Suivi d'objets d'intérêt dans une séquence d'images : des points saillants aux mesures statistiques

Le probleme du suivi d'objets dans une video se pose dans des domaines tels que la vision par ordinateur (video-surveillance par exemple) et la post-production televisuelle et cinematographique (effets speciaux). Il se decline en deux variantes principales : le suivi d'une region d'interet, qui designe un suivi grossier d'objet, et la segmentation spatio-temporelle, qui correspond a un suivi precis des contours de l'objet d'interet. Dans les deux cas, la region ou l'objet d'interet doivent avoir ete prealablement detoures sur la premiere, et eventuellement la derniere, image de la sequence video. Nous proposons dans cette these une methode pour chacun de ces types de suivi ainsi qu'une implementation rapide tirant partie du Graphics Processing Unit (GPU) d'une methode de suivi de regions d'interet developpee par ailleurs. La premiere methode repose sur l'analyse de trajectoires temporelles de points saillants et realise un suivi de regions d'interet. Des points saillants (typiquement des lieux de forte courbure des lignes isointensite) sont detectes dans toutes les images de la sequence. Les trajectoires sont construites en liant les points des images successives dont les voisinages sont coherents. Notre contribution reside premierement dans l'analyse des trajectoires sur un groupe d'images, ce qui ameliore la qualite d'estimation du mouvement. De plus, nous utilisons une ponderation spatio-temporelle pour chaque trajectoire qui permet d'ajouter une contrainte temporelle sur le mouvement tout en prenant en compte les deformations geometriques locales de l'objet ignorees par un modele de mouvement global. La seconde methode realise une segmentation spatio-temporelle. Elle repose sur l'estimation du mouvement du contour de l'objet en s'appuyant sur l'information contenue dans une couronne qui s'etend de part et d'autre de ce contour. Cette couronne nous renseigne sur le contraste entre le fond et l'objet dans un contexte local. C'est la notre premiere contribution. De plus, la mise en correspondance par une mesure de similarite statistique, a savoir l'entropie du residuel, d'une portion de la couronne et d'une zone de l'image suivante dans la sequence permet d'ameliorer le suivi tout en facilitant le choix de la taille optimale de la couronne. Enfin, nous proposons une implementation rapide d'une methode de suivi de regions d'interet existante. Cette methode repose sur l'utilisation d'une mesure de similarite statistique : la divergence de Kullback-Leibler. Cette divergence peut etre estimee dans un espace de haute dimension a l'aide de multiples calculs de distances au k-eme plus proche voisin dans cet espace. Ces calculs etant tres couteux, nous proposons une implementation parallele sur GPU (grâce a l'interface logiciel CUDA de NVIDIA) de la recherche exhaustive des k plus proches voisins. Nous montrons que cette implementation permet d'accelerer le suivi des objets, jusqu'a un facteur 15 par rapport a une implementation de cette recherche necessitant au prealable une structuration des donnees.