No description available.

Expanding the standard, single-well recording geometry used to monitor seismicity during hydro-fracture treatments could provide more accurate hypocenter locations and seismic velocities, improving general reservoir characterization. However, for the real, two-well data set obtained for this project, only S-wave picks were available, and testing resulted in anomalous hypocenter location behavior. This study uses a hypocenter location algorithm and both real and synthetic data sets to investigate how the accuracy of the velocity model, starting hypocenter location, recording geometry, and arrival-time picking error affect final hypocenter locations. Hypocenter locations improved using a velocity model that closely matched the observed sonic log rather than a smoothed version of this model. The starting hypocenter location did not affect the final location solution if both starting and final locations were between the wells. Two solutions were possible when the true solution was not directly between the wells. Adding realistic random picking errors to synthetic data closely modeled the dispersed hypocenter error pattern observed in the real data results. Adding data from a third well to synthetic tests dramatically reduced location error and removed horizontal geometric bias observed in the two-well case. Seismic event data recorded during hydro-fracture treatments could potentially be used for three-dimensional joint hypocenter-velocity tomography. This would require observation wells close enough to earthquakes to record P- and S-wave arrivals or wells at orientations sufficient to properly triangulate hypocenter locations. Simulating results with synthetic tests before drilling could optimize survey design to collect data more effectively and make analysis more useful. / Master of Science

La détection d'objets mobiles dans des flux vidéo est une étape essentielle pour de nombreux algorithmes de vision par ordinateur. Cette tâche se complexifie lorsque la caméra utilisée est en mouvement. En effet, l'environnement capté par ce type de caméra apparaît en mouvement et il devient plus difficile de distinguer les objets qui effectuent réellement un mouvement de ceux qui constituent la partie statique de la scène. Dans cette thèse, nous apportons des contributions au problème de détection d'objets mobiles dans le flux vidéo d'une caméra mobile. L'idée principale qui nous permet de distinguer les éléments mobiles de ceux qui sont statiques repose sur un calcul de distance dans l'espace 3D. Les positions 3D de caractéristiques extraites des images sont estimées par triangulation puis leurs mouvements 3D sont analysés pour réaliser un étiquetage éparse statique/mobile de ces points. Afin de rendre la détection robuste au bruit, l'analyse des mouvements 3D des caractéristiques est comparée à d'autres points précédemment estimés statiques. Une mesure de confiance, mise à jour au cours du temps, est utilisée pour déterminer l'étiquette à attribuer à chacun des points. Nos contributions ont été appliquées à des jeux de données virtuelles (issus du projet Previz 2) et réelles (reconnus dans la communauté [Och+14]) et les comparaisons ont été réalisées avec l'état de l'art. Les résultats obtenus montrent que la contrainte 3D proposée dans cette thèse, couplée à une analyse statistique et temporelle des mouvements, permet de détecter des éléments mobiles dans le flux vidéo d'une caméra en mouvement et ce même dans des cas complexes où les mouvements apparents de la scène ne sont pas uniformes / Moving objects detection in video streams is a commonly used technique in many computer vision algorithms. The detection becomes more complex when the camera is moving. The environment observed by this type of camera appeared moving and it is more difficult to distinguish the objects which are in movement from the others that composed the static part of the scene. In this thesis we propose contributions for the detection of moving objects in the video stream of a moving camera. The main idea to differenciate between moving and static objects based on 3D distances. 3D positions of feature points extracted from images are estimated by triangulation and then their 3D motions are analyzed in order to provide a sparse static/moving labeling. To provide a more robust detection, the analysis of the 3D motions is compared to those of feature points previously estimated static. A confidance value updated over time is used to decide on labels to attribute to each point.We make experiments on virtual (from the Previz project 1) and real datasets (known by the community [Och+14]) and we compare the results with the state of the art. The results show that our 3D constraint coupled with a statistical and temporal analysis of motions allow to detect moving elements in the video stream of a moving camera even in complex cases where apparent motions of the scene are not similars