Identification automatique d'objets 3 D

Abstract

La reconnaissance de forme est une science qui reproduit le plus fidèlement possible la vision humaine, à sa connaissance elle utilise des signaux à faible quantité d'information, et elle fait appel à des algorithmes très simples et peu performants. Avec les développement des appareils d'acquisition des données et la puissance des ordinateurs actuels, les systèmes de vision par ordinateur peuvent traiter des données plus complexes et riche en information telles que des images 3D acquises par une camera kinect, et développer des programmes puissants et performants. Notre travail consiste à identifier des objets dans une scène 3D. Ce domaine reste toujours un grand défi pour les chercheurs en vision par ordinateur. Durant les années précédentes, les chercheurs ont développé plusieurs applications de visions 3D, parmi ces applications, acquisition de données couleurs (RGB) de scène, la profondeur de la scène en temps réel grâce à la kinect et identification automatique des objets 3D dans des nuages de points. L'objectif de ce projet est de réaliser des applications qui nous permettent d'acquérir des données de l'image 3D en utilisant la technologie kinect. Qui est un périphérique développé par Microsoft, déstiné à la console de jeux vidéo Xbox 360. Dans ce rapport nous présentons trois parties essentielles. Ainsi, le premier chapitre est consacré à exposer l'état de l'art sur différentes techniques permettant l'acquisition de données 3D et représenter l'élément nécéssaire au projet qui est la kinect et les outils de développement pour exploiter cette dérnière. Le second chapitre est dédié pour l'identification des objets 3D avec l'utilisation de nos descripteurs. Le troixième et dérnier chapitre a pour objectif de citer les étapes de l'identification pour faire la reconnaissance 3D. Les testes que nous avons éffctués sur une base d'objets 3D constituée de quatre classes (les batteries, champignon, tube de colle, marker) nous ont donné un taux de bonne reconnaissance de 71.25%, ce système peut reconnaitre correctement certains objets tels que les batteries (95%) et il est moins efficace pour d'autres tels que les markers (50%), lors des tests qu'on a effectués des problèmes de matériels sont soulevés (mémoire ram et microprocesseurs impuissant), ce qui nous a fait perdre beaucoup de temps. Pour améliorer et perfectionner ce système de reconnaissance automatique objets 3D, il faudra agir sur deux fronts, le premier est d'utuliser une station de calcul puissante, et le deuxième est de faire appel à d'autres paramètres locaux pour une précision meilleure ou bien les paramètres globaux pour accélérer le temps d'execution dans le but d'une application temps réel.