Reconnaissance d'objets par focalisation et détection de changements

Cette etude aborde le probleme de la reconnaissance d'objets en utilisant une approche hierarchique. Dans une premiere partie, une application reelle de detection de changements sera etudiee. Le but de cette application est de detecter les changements de la classe bâti d'une scene rurale a l'aide de couples d'images aeriennes stereoscopiques prises a plusieurs annees d'intervalle. La premiere etape, appelee etape de focalisation devra eliminer une grande partie de la scene sans perdre de veritables changements. Cette etape est realisee a l'aide d'une comparaison de Modeles Numerique d'Elevation calcules aux deux dates. Cette etape nous fournit des zones de focalisation pouvant etre decrites un couple stereoscopique a l'ancienne date et un couple stereoscopique a la nouvelle date. La seconde etape consiste a decider si la zone de focalisation calculee contient un changement ou non. Cette decision est prise en classant chaque image dans la classe bâti ou non-bâti. Cette classification est realisee a l'aide d'un vote d'un nombre important d'arbres de decision construits par apprentissage. Dans la seconde partie de cette etude, une approche plus formelle d'une methode de reconnaissance hierarchique sera etudiee. Le cadre theorique pose le probleme de la construction d'un detecteur "optimal" lorsque l'on dispose d'un ensemble de tests statistiques possedant chacun une puissance et un cout. L'ensemble de ces tests constituent des partitions emboitees de la classe d'objets etudiee. Il sera suppose, dans ce cadre, que chaque test possede un taux de sous-detection nul ou proche de 0. Ainsi, le detecteur global aura pour tâche de minimiser l'erreur de sur-detection. Une classe de detecteur atteignant l'erreur minimale de sur-detection sera detaillee. La forme du detecteur minimisant le cout global au sein de cette classe sera explicitee.