Approches probabilistes pour la perception et l’interprétation de l’activité humaine
Nima Mehdi · 2024
De l'industrie aux services, les systèmes intelligents sont amenés à observer, interagir ou encore coopérer avec l'humain. Cette thèse s'inscrit ainsi dans le contexte des méthodes de perception intelligente pour l'analyse de l'humain en utilisant la pose et l'activité qui lui sont associées. En raison de la nature variable et changeante de l'humain, il est difficile d'obtenir une représentation précise des processus guidant ses mouvements et ses actions. Ces difficultés sont accrues lorsqu'il s'agit d'estimer ou de prédire les mouvements ou les activités. Afin de considérer l'incertitude inhérente à l'humain, nous proposons une approche bayésienne pour la perception et l'analyse de l'activité humaine. La première contribution est consacrée à l'estimation simultanée de la pose et de la posture humaine. À l'aide d'une caméra monoculaire et de capteurs portés, nous cherchons à estimer la pose 3D humaine en temps réel. Pour une estimation robuste, une approche de fusion multimodale est proposée en incorporant les mesures de capteurs inertiels portés aux observations caméra. De cette manière, nous outrepassons les ambiguïtés de mesure liées à la caméra et à la dérive inertielle due aux centrales inertielles. Afin de tenir compte de la nature non déterministe du mouvement humain et du caractère non gaussien de la posture, nous choisissons d'utiliser un filtre particulaire. Dans le but de réduire le coût du calcul, nous proposons une architecture composée de deux filtres consécutifs. Un premier filtre estime la posture de manière factorisée uniquement à partir des observations inertielles. Puis un second filtre estime la pose complète à partir de la caméra, en incorporant l'estimation du premier filtre. Notre approche réalise la fusion de manière originale par la construction de la distribution d'échantillonnage du second filtre. Cette architecture permet ainsi d'estimer la pose et la posture de manière simultanée avec un coût calculatoire réduit tout en étant robuste aux occultations et dérives. La seconde contribution s'intéresse à la prédiction de l'activité humaine. Les modèles de Markov cachés se sont montrés efficaces pour l'analyse de l'activité humaine à travers des tâches de segmentation et de reconnaissance de l'activité. Cependant, ils présentent des limites en termes de modélisation les rendant insuffisants pour la prédiction. Nous proposons donc l'utilisation de modèles semi-markoviens pour la prédiction. Ces modèles étendent la définition des modèles de Markov en modélisant de manière explicite la durée passée dans chaque état. Cette modélisation explicite de la durée permet une meilleure modélisation des processus non stationnaires et améliore la capacité prédictive de ces modèles. Notre étude démontre ainsi l'utilité de tels modèles pour la prédiction d'activité avec prise en compte de l'incertitude.