Transformées de Hough denses : un cadre efficace et générique pour la reconnaissance de formes paramétrées
Résumé
More than fifty years old , the Hough transform (HT) is one of the first algorithms of computer vision. It is an elegant and generic framework to detect parametrised forms in pictures , that applies to both analytical (lines , circles ,. . .) and non-analytical shapes (objects). HTs have generated a large amount of works , regarding the types of shape , parametrisation , quantisation or acceleration of algorithms. Nevertheless , almost all proposed algorithms are sparsely applied to contours or salient points images. However , simply estimating the spatial derivatives is sufficient to densely apply a HT , directly from the gray level. In addition , for analytical forms such as lines or circles , this estimate provides a one-to-one correspondence from the image space to the parameter space , much faster than conventional projections (one-to-many or many-to-one votes). In this document we make a brief recall of the HT and its conventional approaches , before presenting the dense Hough transform (DHT) in the multi-scale derivatives framework. One-to-one DHTs for the fast detection of lines and circles are presented , then the generalised DHT and its application to object detection .
Avec plus d'un demi-sìècle d' existence, la transformée de Hough (TH) est l'un des tout premiers algorithmes de la vision par ordinateur. C'est un cadré élégant et générique pour détecter des formes paramétrées dans les images, qui s'applique aussi bien pour les formes analytiques (lignes, cercle , .. .) que quelconques (objets). Les TH ont fait l'objet d'un très grand nombre de travaux, concernant la nature des formes, leur paramétrage, la quantification, ou l'accélération des algorithmes. Cependant presque tous les algorithmes existants s'appliquent de façon éparse sur des images de contours ou de points d'intérêt. Il suffit pourtant d'estimer les dérivées spatiales pour pouvoir appliquer une TH de façon dense, directement à partir du niveau de gris. De plus, pour les formes analytiques telles que lignes ou cercles, cette estimation permet une correspondance unique de l'espace image vers l'espace des paramètres (vote one-to-one), beaucoup plus rapide que les projections classiques (votes one-to-many ou many-to-one). Dans ce document nous faisons une brève introduction à la TH et aux approches classiques, avant d'aborder les transformées de Hough denses (THD) dans le cadre des dérivées multi-échelles. Les THD one-to-one pour la détection rapide de lignes et de cercles sont présentées, puis la THD généralisée et son application à la détection d'objets.