Reconnaissance d'objets par l'histogramme de couleurs orientées

Abstract

La reconnaissance des catégories des images est importante pour accéder aux informations visuelles des objets et des types de scènes. Dans cette thèse, nous proposons une nouvelle approche pour la catégorisation d’objet couleur en utilisant les informations puissantes fournies par la couleur. Cette approche est basée sur la combinaison de la constance des couleurs « Gray-Edge », la composante de teinte dans l’espace colorimétrique teinte, saturation et valeur ou HSV (en anglais pour Hue, Saturation, Value) et des idées de cellules et des bacs utilisés dans les descripteurs basés sur les histogrammes des gradients orientés ou HOG (en anglais pour Histograms of Oriented Gradients). Le descripteur orienté proposé profite de l’invariance des teintes contre le changement d’intensité lumineuse, le décalage d’intensité lumineuse et le changement/décalage d’intensité lumineuse, et résout son manque d’invariance contre le changement de couleur de la lumière en utilisant la constance de couleur Gray-Edge. De plus, l’utilisation de cellules et de bacs dans la méthodologie de construction de descripteur proposé a renforcé son invariance aux transformations géométriques et photométriques, et aussi augmente le taux de reconnaissance. Les classificateurs à machine de supports de vecteur ou SVM (en anglais pour Support Vector Machine) et classificateurs de plus proches voisins ou KNN (en anglais pour K-Nearest Neighbours), qui sont deux méthodes de forte classification connues pour leurs flexibilités et leurs pouvoirs de généralisation sont utilisés pour la classification. La méthode proposée est évaluée sur deux ensembles de données accessibles au public, dont la Bibliothèque d’images d’objets Columbia (en anglais pour Columbia Object Image Library coil-100) et la bibliothèque d’images d’objets d’Amsterdam ALOI (en anglais pour Amsterdam Library of Object Images). Les tests ont montré non seulement les performances exceptionnelles de la méthode proposée dans cette thèse par rapport aux méthodes existantes en termes de taux de reconnaissance, mais aussi sa rapidité et sa capacité à optimiser l’utilisation des espaces mémoire.