Cette thèse porte sur le développement de méthodes pour la reconstruction de formes 3D à l’aide de capteurs inertiels et magnétiques. Lorsqu’ils sont placés sur une forme, ces capteurs fournissent des orientations locales de surface mais leur position absolue dans l’espace 3D est inconnue. Les dispositifs que nous considérons dans cette thèse produisent des orientations locales de surface le long d’un réseau de courbes. Reconstruire des formes 3D à l’aide de telles données pose trois types de défis. Tout d’abord, les mesures des capteurs sont bruitées et incohérentes. Deuxièmement, comme les positions sont inconnues, le réseau de courbes acquis doit être reconstruit à partir des orientations. Enfin, une fois le réseau de courbes reconstruit, il est nécessaire de calculer une surface lisse interpolant ce réseau de courbes et les orientations associées. Pour relever ces défis, on formule les différentes étapes de reconstruction comme un ensemble de problèmes d’optimisation. En utilisant des représentations discrètes, ces problèmes sont résolus efficacement et interactivement.Nous présentons deux contributions principales. Tout d’abord, nous introduisons une méthode produisant un réseau de courbes lisses et cohérentes en utilisant les mesures d’orientation et de distance, ainsi qu'un ensemble de contraintes topologiques fournies par l’utilisateur. Notre méthode se base notamment sur une procédure de lissage des orientations motivée par un principe simple: les positions et les normales des courbes doivent coïncider en chaque intersection d'un réseau.Une fois le réseau de courbes reconstruit, nous proposons une méthode permettant de calculer une surface lisse interpolant ce réseau de courbes, ainsi que les orientations associées. Cette méthode a trois étapes. Tout d’abord grâce aux orientations, les cycles de courbes entourant les patchs surfaciques sont déterminés sans ambiguïté. Ensuite les orientations connues le long des courbes sont propagées à travers le maillage initial et utilisées pour estimer la courbure moyenne. Enfin le maillage final est calculé par une méthode basée sur le Laplacien et utilisant l’information de courbure. Les orientations connues sur le réseau de courbes permettent d’obtenir des maillages lisses et de diminuer les erreurs de reconstruction.Les approches précédentes utilisaient des dispositifs statiques placés le long d’un réseau de connectivité fixe entre les capteurs (ruban, grille). Nous explorons dans cette thèse une nouvelle configuration dynamique, consistant à déplacer un dispositif ponctuel sur la surface. En conséquence, il est possible d’acquérir des données le long d’un réseau arbitraire de courbes lisses sur une surface. Les méthodes proposées dans cette thèse ont été testées sur des données réelles acquises avec ces dispositifs mobiles. Des surfaces physiques fabriquées à partir de modèles numériques nous ont permis de faire une évaluation quantitative en calculant l’erreur de reconstruction entre la vraie surface et notre modèle reconstruit. Même pour des formes complexes, l’erreur moyenne reste autour de 1%. / This thesis presents a complete framework for 3D shape reconstruction using inertial and magnetic sensors. When placed onto a shape, these sensors provide local surface orientations along a curve network on the shape, but their absolute position in the world space is unknown. The challenges with this type of 3D acquisition are threefold. First, sensor measurements are noisy and inconsistent. Second, since positions are unknown, the acquired curve network has to be reconstructed from orientations. Finally, the smooth surface needs to be inferred from a collection of curves with normals. To compute the shape from measured data, our main insight is to formulate the reconstruction as a set of optimization problems. Using discrete representations, these optimization problems are resolved efficiently and at interactive time rates.We present two main contributions. First, we introduce a novel method for creating well-connected networks with cell-complex topology using only orientation and distance measurements and a set of user-defined constraints. By working directly with orientations, our method robustly resolves problems arising from data inconsistency and sensor noise. Our approach is driven by a simple principle mostly overlooked in previous works: at each intersection in a curve network, the positions and the normals of two intersecting curves have to coincide.Second, we address the problem of surfacing a closed 3D curve network with given surface normals. Thanks to the normal vector input, the patch-finding problem can be solved unambiguously and an initial piecewise smooth triangle mesh is computed. The input normals are propagated throughout the mesh. Together with the initial mesh, the propagated normals are used to estimate mean curvature vectors. We then compute the final mesh by combining the standard Laplacian-based variational methods with the curvature information extracted from the input normals. The normal input increases shape fidelity and allows to achieve globally smooth and visually pleasing shapes.Previous approaches used static devices placed along a network with fixed connectivity between the sensors (ribbon, grid). We explore a new dynamic setup, which used a single mobile node of sensors. As a consequence, a dense set of data can be acquired along an arbitrary smooth curve network on a surface.The proposed framework was tested on real-world data acquired using two devices equipped with mobile sensors. A quantitative evaluation was performed by computing the error of reconstruction for fabricated surfaces with known ground truth. Even for complex shapes, the mean error remains around 1%.

Le LETI développe des micro-capteurs (tels que des micro-accéléromètres ou des micro-magnétomètres) capables de se géoréférencer et de donner alors leur propre orientation dans l'espace. Ainsi, si nous posons un ensemble de capteurs sur une forme, ils nous fourniront les données tangentielles de la surface aux positions des capteurs. Le travail développé ici consiste à reconstruire la forme d'objets à partir de ces données tangentielles et de la connaissance de la répartition de ces capteurs. Nous étudierons plusieurs cas de reconstruction, en commençant par la reconstruction de courbes planes, puis de courbes gauches et enfin de surfaces. Puis nous proposerons des méthodes de capture de mouvement de formes en déformation, c'est-à-dire que nous allons équiper une courbe ou une surface de capteurs, nous allons lui appliquer des déformations, et nous devrons reconstruire la forme virtuelle associée en temps réel à partir des données fournies par les capteurs. De nombreuses applications sont envisagées (domaines de la santé, de l'aéronautique, du multimédia, ...), et nous élaborons en parallèle des prototypes de capture de forme afin de tester et valider nos méthodes.