• Langue : Français
• Discipline : Automatique, Génie informatique, Traitement du signal et des images
• Identifiant : 2008LIL10032
• Type de thèse : Doctorat
• Date de soutenance : 03/07/2008

Résumé en langue originale

En stéréovision, une carte dense des disparités peut être déterminée grâce à des méthodes locales exploitant la mise en correspondance des contenus de voisinages bidimensionnels. Toutefois, dans le contexte d'une application de métrologie 3D, il n'est pas nécessaire que la carte soit dense, mais elle doit être très précise. Par ailleurs, en présence d'un fort effet de perspective, d'importantes variations locales de la disparité apparaissent et les méthodes locales exploitant des fenêtres 2D ne garantissent plus une précision suffisante. Dans ce travail, nous proposons une méthode de mise en correspondance qui exploite des caractéristiques extraites d'un ensemble de courbes de similarité calculées sur des fenêtres 1D. Nous établissons une notion de confiance reliant directement la précision à la densité de la carte des disparités obtenue, entre lesquelles il est alors possible de fixer un compromis. La méthode proposée est évaluée en comparant ses résultats à ceux obtenus par six autres méthodes locales similaires. Nous montrons ainsi son efficacité, tout particulièrement quand la scène contient un plan fortement incliné. Nous testons finalement notre méthode dans le cadre d'une application de détection d'obstacles à l'avant d'un véhicule routier. Nous montrons qu'en segmentant notre carte des disparités par un procédé assez simple, la détection des obstacles est possible et surtout plus précise qu'avec des cartes des disparités calculées sur des voisinages 2D.

Résumé traduit

Ln stereovision, a dense disparity map can be computed thanks to local methods that match 2D image neighbourhoods. ln the context of 3D metrology, obtaining a dense disparity map is not mandatory, but high accuracy is required. Moreover, because of important local variations of disparity values due to high perspective conditions, we show that 2D methods do not reach a sufficient level of accuracy. ln this work, we propose a new matching method based on the analysis of several characteristics extracted from a set of similarity curves computed using ID neighbourhoods. We compute confidence values directly Iinked to accuracy and density properties of the disparity map. This confidence values are used to tu ne a tradeoff between density and accuracy of the disparity maps. The proposed method is evaluated by comparing its results with those computed with six similar local methods. ln this way, we show its efficiency, particularly with scenes having a strong perspective. FinaIly, we validate our ID method in an obstacle detection application. We show that a quite basic segmentation process applied to our disparity maps yields better results than with disparity maps computed using 2D neighbourhoods.