Détection et suivi de bords de routes dans les images d’UAV
Dans plusieurs applications dans des domaines divers, nous sommes intéressés par le traitement d’images aériennes dans le but de détecter et de suivre les bords de routes. Ces images aériennes peuvent être de diverses origines. Mais la détection automatique des bords de routes dans les images aériennes reste un sujet de recherche difficile et complexe. Ceci est dû à plusieurs contraintes comme par exemple le fond pouvant être très variable (agglomération, verdure, champs, désert …etc). Ainsi, la majorité des approches existantes fonctionnent bien sur l'exigence pour les utilisateurs de fournir une sorte de points de référence comme emplacement initial des bords de route, ou encore de se limiter à détecter des routes particulières comme des routes bien pavées ou des routes droites. Maintenant s’il s’agit de routes quelconques il serait très difficile de proposer une approche pouvant prouver une efficacité certaine. Ceci est d’autant plus difficile s’il s’agit d’images acquises en temps réel comme celles pouvant être obtenue grâce à des drones ou autres avions. En effet, ce type d’images, contrairement aux images satellitaires, peuvent nous garantir des informations récentes et à de faibles altitudes. D’autre part, si cette détection et suivi de bord de route doivent être assurés en temps réel, par exemple durant l’acquisition à l’aide d’un drone, il est nécessaire de contraindre l’approche proposée à un coût calculatoire le plus réduit possible.
identification biometrique par l'iris
La biométrie par l’iris représente une des méthodes les plus fiables et les plus performantes à cause de son faible taux d’erreurs. Ces performances ont été observées dans des situations contrôlées, qui imposent des contraintes lors de l’acquisition pour l’obtention d’images de bonne qualité. Relâcher ces contraintes, au moins partiellement, implique des dégradations de la qualité des images acquises et par conséquent une réduction des performances de des systèmes de reconnaissance de l’iris, pour contourner le problème, il est possible d’exploiter l’information la moins bruitée de l’iris à savoir la collerette. Une des principales solutions proposées dans la littérature pour remédier à ces limites est d’améliorer l’étape de segmentation de l’iris. L’objectif principal de ce travail de thèse a été de proposer des méthodes originales pour la segmentation des images dégradées de l’iris. Suite au grand succès des réseaux de neurones convolutifs (CNN) dans la classification et la reconnaissance d’images, nous avons utilisé une méthode d’apprentissage profond pour étudier le problème de la classification des images de l’iris plus précisément la collerette basse. En dépit des difficultés à obtenir une image de bonne qualité, dans cette thèse une reconnaissance de l’iris à travers la collerette a été testée et validée sur la base CASIA V4, la caractérisation été réalisée avec les réseaux de neurones convolutionnels sur un modèle pré-entrainé suivie d’une classification avec les machines à vecteurs de support.