Reconnaissance d’objets par SVM et descripteurs de Fourier

Descripteurs de Fourier

Originels(contour de longueur L)

Généralisés (image en niveaux de gris, «motion descriptors», Gauthier et al., Fonga)

‣ Une famille de descripteurs invariants par similitude directe (rotation, translation, échelle) peut être (presque) trivialement déduite‣ Une forme = un ensemble de MD|DF = un vecteur de

Support Vector Machines (SVM)

Méthode d’apprentissage utilisant:• les noyaux (reformulation d’un problème de séparation non linéaire en un problème linéaire - fonction ci-dessous) • les théories de généralisation et dimensionalité de Vapnik-Chervonenkis

Classifier en 2 classes revient à trouver l’hyperplan séparant au mieux l’ensemble des x (classe 1) et o (classe 2)Idée = utiliser les DF pour classifier les images !

Travail demandé

‣ Au minimum :

Implémenter les descripteurs de Fourier

Trouver (et justifier) un noyau judicieux pour classifier des images dans une base d’une centaine d’objets (COIL100)

Validation sur base COIL100 et images réelles

‣ Idéalement :

Aller plus loin, en ajoutant d’autres descripteurs très classiques : invariants algébriques de Hu, moments de Zernike, complémentaires des DF (fusion N classifieurs faibles -> 1 classifieur fort)

‣ Environnement de développement :

Intégralement sous Matlab (+toolbox SVM), et/ou langage C (libSVM et/ou SVMlight), au choix.

Contact, questions, précisions : x.hilaire@esiee.fr , ou jeudis 13h30-20h00 bureau 5352

2 étudiants2 étudiants

3 étudiants3 étudiants