ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
Recherche en vidéosurveillance au laboratoire LIVIA de l’ÉTS - Par : Christophe Pagano, Éric Granger,

Recherche en vidéosurveillance au laboratoire LIVIA de l’ÉTS


Christophe Pagano
Christophe Pagano Profil de l'auteur(e)
Christophe Pagano est étudiant au doctorat au Département de génie de la production automatisée de l’ÉTS. Il est spécialisé en systèmes spatiotemporels pour la reconnaissance faciale dans le séquences vidéo.

Éric Granger
Éric Granger est professeur au Département de génie des systèmes de l’ÉTS. Ses recherches portent sur l’apprentissage machine, la reconnaissance de formes, la vision par ordinateur, et les systèmes adaptatifs et intelligents.

Image d’entête achetée de la banque d’images Istock : image protégée par des droits d’auteurs.

Les activités du Laboratoire d’imagerie, de vision et d’intelligence artificielle (LIVIA) de l’École de technologie supérieure (ÉTS) de Montréal sont orientées vers les domaines de la reconnaissance de formes et de la vision par ordinateur. Dans ce contexte, six axes prioritaires voient un développement soutenu à travers les années : i) vision artificielle, ii) traitement automatique des images de documents, iii) imagerie (médicale, aérienne, etc.), iv) biométrie, surveillance et détection d’intrusions, v) apprentissage dans les environnements statiques et dynamiques et vi) perception et environnement.

logo livia

Dans le cadre d’une conférence donnée par le professeur Éric Granger lors des Soirées des cycles supérieurs (SCS) le 18 février 2015 prochain, il abordera ses recherches réalisées au LIVIA en reconnaissance de visages en vidéosurveillance. Lors de cette conférence, il présentera les recherches en cours sur les différents systèmes permettant la reconnaissance adaptative de visages dans des environnements de vidéosurveillance changeants. Ces systèmes peuvent, par exemple, être utilisés par des organismes de sécurité publique dans des lieux publics sensibles, comme les gares et les aéroports.

Nous verrons plus spécifiquement dans ce premier article les systèmes à classificateurs multiples spécialisés dans la reconnaissance d’une personne ou d’un de ses gestes lorsqu’il y a peu de données relatives existantes. Un second article traitera de l’adaptation des modèles de visage et de la reconnaissance contextuelle utilisée en vidéosurveillance.

Systèmes à classificateurs multiples pour la vidéosurveillance

Ces systèmes sont conçus pour reconnaître des individus particuliers quand les données de référence sont disponibles en nombre limité. Imaginons par exemple une image de référence de bonne qualité (comme celle d’un passeport) captée a priori lors d’un abonnement sous des conditions contrôlées, et ce, à une époque différente (l’image peut être récente ou non). Une représentation discriminante de cette image pourra servir de référence afin de reconnaître des personnes dont le visage sera capté par une caméra vidéo. Ces visages sont typiquement captés par une vidéo d’une personne en mouvement sous des conditions variables (angles de pose, illumination), ce qui donne différentes images de qualité moindre.

image video1

Un système pour la reconnaissance de visages en vidéosurveillance permet de détecter la présence d’individus d’intérêt, qui font partie d’une ou de plusieurs bases de données. Un classificateur est un engin spécialisé qui compare la représentation discriminante de chaque image captée dans des séquences vidéos avec celle d’une image de référence captée lors de l’abonnement. Le terme « classificateurs multiples » signifie que ces systèmes utilisent plusieurs classificateurs diversifiés qui fonctionnent en parallèle dans le but de prendre la meilleure décision.

Il existe plusieurs types de classificateurs. Voici trois exemples de systèmes à classificateurs multiples :

  1. Un système à classificateurs multiples divise le visage en sous-blocs et dédie à la fois une technique de classification et un classificateur pour chaque sous-bloc afin de rendre ce système plus robuste aux variations, du fait que les vidéos suivent la personne en mouvement;

    multiclassifier system

  2. Un second type de système à classificateurs multiples fonctionne à partir d’images prises en mouvement. Des classificateurs spécialisés sont alors créés pour différents conditions (angles possibles de capture du visage, luminosité, etc.). Chaque classificateur travaille en parallèle et prend une décision de reconnaissance;
  3. Un troisième type de système utilise des algorithmes pour extraire différentes catégories d’information d’un visage (les caractéristiques de la peau, la structure du visage, etc.). Il crée ainsi des classificateurs pour chaque catégorie d’informations qui se concentrent par la suite sur leur champ de spécialisation afin de prendre une décision commune de reconnaissance.

 

 

Tous ces classificateurs agissent un peu comme des experts d’un domaine précis qui donnent leur avis sur leur spécialité propre. Si le système à classificateurs multiples découvre une nouvelle condition de capture (différence dans l’angle de vue, la luminosité ou un autre aspect non représenté par les visages de référence ou par les classificateurs en place), un ou des classificateurs pourront être ajoutés pour combler cette lacune.

Les photos ci-dessous nous démontrent l’application d’un classificateur dédié par personne. Le système commence par prendre l’abonnement d’une personne, ce qui consiste à mettre une photo du visage d’une personne dans la base de données.

reconnaissance 2En mode reconnaissance, ce système poursuit le visage des personnes en mouvement dans la scène et la prédiction des classificateurs est accumulée selon chaque différente personne pour produire des résultats robustes. Ici, le contour du rectangle de suivi devient rouge lorsque le système prend la décision qu’il reconnaît le visage de cette personne en fonction des abonnements se trouvant dans sa base de données.

reconnaissance 3Dans cette photo, le système a fait l’abonnement d’une seconde personne et, par la suite, en mode de reconnaissance, a reconnu les deux individus. reconnaissance 1  reconnaissance 4Les systèmes à classificateurs multiples assistent les agents de surveillance. Ils émettent un avis de reconnaissance lorsqu’ils ont suffisamment d’indices pour croire qu’il y a identification d’une personne avec une des images de la base de donnée utilisée. Un agent appelé à surveiller de multiples écrans, par exemple, verra cet écran lui signaler la reconnaissance d’une personne dans la foule pour que l’agent prenne la décision ou non d’approcher cette personne pour décliner son identité.

Conférence du professeur Granger

Le professeur Éric Granger donnera une conférence sur les recherches effectuées en vidéosurveillance au laboratoire Livia, dans le cadre des Soirées des cycles supérieures de l’ÉTS, ce mercredi 18 février 2015 à 18 heures. Cette conférence est gratuite. Pour vous inscrire, cliquez sur ce lien.

Christophe Pagano

Profil de l'auteur(e)

Christophe Pagano est étudiant au doctorat au Département de génie de la production automatisée de l’ÉTS. Il est spécialisé en systèmes spatiotemporels pour la reconnaissance faciale dans le séquences vidéo.

Programme : Génie de la production automatisée 

Laboratoires de recherche : LIVIA – Laboratoire d'imagerie, de vision et d'intelligence artificielle 

Profil de l'auteur(e)

Éric Granger

Profil de l'auteur(e)

Éric Granger est professeur au Département de génie des systèmes de l’ÉTS. Ses recherches portent sur l’apprentissage machine, la reconnaissance de formes, la vision par ordinateur, et les systèmes adaptatifs et intelligents.

Programme : Génie de la production automatisée 

Laboratoires de recherche : LIVIA – Laboratoire d'imagerie, de vision et d'intelligence artificielle  LiNCS – Laboratoire en ingénierie cognitive et sémantique 

Profil de l'auteur(e)


commentaires

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *