Scénarios temporels pour l'interprétation automatique de séquences vidéos

Cette these traite de la reconnaissance de scenarios temporels pour l'interpretation automatique de se-quences videos : l'objectif est de reconnaitre a cadence video les comportements d'individus evoluant dans des scenes decrites par des sequences videos (acquises par des cameras). Le processus de reconnaissance prend en en-tree (1) les modeles de comportements humains (i.e. scenarios temporels) pre-definis par des experts, (2) les infor-mations semantiques et geometriques-3D de l'environnement observe et (3) les individus suivis par un module de vision. Pour resoudre ce probleme, premierement, nous avons propose un modele generique de scenarios temporels et un langage de description pour la representation de connaissances decrivant des comportements humains. La repre-sentation de ces connaissances doit etre claire, riche, intuitive et flexible pour etre compris par les experts du do-maine d'application. Le modele propose d'un scenario temporel M se compose de cinq parties : (1) un ensemble de variables correspondant aux acteurs impliques dans M, (2) un ensemble de variables temporelles correspondant aux sous-scenarios qui composent M, (3) un ensemble de variables interdites correspondant aux scenarios qui ne doivent pas etre reconnus pendant la reconnaissance de M, (4) un ensemble de contraintes (symboliques, logiques, spatiales et contraintes temporelles comprenant les operateurs de l'algebre d'intervalles d'Allen) portant sur ces variables et (5) un ensemble de decisions correspondant aux tâches pre-definies par les experts pour etre executees quand M est reconnu. Deuxiemement, nous avons propose une technique originale de resolution de contraintes temporelles pour la re-connaissance a cadence video de modeles de scenarios temporels pre-definis par des experts. En general, l'algorithme propose est efficace car il propage les contraintes temporelles et combine seulement les objets physi-ques definis dans le scenario donne M. Par efficace, nous voulons dire que le processus de reconnaissance est li-neaire en fonction du nombre de sous-scenarios et, dans quasiment tous les cas, en fonction du nombre d'objets physiques definis dans M. Pour valider l'algorithme propose en termes d'exactitude, de robustesse et du temps de traitement en fonction de la complexite des scenarios et de la scene (e.g. nombre de sous-scenarios, nombre de personnes dans la scene), nous avons teste l'algorithme en appuyant sur un grand nombre de videos provenant de differentes applications sur des donnees simulees et egalement reelles en modes hors-ligne/en-ligne. Les experimentations realisees dans differentes applications montrent la capacite du langage de description de scenarios a representer facilement les scenarios temporels correspondant aux comportements humains d'interet. De plus, ces experimentations montrent egalement la capacite de l'algorithme propose a reconnaitre a cadence video des modeles de scenarios sophistiques (jusqu'a 10 acteurs et 10 sous-scenarios par scenario) dans des se-quences videos complexes (jusqu'a 240 personnes/frame dans la scene).