Comparaison de méthodes de classification appliquées à la détection d’objets

Abstract

La vision par ordinateur est un vaste domaine de recherche dont lequel un ordinateur est doté de capacité de percevoir, analyser et comprendre le monde qu’il observe d’une manière similaire au système visuel de l’être humain. Les méthodes de ce domaine sont généralement utilisées dans de nombreuses applications telles que la vidéosurveillance, l'aide à la conduite ou l’imagerie médical. Ces différentes applications s'appuient généralement sur la détection ou le suivi qui s’articule sur la problématique de représentation, qui utilise un descripteur pour l’extraction des caractéristiques d’objets dans les images, et celle de reconnaissance (classification) d’objet, qui repose sur un classificateur (algorithme de machine Learning) afin de distinguer les classes d’objets d’intérêt. Dans ce mémoire, nous adressons la problématique du choix d’un classifieur convenable qui met un défi face aux recherches dans ce domaine. Notre objectif visé est de comparer expérimentalement les performances des classifieurs multiclasses (SVM, KNN) à différencier les catégories d’objets dans un environnement routier. Pour comparer leurs performances, nous utilisons l’implémentation sous MATLAB de ces deux méthode de classification, ainsi, nous utilisons le descripteur (SURF) et aussi notre base d’images collectée depuis Internet afin d’entraîner et de tester ces classifieurs. Le taux de bonne reconnaissance est utilisé comme une métrique pour analyser leur performanceComputer vision is a vast field of research in which a computer has the ability to collect, analyze and understand the observed world with a similar manner as the human visual system. In this area, the methods are generally used in many applications such as video surveillance, driver assistance or medical imaging. These applications typically rely on detecting or tracking which focused on the representation issues, that used a descriptor for feature extraction, and the object recognition (classification), based on classifier (Learning machine algorithm) to distinguish classes of objects of interest. In this thesis, we address the issue of selection of a suitable classifier that faces the research in this area. Our objective is to compare experimentally the performance of multiclass classifiers (SVM, KNN) to categorizing objects in a road environment. To compare their performance, we use the MATLAB implementation of these two classification method and we use the descriptor (SURF) and also our dataset collected from the Internet to train and test these classifiers. The rate of correct recognition is used as a metric to analyze their performance.