C. and .. Vidéo,

E. and N. , «Guide pour l'expression de l'incertitude de mesure», 1999.

G. , V. Et, and C. Shankar, «A novel approach to background subtraction using fuzzy color histogram», Journal of Advanced Engineering Technologies, vol.3, issue.3, pp.231-239, 2014.

H. and E. , «The if then else statement and interval-valued fuzzy sets of higher type», International Journal of Man-Machine Studies, vol.15, issue.4, pp.385-455, 1981.

H. , R. , J. Dehmeshki, S. Barman, M. Mazinani et al., «A genetic type-2 fuzzy logic system for pattern recognition in computer aided detection systems», dans Fuzzy Systems (FUZZ), 2010.

, IEEE, pp.1-7

H. , C. Et, F. C. , and H. R. , «Uncertain fuzzy clustering : interval type-2 fuzzy approach to cmeans», Fuzzy Systems, IEEE Transactions on, vol.15, issue.1, pp.107-120, 2007.

I. , S. , G. Iec, and A. L. , Guide pour l'expression de l'incertitude de mesure, 1995.

K. , N. N. , J. M. Mendel, and Q. Liang, «Type-2 fuzzy logic systems», Fuzzy Systems, IEEE Transactions on, vol.7, issue.6, pp.643-658, 1999.

K. and A. , Introduction to the theory of fuzzy subsets, vol.2, p.42, 1975.

K. , W. Et, and C. K. , «Background subtraction for dynamic texture scenes using fuzzy color histograms», IEEE Signal processing letters, vol.19, issue.3, pp.127-130, 2012.

L. U. , X. , T. Izumi, T. Takahashi, and L. W. , «Moving vehicle detection based on fuzzy background subtraction», dans Fuzzy Systems, pp.529-532, 2014.

M. , D. Et, and M. Sivabalakrishnan, «Adaptive background subtraction in dynamic environments using fuzzy logic», International Journal of Video & Image Processing and Network Security, vol.10, pp.13-16, 2010.

P. , N. Et, and J. Bezdek, «Measures of fuzziness : a review and several classes», p.42, 1994.

R. Boukezzoula, S. Et, and L. F. , , p.39, 2016.

R. , J. , G. Garcia-andreu, A. Rodas-jorda, and V. Atienza-vanacloig, «A combined self-configuring method for object tracking in colour video», 20th International Conference on, vol.44, pp.2081-2084, 2010.

S. and R. , Fonctions and Floues : Application a l'aide au Diagnostic en Pathologie Thyroidienne, p.43, 1975.

C. and .. Vidéo,

S. , R. R. , A. Bárdossy, and F. Nestmann, «Analysis and propagation of uncertainties due to the stage-discharge relationship : a fuzzy set approach», Hydrological Sciences Journal, vol.52, issue.4, pp.595-610, 2007.

S. and M. , «Fuzzy background modeling/subtraction and its application in vehicle detection», p.44, 2008.

S. , M. H. , N. Mozayani, and H. P. , «Fuzzy running average and fuzzy background subtraction : concepts and application», International Journal of Computer Science and Network Security, vol.8, issue.2, pp.138-143, 2008.

C. Stauffer, W. E. Et, and . Grimson, «Adaptive background mixture models for real-time tracking», dans Computer Vision and Pattern Recognition, IEEE Computer Society Conference on, vol.2, p.48, 1999.

S. , B. N. , S. Ghosh, S. Cho, and A. G. , «Integration of fuzzy markov random field and local information for separation of moving objects and shadows», Information Sciences, vol.331, 2016.

, , pp.15-31

, SUGENO. 2013, «Categories of uncertainty», dans Exploring structure of Uncertainty, Symposium on, LAMIH, Valenciennes, p.31

T. and H. R. , «Image thresholding using type ii fuzzy sets», Pattern recognition, vol.38, pp.2363-2372, 2005.

W. , D. Et, and L. A. , «An analysis of type-1 and type-2 fuzzy logic systems», dans Intelligent Control/Intelligent Systems and Semiotics, Proceedings of the 1999 IEEE International Symposium on, vol.43, pp.353-358, 1999.

W. and M. J. , «An introduction to the mathematics of uncertainty», p.35, 2010.

W. , C. R. , A. Azarbayejani, T. Darrell, and A. P. Pentland, «Pfinder : Real-time tracking of the human body», IEEE Transactions, vol.19, issue.7, pp.780-785, 1997.

Y. and R. R. , «On the measure of fuzziness and negation part i : membership in the unit interval», p.42, 1979.

Y. and R. R. , «Pythagorean fuzzy subsets», dans IFSA World Congress and NAFIPS Annual Meeting (IFSA/NAFIPS), vol.38, pp.57-61, 2013.

Y. and R. R. , «Pythagorean membership grades in multicriteria decision making», IEEE Transactions on Fuzzy Systems, vol.22, issue.4, pp.958-965, 2014.

Z. , L. A. , and ;. Vidéo, «Fuzzy sets», Information and control, vol.8, issue.3, pp.338-353, 1965.

Z. , J. Et-z.-q, and . Liu, «Type-2 fuzzy hidden markov models and their application to speech recognition», IEEE Transactions on Fuzzy Systems, vol.14, issue.3, pp.454-467, 2006.

Z. , J. Et-z.-q, and . Liu, «Type-2 fuzzy sets for handling uncertainty in pattern recognition», dans Fuzzy Systems, IEEE, vol.46, pp.1247-1252, 2006.

Z. , J. Et-z.-q, and . Liu, «Type-2 fuzzy sets for pattern recognition : The state-of-the-art», Journal of Uncertain Systems, vol.1, issue.3, pp.163-177, 2007.

Z. , J. , L. Xie, and Z. Liu, «Type-2 fuzzy gaussian mixture models», Pattern Recognition, vol.41, p.48, 2008.

Z. , H. Et, and D. Xu, «Fusing color and texture features for background model», Fuzzy Systems and Knowledge Discovery, vol.44, pp.887-893, 2006.

Z. , L. , L. Wei-ming, and Z. Y. , «A background modeling method based on adaptive fuzzy estimation», Journal of South China University of Technology (Natural Science Edition), vol.9, p.547, 2013.

, TABLEAU 4.11-F-mesures des méthodes de type ACP

. Globalement, ensemble des vidéos, les résultats sont meilleurs que les autres méthodes : on obtient la plus forte F-mesure moyenne

, La première est intéressante car elle est plus économe en mémoire et calcul que les autres variantes, Parmi les méthodes d'ACP, deux variantes robustes se distinguent néanmoins : FPCP et ALM (F-mesures moyennes à 0,6)

, Comparaison des temps de calcul des différentes méthodes

, Nous l'avons constituée en extrayant une séquence d'images consécutives de la vidéo fountaine1 (entre 50 et 5016, avec 30 images par seconde), puis en les réduisant aux dimensions 160 × 128. Nous avons ensuite testé toutes les méthodes (à l'exception de RMoG et BMOG, que nous n'avons pas eu le temps de développer) sur cette séquence vidéo, avec un ordinateur équipé d'un CPU Intel(R) Core(TM)i 7 ? 4500UCPU@1.80Ghz2.40Ghz, avec 16GB du RAM. Pour notre méthode, nous avons comparé plusieurs versions :-Avec parallélisation sur 4 coeurs, Étant donnée la complexité algorithmique de certaines méthodes, nous avons effectué nos comparaison sur une vidéo « allégée

, La méthode avec décision flou (IV-FGMM,IV-FGMM-P), avec décision temporelle seule (IV-FGMM

T. , I. , and I. , avec décision spatiale seule

, Les méthodes sont classées dans l'ordre croissant du temps obtenu avec la séquence vidéo la plus longue. On note que notre méthode se

, D'après les auteurs la méthode manquante BMOG

, il y a de fortes disparités entre les méthodes : en particulier, certaines ACP robustes sont très coûteuses en temps

B. , F. E. , T. Bouwmans, and B. Vachon, «Fuzzy integral for moving object detection», dans 2008 IEEE International Conference on Fuzzy Systems (IEEE World Congress on Computational Intelligence, pp.1729-1736, 2008.

D. , A. , P. Hébert, Y. Mohanna, and A. Bigand, «Analyse en composantes principales, application a la modélisation de l'arrière-plan», 2015.

F. El-baf, T. Bouwmans, and B. Vachon, Type-2 Fuzzy Mixture of Gaussians Model : Application to Background Modeling, pp.772-781, 2008.
URL : https://hal.archives-ouvertes.fr/hal-00336512

E. , A. , D. Harwood, and L. D. , Non-parametric Model for Background Subtraction, pp.751-767, 2000.

G. , D. , S. Ma, and K. Scheinberg, «Fast alternating linearization methods for minimizing the sum of two convex functions», Mathematical Programming, vol.84, pp.1-34, 2013.

L. , Z. , M. Chen, and Y. M. , «The augmented lagrange multiplier method for exact recovery of corrupted low-rank matrices», 2010.

M. , I. , P. Carvalho, L. Corte-real, and J. L. Alba-castro, BMOG : Boosted Gaussian Mixture Model with Controlled Complexity, pp.50-57, 2017.

R. , P. Et, and B. W. , «Fast principal component pursuit via alternating minimization», dans 2013 IEEE International Conference on Image Processing, pp.69-73, 2013.

S. and A. , «Bgslibrary : An opencv c++ background subtraction library», dans IX Workshop de Visão Computacional (WVC'2013), p.84, 2013.

S. , A. , T. Bouwmans, and E. Z. , «Lrslibrary : Low-rank and sparse tools for background modeling and subtraction in videos», dans Robust Low-Rank and Sparse Matrix Decomposition : Applications in Image and Video Processing, vol.76, p.84, 2015.

C. and .. Méthode,

C. Stauffer, W. E. Et, and . Grimson, «Adaptive background mixture models for real-time tracking», dans Proceedings, IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Cat. No PR00149), vol.2, p.252, 1999.

T. , G. Et, and A. N. , «Robust principal component analysis based on low-rank and block-sparse matrix decomposition», dans 2011 45th Annual Conference on Information Sciences and Systems, pp.1-5, 2011.

D. E. La, T. , F. Et, and M. J. Black, «Robust principal component analysis for computer vision», dans Computer Vision, Eighth IEEE International Conference on, vol.1, pp.362-369, 2001.

V. , S. , P. Miller, and H. Zhou, «Spatial mixture of gaussians for dynamic background modelling», dans, 10th IEEE International Conference on Advanced Video and Signal Based Surveillance, pp.63-68, 2013.

W. , Y. , P. Jodoin, F. Porikli, J. Konrad et al., An expanded change detection benchmark dataset», dans Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops, CVPRW '14, vol.82, p.83, 2014.
URL : https://hal.archives-ouvertes.fr/hal-01018757

Z. , H. Et, and D. Xu, Fusing Color and Texture Features for Background Model, pp.887-893, 2006.

Z. , Q. , D. Meng, Z. Xu, W. Zuo et al., dans International Conference on Machine Learning, vol.84, pp.55-63, 2014.

Z. , Z. , T. Bouwmans, X. Zhang, and Y. F. , A Fuzzy Background Modeling Approach for Motion Detection in Dynamic Backgrounds, pp.177-185, 2012.

Z. and Z. , «Improved adaptive gaussian mixture model for background subtraction», dans Proceedings of the 17th International Conference on Pattern Recognition, vol.2, pp.28-31, 2004.