Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Université de Montréal t1 j7y, 7 Système de Vidéosurveillance et de Monitoring

Université de Montréal t1 j7y, 7 Système de Vidéosurveillance et de Monitoring par Mohamed Dahmane Département d’informatique et de recherche opérationnelle Faculté des arts et sciences Mémoire présenté à la Faculté des études supérieures en vue de l’obtention du grade de Maître ès sciences (M. Se.) en informatique Octobre 2004 Copyright © M. Dahmane, 2004 C C C __J CJs%OV (j Université de Montréal Direction des bibliothèques AVIS L’auteur a autorisé l’Université de Montréal à reproduire et diffuser, en totalité ou en partie, par quelque moyen que ce soit et sur quelque support que ce soit, et exclusivement à des fins non lucratives d’enseignement et de recherche, des copies de ce mémoire ou de cette thèse. L’auteur et les coauteurs le cas échéant conservent la propriété du droit d’auteur et des droits moraux qui protègent ce document. Ni la thèse ou le mémoire, ni des extraits substantiels de ce document, ne doivent être imprimés ou autrement reproduits sans l’autorisation de l’auteur. Afin de se conformer à la Loi canadienne sur la protection des renseignements personnels, quelques formulaires secondaires, coordonnées ou signatures intégrées au texte ont pu être enlevés de ce document. Bien que cela ait pu affecter la pagination, il n’y a aucun contenu manquant. NOTICE The author of this thesis or dissertation has granted a nonexclusive license allowing Université de Montréal to reproduce and publish the document, in part or in whole, and in any format, solely for noncommercial educational and research purposes. The author and co-authors if applicable retain copyright ownership and moral rights in this document. Neither the whole thesis or dissertation, flot substantial extracts from it, may be printed or otherwise reproduced without the author’s permission. In compliance with the Canadian Privacy Act some supporting forms, contact information or signatures may have beeri removed ftom the document. While this may affect the document page count, it does flot represent any loss of content from the document. Université de Montréal Faculté des études supérieures Ce mémoire intitulé Système de Vidéosurveillance et de IVionitoring présenté par Mohamed Dahmane a été évalué par un jury composé des personnes suivantes Sébastien Roy (président-rapporteur) Jean Meunier (directeur de maîtrise) Max Mignotte (membre du jury) Mémoire accepté le 21 d6cembre 2004 $ommaire En vidéosurveillance numérique, la reconnaissance du mouvement humaill est souvent l’objectif final, ceci est le résultat de l’analyse du coiltenu du flux vidéo, souvent en temps réel afin de tirer l’information pertinente. Dans ces systèmes automatiques, globalement les simples détections de mouvement généralemellt basées sur de simples différences d’images ne sont pas, forcement, suffisantes et ne prennent pas en charge l’aspect symbolique de l’information visuelle que pro curent les séquences d’images prises par les caméras vidéos. L’approche à mettre en oeuvre vise à reproduire automatiquement le pro cessus de vidéosurveillance tel qe effectué par l’opérateur humain en imitant son propre processus de reconnaissance portant sur la détection, le suivi et le cas échéant le déclenchement d’alarme. Le but fondamental est d’implanter un système “autonome” intégrant des modules de reconnaissance de comportements, de gestion d’alarmes et d’enregistrement intelligent, impliquant ainsi des solutions basées sur des systèmes temps réel capables d’interagir intelligemment, facilement et efficacement avec l’environnement. Dans ce mémoire, o décrit une approche pour la reconnaissance de compor tements humains qui s’inscrit dans un projet de télésurveillance médicale dont le but est de pouvoir détecter des situations atypiques à risque tout en minimi saut les fausses alarmes. Les méthodes et algorithmes utilisés dans un tel système sont issus de reconnaissance de formes et d’apprentissage. Les résultats obtenus (un taux de succès de 97.47% de bien-détectés et 95.23% de reconnaissance cor recte) sont encourageants mais encore assez limités par rapport à un vrai système intelligent. IViots clés : vidéosurveillance, détection de mouvement, segmentation temps réel, poursuite de cibles, trajectoires spatio-temporelles, réseaux de neurones. 11 Abstract In digital visual surveillance, the recognition of human movement is often the final purpose; this is the resuit of the analysis of the contents of the video flow, often in real-time streaming in order to draw-out relevant information. In these automatic systems, globally the simple detection of movement, generally based on simple image subtraction, is not necessarily sufficient and does not deal with the symbolic aspect of the visual piece of informatioll given away by the video sequences. The approach to be implemented aims to reproduce automatically the process of video surveillance such as carried out by a human operator by imi tating his own process of recognition wearing on detection, keepillg track and if ecessary alarm setting. The fiindamental purpose is to implant an “autonomous” system integrating mo dules of behavior recognition, management of alarms and intelligent recording, thus implying solutions based on real-time systems able to illteracting intelli gently, easily and effectively with the environment. In this thesis, we describe a ftamework to human behavior recognition, which vi11 go with in a generic telecare architecture and for which the purpose is to be able to detect atypical situations in realistic scenarios while minimizing the false alarms. The methods and algorithms used iII such system are directly arising from pattern recognition techniques and leariling algorithms. The obtained results (a success rate of 97.47% of true-detection and 95.23% of correct recognition) are quite encouraging but still enollgh restricted with regard to a veritable intelligent system. Keywords alltomated visual monitoring, movement detection, temporal seg mentation, people tracking, spatiotemporal trajectories, nellral networks. 111 Table des matières Sommaire i Abstract ii Table des matières iii Liste des tableaux vi Table des figures vii Remerciements x Dédicaces xi 1 Introduction 1 1.1 Motivation 1 1.2 Présentation du mémoire 5 2 Système de vidéosurveillance 6 2.1 Détection 7 2.1.1 Prétraitements $ 2.1.2 La segmentation d’objets mobiles 8 iv 2.1.3 Détection de l’ombre 12 2.1.4 La validation du masque de changement 14 2.1.5 La mise à jour du modèle de l’arrière-plan . . . 15 2.1.6 La classification des entités en mouvement 16 2.2 Suivi temporel 17 2.2.1 Suivi par modèle 18 2.2.2 Suivi pa.r région 19 2.2.3 Suivi pa.r contours actifs 19 2.2.4 Suivi par attributs 20 2.3 Analyse et reconnaissance d’activités 20 2.3.1 Algorithme de recalage temporel 20 2.3.2 Les modèles de Markov cachés 21 2.3.3 Les réseaux de neurones artificiels 22 3 Systèmes Connexionnistes 24 3.1 Propriétés des réseaux de neurones 26 3.1.1 Topologie d’interconnexion 26 3.1.2 Propriétés des unités 28 3.1.3 Lois d’apprentissage 29 3.2 Les réseaux de neurones incorporant la mémoire 30 3.2.1 Les réseaux de Hopfield 31 3.2.2 Les réseaux d’Elman 32 V 3.2.3 Les réseaux de neurones à codage temporel . 32 3.3 La carte auto-organisatice de Kohonen 33 3.3.1 Principe 34 3.3.2 Propriété topologique 36 4 Méthodologie 38 4.1 Estimation de l’arrière-plan 38 4.1.1 Le modèle du fond 39 4.1.2 La soustraction du fond 41 4.1.3 La mise à jour du fond 43 4.2 Étiquetage en composantes connexes 44 4.2.1 Algorithme de gestion de partitions 15 4.2.2 L’étiquetage 47 4.3 Poursuite de cibles 49 4.3.1 Notion de matrices de mise en correspondance 49 4.3.2 Évolution temporelle des blobs et des évènements 51 4.4 Reconnaissance par approche comportementale 52 4.4.1 Paramétrisation de trajectoires 53 4.4.2 Détection de comportements anormaux par la $0M . . 56 5 Résultats et discussion 58 5.1 La base de données des scénarios 58 vi 5.2 Résultats 59 5.2.1 Détection et classification des changements 59 5.2.2 Suivi 60 5.2.3 Analyse de comportements 64 6 Conclusion et perspectives 69 vii Liste des tableaux 4.1 Différentes configurations des séries de correspondance 51 5.1 Exemples de séquences normales 59 5.2 Exemples de séquences anormales 59 5.3 Performances moyennes du modèle conique 60 5.4 Paramètres de la structure hiérarchique 64 5.5 Matrice de confusion 65 5.6 Paramètres des deux SOMs 67 5.7 Matrice de confusion 67 Liste des figures 2.1 Pipeline typique d’un processus de vidéosurveillance 6 2.2 Schéma de détection 7 2.3 Types de changements dans une scène 8 2.4 Distorsion en chrominance 13 2.5 Algorithme classique de mise à jour 15 3.1 Processus de reconnaissance de formes 25 3.2 Réseau multicouche récurrent 27 3.3 Réseaux de neurones à codage temporel 33 3.4 Principe du modèle de Kohonen 34 3.5 Carte auto-organisatrice de Kohonen 35 4.1 Distorsion ta) de brillance - (b) chromatique 40 4.2 Plan d’équibrillance BCKjjz) associé à BCK(x) dans le cube RGB 40 4.3 Le volume d’ombre f’ 11 4.4 Effet “Jitter” de la caméra en partie dû à des vibrations provoquées par une bouche d’aération tout près 45 viii ix 4.5 Représentation d’une partition 47 4.6 Exemple d’étiquettage - Sauvegarde(*) et Résolution(**) des équivalences . 48 4.7 Exemple d’évolution temporelle de blobs 50 4.8 Séquences de segments à différentes résolutions temporelles 54 4.9 Approximation elliptique de contour 55 5.1 Résultats de détection / Séquence de test Ptancher/Corridor/Diro/UdeM. . . 61 5.2 Intelligent room-http :/ /cvrr.ucsd.edu/aton/shadow (t)Statistique Paramétrique (section 2.1.3.A) relativement, la personne a été bien détectée, dans notre cas on a moins de pixels orobre ceci est dû à un r plus faible (0.75) 61 5.3 Séquence de test Laboratory mw (http ://cvrr.ucsd.edu/aton/shadow) 62 5.4 Résultats de détection / Séquence de uploads/s1/ dahmane-mohamed-2004-memoire.pdf