Université de Tlemcen Année Universitaire : 2021-2022

Faculté des Sciences

Département d’Informatique

Matière : M2-MID514 Date : 03 / 02 / 2022

Vision par Ordinateur

Examen Final

Questions de cours :
1. Quelles sont les conditions supposées par l’algorithme de lucas-Kanade pour l’estimation du
flux optique. Expliquer.

En plus de la condition de la constance de l’intensité sur l’échelle du temps qui est à la base de
l’équation du flux optique (Ixu + Iyv +It =0), l’algorithme de Lucas-Kanade suppose que le flux
optique reste constant (vitesse constante) dans un petit voisinage du pixel pour lequel on veut
estimer le flux optique.

2. Tracer le champ du flux optique pour une image avec un objet de forme carrée se trouvant sur la
partie droite de l’image et qui s’éloigne de la caméra (parallèle à l’axe optique). On suppose que
la caméra et la scène sont statiques.

L’objet s’éloigne de la caméra ce qui fait que les vecteurs

de son champ optique se dirigent vers le point du focus de
la contraction qui se trouve au centre de l’image et plus
que le point est proche du centre de l’image moins est sa
vitesse (et inversement plus qu’il est loin du centre plus
que sa vitesse est grande).

3. Donner l’algorithme de soustraction de background adaptative. Quels sont ses avantages et ses
inconvénients

Avec I(t) l’image à l’instant t et B(t) le

modèle du background estimé à l’instant t

Avantages :
La soustraction de BG adaptative est mieux adaptée pour les changements de l’illumination et du
mouvement de la caméra.
Les petits objets rapides sont bien segmentés mais laissent derrière des traces.
Les objets qui arrêtent de bouger et les traces des objets qui commencent à bouger disparaissent
graduellement dans le BG.
Inconvénients :
Les centres des grands et lents objets commencent aussi à disparaissent dans le BG. Ceci peut être
réglé par décroître le paramètre de fusion α mais dans ce cas les objets qui s’arrêtent et les traces des
objets qui comment à bouger prennent plus de temps pour disparaître dans le BG.
 4. Donner l’algorithme de soustraction de background par mixture de gaussienne.

Correspondre une Mixture de Gaussiennes ( μ i , σi , ωi ) à l’histogramme : Le nombre des modes est

prédéfini (généralement de 3 à 5)

Tous les poids ωi sont mis-à-jour à chaque nouvelle trame.

A chaque nouvelle trame, les gaussiennes qui correspondent à la valeurs courante du pixel (distance <
2.5σi) auront leurs μi et σi adaptées :

μt + 1 = α Ft + ( 1 − α ) μt

σ2t + 1 = α ( Ft − μ )2 + (1 − α) σ2t

Les distributions sont classées selon leurs ωi / σi et les premiers d’entre elles sont choisies comme BG.

5. Quel est le principe utilisé pour l’estimation de la structure 3D d’une scène à partir du
mouvement ?
Donnant un ensemble de correspondances de features dans une séquence obtenue par une caméra en
mouvement, déterminer :
- La séquence des position de la caméra
- La structure 3D de la scène

Exercice 1 :

Soient les dérivées Ix = dI/dx et Iy = dI/dy d’une image I :

A) Calculer la matrice de Haris pour la fenêtre 3x3 sélectionnée dans I x et Iy.

Avec W la fenêtre 3x3.

B) Claculer le facteur de cornerness de Harris C = det(H) – k trace(H)2 pour k = 0.04.
Qu’est ce que nous avons donc à cette fenêtre un coin, une bordure, ou une région homogène ? Justifier
votre réponse.
C = 56 * 60 – 56 * 56 – 0.04 * (56 + 60)2 = -314.24
Comme C est négatif, nous pouvons dire que nous pouvons avoir soit une bordure ou une région
homogène selon que |C| = 314.24 est considéré comme relativement un grand nombre ou un petit.
Nous pouvons calculer aussi les valeurs propre à partir de : λ1λ2 = det(H) =224 et λ1 + λ2 = trace(H) =
116. Cela donne λ1~ 2 et λ2~ 114, donc λ1<< λ2 et nous avons donc une bordure.

Exercice 2 :
Les matrices suivantes représentes les valeurs absolues des différences de gaussiennes appliquées à
une image I avec différentes largeurs pour la même octave dans l’algorithme du SIFT. Trouver les
points SIFT (coordonnées (x,y) et échelle) avant la suppression des bordures et des points à faibles
contraste. Justifier votre réponse.
Note : les coordonnées des points commencent de (0,0). Exemple le point sélectionné dans l’échelle 2
a pour coordonnées (x =3 , y=1, échelle = 2).

(x=2, y = 2, scale = 1)
(x=1, y = 2, scale = 3)
Les point clés correspondent aux extremas (minimum ou maximum des DOG) mais comme nous avons les
valeurs absolues des DOG nous prendrons juste les maximums.
Les points clés ne se trouvent pas parmi les pixels de bordures de l’image et ne peuvent pas être sur la première
ou la dernière échelle.

Bon courage