Site Unistra - Accueil
Faire un don

Compétences requises

Outils fondamentaux en traitement d’images. Outils avancés en traitement d’images. Outils fondamentaux en vision par ordinateur.

--

Basic and advanced courses in image processing. Basic course in computer vision.

Compétences visées

L’objectif de ce cours est de développer les notions de base utilisées dans l’analyse et l’exploitation des séquences temporelles d’images numériques, en particulier les séquences vidéo. L’accent est mis sur l’analyse du mouvement 2D (dans le plan de l’image) et sur les liens avec la structure 3D de la scène et le mouvement 3D d’objets rigides.
Maîtrise des méthodes classiques d’analyse du mouvement et de leurs applications (analyse de scènes 2D / 3D, compression vidéo). Découverte des méthodes avancées, faisant l’objet de recherches actuelles.

--

The goal of this lecture is to develop the basics of image sequence analysis, with applications to the processing of video sequences. The focus is on 2D motion analysis (in the image plane), and estimation of 3D structure and motion from 2D velocity fields (optical flow).
After this lecture, the student will be able to use / develop algorithms for motion detection, motion estimation and 3D reconstruction. He/she will also discover some advanced methods in the field, related to state-of-the-art research.

Syllabus

Partie I
Détection du mouvement 2D : différence d’images, tests d’hypothèses, utilisation d’une image de référence (soustraction du fond), réseaux de neurones profonds.
Mesure du mouvement 2D : mise en correspondance de primitives, approches différentielles, modèles paramétriques, réseaux de neurones profonds.
Mouvement et structure 3D : mouvement rigide, modèle sténopé de caméra, reconstruction de la structure et du mouvement 3D à partir d’une séquence 2D, réseaux de neurones profonds.
Suivi de primitives 2D/3D : mise en correspondance, filtrage de Kalman, filtrage particulaire, suivi par apprentissage.

--

2D motion detection: frame difference, hypothesis testing, motion detection by background subtraction, convolutional neural networks (CNN)-based approaches.
2D motion estimation: optical flow, feature matching, differential approaches, parametric models, CNN-based approaches.
3D structure and motion: rigid motion model, pinhole camera, reconstruction of 3D structure and motion from optical flow.
2D/3D feature tracking: feature matching, Kalman filtering, particle filtering, learning-based tracking.

Contact

Responsable(s) de l'enseignement
Fabrice Heitz : fabrice.heitz@unistra.fr