• Refine Query
  • Source
  • Publication year
  • to
  • Language
  • 1
  • 1
  • Tagged with
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 2
  • 1
  • 1
  • 1
  • About
  • The Global ETD Search service is a free service for researchers to find electronic theses and dissertations. This service is provided by the Networked Digital Library of Theses and Dissertations.
    Our metadata is collected from universities around the world. If you manage a university/consortium/country archive and want to be added, details can be found on the NDLTD website.
1

Head motion tracking in 3D space for drivers

Ntawiniga, Frédéric 13 April 2018 (has links)
Ce travail présente un système de vision par ordinateur capable de faire un suivi du mouvement en 3D de la tête d’une personne dans le cadre de la conduite automobile. Ce système de vision par ordinateur a été conçu pour faire partie d'un système intégré d’analyse du comportement des conducteurs tout en remplaçant des équipements et des accessoires coûteux, qui sont utilisés pour faire le suivi du mouvement de la tête, mais sont souvent encombrants pour le conducteur. Le fonctionnement du système est divisé en quatre étapes : l'acquisition d'images, la détection de la tête, l’extraction des traits faciaux, la détection de ces traits faciaux et la reconstruction 3D des traits faciaux qui sont suivis. Premièrement, dans l'étape d'acquisition d'images, deux caméras monochromes synchronisées sont employées pour former un système stéréoscopique qui facilitera plus tard la reconstruction 3D de la tête. Deuxièmement, la tête du conducteur est détectée pour diminuer la dimension de l’espace de recherche. Troisièmement, après avoir obtenu une paire d’images de deux caméras, l'étape d'extraction des traits faciaux suit tout en combinant les algorithmes de traitement d'images et la géométrie épipolaire pour effectuer le suivi des traits faciaux qui, dans notre cas, sont les deux yeux et le bout du nez du conducteur. Quatrièmement, dans une étape de détection des traits faciaux, les résultats 2D du suivi sont consolidés par la combinaison d'algorithmes de réseau de neurones et la géométrie du visage humain dans le but de filtrer les mauvais résultats. Enfin, dans la dernière étape, le modèle 3D de la tête est reconstruit grâce aux résultats 2D du suivi et ceux du calibrage stéréoscopique des caméras. En outre, on détermine les mesures 3D selon les six axes de mouvement connus sous le nom de degrés de liberté de la tête (longitudinal, vertical, latéral, roulis, tangage et lacet). La validation des résultats est effectuée en exécutant nos algorithmes sur des vidéos préenregistrés des conducteurs utilisant un simulateur de conduite afin d'obtenir des mesures 3D avec notre système et par la suite, à les comparer et les valider plus tard avec des mesures 3D fournies par un dispositif pour le suivi de mouvement installé sur la tête du conducteur. / This work presents a computer vision module capable of tracking the head motion in 3D space for drivers. This computer vision module was designed to be part of an integrated system to analyze the behaviour of the drivers by replacing costly equipments and accessories that track the head of a driver but are often cumbersome for the user. The vision module operates in five stages: image acquisition, head detection, facial features extraction, facial features detection, and 3D reconstruction of the facial features that are being tracked. Firstly, in the image acquisition stage, two synchronized monochromatic cameras are used to set up a stereoscopic system that will later make the 3D reconstruction of the head simpler. Secondly the driver’s head is detected to reduce the size of the search space for finding facial features. Thirdly, after obtaining a pair of images from the two cameras, the facial features extraction stage follows by combining image processing algorithms and epipolar geometry to track the chosen features that, in our case, consist of the two eyes and the tip of the nose. Fourthly, in a detection stage, the 2D tracking results are consolidated by combining a neural network algorithm and the geometry of the human face to discriminate erroneous results. Finally, in the last stage, the 3D model of the head is reconstructed from the 2D tracking results (e.g. tracking performed in each image independently) and calibration of the stereo pair. In addition 3D measurements according to the six axes of motion known as degrees of freedom of the head (longitudinal, vertical and lateral, roll, pitch and yaw) are obtained. The validation of the results is carried out by running our algorithms on pre-recorded video sequences of drivers using a driving simulator in order to obtain 3D measurements to be compared later with the 3D measurements provided by a motion tracking device installed on the driver’s head.
2

Estimation robuste et dynamique de la pose de la tête d'un conducteur en situation de simulation de conduite automobile par vision artificielle

Prel, Florent 16 April 2018 (has links)
La conduite automobile est une activité importante pour une grande proportion de la population. Des études épidémiologiques ont démontré que la conduite dans des contextes difficiles, comme franchir une intersection, céder le passage ou se joindre au trafic, pose un défi aux conducteurs âgés. Ces tâches cognitives impliquent toutes des comportements céphalo-oculaires complexes de même que des actions de recherche visuelle. L'objet de cette maitrise effectuée dans le cadre du réseau d'excellence Auto21, est de développer un outil permettant d'analyser le comportement céphalo-occulaire du conducteur en temps réel dans un environnement sécuritaire. Le système exploite la vision artificielle pour estimer en tout temps la pose (position et orientation) de la tête du sujet dans un simulateur de conduite automobile. Le conducteur dans le simulateur observe la route grâce à un écran de réalité virtuelle. Ce dernier est filmé par 3 caméras calibrées et synchronisées à 30 images par secondes. Le système calcule la pose de sa tête en temps réel en utilisant une méthode basée sur une détection de blobs combinée à une validation par matching stéréo. Pour estimer la pose de la tête, le système recherche la position des yeux et du nez dans chaque image et reconstruit un plan à partir de ces trois points par triangulation. Ce plan permet d'estimer la pose de la tête du conducteur. Cette maitrise a débuté en septembre 2007 et s'est terminée en mai 2009. Elle vise à poursuivre le travail qui avait été réalisé par Frederic Ntawiniga sur le même sujet. Ce travail a consisté en une étude des méthodes existantes pour détecter et suivre un visage en temps réel. Elle s'est poursuivie par une optimisation des conditions d'acquisition des images dans le système afin de faciliter les traitements subséquents, et s'est terminée par l'implémentation d'un nouvel algorithme visant à améliorer la précision et la robustesse de l'estimation de la pose de la tête du conducteur.

Page generated in 0.0953 seconds