FR3056800A1 - Procede de caracterisation d’une image - Google Patents

Procede de caracterisation d’une image Download PDF

Info

Publication number
FR3056800A1
FR3056800A1 FR1658943A FR1658943A FR3056800A1 FR 3056800 A1 FR3056800 A1 FR 3056800A1 FR 1658943 A FR1658943 A FR 1658943A FR 1658943 A FR1658943 A FR 1658943A FR 3056800 A1 FR3056800 A1 FR 3056800A1
Authority
FR
France
Prior art keywords
tests
selection
image
test
thumbnails
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR1658943A
Other languages
English (en)
Inventor
Youssef El Rhabi
Lionel Guillaume
Luc Brun
Loic Simon
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
44screens
Original Assignee
44screens
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 44screens filed Critical 44screens
Priority to FR1658943A priority Critical patent/FR3056800A1/fr
Publication of FR3056800A1 publication Critical patent/FR3056800A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

La présente invention concerne un procédé de caractérisation d'une image au moyen d'au moins un moyen informatique comprenant au moins une mémoire et au moins un processeur pour l'exécution du procédé, ledit procédé comprenant au moins une étape de construction d'un descripteur binaire efficace et nécessitant moins de ressources informatiques, ladite étape de construction étant basé sur critère de sélection de tests faisant appel à une fonction entropie de Shannon modifiée.

Description

DOMAINE TECHNIQUE DE L'INVENTION
La présente invention se rapporte au traitement d’image et plus spécifiquement à la description objets présents dans une image ou une scène.
io ARRIERE-PLAN TECHNOLOGIQUE DE L'INVENTION
Le traitement d’image rassemble des techniques de traitement, d’analyse et de caractérisation des images. Une bonne interprétation ou caractérisation des informations contenues dans une image dépend de la qualité des techniques mises en oeuvre dans chaque phase du traitement, en particulier dans l’étape d’analyse. Cette dernière traite les caractéristiques physiques de l’image, comme par exemple la texture pour aider dans l’identification et l’extraction des informations contenues dans l’image. L’analyse des caractéristiques d’une image a pour objectif la détermination de signatures ou la détection de patterns permettant de mieux caractériser l’image.
La détermination de ces signatures, généralement appelées descripteurs, est donc une étape cruciale dans la phase de caractérisation de l’image.
Plusieurs méthodes de construction ou de détermination des 25 descripteurs sont connues dans le traitement d’image, chacune étant plus ou moins précise ou impliquant plus ou moins l’utilisation de ressources informatiques importantes.
Chacune des méthodes comprend au moins une étape de génération et de sélection de fonctions tests qui permettront de construire le descripteur.
La qualité d’un descripteur dépend, ainsi, notamment des critères de détection et de sélection définis par chaque méthode.
DESCRIPTION GENERALE DE L'INVENTION
La présente invention a pour but de pallier certains inconvénients de l'art antérieur en proposant un procédé de caractérisation d’une image efficace et limitant les ressources informatiques nécessaires.
Ce but est atteint par un procédé de caractérisation d’une image, obtenue par un dispositif de capture d’images, mis en oeuvre dans des moyens informatiques comprenant au moins une mémoire et au moins un processeur pour exécuter ledit procédé qui comprend:
• la définition d’au moins un ensemble de bases de données comprenant, d’une part, au moins une base de données = {//“, ...,V/^a} d’apprentissage de Na imagettes Wf issus d’un échantillon d’images tests et, d’autre part, au moins une base de données = [Wf, ...,Wfîd} de description de Nd imagettes W·1 issus d’un échantillon de l’image à caractériser, lesdites bases de données étant stockées dans ladite mémoire ;
• la construction d’un descripteur binaire, cette construction comprenant :
- la génération, au moyen d’un algorithme exécuté sur ledit processeur, d’un ensemble Pt = {ti, de Nt tests tj, chacun de ces test étant une fonction de comparaison des caractéristiques d’au moins deux pixels issus de chacune des imagettes comprises dans les bases de données et d£, chaque test tj faisant correspondre à une imagette WL a ou W·1, un résultat binaire xi;· compris dans {0,1};
- la sélection hors ligne de tests optimums sur ladite base de données d’apprentissage;
la construction dudit descripteur binaire étant caractérisée en ce que la sélection hors ligne des tests optimums tf, décrivant le mieux au moins une partie donnée de l’image et/ou l’image, repose sur la recherche du maximum de la fonction entropie Hm(t) de Shannon modifiée représentant une quantité d’information associée à la probabilité de succès d’un test, ladite fonction entropie Hm(t) étant pondérée par la probabilité que ladite information associée audit test soit conservée si la base de données d’apprentissage est changée
Selon une autre particularité, la fonction entropie modifiée Hm(t) représentant une quantité d’information mesurée est définie par :
= ~[Pxt lo§(Pxt) + (1 - Pxt) M1 - PXt)]Pye 10 Pxt = P(N = 1) désignant la probabilité de succès d’un test t, et pyt la probabilité que l’information associée au test t soit conservée si la base de données d’apprentissage est changée, Xt = t(W) étant une variable aléatoire de Bernoulli et W une variable aléatoire de la base de données d’apprentissage
Selon une autre particularité, la construction du descripteur binaire comprend également la sélection en ligne, par application sur ladite base de données de description D^, des tests optimums obtenus dans la sélection hors ligne, le descripteur binaire étant défini par l’ensemble des valeurs binaires xi;· obtenues après ladite sélection en ligne et au moins une partie des tests optimums tf.
Selon une autre particularité, l’implémentation dans la sélection hors ligne, sur le moyen informatique, du critère de sélection des tests optimums comporte la sélection d’au moins un test invariant ou robuste à toute transformation géométrique des imagettes d’une base de données, assurant ainsi une bonne optimisation du processus de caractérisation.
Selon une autre particularité, la sélection en ligne des tests optimums
N retenus après la sélection hors ligne, consiste à estimer les similitudes entre lesdites imagettes de la base de données de description après application d’au moins une transformation géométrique sur lesdites imagettes.
Selon une autre particularité, le processus d’estimation des similitudes entre au moins deux patchs Wf1 et V/2d de la base de données de description DÛ comprend au moins le calcul d’une distance dH de Hamming entre les ensembles de résultats respectifs x± = = l,Nt) et x2 = desdites imagettes, obtenus par l’application d’au moins une série de Nt tests optimums sur lesdites imagettes, stockées dans au moins une mémoire.
Selon une autre particularité, le calcul de la distance dH entre deux ensembles de résultats x± et x2 de deux imagettes, définie par d^x^x-R = ® *2,;, met en œuvre simultanément la réduction du nombre d’ensemble de résultats et du nombre de tests optimums, et la conservation des tests invariants ou robustes à au moins une transformation géométrique des imagettes, le descripteur étant composés des ensembles de résultats et des test les plus robustes restant.
DESCRIPTION DES FIGURES ILLUSTRATIVES
D'autres particularités et avantages de la présente invention apparaîtront plus clairement à la lecture de la description ci-après, faite en référence aux dessins annexés, dans lesquels :
- les figure 1a et 1b représentent respectivement le diagramme du procédé de caractérisation d’une image et l’étape de construction du descripteur binaire, selon un mode de réalisation;
- la figure 2 représente le diagramme d’une « courbe ROC » caractérisant la performance du descripteur binaire obtenu après l’étape de sélection hors ligne ;
- les figures 3a et 3b représentent les diagrammes de l’aire sous la « courbe ROC » en fonction de l’angle de rotation respectivement des échantillons d’images Leuven et Bikes.
DESCRIPTION DES MODES DE REALISATION PREFERES DE L'INVENTION
La présente invention concerne un procédé pour la caractérisation d’une image ou d’une scène. Une telle caractérisation permet de détecter et mettre en évidence des objets ou éléments de l’image, comme par exemple, une cible à détecter ou surveiller ou un défaut à identifier, etc.
L’invention permet notamment d’établir des liens entre des phases de deux images successives d’un flux vidéo (par exemple pour la réalité augmentée).
Dans certains modes de réalisation, le procédé (1, figure 1a) de caractérisation d’une image, obtenue par un dispositif de capture d’images, est mis en oeuvre dans des moyens informatiques comprenant au moins une mémoire et au moins un processeur pour exécuter ledit procédé qui comprend:
• la définition (E1) d’au moins un ensemble de bases de données comprenant, d’une part, au moins une base de données = d’apprentissage de Na imagettes Wf issus d’un échantillon d’images tests et, d’autre part, au moins une base de données = [Wf, ...,wfîd} de description de Nd imagettes W·1 issus d’un échantillon de l’image à caractériser, lesdites bases de données étant stockées dans ladite mémoire;
• la construction (E2, figure 1a et 1b) d’un descripteur binaire, cette construction comprenant :
- la génération (E21), au moyen d’un algorithme exécuté sur ledit processeur, d’un ensemble Pt = (u, de Nt tests tj, chacun de ces test étant une fonction de comparaison des caractéristiques d’au moins deux pixels issus de chacune des imagettes comprises dans les bases de données et D$, chaque test tj faisant correspondre à une imagette Wf ou wf, un résultat binaire xi;· compris dans {0,1} ;
îo - la sélection (E22) hors ligne de tests optimums sur ladite base de données d’apprentissage;
la construction dudit descripteur binaire étant caractérisée en ce que la sélection hors ligne des tests optimums tf, décrivant le mieux au moins une partie donnée de l’image et/ou l’image, repose sur la recherche du maximum de la fonction entropie Hm(t) de Shannon modifiée représentant une quantité d’information associée à la probabilité de succès d’un test, ladite fonction entropie Hm(t) étant pondérée par la probabilité que ladite information associée audit test soit conservée si la base de données d’apprentissage est changée.
Le processus de caractérisation d’une image ou d’une scène, comprend en partie la description de chaque imagette ou patch de l’image et et/ou d’un point ou d’un ensemble de points compris dans ladite imagette ou ledit patch. Un test peut comprendre, par exemple et de manière non limitative, la comparaison de deux valeurs d’intensité de pixel autour d’un point que l’on souhaite caractériser dans une imagette ou un patch donné(e), par exemple de taille 32x32. Deux tests diffèrent ainsi par les valeurs d’intensité de pixels qu’ils comparent au sein d’un patch. L’application de chaque test sur chaque patch permet la binarisation de l’image, c'est-à-dire la description de chaque point de l’image en termes de chiffres binaires compris dans l’ensemble {0,1}. Par exemple et de manière non limitative, si l’on souhaite décrire une région particulière d’une image, on peut créer des patchs de tailles différentes ou identiques, autour de la région que l’on souhaite décrire. Des tests sont ensuite générés pour mesurer les intensités d’un ensemble de pixel au sein de chaque patch. S’il ressort de la comparaison de deux pixels p1 et p2, compris dans un test, que le pixel p1 est plus grand que le pixel p2, ledit test retourne la valeur 1, sinon la valeur retournée est 0. L’application de tous les tests à une imagette donnée ou à toute région donnée de l’image permet ainsi de définir un ensemble de résultats ou valeurs binaires {1, 0, ..., 0, 1, 0} qui permet de caractériser îo ladite imagette ou ladite région de l’image. Le résultat d’un test pouvant prendre la valeur 1 ou 0, elle suit une loi binomiale de Bernoulli, dans laquelle lorsque le résultat est 1 on dit que le test est un succès et sinon, c'est-à-dire si le résultat est zéro, on dit que c’est un échec.
La construction (E2) du descripteur binaire comprend en général, en complément du filtrage ou sélection (E22) hors ligne, un filtrage ou sélection (E23) en ligne définie par application des tests optimums, obtenus dans la sélection (E22) hors ligne, sur ladite base de données de description Le descripteur binaire est défini par l’ensemble des valeurs binaires xi;· obtenues après ladite sélection (E23) en ligne et au moins une partie des tests optimums tf. Cependant, la présente invention concerne plus particulièrement la phase de sélection (E22) hors ligne.
Le descripteur, constitué de l’ensemble des tests et de l’ensemble des résultats binaires, construit dans l’étape de sélection (E22) hors ligne est généralement appelé descripteur global et s’intéresse à la description ou caractérisation du patch ou de l’image dans son ensemble. Cette phase peut ainsi contenir un nombre élevé de fonctions tests générés, de manière aléatoire, au moyen d’un algorithme. De manière pratique, un nombre de l’ordre de 10000 tests peut être par exemple choisi pour effectuer la caractérisation du patch ou de l’image. Le filtrage ou sélection (E22) hors ligne consiste en générale à ne conserver que les tests ayant une grande variance binomiale, ladite variance, qui caractérise la dispersion des résultats des tests autour d’une valeur moyenne, étant le critère de sélection comme par exemple dans la méthode dite BOLD. Plus la variance d’un test est importante, mieux il discrimine, c'est-à-dire qu’il permet de mieux distinguer les différences entre deux régions distinctes de l’image ou du patch. Pour le filtrage de tests dans l’étape de sélection (E22) hors ligne nous choisissons, de préférence, comme critère de sélection la fonction entropie Hm(t) définie ci-dessus qui, contrairement au critère de sélection basé sur la variance, permet de réduire considérablement le nombre de tests nécessaires à la io caractérisation de l’imagette ou de l’image. En effet la pondération de la fonction entropie par la probabilité que l’information associée à un test soit conservée permet de ne retenir que les tests dont le résultat restera invariant si l’on change de base de données. On est ainsi assuré de sélectionner des tests optimums. De plus les tests ainsi choisis par cette méthode seront enclin à être plus robustes aux transformations géométriques, par exemples des rotations, au sein des patches et donc ne pas être rejeté par la partie en ligne.
L’efficacité d’un descripteur est, en général, évaluée au moyen d’une « courbe ROC » (de l’anglais Receiver Operating Characteristic, pour « caractéristique de fonctionnement du récepteur ») qui est une mesure de la performance de tout système ou modèle ayant pour objectif de catégoriser des éléments d’un ensemble donné, par exemple le descripteur binaire. La « courbe ROC » est représentée sous la forme d’une courbe qui donne le taux de vrais positifs en fonction du taux de faux positifs des tests qui composent le descripteur binaire. Un vrai positif est un résultat qui vérifie le critère fixé par un test, ce critère pouvant être, par exemple, un seuil de valeur de pixel à majorer. En revanche, un faux positif est un résultat déclaré positif, c’est à dire répondant au critère fixé par un test là ou il est en réalité négatif, c'est-à-dire ne répondant pas au critère fixé par ledit test. Plus la courbe se rapproche de l’axe des vrais positifs, plus il est performant. La figure 2 montre, par exemple, la performance du descripteur construit dans après les étapes de sélection hors ligne (E22) et en ligne (E23) que nous comparons avec celle du descripteur BOLD utilisant comme critère de sélection des tests la variance. Comme on peut l’observer, le descripteur de la présente demande caractérise le mieux et avec moins de test l’échantillon d’images sur lequel les performances des deux descripteurs ont été évaluées. Par exemple, il faut deux fois plus de tests dans le descripteur BOLD, utilisant des tests sélectionnés sur le critère de la variance, pour reproduire la même performance que le descripteur de la présente demande qui utilise 256 tests. L’on gagne, ainsi, en temps de calcul sur le moyen informatique et également en capacité de stockage des données sur les io mémoires.
Dans certains modes de réalisation, la fonction entropie de Shannon modifiée Hm(t) représentant une quantité d’information mesurée, est de préférence, définie par :
= ~[Pxt lo§(Pxt) + (1 - Pxt) log(l - PXt)]Pye 15 pXt = p(Xt = 1) désignant la probabilité de succès d’un test t, et pyt la probabilité que l’information associée au test t soit conservée si la base de données d’apprentissage est changée, Xt = t(W) étant une variable aléatoire de Bernoulli et W une variable aléatoire de la base de données d’apprentissage D%. La quantité pyt est la pondération permettant de trouver les tests optimums. L’optimisation de la fonction définie ci-dessus consiste à la recherche des tests pour lesquels ladite fonction a une valeur maximale.
Dans certains modes de réalisation, l’implémentation dans la sélection (E22) hors ligne, sur le moyen informatique, du critère de sélection des tests optimums comporte la sélection d’au moins un test invariant ou robuste à toute transformation géométrique des imagettes d’une base de données, assurant ainsi une bonne optimisation du processus de caractérisation.
ίο
Dans certains modes de réalisation, la sélection (E23) en ligne des tests optimums tf, retenus après la sélection (E22) hors ligne, consiste à estimer les similitudes entre lesdites imagettes de la base de données de description D$ après application d’au moins une transformation géométrique sur lesdites imagettes.
La seconde étape (E23) de construction du descripteur binaire, s’appuie sur les tests optimums tf sélectionnés dans la première étape, c'est-à-dire dans l’étape de sélection (E22) hors ligne. Le descripteur construit dans l’étape de filtrage ou de sélection (E23) en ligne, îo généralement appelé descripteur local, permet une caractérisation efficace d’une région donnée du patch ou de l’image. La seconde étape (E23) permet de réduire le nombre de tests présélectionnés dans l’étape de filtrage ou de sélection (E22) hors ligne.
Une transformation géométrique peut être, par exemple et de manière 15 non limitative, une rotation du patch ou de l’image. Les tests qui sont invariants, lors d’une transformation géométrique, sont dits robustes et conservés pour former avec l’ensemble des résultats le descripteur local.
Lors de la construction du descripteur, après l’étape de sélection (E23) en ligne, un nombre plus élevé de tests robustes sont retenus en comparaison à une méthode de type BOLD. En effet, dans une méthode de type BOLD, des tests robustes peuvent être déjà rejetés dans la phase de sélection hors ligne, ce qui n’est pas le cas de la méthode de sélection (E22) hors ligne de la présente invention, car le critère de sélection des tests définie par la fonction entropie Hm(t) permet de mieux choisir les tests susceptibles d’être robustes à certaines transformations géométriques. Ainsi, comme les tests les plus robustes permettent d’obtenir les informations optimales pour la description de l’imagette ou de l’image, il est donc possible d’avoir des résultats similaires à ceux obtenus dans une approche similaire à celle de BOLD, et ce, avec un nombre de tests réduit de moitié dans le descripteur de la présente invention (figure 2).
Dans certains modes de réalisation, le processus d’estimation des similitudes entre au moins deux patchs Wf et W2 de la base de données de description comprend au moins le calcul d’une distance dH de Hamming entre les ensembles de résultats respectifs x± = [χ·^ ,i = l,Nt} et x2 = 5 [χ2,ί>ί = TNt} desdites imagettes, obtenus par l’application d’au moins une série de Nt tests optimums sur lesdites imagettes, stockées dans au moins une mémoire.
Dans certains modes de réalisation, le calcul de la distance dH, entre deux ensembles de résultats x± et x2 de deux patchs, définie par dH(xi>x2) = Zfji *i,i ® *2,; et évaluée au moyen d’un algorithme exécuté sur le processeur d’au moins un moyen informatique, ledit algorithme pouvant être par exemple et de manière non limitative l’algorithme « popcount » qui consiste à compter le nombre de bit à 1 dans un mot ou une série de bits.
Ledit calcul met en oeuvre simultanément la réduction du nombre d’ensemble de résultats et du nombre de tests optimums, et la conservation des tests invariants ou robustes à au moins une transformation géométrique des imagettes, le descripteur étant composé des ensembles de résultats et des tests les plus robustes restant.
La distance de Hamming dH entre les ensembles de résultats x± et x2 est le nombre total de fois où les résultats x± i et x2i diffèrent. Le symbole «Φ» représente l’opérateur logique « ou exclusif ». Si la variable x± i diffère de la variable x2i alors l’opération x± i θ x2i donne 1, sinon le résultat est 0. Ainsi si la distance de Hamming dH est nulle cela signifie que les patchs sont similaires, la série de tests Nt est jugée robuste et donc conservée. Dans le cas contraire les tests sont rejetés.
La performance du descripteur binaire obtenu dans l’étape de filtrage ou de sélection (E23) en ligne est évaluée en calculant, par exemple, l’aire sous la « courbe ROC » obtenu sur un échantillon d’images, après une transformation géométrique, par exemple une rotation. L’aire est ensuite représentée en fonction de l’angle de rotation. Plus l’aire sous la courbe est importante, plus le descripteur est performant. Sur les figures 3a et 3b sont représentées les courbes des aires sous les « courbes ROC » en fonction des angles de rotation de deux échantillons d’images allant de 5 à 30°. Comme on peut le constater, le descripteur de la présente demande caractérise le mieux les deux échantillons d’images (Leuven et Bikes) en comparaison au modèle ou descripteur BOLD, et ce en général, pour des angles compris entre 15 et 30°.
La présente demande décrit diverses caractéristiques techniques et îo avantages en référence aux figures et/ou à divers modes de réalisation. L’homme de métier comprendra que les caractéristiques techniques d’un mode de réalisation donné peuvent en fait être combinées avec des caractéristiques d’un autre mode de réalisation à moins que l’inverse ne soit explicitement mentionné ou qu’il ne soit évident que ces caractéristiques sont incompatibles ou que la combinaison ne fournisse pas une solution à au moins un des problèmes techniques mentionnés dans la présente demande. De plus, les caractéristiques techniques décrites dans un mode de réalisation donné peuvent être isolées des autres caractéristiques de ce mode à moins que l’inverse ne soit explicitement mentionné.
Il doit être évident pour les personnes versées dans l'art que la présente invention permet des modes de réalisation sous de nombreuses autres formes spécifiques sans l'éloigner du domaine d'application de l'invention comme revendiqué. Par conséquent, les présents modes de réalisation doivent être considérés à titre d'illustration, mais peuvent être modifiés dans le domaine défini par la portée des revendications jointes, et l'invention ne doit pas être limitée aux détails donnés ci-dessus.

Claims (7)

  1. REVENDICATIONS
    1. Procédé (1) de caractérisation d’une image, obtenue par un dispositif de capture d’images, mis en oeuvre dans des moyens
    5 informatiques comprenant au moins une mémoire et au moins un processeur pour exécuter ledit procédé qui comprend:
    • la définition (E1) d’au moins un ensemble de bases de données comprenant, d’une part, au moins une base de données D% = [Wf, ...,Wp}a} d’apprentissage de Na imagettes Wf issus îo d’un échantillon d’images tests et, d’autre part, au moins une base de données = [Wf, ...,Wfîd} de description de Nd imagettes Wf issus d’un échantillon de l’image à caractériser, lesdites bases de données étant stockées dans ladite mémoire;
    • la construction (E2) d’un descripteur binaire, cette construction
    15 comprenant :
    - la génération (E21), au moyen d’un algorithme exécuté sur ledit processeur, d’un ensemble Pt = {tx, de Nt tests tj, chacun de ces test étant une fonction de comparaison des caractéristiques d’au moins deux pixels issus de
    20 chacune des imagettes comprises dans les bases de données et d£, chaque test tj faisant correspondre à une imagette Wf ou un résultat binaire xi;· compris dans {0,1};
    - la sélection (E22) hors ligne de tests optimums sur ladite
    25 base de données d’apprentissage;
    la construction dudit descripteur binaire étant caractérisée en ce que la sélection hors ligne des tests optimums tf, décrivant le mieux au moins une partie donnée de l’image et/ou l’image, repose sur la recherche du maximum de la fonction entropie Hm(t) de Shannon modifiée représentant une quantité
    30 d’information associée à la probabilité de succès d’un test, ladite fonction entropie Hm(t) étant pondérée par la probabilité que ladite information associée audit test soit conservée si la base de données d’apprentissage est changée.
  2. 2. Procédé (1) de caractérisation d’une image selon la revendication
    5 1, caractérisé en ce que la fonction entropie modifiée Hm(t) représentant une quantité d’information mesurée est définie par:
    = ~[Pxt log(Pxt) + (1 - PXt) log(l - Pxt)]Pye pXt = p(Xt = 1) désignant la probabilité de succès d’un test t, et pyt la probabilité que l’information associée au test t soit conservée si la base de données d’apprentissage est changée, Xt = t(W) étant une variable io aléatoire de Bernoulli et W une variable aléatoire de la base de données d’apprentissage
  3. 3. Procédé (1) de caractérisation d’une image selon la revendication 1, caractérisé en ce que la construction du descripteur binaire comprend également la sélection (E23) en ligne, par application sur ladite base de
    15 données de description D$, des tests optimums obtenus dans la sélection (E22) hors ligne, le descripteur binaire étant défini par l’ensemble des valeurs binaires xi;· obtenues après ladite sélection (E23) en ligne et au moins une partie des tests optimums tf.
  4. 4. Procédé (1) de caractérisation d’une image selon l’une des
    20 revendications 1 à 2, caractérisé en ce que l’implémentation dans la sélection (E22) hors ligne, sur le moyen informatique, du critère de sélection des tests optimums comporte la sélection d’au moins un test invariant ou robuste à toute transformation géométrique des imagettes d’une base de données, assurant ainsi une bonne optimisation du
    25 processus de caractérisation.
  5. 5. Procédé (1) de caractérisation d’une image selon l’une des revendications 2 et 4, caractérisé en ce que la sélection (E23) en ligne des tests optimums tf, retenus après la sélection (E22) hors ligne, consiste à estimer les similitudes entre lesdites imagettes de la base de données de description D$, après application d’au moins une transformation géométrique sur lesdites imagettes.
  6. 6. Procédé (1) de caractérisation d’une image selon la revendication
    5 4, caractérisé en ce que le processus d’estimation des similitudes entre au moins deux patchs Wf et W2 de la base de données de description comprend au moins le calcul d’une distance dH de Hamming entre les ensembles de résultats respectifs x± = [xld,i = l,Ntj et x2 = [x2/i,i = 1, Nt} desdites imagettes, obtenus par l’application d’au moins une série de io Nt tests optimums sur lesdites imagettes, stockées dans au moins une mémoire.
  7. 7. Procédé (1) de caractérisation d’une image selon la revendication 5, caractérisé en ce que le calcul de la distance dH entre deux ensembles de résultats x± et x2 de deux imagettes, définie par £/η(χ1λχ2) = 15 Σ^ι^ι,ίΦ χ2,ί, met en œuvre simultanément la réduction du nombre d’ensemble de résultats et du nombre de tests optimums, et la conservation des tests invariants ou robustes à au moins une transformation géométrique des imagettes, le descripteur étant composés des ensembles de résultats et des test les plus robustes restant.
    1/3
FR1658943A 2016-09-23 2016-09-23 Procede de caracterisation d’une image Pending FR3056800A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR1658943A FR3056800A1 (fr) 2016-09-23 2016-09-23 Procede de caracterisation d’une image

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1658943 2016-09-23
FR1658943A FR3056800A1 (fr) 2016-09-23 2016-09-23 Procede de caracterisation d’une image

Publications (1)

Publication Number Publication Date
FR3056800A1 true FR3056800A1 (fr) 2018-03-30

Family

ID=58162686

Family Applications (1)

Application Number Title Priority Date Filing Date
FR1658943A Pending FR3056800A1 (fr) 2016-09-23 2016-09-23 Procede de caracterisation d’une image

Country Status (1)

Country Link
FR (1) FR3056800A1 (fr)

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BALNTAS VASSILEIOS ET AL: "BOLD - Binary online learned descriptor for efficient image matching", 2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), IEEE, 7 June 2015 (2015-06-07), pages 2367 - 2375, XP032793680, DOI: 10.1109/CVPR.2015.7298850 *
EL RHABI YOUSSEF ET AL: "Information Theoretic Rotationwise Robust Binary Descriptor Learning", NETWORK AND PARALLEL COMPUTING; [LECTURE NOTES IN COMPUTER SCIENCE; LECT.NOTES COMPUTER], SPRINGER INTERNATIONAL PUBLISHING, CHAM, vol. 10029 Chap.33, no. 558, 5 November 2016 (2016-11-05), pages 368 - 378, XP047361517, ISSN: 0302-9743, ISBN: 978-3-642-37634-4, [retrieved on 20161105] *
ETHAN RUBLEE ET AL: "ORB: An efficient alternative to SIFT or SURF", COMPUTER VISION (ICCV), 2011 IEEE INTERNATIONAL CONFERENCE ON, IEEE, 6 November 2011 (2011-11-06), pages 2564 - 2571, XP032101497, ISBN: 978-1-4577-1101-5, DOI: 10.1109/ICCV.2011.6126544 *
LUCA BAROFFIO ET AL: "A survey on compact features for visual content analysis", APSIPA TRANSACTIONS ON SIGNAL AND INFORMATION PROCESSING, vol. 5, 1 January 2016 (2016-01-01), XP055365929, DOI: 10.1017/ATSIP.2016.13 *
RICHARDSON ANDREW ET AL: "TailoredBRIEF: Online per-feature descriptor customization", 2015 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS), IEEE, 28 September 2015 (2015-09-28), pages 74 - 81, XP032831578, DOI: 10.1109/IROS.2015.7353357 *

Similar Documents

Publication Publication Date Title
EP2491532B1 (fr) Procede, programme d'ordinateur et dispositif de suivi hybride de representations d'objets, en temps reel, dans une sequence d'images
JP5607261B2 (ja) オブジェクト認識における特徴生成を改善するためのシステム及び方法
US8406535B2 (en) Invariant visual scene and object recognition
FR2968426A1 (fr) Calcul de comparaison asymetrique a grande echelle pour integrations binaires
US20120099796A1 (en) Image patch descriptors
EP2786314B1 (fr) Procede et dispositif de suivi d'un objet dans une sequence d'au moins deux images
KR20130142191A (ko) 비주얼 탐색을 위한 강건한 특징 매칭
GB2555673A (en) Image patch matching using probabilistic sampling based on an oracle
Oliveira et al. Multiple parenting identification in image phylogeny
FR3041794A1 (fr) Procede et systeme de recherche d'images similaires quasi-independant de l'echelle de la collection d'images
US12505565B2 (en) Identifying and localizing editorial changes to images utilizing deep learning
EP3857512A1 (fr) Procede, programme d'ordinateur et systeme de detection et localisation d'objet dans une scene tridimensionnelle
Siddiqui et al. A robust framework for deep learning approaches to facial emotion recognition and evaluation
Liu et al. Detection of JPEG double compression and identification of smartphone image source and post-capture manipulation
Pang et al. Exploiting local linear geometric structure for identifying correct matches
Nawaz et al. Single and multiple regions duplication detections in digital images with applications in image forensic
WO2024027347A1 (fr) Procédé et appareil de reconnaissance de contenu, dispositif, support de stockage et produit-programme d'ordinateur
JP2011501257A (ja) 拡張画像識別
EP2839410A1 (fr) Procede de reconnaissance d'un contexte visuel d'une image et dispositif correspondant
Georgievska et al. Clustering image noise patterns by embedding and visualization for common source camera detection
Erener A methodology for land use change detection of high resolution pan images based on texture analysis
Wan et al. Efficient virtual data search for annotation‐free vehicle reidentification
FR2853748A1 (fr) Procede de tatouage d'une image en couleurs par approche vectorielle, procede de detection d'une marque de tatouage, dispositifs, image et programmes d'ordinateurs correspondants
Du et al. Image hashing for tamper detection with multiview embedding and perceptual saliency
FR3056800A1 (fr) Procede de caracterisation d’une image

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20180330