Principes des détecteurs testés

Le but de l’extraction de primitives est de passer de l’espace initial des données à un espace de représentation compacte et riche en information. Des moyens comme la morphologie mathématique, la détection des contours et de coins, ou les courbures sont utilisés pour caractériser les propriétés locales de l’espace des données initiales. Selon l’application finale, la fiabilité d’une représentation de primitives est fortement rattachée à sa stabilité pour des variations liées aux transformations de l’espace, à la résolution, au bruit et aux occultations. En particulier, les courbures de la surface renseignent sur la forme de l’objet et sont robustes à des variations d’angles de vues. Dans cette thèse, pour caractériser la forme des objets dans des vues partielles, nous adoptons une approche de détection de points d’intérêt γD basée sur les courbures de la surface. Dans ce chapitre, nous exposons, dans une première partie, une sélection de méthodes de détecteurs inspirés de la littérature et nous introduisons notre principale contribution. Dans une deuxième partie, nous mettons l’accent sur notre apport à travers les comparaisons avec les détecteurs présentés. Les notions de bases utilisées dans ce chapitre ont été présentées dans les deux sections précédentes.

Le détecteur, que nous avons nommé « SI », est un détecteur à échelle fixe proposé par (Chen, et al., 2007) basé sur un seuillage des valeurs de l’indice de forme (Équation 1.13) des points. Les points d’intérêt sont sélectionnés aux points ayant une valeur SI localement extremum par rapport aux SI de leur voisinage. Un point p est considéré comme point d’intérêt si son SIp est un extremum local des SI de son voisinage et est significativement plus grand ou plus petit que la moyenne des SI sur le voisinage. Mathématiquement, SIp doit satisfaire l’Équation 3.1: Équation 3.1, les paramètres K et β contrôlent le nombre de points d’intérêt sélectionnés. La stabilité au bruit et aux transformations de la surface des résultats d’une classification basée sur SI, est notable par rapport à une classification basée uniquement sur les courbures gaussiennes et moyennes. De plus, contrairement à ces deux derniers estimateurs dépendant de seuils pour détecter les valeurs de courbure proches de zéro, la formulation de SI sépare les types de surfaces par des seuils fixes. Avec ce détecteur, la sélection de PIs se fait sur les zones convexes (les maximums en SI) et concaves de la forme (les minimums en SI). Dans Figure 3-1, les pixels clairs représentent les formes convexes et les pixels sombres indiquent les formes concaves.

Dans le travail proposé par (Chen, et al., 2007), le calcul des valeurs de SI se fait sur l’image de profondeur. Nous proposons de faire ce calcul directement sur le nuage de point en passant par un maillage qui s’oriente par l’organisation βD de l’image de profondeur. Dans la sélection de PIs, les valeurs de SI du voisinage sont pris en compte ce qui permet de faire une meilleure sélection basée sur la géométrie locale de la forme. La taille du voisinage reste un paramètre décisif pour cette approche créant un compromis entre l’efficacité de la détection et le temps de calcul. La valeur de > peut être une fraction de la diagonal de la boite englobant de l’objet et sa valeur détermine le nombre de PI final. Nous avons utilisé le code de Harris γD donné par l’auteur pour notre comparaison des performances des détecteurs. Les paramètres réglables par l’utilisateur de cet algorithme concernent la taille du voisinage (nombre de rings), le paramètre K pour le calcul de la réponde de Harris des points, le nombre de rings pour la détection des maximas et le type de l’algorithme de sélection final (Fraction ou Clustering) avec la valeur du paramètre de sélection. Pour la suite, nous allons appeler le Harris qui utilise la sélection par Fraction « Harris_fract » et celui qui utilise le regroupement « Harris_clust ».