Dans cette thèse, nous développons une approche supervisée de reconnaissance d’objets basée sur l’utilisation de nouveaux descripteurs d’images globaux inspirés du modèle du cortex visuel humain primaire V1 en tant que groupe de roto-translations semi-discrètes SE (2,N)=R² x ZN produit semi-direct entre R² et ZN. La méthode proposée est basée sur des descripteurs de Fourier généralisés et rotationnels définis sur le groupe SE (2,N), qui sont invariants aux transformations géométriques (translations, et rotations). De plus, nous montrons que ces descripteur de Fourier sont faiblement complets, dans le sens qu’ils permettent de discriminer sur un ensemble ouvert et dense L² (SE(2,N)) de fonctions à support compact, donc distinguer entre des images réelles. Ces descripteurs sont ensuite utilisés pour alimenter un classifieur de type SVM dans le cadre de la reconnaissance d’objets. Nous avons mené une séries d’expérimentations dans le but d’évaluer notre méthode sur les bases de visages RL, CVL et ORL et sur la base d’images d’objets variés COIL-100, et de comparer ses performances à celles des méthodes basées sur des descripteurs globaux et locaux. Les résultats obtenus ont montré que notre approche est en mesure de concurrencer de nombreuses techniques de reconnaissance d’objets existantes et de surpasser de nombreuse autres. Ces résultats ont également montré que notre méthode est robuste aux bruits. Enfin, nous avons employé la technique proposée pour reconnaître des navires dans un contexte de surveillance maritime. / In this thesis, we develop a supervised object recognition method using new global image descriptors inspired by the model of the human primary visual cortex V1. Mathematically speaking, the latter is modeled as the semi-discrete roto-translation group SE (2,N)=R² x ZN semi-direct product between R² and ZN. Therefore, our technique is based on generalized and rotational Fourier descriptors defined in SE (2,N) , and which are invariant to natural geometric transformations (translations, and rotations). Furthermore, we show that such Fourier descriptors are weakly complete, in the sense that they allow to distinguish over an open and dense set of compactly supported functions in L² (SE(2,N)) , hence between real-world images. These descriptors are later used in order to feed a Support Vector Machine (SVM) classifier for object recognition purposes. We have conducted a series of experiments aiming both at evaluating and comparing the performances of our method against existing both local - and global - descriptor based state of the art techniques, using the RL, the CVL, and the ORL face databases, and the COIL-100 image database (containing various types of objects). The obtained results have demonstrated that our approach was able to compete with many existing state of the art object recognition techniques, and to outperform many others. These results have also shown that our method is robust to noise. Finally, we have applied the proposed method on vessels recognition in the framework of maritime surveillance.
| Identifer | oai:union.ndltd.org:theses.fr/2017TOUL0002 |
| Date | 22 May 2017 |
| Creators | Bohi, Amine |
| Contributors | Toulon, Bouchara, Frédéric, Gauthier, Jean-Paul André |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.002 seconds