Vehicle localization and tracking from an on-board camera

• Main Author: Sanchez Ramirez, Alejandro
• Other Authors: Chaib-draa, Brahim
• Format: Dissertation
• Language: English
• Published: Université Laval 2014
• Subjects: QA 76.05 UL 2014; Poursuite automatique; Véhicules automobiles > Localisation automatique; Véhicules > Identification > Informatique; Vidéosurveillance
• Online Access: http://hdl.handle.net/20.500.11794/25225

Cette thèse explore la localisation et la poursuite de véhicules à partir d'une caméra. Pour réaliser cela, nous avons convenu d'utiliser les classificateurs en cascade pour localiser les véhicules et les filtres à particules pour la poursuite. Les classificateurs en cascade nous permet d'analyser toute l'image en un temps acceptable. Cette approche est expérimentée avec différentes caractéristiques ainsi qu'avec des données artificielles générées spécifiquement pour améliorer la performance de notre classificateur. Il convient de préciser qu'avec les filtres à particules, nous pouvons exploiter la continuité des vidéos. Pour cela, il convient d'utiliser les véhicules que nous avons déjà identifiés, pour localiser les véhicules présents dans les frames suivants. Nous avons proposé une technique pour adapter notre filtre à particules à la séquence vidéo sous analyse. Notre modèle est évalué sur trois séquences vidéo différentes. Les tests ont été répétés plusieurs fois en faisant varier différents paramètres et caractéristiques. === This thesis explores vehicle localization and tracking from a dashboard camera. To achieve that, we use cascading classifiers to find the vehicles within each frame and particle filters to track them across the video. Cascading classifiers allow us to analyze the whole image in a short amount of time while maintaining accuracy. We experiment this approach using different features as well as using artificially generated training data to boost the classifier's performance. With particle filters we are able to exploit the continuity in the video. To do that, we use the identified vehicles in previous frames to locate the ones in future frames. Since the conditions can vary from video to video, we propose a technique to adapt our particle filter to each video sequence. We present our results over three different video sequences testing our approach multiple times for different parameters and features.