Des liens généraux sur la vision

• Une mine de tutoriaux : Computer Vision On-Line
• Des liens en tout genres (code, base de données) : The computer vision homepage at CMU

Utile pour visualisation des vidéos MXF

• Créer un compte sur biprossix (me demander ou a Mr. Piater)
• Les vidéos MXF sont dans le répertoire /ddexterne/EnglishPremierLeague/
• Lancer un démon svideo qui lit ces fichiers et place les frames en mémoire partagée:

   svideod-mxf_play /ddexterne/EnglishPremierLeague/backup\ 2003_08_27\ -\ 01\ -\ 151\ B.mxf 
  

• Utiliser une application cliente (sous LTI-Lib par exemple) pour lire ces images. Un exemple est donné sur la page "ltilib".

Suivi d un ballon de football dans une séquence vidéo: Michel Hick (avec Mr Piater)

Le suivi d'un joueur de football dans les séquences vidéo est généralement effectué sur la base d'histogrammes couleur ou de points d'intérêt. Les modèles de mouvement sont définis de façon planaire et comportent en général une dynamique faible. Tel n'est pas le cas du ballon, susceptible d'avoir des changements de direction très brusques, des mouvements 3D complexes, et dont le suivi, vu sa taille faible, ne peut reposer sur les mêmes techniques utilisées pour les joueurs. Aussi, proposons-nous dans ce TFE, lié au projet TRICTRAC, de s'intéresser tout particulièrement au cas du ballon, sous deux angles de vue complémentaires :

• mise en oeuvre de techniques de traitement d'image pour détecter la balle
• mise en oeuvre de techniques de filtrage basées sur des modèles de mouvement 3D du ballon (trajectoires paraboliques..)

A lire:

• Un article de Reid dans BMVC'98 , qui présente une approche très originale pour récupérer la trajectoire 3D du ballon, sans hypothèse sur le type de trajectoire, en utilisant les ombres portées. Beaucoup de géométrie.
• Un article de Kim dans ICCV'98 , où on suppose que la trajectoire est une parabole.
• Un article d' Orazio dans Pattern recognition sur la détection de la balle.
• Un article de Vincent Lepetit dans CVPR'03 qui fitte un modèle de mouvement prédéfini - mais aussi complexe que l'on veut - à des observations, de manière robuste.

Reconstruction projective de sites sportifs et génération de points de vue virtuels : David Schreck (avec Mr Piater)

La géométrie multi-vues permet, à partir d'appariements de primitives géométriques simples (points ou droites), d'effectuer une reconstruction dite projective de la scène observée. Cette reconstruction, qui est indépendante des paramètres de la caméra (paramètres intrinsèques et extrinsèques) offre ensuite la possibilité de générer, en fixant des paramètres, des « vues virtuelles » de la scène. Ce TFE vise à l'implémentation de telles fonctionnalités, et en particulier celle, spectaculaire, d'une visite virtuelle du stade avec visualisation stéréo.

A voir :

• Le site de Hideo Saito
• Articles d'Hideo Saito
• Un tutorial sur la reconstruction de scènes à partir de plusieurs vues. Il s'agit de bien comprendre la progression : reconstruction projective - affine - euclidienne.

Fusion de données multi-oculaires dans un contexte de séquences vidéo de sport : Cédric Detry (avec Mr Piater)

Les retransmissions sportives modernes utilisent un nombre croissant de caméras pour assurer le confort des téléspectateurs et donner un maximum d'informations aux fans. Le traitement numérique de ces flux, pour le suivi des joueurs, ainsi que les mesures de distances, doit tenir compte de cette multiplicité : ce TFE, lié au projet TRICTRAC, a pour objectif de mettre en place des outils de fusion de données nécessaires pour gérer de façon robuste les estimées de positionnement des joueurs et des caméras. Son volet le plus important est la modélisation des incertitudes sur les données traitées et à leur propagation.

A voir :

• La page d'un séminaire à ET Zurich sur la fusion de données. De nombreuses références.
• Un Rapport de recherches de l'INRIA.