Description
Le
projet SAM
(Systèmes Autonomes Mobiles) du
Laboratoire I3S
étudie la définition de systèmes de navigation
pour des robots autonomes qui opèrent dans des milieux inconnus
et non-structurés, et qui doivent construire, pendant leur
opération, une carte de leur région de travail. En
particulier, nous nous intéréssons au problème de
classification d'images naturelles (du fond de l'océan) dans le
contexte de la cartographie de
maerl
dans le Wyre Sound, Ecosse. Pour cet habitat naturel, l'apparence
visuelle de certaines régions distinctes peuvent se ressembler
fortement (c'est le cas pour le sable et le
maerl mort ou pour le
maerl vivant et des macro-algues,
voir les images ci-dessus) et être difficilement discernables,
même pour un observateur human. Cependant, l'observation du
contexte
dans lequel ces classes apparaissent peut fournir l'information
nécessaire pour les distinguer.
La méthode implémentée en ce moment [1] classifie
individuellement chaque fenêtre de l'image, de la façon
suivante. La distribution statistique d'un certain nombre de
caractéristiques est d'abord estimée pour chaque
fenêtre, dans un premier pas. Dans une deuxième
étape, la fenêtre en question est classifiée en
utilisant un classificateur de Bayes, basé sur un modèle
de mélange pour chaque classe.
Le but de ce stage est de mettre en place une méthode
classification qui utilise une caractérisation probabiliste de
l'apparence conjointe des différentes classes sur une même
image, c'est à dire, de la distribution conjointe de
l'occurrence des caractéristiques utilisées pour la
classification. Pour cela, nous devrons dans un premier temps
construire une base d'apprentissage, avec des exemples d'images
où plusieurs classes sont présentes. A partir de cette
base d'apprentissage, les modèles de probabilité
conjointe seront construits. Nous essayerons pour cette apprentissage
deux approches: des méthodes de noyaux
(généralisations des histogrammes) et des réseaux
neuro-mimétiques. Une fois ces modèles construits, il
faudra définir le classificateur Bayésien qui les
utilise, et le tester sur des images réelles prises par le
robot Phantom.
Le robot sous-marin Phantom est un robot
téléopéré depuis la surface à
l'aide d'un cable (ombilical) qui le relie à des ordinateurs
à terre. Le Phantom est équipé de deux propulseurs
horizontaux qui permettent son déplacement dans le plan
horizontal (avant/arrière, tourner à gauche et
à droite) et d'un moteur vertical qui contrôle son
déplacement dans le plan vertical. Cette plate-forme est
équipée de capteurs de navigation (compas trois
axes, gyroscope, capteur d'immersion (pression), et de compteurs qui
mesurent la vitesse de rotation des axes de ses moteurs), et de
capteurs qui permettent l'observation de l'environnement: une
caméra vidéo (avec pan & tilt), un sonar profileur
(à balayage mécanique, monté sur une plate-forme
tilt) et un altimètre (mesure de l'altitude par rapport au fond
de l'océan).
Ce travail devra être réalisé à l'I3S.
Connaissances requises
L'étudiant(e) doit avoir
des bonnes connaissances en Probabillités et Statistiques et en
Traitement du Signal, et avoir une bonne expérience de
programmation en
C/C++.
Contacts
Maria-João Rendas (rendas@i3s.unice.fr) ou
Christian
Barat (barat@i3s.unice.fr)