University Sétif 1 FERHAT ABBAS Faculty of Sciences
Catégories
Ajouter le résultat dans votre panier Affiner la recherche
Titre : Reconnaissance des gestes en mouvement par intégration d’une camera Type de document : texte imprimé Auteurs : ZID, Wissem ; KHABABA, Abdallah, Directeur de thèse Editeur : Setif:UFA Année de publication : 2015 Importance : 1 vol (41f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Génie logiciel
vision intelligence
interface gestuelle
traitement d'image
sémantique des signesIndex. décimale : 004 Informatique Résumé : Résumé
Ce travail a pour but d’explorer le domaine des interfaces d’interactions gestuelles, nous somme intéressés aux gestes de la main précisément.
Notre objectif est la réalisation d’un système de reconnaissance des gestes de la main par l’intégration d’une caméra.
La réalisation de notre système comporte plusieurs étapes telles que l’acquisition, la segmentation par la couleur de la peau, la reconnaissance et l’interprétation.
Nous avons réalisé une application des gestes pour la manipulation d’ordinateur en fonction de nombre de doigt de la main.Note de contenu : Sommaire
Introduction générale ......................................................................................................................... 8
Chapitre 1 : Les Interfaces homme machine et le geste ..................................................................... 9
Introduction ....................................................................................................................................... 9
1. L’évolution des Interfaces Homme Machine ............................................................................. 9
1.1. Les interfaces en ligne de commande............................................................................... 10
1.2. Les interfaces graphiques ................................................................................................. 10
1.3. Les interfaces naturelles ................................................................................................... 11
2. Classification des périphériques d’entrée ................................................................................. 11
3. Les interfaces gestuelles ........................................................................................................... 12
3.1. Les types d’interfaces gestuelles ...................................................................................... 12
4. Le geste ................................................................................................................................... 12
4.1. Communication Gestuelle ................................................................................................ 13
4.1.1. Les gestes conventionnels ........................................................................................ 13
4.1.2. Gestes et handicap .................................................................................................... 13
4.1.3. La langue des Signes ................................................................................................ 13
4.2. Les gestes d'accompagnement du discours ...................................................................... 14
4.2.1. Gestes Idéatifs .......................................................................................................... 14
4.2.2. Gestes Figuratifs ....................................................................................................... 14
4.2.3. Gestes Évocatifs ....................................................................................................... 15
4.3. Classification temporelle des gestes ................................................................................. 15
4.4. Fonctionnalité du geste ..................................................................................................... 16
4.5. Espace de production du geste ......................................................................................... 16
4.5.1. Espace physique ....................................................................................................... 16
4.5.2. Espace d'action ......................................................................................................... 16
4.5.3. Espace représentatif .................................................................................................. 17
5. Etat de l’art : ............................................................................................................................. 17
5.1. La reconnaissance de la langue des signes ....................................................................... 17
5.2. La reconnaissance de l’écriture manuscrite ...................................................................... 18
5.3. La réalité virtuelle ............................................................................................................ 18
5.4. La réalité augmentée ........................................................................................................ 19
6. Travaux connexes ..................................................................................................................... 20
Conclusion : .................................................................................................................................... 22
Chapitre 2 : Système de reconnaissance des gestes ......................................................................... 23
Introduction : ................................................................................................................................... 23
6
1. Les techniques d’acquisitions ................................................................................................... 23
1.1. Les gants de données ........................................................................................................ 23
1.2. Ecrans tactiles ................................................................................................................... 24
1.3. Tablette graphique ............................................................................................................ 24
1.4. Caméra vidéo ................................................................................................................... 25
2. Représentation des gestes ......................................................................................................... 25
2.1. Les prototypes .................................................................................................................. 25
3. Classification des gestes .......................................................................................................... 25
3.1. Les modèles de Marcov cachés ........................................................................................ 25
4. Vision par ordinateur ................................................................................................................ 26
4.1. Segmentation .................................................................................................................... 26
4.1.1. Segmentation par la couleur de la peau .................................................................... 27
4.1.2. Espace de couleur RGB ............................................................................................ 27
4.1.3. Espace de couleur YCrCb ........................................................................................ 27
4.2. Contours ........................................................................................................................... 28
4.2.1. Détection de contours fermés ................................................................................... 28
4.3. Le Filtrage ........................................................................................................................ 30
4.4. Histogramme .................................................................................................................... 31
Conclusion....................................................................................................................................... 32
Chapitre 3 : Conception et Réalisation ............................................................................................. 33
Introduction ..................................................................................................................................... 33
1. Environnement de développement ........................................................................................... 33
2. Construction de système de reconnaissance des gestes :.......................................................... 34
2.1. L’acquisition du geste : .................................................................................................... 35
2.2. Segmentation .................................................................................................................... 35
2.3. Détection des contours ..................................................................................................... 37
2.4. Extraction des caractéristiques ......................................................................................... 38
2.5. Reconnaissance de nombre de doigts : ............................................................................. 40
2.6. Interprétation des gestes ................................................................................................... 44
3. Résultat .................................................................................................................................... 44
Conclusion....................................................................................................................................... 48
Conclusion générale ......................................................................................................................... 49Côte titre : MAI/0044 En ligne : https://drive.google.com/file/d/1olhuiE05TzxZVC3b8O3DvkFL88x8-JOP/view?usp=shari [...] Format de la ressource électronique : Reconnaissance des gestes en mouvement par intégration d’une camera [texte imprimé] / ZID, Wissem ; KHABABA, Abdallah, Directeur de thèse . - [S.l.] : Setif:UFA, 2015 . - 1 vol (41f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Génie logiciel
vision intelligence
interface gestuelle
traitement d'image
sémantique des signesIndex. décimale : 004 Informatique Résumé : Résumé
Ce travail a pour but d’explorer le domaine des interfaces d’interactions gestuelles, nous somme intéressés aux gestes de la main précisément.
Notre objectif est la réalisation d’un système de reconnaissance des gestes de la main par l’intégration d’une caméra.
La réalisation de notre système comporte plusieurs étapes telles que l’acquisition, la segmentation par la couleur de la peau, la reconnaissance et l’interprétation.
Nous avons réalisé une application des gestes pour la manipulation d’ordinateur en fonction de nombre de doigt de la main.Note de contenu : Sommaire
Introduction générale ......................................................................................................................... 8
Chapitre 1 : Les Interfaces homme machine et le geste ..................................................................... 9
Introduction ....................................................................................................................................... 9
1. L’évolution des Interfaces Homme Machine ............................................................................. 9
1.1. Les interfaces en ligne de commande............................................................................... 10
1.2. Les interfaces graphiques ................................................................................................. 10
1.3. Les interfaces naturelles ................................................................................................... 11
2. Classification des périphériques d’entrée ................................................................................. 11
3. Les interfaces gestuelles ........................................................................................................... 12
3.1. Les types d’interfaces gestuelles ...................................................................................... 12
4. Le geste ................................................................................................................................... 12
4.1. Communication Gestuelle ................................................................................................ 13
4.1.1. Les gestes conventionnels ........................................................................................ 13
4.1.2. Gestes et handicap .................................................................................................... 13
4.1.3. La langue des Signes ................................................................................................ 13
4.2. Les gestes d'accompagnement du discours ...................................................................... 14
4.2.1. Gestes Idéatifs .......................................................................................................... 14
4.2.2. Gestes Figuratifs ....................................................................................................... 14
4.2.3. Gestes Évocatifs ....................................................................................................... 15
4.3. Classification temporelle des gestes ................................................................................. 15
4.4. Fonctionnalité du geste ..................................................................................................... 16
4.5. Espace de production du geste ......................................................................................... 16
4.5.1. Espace physique ....................................................................................................... 16
4.5.2. Espace d'action ......................................................................................................... 16
4.5.3. Espace représentatif .................................................................................................. 17
5. Etat de l’art : ............................................................................................................................. 17
5.1. La reconnaissance de la langue des signes ....................................................................... 17
5.2. La reconnaissance de l’écriture manuscrite ...................................................................... 18
5.3. La réalité virtuelle ............................................................................................................ 18
5.4. La réalité augmentée ........................................................................................................ 19
6. Travaux connexes ..................................................................................................................... 20
Conclusion : .................................................................................................................................... 22
Chapitre 2 : Système de reconnaissance des gestes ......................................................................... 23
Introduction : ................................................................................................................................... 23
6
1. Les techniques d’acquisitions ................................................................................................... 23
1.1. Les gants de données ........................................................................................................ 23
1.2. Ecrans tactiles ................................................................................................................... 24
1.3. Tablette graphique ............................................................................................................ 24
1.4. Caméra vidéo ................................................................................................................... 25
2. Représentation des gestes ......................................................................................................... 25
2.1. Les prototypes .................................................................................................................. 25
3. Classification des gestes .......................................................................................................... 25
3.1. Les modèles de Marcov cachés ........................................................................................ 25
4. Vision par ordinateur ................................................................................................................ 26
4.1. Segmentation .................................................................................................................... 26
4.1.1. Segmentation par la couleur de la peau .................................................................... 27
4.1.2. Espace de couleur RGB ............................................................................................ 27
4.1.3. Espace de couleur YCrCb ........................................................................................ 27
4.2. Contours ........................................................................................................................... 28
4.2.1. Détection de contours fermés ................................................................................... 28
4.3. Le Filtrage ........................................................................................................................ 30
4.4. Histogramme .................................................................................................................... 31
Conclusion....................................................................................................................................... 32
Chapitre 3 : Conception et Réalisation ............................................................................................. 33
Introduction ..................................................................................................................................... 33
1. Environnement de développement ........................................................................................... 33
2. Construction de système de reconnaissance des gestes :.......................................................... 34
2.1. L’acquisition du geste : .................................................................................................... 35
2.2. Segmentation .................................................................................................................... 35
2.3. Détection des contours ..................................................................................................... 37
2.4. Extraction des caractéristiques ......................................................................................... 38
2.5. Reconnaissance de nombre de doigts : ............................................................................. 40
2.6. Interprétation des gestes ................................................................................................... 44
3. Résultat .................................................................................................................................... 44
Conclusion....................................................................................................................................... 48
Conclusion générale ......................................................................................................................... 49Côte titre : MAI/0044 En ligne : https://drive.google.com/file/d/1olhuiE05TzxZVC3b8O3DvkFL88x8-JOP/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0044 MAI/0044 Mémoire Bibliothéque des sciences Français Disponible
DisponibleLa reconnaissance des panneaux de circulation (cas de limitateur de vitesse): état de l'art / Djamila Samai
Titre : La reconnaissance des panneaux de circulation (cas de limitateur de vitesse): état de l'art Type de document : texte imprimé Auteurs : Djamila Samai, Auteur ; Souhaib Chekhchoukh ; Hammouche, Yassine, Directeur de thèse Editeur : Sétif:UFS Année de publication : 2023 Importance : 1 vol (83 f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection des panneaux routiers
Reconnaissance des panneaux routiers
CLassification
Détection des contours
Reconnaissance des panneaux de limitation de vitesse
Apprentissage automatique.Index. décimale : 004 - Informatique Résumé : Ce mémoire de Master 2 explore la reconnaissance des panneaux de
signalisation, en mettant en avant les panneaux de limitation de vitesse comme
point de convergence. Il met en lumière l'importance des panneaux dans la
régulation du trafic et souligne l'émergence de technologies novatrices pour
renforcer la sécurité routière.
L'étude passe en revue les méthodes de reconnaissance, de l'apprentissage
automatique à la détection des contours, en détaillant les étapes du processus.
Cependant, elle révèle également les limites actuelles de la reconnaissance des
panneaux, notamment liées aux variations environnementales et contextuelles.
La détection des contours et des chiffres est essentielle pour une reconnaissance
précise des panneaux de limitation de vitesse. Le mémoire conclut par une
comparaison des différentes méthodes, mettant en évidence leurs avantages, limites
et performances relatives pour guider les futures recherches.
Enfin, ce mémoire offre une exploration complète de la reconnaissance des
panneaux de signalisation, en mettant l'accent sur la sécurité routière et la
technologie émergente, tout en soulignant les défis à relever pour une mobilité plus
intelligente et sécurisée = This Master's thesis delves into traffic sign recognition, with a focus on speed limit
signs as a focal point. It highlights the significance of traffic signs in traffic regulation
and underscores the emergence of innovative technologies to enhance road safety.
The study reviews recognition methods, from machine learning to contour detection,
detailing the process steps. However, it also reveals the current limitations of traffic
sign recognition, particularly related to environmental and contextual variations.
The detection of contours and numbers is crucial for accurate speed limit sign
recognition. The thesis concludes with a comparison of different methods,
highlighting their advantages, limitations, and relative performances to guide future
research.
Finally , this thesis provides a comprehensive exploration of traffic sign recognition,
emphasizing road safety and emerging technology while underscoring the
challenges for a smarter and more secure mobility.Côte titre : MAI/0818
En ligne : https://drive.google.com/file/d/1LfjHx9ZIlTEjKPApAoKHPVQmwMrL3J2k/view?usp=drive [...] Format de la ressource électronique : La reconnaissance des panneaux de circulation (cas de limitateur de vitesse): état de l'art [texte imprimé] / Djamila Samai, Auteur ; Souhaib Chekhchoukh ; Hammouche, Yassine, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (83 f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Détection des panneaux routiers
Reconnaissance des panneaux routiers
CLassification
Détection des contours
Reconnaissance des panneaux de limitation de vitesse
Apprentissage automatique.Index. décimale : 004 - Informatique Résumé : Ce mémoire de Master 2 explore la reconnaissance des panneaux de
signalisation, en mettant en avant les panneaux de limitation de vitesse comme
point de convergence. Il met en lumière l'importance des panneaux dans la
régulation du trafic et souligne l'émergence de technologies novatrices pour
renforcer la sécurité routière.
L'étude passe en revue les méthodes de reconnaissance, de l'apprentissage
automatique à la détection des contours, en détaillant les étapes du processus.
Cependant, elle révèle également les limites actuelles de la reconnaissance des
panneaux, notamment liées aux variations environnementales et contextuelles.
La détection des contours et des chiffres est essentielle pour une reconnaissance
précise des panneaux de limitation de vitesse. Le mémoire conclut par une
comparaison des différentes méthodes, mettant en évidence leurs avantages, limites
et performances relatives pour guider les futures recherches.
Enfin, ce mémoire offre une exploration complète de la reconnaissance des
panneaux de signalisation, en mettant l'accent sur la sécurité routière et la
technologie émergente, tout en soulignant les défis à relever pour une mobilité plus
intelligente et sécurisée = This Master's thesis delves into traffic sign recognition, with a focus on speed limit
signs as a focal point. It highlights the significance of traffic signs in traffic regulation
and underscores the emergence of innovative technologies to enhance road safety.
The study reviews recognition methods, from machine learning to contour detection,
detailing the process steps. However, it also reveals the current limitations of traffic
sign recognition, particularly related to environmental and contextual variations.
The detection of contours and numbers is crucial for accurate speed limit sign
recognition. The thesis concludes with a comparison of different methods,
highlighting their advantages, limitations, and relative performances to guide future
research.
Finally , this thesis provides a comprehensive exploration of traffic sign recognition,
emphasizing road safety and emerging technology while underscoring the
challenges for a smarter and more secure mobility.Côte titre : MAI/0818
En ligne : https://drive.google.com/file/d/1LfjHx9ZIlTEjKPApAoKHPVQmwMrL3J2k/view?usp=drive [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0818 MAI/0818 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Reconnaissance de plaques d'immatriculation par SVM Type de document : texte imprimé Auteurs : Boudissa, roukia ; Abdelouahab Moussaoui, Directeur de thèse Editeur : Setif:UFA Année de publication : 2017 Importance : 1 vol (63f.) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données
Technologies Web
LPLR
SVM
segmentation d'image
plaque d'immatriculationIndex. décimale : 004 Informatique Résumé : Résumé
Au cours de la derni`ere d´ecennie, le nombre de v´ehicules augmente jour apr`es jour. Cela augmente les
probl`emes pour la police de la circulation, comme les violations de la lumi`ere rouge, les probl`emes de stationnement, les violations des voies erron´ees et les violations des cabines de p´eage, les syst`emes de surveillance
du trafic qui incluent les parkings sans surveillance, la collecte automatique des p´eages et la poursuite p´enale
pour ces probl`emes, nous d´efinissons la reconnaissance de la plaque d’immatriculation (LPR ) Qui est un
probl`eme visant `a identifier les v´ehicules en d´etectant et en reconnaissant sa plaque d’immatriculation.
Dans ce travail, nous d´eveloppons une m´ethode de reconnaissance de plaque d’immatriculation `a l’aide
d’un classificateur SVM (Machine a Vecteur de Support), notre travail consiste en pr´etraitement, d´etection,
segmentation et reconnaissance de caract`eres pour trouver et reconnaˆıtre les plaques `a partir d’images fixes.
Le syst`eme est d’abord pris une image comme entr´ee et d´etect´e ou localiser la plaque d’immatriculation,
puis le num´ero de plaque est extrait de la plaque d’immatriculation en utilisant les techniques de segmentation
des caract`eres, passant `a la reconnaissance des caract`eres en utilisant le classificateur SVM.
La pr´ecision de cette m´ethode ´etait presque 90%. Cette nouvelle approche fournit une bonne direction
pour la reconnaissance automatique des plaques d’immatriculation.
Note de contenu : Contents
1 Introduction 7
1.1 Research Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Thesis Organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Machine Learning and SVM 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Basic notions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Machine learning tasks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Supervised classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2 Supervised Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Unsupervised Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2 Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5 Support Vector Machine (SVM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.1 History . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.2 VC Dimension and the Risk Bound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.3 Principle of general operation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.4 SVMs methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5.5 Kernel trick and Mercer condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.6 Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5.7 General architecture of a support vector machine . . . . . . . . . . . . . . . . . . . . . 24
2.5.8 Support Vector Machines for Classification . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.9 Support Vector Machines for Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6 Comparison of different machine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 License Plate Recognition 28
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Image definition and concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Image definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.3 Image segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.5 Image histogram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Background and Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 License Plate Recognition System 35
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Automatic Number Plate Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3 License Plate Recognition (LPR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 Overview of Our Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.1 System Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.2 Proposed Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.2.1 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2.2 License Plate Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2.3 Character segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4.2.4 Character recognition using SVM . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 Experiment Result and Analysis 43
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Environment Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1 Programming Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.2 Opencv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.3 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.4 Scikit-Learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.5 Floyd CLI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3.1 Chars74k Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3.2 MNIST Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4 License Plate Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5 Methodology and Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1 Proposed System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1.1 Importing Packages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.1.2 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.1.3 License Plate Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.5.1.4 Character segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.5.1.5 License Plate recognition using SVM . . . . . . . . . . . . . . . . . . . . . . 54
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6 Conclusions and Future Work 59
6.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Future work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0206 En ligne : https://drive.google.com/file/d/1wvfMZgzR9tG4ajQyWYssxNHn0piyy-vk/view?usp=shari [...] Format de la ressource électronique : Reconnaissance de plaques d'immatriculation par SVM [texte imprimé] / Boudissa, roukia ; Abdelouahab Moussaoui, Directeur de thèse . - [S.l.] : Setif:UFA, 2017 . - 1 vol (63f.) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Ingénierie de Données
Technologies Web
LPLR
SVM
segmentation d'image
plaque d'immatriculationIndex. décimale : 004 Informatique Résumé : Résumé
Au cours de la derni`ere d´ecennie, le nombre de v´ehicules augmente jour apr`es jour. Cela augmente les
probl`emes pour la police de la circulation, comme les violations de la lumi`ere rouge, les probl`emes de stationnement, les violations des voies erron´ees et les violations des cabines de p´eage, les syst`emes de surveillance
du trafic qui incluent les parkings sans surveillance, la collecte automatique des p´eages et la poursuite p´enale
pour ces probl`emes, nous d´efinissons la reconnaissance de la plaque d’immatriculation (LPR ) Qui est un
probl`eme visant `a identifier les v´ehicules en d´etectant et en reconnaissant sa plaque d’immatriculation.
Dans ce travail, nous d´eveloppons une m´ethode de reconnaissance de plaque d’immatriculation `a l’aide
d’un classificateur SVM (Machine a Vecteur de Support), notre travail consiste en pr´etraitement, d´etection,
segmentation et reconnaissance de caract`eres pour trouver et reconnaˆıtre les plaques `a partir d’images fixes.
Le syst`eme est d’abord pris une image comme entr´ee et d´etect´e ou localiser la plaque d’immatriculation,
puis le num´ero de plaque est extrait de la plaque d’immatriculation en utilisant les techniques de segmentation
des caract`eres, passant `a la reconnaissance des caract`eres en utilisant le classificateur SVM.
La pr´ecision de cette m´ethode ´etait presque 90%. Cette nouvelle approche fournit une bonne direction
pour la reconnaissance automatique des plaques d’immatriculation.
Note de contenu : Contents
1 Introduction 7
1.1 Research Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Thesis Organization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 Machine Learning and SVM 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Basic notions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Machine learning tasks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Supervised classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2 Supervised Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Unsupervised Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Machine Learning Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1 Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2 Linear Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.3 Logistic Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5 Support Vector Machine (SVM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.1 History . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.2 VC Dimension and the Risk Bound . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.3 Principle of general operation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5.4 SVMs methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5.5 Kernel trick and Mercer condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.6 Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5.7 General architecture of a support vector machine . . . . . . . . . . . . . . . . . . . . . 24
2.5.8 Support Vector Machines for Classification . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5.9 Support Vector Machines for Regression . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6 Comparison of different machine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . 26
2.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3 License Plate Recognition 28
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2 Image definition and concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Image definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Digital Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2.3 Image segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.5 Image histogram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Background and Related Work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4 License Plate Recognition System 35
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Automatic Number Plate Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3 License Plate Recognition (LPR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.4 Overview of Our Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.1 System Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.4.2 Proposed Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4.2.1 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2.2 License Plate Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2.3 Character segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4.2.4 Character recognition using SVM . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 Experiment Result and Analysis 43
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2 Environment Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1 Programming Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.1 Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.2 Opencv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.2.1.3 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.4 Scikit-Learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2.1.5 Floyd CLI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3.1 Chars74k Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3.2 MNIST Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4 License Plate Database . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5 Methodology and Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1 Proposed System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5.1.1 Importing Packages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.1.2 Pre-processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.5.1.3 License Plate Localization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.5.1.4 Character segmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.5.1.5 License Plate recognition using SVM . . . . . . . . . . . . . . . . . . . . . . 54
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6 Conclusions and Future Work 59
6.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.2 Future work . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59Côte titre : MAI/0206 En ligne : https://drive.google.com/file/d/1wvfMZgzR9tG4ajQyWYssxNHn0piyy-vk/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0206 MAI/0206 Mémoire Bibliothéque des sciences Français Disponible
Disponible
Titre : Reconstruction Gene Regulatory Networks Using Bayesian Networks Type de document : texte imprimé Auteurs : Talhi,Ahlem, Auteur ; Fatiha Brahim salem, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (46 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux de régulation génétique
Réseaux Bayésiens
Simulation des réseaux de
Régulation génétiqueIndex. décimale : 004 - Informatique Résumé :
Les réseaux de régulation génique (RRGs) fournissent une vue systématique des interactions
moléculaires dans un système vivant complexe, qui permettent aux biologistes
de simuler le fonctionnement d’un organisme et donc de comprendre la fonction des
interactions génétiques. Grâce à l’invention de la technologie des microréseaux, les
chercheurs sont capables de mesurer les niveaux d’expression de dix milliers de gènes
en parallèle à différents moments d’un processus biologique. L’étude des réseaux de
régulation génique est devenue l’un des sujets majeurs de la bioinformatique. Dans
cette thèse, nous présentons une nouvelle approche d’ingénierie inverse basée sur les
réseaux bayésiens qui tente de décrire, de prédire le comportement des réseaux de
régulation génétique et de simuler les interactions entre les gènes.Côte titre : MAI/0348 En ligne : https://drive.google.com/file/d/1p7XkZgi7g10a_DO0efHP6692lYSFbIme/view?usp=shari [...] Format de la ressource électronique : Reconstruction Gene Regulatory Networks Using Bayesian Networks [texte imprimé] / Talhi,Ahlem, Auteur ; Fatiha Brahim salem, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (46 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Réseaux de régulation génétique
Réseaux Bayésiens
Simulation des réseaux de
Régulation génétiqueIndex. décimale : 004 - Informatique Résumé :
Les réseaux de régulation génique (RRGs) fournissent une vue systématique des interactions
moléculaires dans un système vivant complexe, qui permettent aux biologistes
de simuler le fonctionnement d’un organisme et donc de comprendre la fonction des
interactions génétiques. Grâce à l’invention de la technologie des microréseaux, les
chercheurs sont capables de mesurer les niveaux d’expression de dix milliers de gènes
en parallèle à différents moments d’un processus biologique. L’étude des réseaux de
régulation génique est devenue l’un des sujets majeurs de la bioinformatique. Dans
cette thèse, nous présentons une nouvelle approche d’ingénierie inverse basée sur les
réseaux bayésiens qui tente de décrire, de prédire le comportement des réseaux de
régulation génétique et de simuler les interactions entre les gènes.Côte titre : MAI/0348 En ligne : https://drive.google.com/file/d/1p7XkZgi7g10a_DO0efHP6692lYSFbIme/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0348 MAI/0348 Mémoire Bibliothéque des sciences Anglais Disponible
Disponible
Titre : Recuperation d'images basee sur le contenu Type de document : texte imprimé Auteurs : Menaa ,Mohamed Elamine, Auteur ; Hadi, Fairouz, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (60 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : CBIR
TBIR
Texture
Indexation
Forme
CouleurIndex. décimale : 004 - Informatique Résumé :
Depuis quelques années, la technologie évolue très rapidement dans le domaine de l'acquisition
d'image (ainsi que text, son et vidéo ) . Cette évolution s'accompagne d'une forte croissance de
développement d'applications de vision artificielle sortantes chaque jour aux niveaux
industriels, académiques, médical et même chez le grand public grâce à l'usage des caméras,
intégrées systématiquement dans les Smartphones. La grande quantité des documents
numérisés à laquelle on est confronté croît sans cesse avec l'évolution des applications, des
outils de numérisation et des supports de stockage. Cette croissance dépasse largement
l'évolution technologique en matière de structuration, d'exploitation, d'indexation, de
navigation et de recherche rapide de l'information pertinente portée par ces documents. Un des
problèmes majeurs rencontrés lors de la manipulation de grandes quantités d’images est la
structuration et la recherche d’informations, car aujourd'hui, il n’existe pas de système de
recherche d'information sur des images, de documents aussi efficace que celui sur le texte. Le
contenu visuel par sa complexité est beaucoup plus difficile à extraire, à analyser et à
interpréter que le contenu textuel. Notre manière de voir des formes complexes, même simples,
dans une image témoigne un pouvoir perceptif sans égale encore loin d'être reproduit par une
machine. Ceci est lié au mécanisme de mise en oeuvre de notre capacité cognitive qui est très
complexe, très évoluée mais encore très mal connue.
Dans ce travail, nous nous intéressons à la recherche d’images par le contenu. Cette
intéressante approche, plus connue par son acronyme anglais CBIR (Content Based Image
Retrieval), a vu le jour afin de remédier aux problèmes engendrés par son prédécesseur, basé
sur le texte (TBIR : Text based image retrieval).Principalement, le TBIR souffre de deux
inconvénients. Le premier consiste dans la difficulté de la tâche d’attribution des mots clés aux
images, due à son aspect manuel. En outre, le deuxième inconvénient réside dans la subjectivité
de la tâche. Afin de parler à ces inconvénients, l’approche alternative CBIR utilise les
caractéristiques visuelles de l’image, telles que (la couleur, la texture, la forme… etc) .
2Côte titre : MAI/0524 En ligne : https://drive.google.com/file/d/147S05zXnNLmnWMtir-YF4PGfbnR-URp0/view?usp=shari [...] Format de la ressource électronique : Recuperation d'images basee sur le contenu [texte imprimé] / Menaa ,Mohamed Elamine, Auteur ; Hadi, Fairouz, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (60 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : CBIR
TBIR
Texture
Indexation
Forme
CouleurIndex. décimale : 004 - Informatique Résumé :
Depuis quelques années, la technologie évolue très rapidement dans le domaine de l'acquisition
d'image (ainsi que text, son et vidéo ) . Cette évolution s'accompagne d'une forte croissance de
développement d'applications de vision artificielle sortantes chaque jour aux niveaux
industriels, académiques, médical et même chez le grand public grâce à l'usage des caméras,
intégrées systématiquement dans les Smartphones. La grande quantité des documents
numérisés à laquelle on est confronté croît sans cesse avec l'évolution des applications, des
outils de numérisation et des supports de stockage. Cette croissance dépasse largement
l'évolution technologique en matière de structuration, d'exploitation, d'indexation, de
navigation et de recherche rapide de l'information pertinente portée par ces documents. Un des
problèmes majeurs rencontrés lors de la manipulation de grandes quantités d’images est la
structuration et la recherche d’informations, car aujourd'hui, il n’existe pas de système de
recherche d'information sur des images, de documents aussi efficace que celui sur le texte. Le
contenu visuel par sa complexité est beaucoup plus difficile à extraire, à analyser et à
interpréter que le contenu textuel. Notre manière de voir des formes complexes, même simples,
dans une image témoigne un pouvoir perceptif sans égale encore loin d'être reproduit par une
machine. Ceci est lié au mécanisme de mise en oeuvre de notre capacité cognitive qui est très
complexe, très évoluée mais encore très mal connue.
Dans ce travail, nous nous intéressons à la recherche d’images par le contenu. Cette
intéressante approche, plus connue par son acronyme anglais CBIR (Content Based Image
Retrieval), a vu le jour afin de remédier aux problèmes engendrés par son prédécesseur, basé
sur le texte (TBIR : Text based image retrieval).Principalement, le TBIR souffre de deux
inconvénients. Le premier consiste dans la difficulté de la tâche d’attribution des mots clés aux
images, due à son aspect manuel. En outre, le deuxième inconvénient réside dans la subjectivité
de la tâche. Afin de parler à ces inconvénients, l’approche alternative CBIR utilise les
caractéristiques visuelles de l’image, telles que (la couleur, la texture, la forme… etc) .
2Côte titre : MAI/0524 En ligne : https://drive.google.com/file/d/147S05zXnNLmnWMtir-YF4PGfbnR-URp0/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0524 MAI/0524 Mémoire Bibliothéque des sciences Français Disponible
DisponiblePermalinkPermalinkPermalinkPermalinkPermalink
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
Permalink
PermalinkPermalinkPermalinkPermalink
