2.3.3 Modélisation locale
La classe des approches par mod'elisation locale est
très h'et'eroclite. On admet g'en'eralement que son origine se trouve
dans la m'ethode de reconnaissance Geometrie hashing. Dans cette approche, le
modèle n'est plus l'image toute entière, comme dans la section
pr'ec'edente. Par contre, un modèle est repr'esent'e par un ensemble
fini de configurations locales dans l'image. Ces configurations sont
g'en'eralement s'electionn'ees suivant un critère de pertinence, et
imposent donc une segmentation sur les images. Dans le cas de points, il
pourrait s'agir de minima d'autocorr'elation, par exemple, et dans le cas de
contours ce pourraient être des maxima locaux de la norme du gradient. Le
but principal des m'ethodes
locales est de mettre en correspondance des configurations
d'une image inconnue avec des configurations de modèles
déjàobservés. Le taux de mise en correspondance et la
cohérence géométrique entre celles-ci sont alors des
mesures permettant de classer les modèles et de sélectionner
celui qui est le plus ressemblant a` l'image requête. Les méthodes
diffèrent principalement dans leur façon de caractériser
les configurations et dans leur manière de trier les modèles
plausibles. Elles ont ceci en commun avec les approches
géométriques qu'il s'agit intrinsèquement de trouver un
sous-ensemble optimal d'appariement. Elles en diffèrent par le fait
qu'il n'existe a priori pas de structuration entre les configurations. La
comparaison s'arrête là, par contre. Afin
d'accélérer cette mise en correspondance, les méthodes
caractérisent les configurations par des descripteurs. Ces descripteurs
sont choisis afin d'absorber une partie des déformations qui peuvent
apparaàýtre lorsque l'objet est observédans des conditions
différentes.
| 
