Reconnaissance des objets polyédriques

2.3 La reconnaissance par apparence

Dans la suite on va définir ce que nous entendons par reconnaissance par apparence, on va fournir une classification de principales méthodes existantes en exposant leurs avantages et leurs inconvénients

2.3.1 définition et caractérisation

La reconnaissance par apparence, toute méthode de reconnaissance qui cherche a` modéliser des objets (2D ou 3D) directement par leur image percue et non pas par un modèle construit a` partir d'une conception abstraite particulière. Le facteur commun a` toutes les méthodes qui entrent dans la catégorie » par l'apparence » est qu'elles modélisent des objets 3D par un ensemble d'image prises dans des conditions particulières. Ces conditions sont liées aux contraintes de reconnaissance qui sont imposées au problème que le système censéa` résoudre. Les conditions qui sont généralement considérées sont la plupart du temps liées aux changements d'éclairage ou au déplacement de l'objet dans l'image. Dans la majoritédes applications qui implémentent cette approche, elle est couplée a` une indexation, bien que ceci ne soit pas une condition obligatoire. Dans ce cas, la structure globale des algorithmes se présente comme montrée dans l'algorithme suivant : [LAM 98]

alogorithme1 : squelette d'une reconnaissance par l'apparence s'aidant d'une indexation.

Lors de la phase de reconnaissance, il n'est pas toujours necessaire que l'image pr'esent'ee soit une copie conforme d'un des modèles index'es. De facon g'en'eral, on distingue deux grands classes dans les m'ethodes de reconnaissance par l'apparence. L'une regroupe les approches qui considèrent une image comme une entit'e indivisible, donnant g'en'eralement lieu a` un index unique pour image. L'autre qui mod'elisent les objets par un ensemble de caract'eristique h'et'erogènes d'esignant des parties plus ou moins grandes dans l'image, on parlera de m'ethodes globales pour les unes, locales pour les autres.

2.3.2 Modelisation globale

Les mod'elisations globales sont principalement centr'ees autour d'une même approche, la m'ethode ne considère plus les images comme des matrices n x m de valeurs de niveau de

gris, mais comme des vecteurs de taille nm contenant ces mêmes valeurs. Ainsi, couvrant l'espace des apparences possibles d'un objet par Ó images modèles, il est possible de calculer une matrice de covariance de dimension nm x nm qui capte la variation entre les diff'erents modèles. La matrice est obtenue en calculant la moyenne M des vecteurs modèles Mi=l..k et en posant :

Ó= _Xk (Mi - M)(Mi - M)^k

i=1

Les vecteurs propres de cette matrice forment alors une base dans laquelle il est possible d'exprimer l'espace d'efini par les modèles. La base optimale en d dimensions, au sens des moindres carr'es, est obtenue en prenant les vecteurs propres ayant les d plus grandes valeurs propres, ce qui permet de faire une r'eduction consid'erable de la dimension de l'espace sans perte de qualit'e visuelle (d est nettement inf'erieur a` k), car cette d'ecomposition est en fait une analyse en composantes principales. Une image est donc repr'esent'ee comme un point dans l'espace de ces vecteurs propres, et la reconnaissance revient a` faire une recherche du plus proche voisin dans l'espace a` d dimensions consid'er'ees. [LAM 98]

L'avantage principal de cette approche est sa r'eduction consid'erable des dimensions pour la repr'esentation d'une image. Dans le cas d'une image 512 x 512 (vecteur de dimension 512² = 2293620, on prend typiquement les 10 plus grandes valeurs propres, ce qui revient a` une r'eduction de dimension d'un facteur d'ordre 10⁴. Ceci permet de r'ealiser des indexations efficaces et des recherches rapides, Malheureusement ses inconv'enients sont de taille :

· Le fait que l'approche soit globale la rend particulièrement sensible a` des occultations.

· Les changements d''eclairage, ou des transformations g'eom'etriques lors de la prise de vue influent directement sur la repr'esentation finale de l'image.