Les machines qui nous surveillent

1
Les machines qui nous surveillent

• Françoise DIBOS
• Institut Galilée, Université Paris 13
• Frédéric GUICHARD
• DXO Labs et Vision IQ
• Georges KOEPFLER
• Sylvain PELLETIER
• Florent RANCHIN
• Claire JONCHERY
• MAP 5, CEREMADE

2
Trois exemples

• Trois problèmes trois modèles
• Estimation de la densité dune foule

3
Densité dune foule
4
Trois exemples

• Trois problèmes trois modèles
• Estimation de la densité dune foule
• Détection de mouvements  anormaux 

5
Mouvements   anormaux  
6
Trois exemples

• Trois problèmes trois modèles
• Estimation de la densité dune foule
• Détection de mouvements  anormaux 
• Détection de  situations dangereuses 

7
Situations dangereuses
8
Quest-ce quune image numérique ?

• Un tableau de nombres
• x (ligne, colonne)
• Si limage est en couleur

9
Quest-ce quune image numérique ?
10
Quest-ce quune image numérique ?
11
Quest-ce quune image numérique ?
12
Quest-ce quune image numérique ?

• Lignes de niveaux

13
Vidéo surveillance et sécurité

• A image de référence
• B image courante
• A et B sont elles différentes ?
• Si oui, comment ?

14
Vision humaine et algorithmes

• il pas de différence entre A et B
• sinon une ombre.
• -gt Nécessité davoir des algorithmes robustes aux
  changements de luminosité.

15
Premier exemple

• Densité dune foule

16
Estimation de la densité dune foule

• On utilise les lignes de niveaux

17
Estimation de la densité dune foule

• On utilise les lignes de niveaux

18
Estimation de la densité dune foule

• On calcule la courbure de limage

Cest la somme des courbures des lignes de
niveaux.
19
Résultats
20
Résultats
21
Résultats
22
Résultats
23
Résultats
24
Résultats
25
Résultats
26
Résultats
27
Deuxième exemple

• Mouvements  anormaux 

28
Modélisation du mouvement

• Comment mesure-t-on les déplacements ?

terme de régularisation
29
Exemple de flot optique
30
Détection de mouvements  anormaux 
31
Troisième exemple

• Situations dangereuses

32
Détection de situations dangereuses

• F image du fond
• A image courante
• On calcule limage des différences D
• D(x)blanc si A et F sont différentes
• D(x)noir si A et F sont similaires
• D(x)gris si on ne sait pas conclure

33
Détection de situations dangereuses
Image
Fond
Différence
34
Modèle a priori

• On ne sintéresse quaux pixels observables
  (blancs ou noirs)
• On estime
• p probabilité pour un pixel dêtre blanc
• 1-p probabilité pour un pixel dêtre noir
• sur une séquence dimages où il ny a pas de
  mouvement.

35
Algorithme de groupements

• D(t) image des différences entre le fond F et
  limage courante A(t).
• Soit W un rectangle de D(t), contenant k pixels
  blancs, et n pixels observables.
• Est-ce que W contient un groupement significatif
  ?

36

• W(k blancs , n observables) contient un
  groupement significatif si
• Une fenêtre de plus de k pixels blancs parmi n
  observables a une faible probabilité dapparition
  dans le modèle a priori.

37
Détection de situations dangereuses