La thèse porte sur la détection d’objets à partir d’une caméra embarquée sur un véhicule mobile en exploitant l’approche monoculaire « c-vélocité ». Cette méthode s’inspire de la méthode appelée « v-disparité » utilisée en stéréovision : toutes deux ont pour objectif la détection d’objets en les approximant par des plans d’orientations différentes, ce qui permet d’éviter, en monoculaire, d’estimer la profondeur. Ces deux approches, monoculaires et binoculaires, permettent de transformer le problème complexe de la détection d’objets en un problème plus simple de détection de formes paramétriques simples (droites, paraboles) dans un nouvel espace de représentation où la détection peut être réalisée à l’aide d’une transformée de Hough. La « c-vélocité », pour être efficace, requiert un calcul assez précis du flot optique et une bonne estimation de la position du Foyer d’expansion (FOE). Dans cette thèse, nous avons étudié les approches existantes de calcul de flot optique et sommes arrivés à la conclusion qu’aucune n’est vraiment performante notamment sur les régions homogènes telle que la route dans les scènes qui correspondent à l’application que nous visons à savoir : les véhicules intelligents. Par ailleurs, les méthodes d’estimation du flot optique peinent également à fournir une bonne estimation dans le cas de déplacement importants dans les régions proches de la caméra. Nous proposons dans cette thèse d’exploiter à la fois un modèle 3D de la scène et une estimation approximative de la vitesse du véhicule à partir d’autres capteurs intégrés. L’utilisation de connaissances a priori permet de compenser le flot dominant pour faciliter l’estimation de la partie résiduelle par une approche classique. Par ailleurs, trois approches différentes sont proposées pour détecter le foyer d’expansion. Parmi elles, nous proposons une méthode novatrice permettant d’estimer le FOE en exploitant la norme du flot et la structure de la scène à partir d’un processus « c-vélocité » inversé. En plus d’améliorer ces étapes préliminaires, nous proposons aussi l’optimisation et l’accélération de l’algorithme « c-vélocité » par une implémentation multithread. Enfin, nous proposons une modification de l’approche c-vélocité d’origine afin d’anticiper une éventuelle coopération mouvement/stéréo, proposée en perspective, à travers un jumelage avec la v-disparité. / This thesis is based on the detection of objects from an onboard moving camera by exploiting the monocular approach "c-velocity". This method is inspired by the method called "v-disparity" used in stereovision: both methods aim at detecting objects by approximating objects into plans with different orientations. Such approximation can avoid to estimate the depth in monocularvision. These two approaches, monocular and binocular, allow to transform the complex objet détection problem into a more simple parametric forms (eg. lines) detection in a new space, where these formes can be easily extracted using Hough Transform.The “c-velocity”, to make it effective, requires an accurate computation of optical flow and a good estimation of the focus of expansion (FOE) location. Therefore, we have studied the existing approaches of optical flow estimation and arrived at the conclusion that none of them is really powerful especially on the homogeneous regions such as road surface. In addition, the optical flow estimation methods also struggle to provide a good estimate in the case of huge displacement in the areas close to the camera. We propose in this thesis to exploit both a 3D model of the scene and a rough estimate about the vehicle speed from other integrated sensors. Using a priori knowledge allows to compensate the dominant optical flow and to facilitate the estimation of the rest part by a classical approach. In addition, three different approaches are proposed to detect the focus of expansion. Among them, we propose a novel method for estimating FOE by leveraging the flow norm and the scene structure from an inverse “c-velocity“ process. In addition to improve these preliminary steps, we also propose an acceleration and optimization of the “c-velocity“ algorithm by a multi-thread implementation. Finally, we propose a modification to the original “c-velocity“ approach in order to anticipate a possible cooperation motion/stereo, proposed in perspective, with the “v-disparity“ approach.

Dans le cadre de systèmes d’aide à la conduite, nous avons contribué aux approches de stéréovision pour l’extraction de contour, la mise en correspondance des images stéréoscopiques et la détection de véhicules. L’extraction de contour réalisée est basée sur le concept declivity line que nous avons proposé. La declivity line est construite en liant des déclivités selon leur position relative et similarité d’intensité. L’extraction de contour est obtenue en filtrant les declivity lines construites basées sur leurs caractéristiques. Les résultats expérimentaux montrent que la declivity lines méthode extrait plus de l’informations utiles comparées à l’opérateur déclivité qui les a filtrées. Des points de contour sont ensuite mis en correspondance en utilisant la programmation dynamique et les caractéristiques de declivity lines pour réduire le nombre de faux appariements. Dans notre méthode de mise en correspondance, la declivity lines contribue à la reconstruction détaillée de la scène 3D. Finalement, la caractéristique symétrie des véhicules sont exploitées comme critère pour la détection de véhicule. Pour ce faire, nous étendons le concept de carte de symétrie monoculaire à la stéréovision. En conséquence, en effectuant la détection de véhicule sur la carte de disparité, une carte de symétrie (axe; largeur; disparity) est construite au lieu d’une carte de symétrie (axe; largeur). Dans notre concept, des obstacles sont examinés à différentes profondeurs pour éviter la perturbation de la scène complexe dont le concept monoculaire souffre. / In the framework of driving assistance systems, we contributed to stereo vision approaches for edge extraction, matching of stereoscopic pair of images and vehicles detection. Edge extraction is performed based on the concept of declivity line we introduced. Declivity line is constructed by connecting declivities according to their relative position and intensity similarity. Edge extraction is obtained by filtering constructed declivity lines based on their characteristics. Experimental results show that declivity line method extracts additional useful information compared to declivity operator which filtered them out. Edge points of declivity lines are then matched using dynamic programming, and characteristics of declivity line reduce the number of false matching. In our matching method, declivity line contributes to detailed reconstruction of 3D scene. Finally, symmetrical characteristic of vehicles are exploited as a criterion for their detection. To do so, we extend the monocular concept of symmetry map to stereo concept. Consequently, by performing vehicle detection on disparity map, a (axis; width; disparity) symmetry map is constructed instead of an (axis; width) symmetry map. In our stereo concept, obstacles are examined at different depths thus avoiding disturbance of complex scene from which monocular concept suffers.