Détection d'objets mobiles dans des vidéos par décomposition en rang faible et parcimonieuse: de matrices à tenseurs

Autor: Andrews Sobral
Přispěvatelé: Mathématiques, Image et Applications - EA 3165 (MIA), Université de La Rochelle (ULR), Laboratoire Informatique, Image et Interaction - EA 2118 (L3I), Université de La Rochelle, El-hadi Zahzah, Thierry Bouwmans
Jazyk: angličtina
Rok vydání: 2017
Předmět:
décomposition en rang faible et parcimonieuse
ACM: I.: Computing Methodologies/I.4: IMAGE PROCESSING AND COMPUTER VISION
détection d'objets mobiles
ACM: I.: Computing Methodologies/I.4: IMAGE PROCESSING AND COMPUTER VISION/I.4.8: Scene Analysis
[INFO.INFO-CV]Computer Science [cs]/Computer Vision and Pattern Recognition [cs.CV]
background/foreground separation
ACP robuste
matrix decomposition
soustraction de fond
[INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI]
[INFO.INFO-LG]Computer Science [cs]/Machine Learning [cs.LG]
ACM: I.: Computing Methodologies/I.4: IMAGE PROCESSING AND COMPUTER VISION/I.4.8: Scene Analysis/I.4.8.2: Motion
[INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV]
moving object detection
tensor factorization
low-rank and sparse representation
Zdroj: Computer Vision and Pattern Recognition [cs.CV]. Université de La Rochelle, 2017. English
Popis: This thesis introduces the recent advances on decomposition into low-rank plus sparse matrices and tensors, as well as the main contributions to face the principal issues in moving object detection.First, we present an overview of the state-of-the-art methods for low-rank and sparse decomposition, as well as their application to background modeling and foreground segmentation tasks. Next, we address the problem of background model initialization as a reconstruction process from missing/corrupted data. A novel methodology is presented showing an attractive potential for background modeling initialization in video surveillance.Subsequently, we propose a double-constrained version of robust principal component analysis to improve the foreground detection in maritime environments for automated video-surveillance applications. The algorithm makes use of double constraints extracted from spatial saliency maps to enhance object foreground detection in dynamic scenes.We also developed two incremental tensor-based algorithms in order to perform background/foreground separation from multidimensional streaming data. These works address the problem of low-rank and sparse decomposition on tensors.Finally, we present a particular work realized in conjunction with the Computer Vision Center (CVC) at Autonomous University of Barcelona (UAB).; Dans ce manuscrit de thèse, nous introduisons les avancées récentes sur la décomposition en matrices (et tenseurs) de rang faible et parcimonieuse ainsi que les contributions pour faire fâce aux principaux problèmes dans ce domaine. Nous présentons d'abord un aperçu des méthodes matricielles et tensorielles les plus récentes ainsi que ses applications sur la modélisation d'arrière-plan et la segmentation du premier plan. Ensuite, nous abordons le problème de l'initialisation du modèle de fond comme un processus de reconstruction à partir de données manquantes ou corrompues. Une nouvelle méthodologie est présentée montrant un potentiel intéressant pour l'initialisation de la modélisation du fond dans le cadre de VSI.Par la suite, nous proposons une version « double contrainte » de l'ACP robuste pour améliorer la détection de premier plan en milieu marin dans des applications de vidéo-surveillance automatisés. Nous avons aussi développé deux algorithmes incrémentaux basés sur tenseurs afin d'effectuer une séparation entre le fond et le premier plan à partir de données multidimensionnelles. Ces deux travaux abordent le problème de la décomposition de rang faible et parcimonieuse sur des tenseurs. A la fin, nous présentons un travail particulier réalisé en conjonction avec le Centre de Vision Informatique (CVC) de l'Université Autonome de Barcelone (UAB).
Databáze: OpenAIRE
Externí odkaz: