Cet exposé se propose de présenter quelques unes des contributions récentes de l’équipe Imagine du LIRIS, dans le domaine de l’analyse de l’activité humaine par la vidéo. Plusieurs de ces contributions ont été développées conjointement avec la jeune entreprise Foxstream, incubée par le LIRIS au sein de l’Université Lumière Lyon 2, et spécialisée dans l’édition de logiciels d’analyse vidéo intelligente. Dans le domaine de la segmentation d’objets en mouvements, nous nous sommes intéressés à l’optimisation de la méthode des Codebooks, et proposons une méthodologie d’évaluation des algorithmes de segmentation premier plan / arrière plan. Nous présentons une technique de suivi d’objets en mouvement dans les vidéos, spécialisée dans le suivi des humains, et basée sur l’élaboration d’un modèle d’apparence articulé. Pour rendre le modèle plus robuste aux occultations partielles des membres, nous proposons une approche basée sur un appariement d’un modèle 3D avec la silhouette 2D obtenue dans la séquence. Dans le cadre du maintien à domicile des personnes âgées, nous montrons comment utiliser cette technique de suivi, conjointement à un modèle de Markov hiérarchique, pour la mise en place d’un détecteur de chutes. Enfin, nous proposons l’utilisation d’un modèle d’apparence simplifié, basé sur une projection des composantes colorimétriques de l’objet en mouvement sur un axe vertical. Nous montrons que la caractéristique d’apparence ainsi construite simplifie grandement la mise en place des algorithmes de suivi, et sont en général suffisants pour permettre la ré-identification correcte de personnes suivies dans des réseaux de caméras distribuées. Dans une deuxième partie de l’exposé, nous nous intéressons à la détection d’événements rares dans les vidéos, et plus particulièrement des trajectoires rares. Nous introduisons plusieurs métriques permettant d’exprimer la proximité entre trajectoires, et utilisons ces métriques pour agréger des trajectoires de manière incrémentale, et pour construire à la volée les modèles de trajectoires « usuels ». Ces techniques permettent de déclencher une alerte en cas de trajectoire sortant des limites des modèles ainsi élaborés. Nous montrons ensuite comment il est possible de s’affranchir de l’étape de suivi, en basant l’étude des « points de passage usuels » sur l’estimation du flot optique au sein de la séquence d’images. Enfin, une troisième partie de l’exposé est consacrée à l’utilisation des caméras mobiles, à trois degrés de liberté (PTZ pour Pan-Tilt-Zoom). Nous proposons un algorithme optimisé permettant de minimiser le nombre de vues nécessaires à la construction d’un panorama centré en la caméra. Ce panorama peut constituer une modélisation de l’arrière-plan de la scène, et être utilisé comme une première approche pour la détection du premier plan en mouvement, même quand la caméra est mobile. Nous montrons dans un deuxième temps comment on peut se passer de la construction complète de la vue panoramique, en élaborant un modèle de fond de la zone balayée par la caméra dans le passé proche. Ce modèle de fond peut être mis à jour grâce à un recalage entre l’image courante de la séquence et la trace laissée par la caméra dans le panorama. Dans le cadre d’un balayage systématique d’une scène par une caméra PTZ, la portion de la scène observée à un instant donné ne constitue en général qu’une faible partie de la zone à surveiller. Nous montrons comment l’utilisation conjointe de la caméra PTZ avec un miroir sphérique peut convenir pour permettre à la fois d’avoir une observation grossière, de l’ensemble de la scène, puis de focaliser la caméra sur une zone d’intérêt particulière, déterminée de manière automatisée, lorsqu’un mouvement est détecté.