Reconnaissance d’objets par SVM et descripteurs de Fourier Originels (contour de longueur L) Généralisés (image en niveaux de gris, «motion descriptors», Gauthier et al., Fonga) Descripteurs de Fourier Une famille de descripteurs invariants par similitude directe (rotation, translation, échelle) peut être (presque) trivialement déduite Une forme = un ensemble de MD|DF = un vecteur de
Support Vector Machines (SVM) Méthode d’apprentissage utilisant: les noyaux (reformulation d’un problème de séparation non linéaire en un problème linéaire - fonction ci-dessous) les théories de généralisation et dimensionalité de Vapnik-Chervonenkis Classifier en 2 classes revient à trouver l’hyperplan séparant au mieux l’ensemble des x (classe 1) et o (classe 2) Idée = utiliser les DF pour classifier les images !
Travail demandé Au minimum : Implémenter les descripteurs de Fourier Trouver (et justifier) un noyau judicieux pour classifier des images dans une base d’une centaine d’objets (COIL100) Validation sur base COIL100 et images réelles Idéalement : Aller plus loin, en ajoutant d’autres descripteurs très classiques : invariants algébriques de Hu, moments de Zernike, complémentaires des DF (fusion N classifieurs faibles -> 1 classifieur fort) Environnement de développement : Intégralement sous Matlab (+toolbox SVM), et/ou langage C (libSVM et/ou SVMlight), au choix. Contact, questions, précisions : x.hilaire@esiee.fr , ou jeudis 13h30-20h00 bureau 5352 2 étudiants 3 étudiants