Ent?te

Logo du LIFL

Depuis le 1er janvier 2015 le LIFL et le LAGIS forment le laboratoire CRIStAL

  1. Actualités

Thèse de

Rim Slama

lundi 6 octobre 2014
TELECOM Lille

Geometric Approaches for 3D Human Motion Analysis: Application to Action Recognition and Retrieval

M. Edmond Boyer, Directeur de Recherches, INRIA Grenoble Rhône-Alpes (rapporteur) Mme. Rita Cucchiara, Professeur, University of Modena and Reggio Emilia, Italy (rapporteur) Mme Saida Bouakaz, Professeur, Université Claude Bernard Lyon 1 (examinateur) M. Hubert Cardot, Professeur, Université François Rabelais, Tours (examinateur) M. Olivier Colot, Professeur, Université Lille 1 (examinateur) M. Alain Trouvé, Professeur, École Normale Supérieure de Cachan (examinateur) M. Mohamed Daoudi, Professeur, Institut Mines-Télécom (directeur) M. Hazem Wannous, Maître de conférences, Université Lille 1 (encadrant)

Dans le cadre de cette thèse, nous proposons des approches géométriques permettant d’analyser des mouvements humains à partir de données issues de capteurs 3D. Premièrement, nous abordons le problème de comparaison de poses et de mouvements dans des  séquences contenant des modèles de corps humain en 3D. En introduisant un nouveau descripteur, appelé Extremal Human Curve (EHC), la forme du corps humain dans une pose donnée est décrite par une collection de courbes. Ces courbes extraites de la surface du maillage relient les points se situant aux extrémités du corps. Dans un formalisme Riemannien, chacune de ces courbes est considérée comme un point dans un espace de formes offrant la possibilité de les comparer. Par ailleurs, les actions sont modélisées par des trajectoires dans cet espace, où elles sont comparées en utilisant la déformation temporelle dynamique. Deuxièmement, nous proposons une approche de reconnaissance d’actions et de gestes à partir de vidéos produites par des capteurs de profondeur. A travers une modélisation géométrique, une séquence d’action est représentée par un système dynamique dont la matrice d’observabilité est caractérisée par un élément de la variété de Grassmann. Par conséquent, la reconnaissance d’actions est reformulée en un problème de classification de points sur cette variété. Ensuite, un nouvel algorithme d’apprentissage basé sur la notion d’espaces tangents est proposé afin d’améliorer le système de reconnaissance. Les résultats de notre approche, testés sur plusieurs bases de données, donnent des taux de reconnaissance de haute précision et de faible latence.

Ours

UMR 8022 - Laboratoire d'Informatique Fondamentale de Lille - Copyright © 2012 Sophie TISON - Crédits & Mentions légales

Page respectant XHTML et CSS.

Pour tout commentaire / Comments and remarks : webmaster