State sequence recognition based on the Transferable Belief Model. Application to athletics videos analysis.
Reconnaissance de séquences d'états par le Modèle des Croyances Transférables. Application à l'analyse de vidéos d'athlétisme.
Résumé
This thesis focuses on automatic recognition of dynamical systems. A methodology based on state sequence models has been chosen: states describe the system at particular instants while transitions allow it to evolve along time. In this thesis, two new methods based on Transferable Belief Model, a non-probabilistic model for uncertain reasoning based on belief functions, are proposed: the first one is deterministic and inspired from works in Artificial Intelligence and the second one is stochastic generalizing Hidden Markov Models, initially developed in probability theory, to belief functions. These algorithms, which are generic, have been integrated in a system aiming at recognizing human motions in athletics videos. The system has been set in collaboration with University of Crete within SIMILAR European Network of Excellence. The state sequence recognition method proposed in this thesis have been assessed on a database made of 74 videos and compared to probabilistic Hidden Markov Models.
Cette thèse porte sur la problématique de reconnaissance automatique de systèmes dynamiques. Une méthodologie basée sur des modèles de séquences d'états est employée : les états permettent de décrire le système à un instant particulier tandis que des transitions permettent au système d'évoluer au cours du temps. Dans le cadre de la thèse, deux nouvelles méthodes de représentation et de reconnaissance de séquences d'états basées sur le Modèle des Croyances Transférables, modèle non probabiliste de raisonnement incertain basé sur les fonctions de croyance, sont proposées. La première méthode est déterministe et inspirée des travaux en Intelligence Artificielle, la seconde est stochastique et basée sur une généralisation aux fonctions de croyance des modèles de Markov cachés initialement développés dans la théorie des probabilités. Ces algorithmes, dont le cadre formel est générique, ont été intégrés dans un système de reconnaissance de mouvements humains dans les vidéos d'athlétisme que nous avons mis en place en collaboration avec l'Université de Crète dans le cadre du Réseau d'Excellence Européen SIMILAR. Les méthodes de reconnaissance de séquences ont été évaluées sur une base de 74 vidéos et comparées aux modèles de Markov cachés probabilistes.
Loading...