De nos jours les méthodes de vision par ordinateur sont utilisées dans de nombreuses applications telles que la vidéo-surveillance, l'aide à la conduite ou la reconstruction 3D par exemple. Ces différentes applications s'appuient généralement sur des procédés de reconnaissance de formes ou de suivi. Pour ce faire, l'image est analysée afin d'en extraire des amers ou des primitives (contours, fonctions d'intensité ou modèles morphologiques). Les méthodes les plus courantes s'appuient sur l'utilisation de points d'intérêt représentant une discontinuité des niveaux de gris caractérisant un coin dans une image. Afin de mettre en correspondance un ensemble de points d'une image à une autre, une description locale est utilisée. Elle permet d'extraire l'information du voisinage de chaque point (valeurs des pixels, des intensités lumineuses, des gradients). Dans le cas d'applications telles que la vidéo-surveillance ou les caméras embarquées, l'ajout d'une information temporelle est fortement recommandé. Cette généralisation est utilisée au sein du laboratoire pour des projets de type véhicules intelligents (CyCab : véhicule intelligent, VELAC : VEhicule du Lasmea pour l'Aide à la Conduite). Les travaux de recherche présentés dans ce mémoire ont pour objectif de mettre en oeuvre différents outils de détection, description et mise en correspondance de points d'intérêt. Un certain nombre de contraintes a été établi, notamment l'utilisation d'images en niveaux de gris, la robustesse et l'aspect générique de la méthode. Dans un premier temps, nous proposons une analyse bibliographique des méthodes existantes. Cette dernière permet en effet d'en déduire les paramètres de mise en oeuvre ainsi que les principaux avantages et inconvénients. Nous détaillons par la suite la méthode proposée. La détection des primitives repose sur l'utilisation du détecteur fast-hessien que nous optimisons. L'utilisation d'une description locale basée sur des histogrammes de gradients orientés (HOG) est très répandue et procure de très bons résultats. Nous proposons de compléter son utilisation par un recalage et une mise à l'échelle d'un masque d'analyse elliptique créant ainsi une nouvelle forme de description locale (E-HOG). La mise en correspondance des points d'intérêt se base quant à elle sur une approche par corrélation à laquelle nous ajoutons un coefficient de sélection ainsi qu'une étape de suppression des doublons. Les différents résultats validant notre approche s'appuient sur l'utilisation de transformations synthétiques (vérité terrain) ou réelles. Nous proposons également une généralisation de notre approche au domaine spatiotemporel, permettant ainsi d'élargir son domaine d'utilisation. Le masque d'analyse précédemment cité est modifié et s'appuie donc sur l'utilisation d'ellipsoïdes. Les tests de validation reposent d'une part sur des séquences vidéo ayant subi des transformations synthétiques et d'autre part sur des séquences réelles issues de la plate-forme PAVIN (Plate-forme d'Auvergne pour Véhicules Intelligents).

Ces activités de recherche s'intégrent à l'un des deux groupes de recherche du laboratoire LASMEA : GRAVIR (GRoupe Automatique VIsion et Robotique), dont l'objectif principal est de développer des concepts théoriques et méthodologiques pour la perception de l'enironnement de machines, et de valider ceux-ci expérimentalement sur des démonstrateurs par des systèmes dédiés. Cet objectif a été pariculièrement suivi dans les véhicules routiers intelligents puisque, depuis plus de quinze ans, les résultats de recherches sur les capteurs, la reconnaissance des formes et la fusion de données obtenues par une dizaine de chercheurs sont appliqués en ce domaine. Ces recherches concernent la fusion de données pour la perception à bord des véhicules routiers intelligents. Elles s'inscrivent parmi deux projets : ARCOS (Action de Recherche pour une COnduite Sécurisée) s'inscrit dans le cadre des actions fédératives du PREDIT (Programme national de recherche et d'innovation dans les transports terrestres, à l'initiative des ministères chargés de la recherche, des transports, de l'environnement et de l'industrie, de l'Ademe et de l'Anvar) et PAROTO (Projet Anticollision Radar et Optronique pour l'auTOmobile) initié par le ministère de la recherche en partenariat avec SAGEM, Division Défense et Sécurité, et l'INRETS (Institut National de REcherche sur les Transports et leur Sécurité). Dans ce cadre, je m'intéresse à un système de perception conduisant, et ceci dans une grande variété de situations, à la définition d'une carte de l'environnement à l'avant du véhicule intelligent : chaque obstacle y est décrit par sa position absolue, son état cinématique et un certain nombre de caractéristiques qui peuvent être déterminantes pour définir l'aide à apporter au conducteur. Cette perception s'appuie sur le développement d'un système de fusion de données appliqué à la détection et au suivi des obstacles. Plusieurs capteurs, dont les complémentarités et redondances ont été soulignées, ont ainsi été installés à l'avant de notre véhicule démonstrateur : VELAC (VEhicule du Lasmea pour l'Aide à la Conduite) ; un capteur RADAR (développé au sein de notre laboratoire) dont l'objectif prioritaire est de fournir une information de vitesse relative des obstacles, un capteur LIDAR (Riegl) permettant une représentation en 3D de la scène routière, un capteur thermique (SAGEM) dont l'objectif était de détecter et de suivre les différents obstacles quelques soient les conditions atmosphériques. Les données de ces différents capteurs sont traitées indépendamment afin de détecter, et de suivre les obstacles à l'avant du véhicule. La problématique de fusion est ainsi vue comme une combinaison de pistages (estimations à l'aide du filtre de Kalman ou à particules). Il devient donc possible, après cette fusion, de représenter une carte précise de l'environnement à l'avant du véhicule intelligent : chaque obstacle y est décrit par sa position absolue, et son état cinématique qui sont déterminants pour définir l'aide à apporter au conducteur. Des résultats ont été validés à bord de notre véhicule démonstrateur VELAC

Des charrettes de la civilisation ancienne au Véhicule Utilitaire Sportif (VUS) actuels, la dépendance de l'homme pour les véhicules reste incontournable. Les avancements rapides des infrastructures de transport aujourd'hui, couplé au désir de voyager de plus en plus rapidement, conduisent à de graves problèmes de transport: accidents, pollution et embouteillages. Afin de réduire ces problèmes et augmenter la capacité de l'infrastructure actuelle, plusieurs approches ont été proposées. Les résultats se présentent, d'une part, sous forme de panneau à message variable qui affiche la situation du trafic aux conducteurs sur la route ; d' autre part, sous forme de dos d'âne pour la prévention des accidents en réduisant la vitesse des conducteurs dans les zones urbaines ; et enfin sous forme de décisions gouvernementale permettant de lutter contre la pollution en interdisant, les jours de forte pollution, l'accès au centre-ville pour les véhicules avec des numéros immatriculés pair ou impair. A la fin du XXe siècle, des efforts considérables sont apparus pour introduire l'intelligence dans les systèmes de transport. Afin de s'adapter à la complexité du système de transport, cela constitue un des facteurs déterminants pour une action durable et plus efficace. Au début, les initiatives se sont limitées au niveau de la télésurveillance sur les incidents de la circulation à l'aide de caméras pour en informer les utilisateurs via des panneaux à messages. Peu après, avec l'avènement de la communication sans fil, le monde a ouvert ses portes en direction de la recherche sur la communication inter-véhiculaires. Plus précisément, en permettant aux véhicules de détecter et de communiquer automatiquement sur les incidents de trafic avec d'autres véhicules on peut atteindre une connaissance étendue sur la situation de la circulation locale autour du conducteur. C'est un facteur très important pour l'installation efficace du Système des Transports Intelligent (STI). A l'heure actuelle, le principal défi est d'exploiter et utiliser efficacement la communication entre les véhicules afin de réduire, sinon éliminer complètement, les problèmes précités: accidents - par le biais de la sécurité active ; la pollution et les embouteillages - grâce à la fluidité du trafic et en guidant les conducteurs des transports à emprunter des itinéraires qui permettent d'économiser la consommation d'énergie et réduire les émissions. Cette thèse présente un élément important qui réalise le déploiement d'une STI à grande échelle: la communication entre les véhicules sur la route. Ce manuscrit est consacré au développement d'un algorithme de diffusion "Multi-Hop Vehicular Broadcast"(MHVB), en utilisant la localisation de véhicules pour permettre la communication entre les véhicules.

Cette thèse présente la fusion multi-capteurs par un réseau Bayésien appliqué au problème de localisation d'un véhicule sur une carte. La mise en correspondance d'une estimation sur un segment de route ou Road-matching consiste à trouver le segment sur lequel le véhicule roule et la position de ce véhicule sur ce segment. Plusieurs algorithmes utilisent la fusion des estimations données par l'odométrie et le GPS pour traiter le problème du road-matching. Cependant, une simple combinaison du GPS et de l'odométrie ne permet pas de se localiser de manière précise et sans interruption de service. La précision et la continuité de service peuvent être améliorées si on utilise des informations cartographiques qui permettent en particulier de contraindre les positions possibles aux seuls segments correspondants à des voies de circulation autorisées.\\ Dans de nombreux cas, lorsqu'un véhicule se trouve devant des situations ambiguës comme les routes parallèles, les jonctions de routes,... plusieurs auteurs cherchent à sélectionner le segment le plus probable. Cette phase est souvent une source d'erreurs. Dans cette thèse nous proposons de traiter tous les segments candidats jusqu'à la levée de l'ambiguïté. \\ Le problème de la localisation devient encore plus compliqué quand il s'agit d'une localisation multi-véhicules pour une navigation autonome des véhicules suiveurs. Pour un train de véhicules dont seul le premier est piloté par un opérateur humain et dont les véhicules suiveurs sont en mode autopilotage, une géo-localisation précise d'ordre centimétrique de chaque véhicule est plus que nécessaire pour les modules de contrôle pour le suivi de trajectoire du véhicule de tête. \\ Un train de véhicule peut être vu comme la généralisation du modèle de réseau Bayésien pour la localisation d'un véhicule sur une carte. Nous dupliquons le réseau autant de fois qu'on a de véhicule. Nous rajoutons des liens de connexions entre les véhicules afin de concevoir le train de véhicule.\\ Le filtre de Kalman et sa version étendue sont très utilisés en robotique, principalement pour traiter le problème de la non linéarité. Cependant, la linéarisation du système autour de l'estimée courante peut introduire des erreurs sur la moyenne et la covariance calculées \textit{a posteriori} et peut même dans d'autres cas faire diverger le filtre. \\ La transformation du système non linéaire d'un véhicule sous forme chaînée permet de représenter son équation cinématique sous forme linéaire. Par conséquent, cette transformation nous évite de faire appel aux méthodes d'inférence approximatives.

Diss.--Graz--Universität. / Bibliogr. p. 301-320.

Thèse de doctorat : Psychologie cognitive : Lyon 2 : 2000. / Titre provenant de l'écran-titre. Bibliogr.

Reproduction de : Thèse doctorat : Informatique : Reims : 2006. / Titre provenant de l'écran titre. Bibliogr. f. 151-159.

Thèse de doctorat : Réseaux et informatique : Evry-Val d'Essonne : 2008. / Titre provenant de l'écran-titre.

Thèse (de maîtrise)--Université Laval, 2009. / Titre de l'écran-titre (visionné le 16 juin 2009). Bibliogr.

Thèse (Ph. D.)--Université Laval, 2005. / Titre de l'écran-titre (visionné le 15 décembre 2005). Bibliogr.