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 performance.