Institut National Polytechnique de Toulouse

Juan Gabriel Avin˜A

Description

Niveau: Supérieur
Institut National Polytechnique de Toulouse E.N.S.E.E.I.H.T. Ecole doctorale d'informatique et telecommunications Navigation visuelle d'un robot mobile dans un environnement d'exterieur semi-structure THESE presentee et soutenue publiquement le 15 Fevrier 2005 pour l'obtention du Doctorat de l'Institut National Polytechnique de Toulouse (specialite signal, image et acoustique) par Juan Gabriel AVIN˜A CERVANTES Composition du jury President : Raja Chatila Directeur de recherche CNRS, LAAS-CNRS Rapporteurs : Christine Fernandez-Maloigne Professeur a l'universite de Poitiers Roland Chapuis Professeur au CUST a Clermont Ferrand Examinateur : Michel Cattoen Professeur a l'INP de Toulouse Directeur de these : Michel Devy Directeur de recherche CNRS, LAAS-CNRS Laboratoire d'Analyse et d'Architecture des Systemes

• uni- versite de poitiers


• before there


• ecole doctoral


• architecture des systemes


• universite de poitiers


• laas


• directeurs successifs du laas


• composition des jurys


• directeur de la recherche

Sujets

• Dalida
• González
• Chapuis
• Gabriel
• Eddie Esteves Pereira
• Herrera

Informations

• Publié par: profil-nechor-2012
• Publié le: 01 février 2005
• Nombre de lectures: 51
• Langue: Français
• Poids de l'ouvrage: 6 Mo

Extrait

E.N.S.E.E.I.H.T.
¶Institut National Ecole doctorale d’informatique et t¶el¶ecommunications
Polytechnique de Toulouse
Navigation visuelle d’un robot mobile
dans un environnement d’ext¶erieur
semi-structur¶e
?THESE
pr¶esent¶ee et soutenue publiquement le 15 F¶evrier 2005
pour l’obtention du
Doctorat de l’Institut National Polytechnique de Toulouse
(sp¶ecialit¶e signal, image et acoustique)
par
~Juan Gabriel AVINA CERVANTES
Composition du jury
Pr¶esident : Raja Chatila Directeur de recherche CNRS, LAAS-CNRS
Rapporteurs : Christine Fernandez-Maloigne Professeur a? l’universit¶e de Poitiers
Roland Chapuis au CUST a? Clermont Ferrand
Examinateur : Michel Catto˜en Professeur a? l’INP de Toulouse
Directeur de th?ese : Michel Devy Directeur de recherche CNRS, LAAS-CNRS
Laboratoire d’Analyse et d’Architecture des Syst?emesAvant-propos
Ce manuscrit pr¶esente l’ensemble des travaux de recherche que j’ai efiectu¶e au cours des trois
ann¶ees de ma th?ese dans l¶¶equipe Robotique et Intelligence Artiflcielle au Laboratoire d’Analyse
et d’Architecture des Syst?emes du CNRS a? Toulouse.
Je tiens a? remercier en tout premier lieu Michel Devy qui a dirig¶e cette th?ese dans la continuit¶e
de mon stage de D.E.A. Tout au long de ces trois ann¶ees, il a su orienter mes recherches aux
bons moments. Pour tout cela, et pour sa conflance, son soutien et la libert¶e d’action qu’il m’a
accord¶ee, je le remercie vivement.
Je remercie les directeurs successifs du LAAS, Jean-Claude Laprie et Malik Ghallab de
m’avoir accueilli dans leur ¶etablissement.
J’adresse ¶egalement mes remerciements a? Monsieur Raja Chatila, Directeur de Recherche
CNRS et responsable du groupe RIA, pour m’avoir permis de travailler au sein de son groupe
et pour avoir accept¶e de participer a? mon jury de th?ese.
Je remercie les rapporteurs de cette th?ese Christine Fernandez-Maloigne, Professeur a?
l’Universit¶e de Poitiers et Roland Chapuis, Professeur a? l’Universit¶e Blaise Pascal de
ClermontFerrand pour la rapidit¶e et la pertinence avec laquelle ils ont lu mon manuscrit et l’int¶er^et qu’ils
ont port¶e a? mon travail. Merci ¶egalement a? Michel Catto˜en, Professeur a? l’Institut National
Polytechnique de Toulouse, qui a accept¶e de juger ce travail, en tant qu’examinateur dans le
jury.
Parmi ceux qui ont contribu¶e a? mes r¶e exions, je remercie tout sp¶ecialement Thierry Peynot,
Aurelie Clodic, Andres Restrepo, Joel Gonz¶ alez, Antonio Mar¶‡n, Ignacio Herrera, Leonardo
Solaque, Claudia Esteves, Jean-Bernard Hayet, Sylvain Argentieri et Fr¶ed¶eric Lerasle.
Enfln, une pens¶ee ¶emue pour tous les ¶etudiants avec qui j’ai partag¶e une salle, un caf¶e,
un repas ou une console d’ordinateur pendant ces trois ann¶ees : Gustavo Arechevaleta, Diana
Mateus,. . . et toute la troupe tr?es conviviale de RIA.
Enfln, je ne saurais terminer ces remerciements sans mentionner les proches, famille et amis,
qui m’ont soutenu par leurs encouragements. Je remercie particuli?erement mes enfants, Eli et
P¶en¶elope, et ma femme, Paula, pour m’avoir suivi pendant ce long cycle d’¶etude et pour leur
soutien moral pendant la r¶edaction du manuscrit.
iiiJe d¶edie cette th?ese
?a ma famille : Paula Dalida,
1Eli Gabriel et P¶en¶elope Juliette.
1I suddenly see the solution of a puzzle-picture. Before there were branches there ; now there is a human shape.
My visual impression has changed and now I recognize that it has not only shape and colour but also a quite
particular ’organization’
iiiivTable des matiŁres
Avant-propos i
Liste des flgures ix
Introduction xiii
Chapitre 1 Contexte de la navigation visuelle
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Vision pour la navigation de robots mobiles . . . . . . . . . . . . . . . . . . . . . 2
1.3 Navigation visuelle en milieu int¶erieur . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Na visuelle en milieu ext¶erieur . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Environnement d’ext¶erieur structur¶e . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Ent d’ext¶erieur non structur¶e . . . . . . . . . . . . . . . . . . 8
1.5 Notre approche de navigation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Chapitre 2 Acquisition et reproduction d’images couleur 13
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Acquisition des images couleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Cam¶eras couleur fond¶ees sur une mosa‡que Bayer . . . . . . . . . . . . . 15˜
¶2.2.2 Evolution des Cam¶eras couleur . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Demosa˜‡quage : reproduction des images couleur . . . . . . . . . . . . . . . . . . 17
2.3.1 D¶emosa˜‡quage par fi le plus proche voisin fl (PPV) . . . . . . . . . . . . . 18
2.3.2 D¶emosa˜‡quage bilin¶eaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.3 D¶emosa‡quage par flltrage m¶edian (Freeman) . . . . . . . . . . . . . . . . 20˜
2.3.4 D¶emosa‡quage par teinte constante . . . . . . . . . . . . . . . . . . . . . . 20˜
2.3.5 D¶emosa˜‡quage par d¶etection de gradients . . . . . . . . . . . . . . . . . . 21
2.3.6 Interpolation adaptative par laplacien . . . . . . . . . . . . . . . . . . . . 22
2.3.7 Comparaison entre les techniques de d¶emosa‡quage . . . . . . . . . . . . . 24˜
2.4 Calibration chromatique d’images num¶eriques . . . . . . . . . . . . . . . . . . . . 25
vTable des mati?eres
2.4.1 La couleur dans la reconnaissance des objets . . . . . . . . . . . . . . . . 25
2.4.2 La balance des blancs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4.3 D¶etection de la couleur dominante . . . . . . . . . . . . . . . . . . . . . . 29
2.4.4 Mod?eles d’adaptation chromatique . . . . . . . . . . . . . . . . . . . . . . 33
2.5 Correction gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5.1 Application du facteur gamma . . . . . . . . . . . . . . . . . . . . . . . . 40
2.5.2 Correction chromatique par courbes gamma . . . . . . . . . . . . . . . . . 41
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Chapitre 3 Mod¶elisation de l’environnement : d¶etection des r¶egions navigables 45
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 La segmentation couleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 D¶eflnition de la segmentation . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.2 M¶ethodes de segmentation couleur . . . . . . . . . . . . . . . . . . . . . . 47
3.2.3 Notre m¶ethode de segmentation couleur . . . . . . . . . . . . . . . . . . . 52
3.3 M¶ethodes d’estimation de la texture . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.3.1 Approches structurelles et g¶eom¶etriques . . . . . . . . . . . . . . . . . . . 55
3.3.2 M¶ethodes fond¶ees sur des mod?eles physiques ou templates . . . . . . . . . 56
3.3.3 M¶ethodes fond¶ees sur un flltrage . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.4 Mod?eles statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4 Caract¶erisation des r¶egions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.4.1 Calcul des attributs de couleur . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.2 Calcul des de texture . . . . . . . . . . . . . . . . . . . . . . . . 66
3.4.3 Variation des attributs de texture en fonction de la profondeur . . . . . . 67
3.5 Construction et analyse de la base d’apprentissage . . . . . . . . . . . . . . . . . 69
3.5.1 Apprentissage supervis¶e de la base de donn¶ees . . . . . . . . . . . . . . . 70
3.5.2 Analyse Factorielle discriminante . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.3 en composantes principales (ACP) . . . . . . . . . . . . . . . . . 74
3.5.4 Analyse en composantes ind¶ependantes (ACI) . . . . . . . . . . . . . . . . 76
3.6 Identiflcation et classiflcation des r¶egions . . . . . . . . . . . . . . . . . . . . . . . 80
3.6.1 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.6.2 La m¶ethode des K-plus proches voisins . . . . . . . . . . . . . . . . . . . . 85
3.6.3 M¶ethodes alternatives de classiflcation . . . . . . . . . . . . . . . . . . . . 87
3.6.4 Analyse contextuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3.7 R¶esultats ex