Analyse de la variabilit é en vision par ordinateur Richard Lepage Département de génie de la production automatisée École de technologie supérieure Montréal (Québec) Canada

2 Collaborateurs Couleur de la canneberge Gilles Doyon, CRDA, Agriculture Canada Jean-Sébastien Lussier, étudiant en GPA Youssouf Cherawala, étudiant Ma î trise GEL Primitives visuelles Dave St-Pierre, étudiant Ma î trise GPA Visages Mathieu Barrette, étudiant Ma î trise GEL Anthropométrie 3D Zouhour Ben Azouz, doctorante, CNRC Ottawa Marc Rioux, chercheur, CNRC Ottawa

3 Plan Analyse de la variabilité 1 Échelle de couleur Primitives visuelles dans une image Analyse de la variabilité 2: variante Gabarit de visages Anthropométrie 3D

4 Analyse de la variabilité 1 i1i1 i2i2 u1u1 u2u2

5 u1u1 u2u2 A i HiHi minimiser maximiser

6 Échelle de couleur de la canneberge La qualité dun lot de canneberges peut être d é termin é e par la couleur moyenne du lot On d é sire passer d une repr é sentation à 3 composantes (RVB) à une é chelle unique

7 Traitement Conversion RVB Lab Segmentation Élimination des réflets de léclairage

8 Primitives visuelles Résultats de lACP 1 ère composante Uniforme 64% 2 e composante Horizontale 12% 3 e composante Verticale 11% 4 e composante Oblique 7% 5 e composante Diagonale 5% Attributs: vecteur de 9 composantes organisé en imagette de 3x3

9 Analyse de la variabilité 2: variante Lorsque le nombre dattributs P est beaucoup plus grand que le nombre de mesures N, la matrice de covariance C devient de dimension très élevée (P P) et lextraction des vecteurs et valeurs propres devient alors moins aisée. La solution: la matrice de covariance complémentaire

10 A N P v1v1 v2v2 u1u1 u2u2 1 2

11 Gabarits de visages Exemples dimages de la base de visages Yale Face Database

12 Base de « visages propres »

13 Reconstruction des visages de la base à partir des 6 premiers « visages propres »

14 Applications Compression Les « visages propres » sont connus (apprentissage) Seulement les M premiers coefficients caractérisent Nouveau visage Projeté dans lespace des « visages propres » Extraire le « visage propre » le plus près Performances

15 Anthropométrie 3D Anthropométrie traditionnelle Distances entre des points de repère anatomiques de repère anatomiques Circonférences mesuresunidimensionnelles

16 Numérisation 3D du corps humain Système de numérisation de la surface du corps humain Modèle 3D de corps humain

17 Objectif général: aide à la conception Numérisation dun échantillon dune population Description compacte et générative des modèles de corps humain Sélection de modèles représentatifs de la population étudiée Extraction et visualisation des principaux modes de variation de la forme Test de satisfaction des clients Expertise du concepteur Application Caractéristiques du produit conçu Contraintes budgétaires +

18 Description compacte du corps humain Analyse en composantes principales de la représentation volumétrique basée sur une carte de distances signées

19 Exemples de reconstruction avec 64 vecteurs propres =2,3 mm =2,3 mm = 1,8 mm = 1,8 mm =3 mm =3 mm = 2,3 mm = 2,3 mm =2,8 mm =2,8 mm = 2,6 mm = 2,6 mm =2,3 mm =2,3 mm = 1,9 mm = 1,9 mm =2,5 mm =2,5 mm = 2 mm = 2 mm

20 Performances 95% de la variabilité de la forme dans un ensemble de 300 personnes est induite par les 64 premiers vecteurs propres Distribution des distances entre les sommets des modèles reconstruits et les modèles réparés: Moyennes: 0,2-3,3 mm Écarts type: 0,2-2,8 mm

21 Étude des principaux modes de variation de la forme humaine C1C1 C2C2. CMCM C 1min C2C2. CMCM C 1min + h C2C2. CMCM Premier mode de variation Deuxième mode de variation C 1min +2*h C2C2. CMCM C 1max C2C2. CMCM C1C1 C 2min. CMCM C1C1 +h. CMCM.…. C1C1 C 2min + 2*h. CMCM C1C1 C 2max. CMCM Coefficients de projection du modèle noyau dans la base des composantes principales ……..….

22 Principaux modes de variation Non normaliséNormalisé par rapport à la hauteur