Le tracking des mains est un sujet que je suis en train de réaliser pour mon projet de fin d'étude. Le but final est qu'une personne réalisant une présentation puisse naviguer dans les slides de son powerpoint en effectuant des gestes simples.
Pour en savoir d'avantage, voici le blog de l'équipe.
J'ai travaillé en juin 2007 sur la réalité augmentée. C'est un procédé qui consiste à ajouter des informations virtuelles dans un environnement réel.
Ce domaine de traitement d'image commence petit à petit à entrer sur le marché... A commencer par les librairies Open Source comme ARToolKit disponible à ce lien. Ce site possède en plus la particularité de mettre à la disposition ses recherches.
Avec la librairie et l'équivalent du tutoriel 1, j'ai réalisé la vidéo et l'image ci-dessous. Le but est d'afficher un cube sur une feuille en papier.
Compte tenu du nombre d'article qui compose le site, je vais le restructurer afin que la navigation soit plus intuitive. La mise à jour devrait être terminée d'ici quelques jours.
Le 3ème tutoriel est arrivé. Au menu, recherche de contour par convolution et comparaison entre 2 matrices de convolution sur 2 images différentes. Après celà, il sera impossible de passer à côté d'un contour... ou enfin presque ! ^_^
En 2006 j'ai réalisé le traitement d'image pour amener un robot à la coupe de France de robotique (anciennement E=M6 robotique). Au début de mes recherches, j'ai réalisé un détecteur de forme à base de snake (voir le lien). Puis par la suite, j'ai constaté que de "simples" testes de contours et colorimétriques suffisaient.
Comme le robot évolue dans un environnement particulier (terrain gris, bordure rouge et bleu, déchet vert et jaune), il est naturel de s'orienter vers la colorimétrie pour différencier les éléments à l'écran. Dans un premier temps, les bordures sont cherchées. Puis avec une transformée de Hough, les limites du terrain sont trouvés. Par la suite, un test colorimétrique permet de récupérer les cannettes en jaune puis les bouteilles en vert. Ensuite, la position du déchet est estimée en fonction de sa position dans l'image.
Le traitement n'est pas infaillible mais suffit largement pour que l'Intelligence Artificielle du robot prennent une décision 
Je vous propose de voir la vidéo du robot en train d'évoluer sur le terrain (dans des conditions tests) : video du robot.
Un nouveau tutoriel a été mis en place ! Celui ci vous permet de récupérer un fichier (comme dans le tutoriel 1), de le transformer en image grise à partir d'une approximation des couleurs puis de binariser le tout pour n'obtenir que 2 couleurs sur l'image.
Aujourd'hui je viens de découvrir un plugging flash très intéressant que je vous recommande à cette adresse. Je sais que le site est en japonais mais le rendu est vraiment très beau et vaut donc la peine que l'on s'y penche dessus (ici par exemple).
Je suis en train de mettre en ligne une nouvelle rubrique où j'explique les grandes lignes de mon travail sur la reconstruction 3D qui s'est réalisé de avril à aout 2007 avec Franck SHEN au laboratoire CRIP5 de l'université Paris V. Au menu, je vous expliquerai les étapes de notre approche
En 2006 j'ai réalisé le traitement d'image pour amener un robot à la coupe de France de robotique (anciennement E=M6 robotique). Le but du traitement consistait à trouver les objets sur le terrain et à orienter le robot pour qu'il les récupère. C'est alors que je me suis intéressé aux méthodes qui permettent de reconnaître un objet en fonction de sa forme.
C'est alors que mes recherches se sont orientées vers les snakes. Un snake est un lasso qui prend la forme de l'objet qu'il entoure ou d'un ballon qui se gonfle et se sculpte dans l'objet. En exemple, un snake sur une bouteille ci-dessous :
Une fois que le snake a bien pris la forme de l'objet, on calcule la distance des points de contour avec le centre du snake. Puis la transformée de fourrier associée afin de ne récupérer que les dix composantes les plus caractéristiques de la forme.
Si vous désirez voir le snake à l'oeuvre : Snake (sur mon ordinateur, le snake est réalisé en 70 ms)
En 2004 j'ai réalisé un projet qui consistait à trouver les visages humains sur une image. C'est pendant cettte période que j'ai découvert la librairie OpenCV qui propose une implémentation de l'algorithme de Haar.
En 2 mots, Haar est un algorithme d'apprentissage. On balaye une fenêtre sur un visage humain afin d'en déduire des zones caractéristiques. Un visage humain est définit par une multitude de zone qui sont combinées et soustraites deux à deux afin d'obtenir des valeurs (oui je sais... c'est plutot abstrait ).
L'image ci-dessus (qui respire la joie de vivre 
) est une illustration de l'algorithme de haar où 2 zones soustraites l'une à l'autre seraient caractéristiques des yeux. Pour trouver un visage humain, il faut que dans une fenêtre prédéfinie, un grand nombre de caractéristique soit reconnues. Le rôle de Haar est de trouver les rectangles les plus représentatifs d'un visage humain ainsi que les seuils correspondant aux comparaisons des zones.
