des cas de figures possible, notamment les occultations. Enfin, la ré-identification de personnes est réalisée avec une approche basée sur l'apparence globale en améliorant grandement une approche existante, obtenant de meilleures performances tout en étabt applicable en temps réel. Une partie "conscience du contexte" est introduite afin de gérer le changement d'orientation des personnes, améliorant les performances dans le cas d'applications réelles. / This thesis is performed in industrial context and presents a whole framework for people detection and tracking in a camera network. It addresses the main process steps: people detection, people tracking in mono-camera context, and people re-identification in multi-camera context. High performances and real-time processing are considered as strong constraints. People detection aims to localise and delimits people in video sequences. The proposed people detection is performed using a cascade of classifiers trained using LogitBoost algorithm on region covariance descriptors. A state of the art approach is strongly optimized to process in real time and to provide better detection performances. The optimization scheme is generalizable to many other kind of detectors where all possible weak classifiers cannot be reasonably tested. People tracking in mono-camera context aims to provide a set of reliable images of every observed person by each camera, to extract his visual signature, and it provides some useful real world information for re-identification purpose. It is achieved by tracking SIFT features using a specific particle filter in addition to a data association framework which infer object tracking from SIFT points one, and which deals with most of possible cases, especially occlusions. Finally, people re-identification is performed using an appearance based approach by improving a state of the art approach, providing better performances while keeping the real-time processing advantage. A context-aware part is introduced to robustify the visual signature against people orientations, ensuring better re-identification performances in real application case.