Abstract FR:

Cette these aborde des problemes delicats de stereovision incrementale en vue de la mise au point des constituants d'un systeme automatique de modelisation 3d d'objets. Les problemes majeurs qui se posent sont des problemes de regression robuste : calibrage faible, recalage d'indices visuels 3d/3d ou 3d/2d, detection de primitives 3d. Les methodes classiques utilisees en vision pour resoudre des problemes d'estimation robuste de parametres sont issues des statistiques robustes. A travers la presentation de ces techniques, nous recensons leurs inconvenients : elles sont stochastiques, elles necessitent de nombreux calculs et possedent des limites theoriques. Pour toutes ces raisons, des travaux recents visent a exploiter des hypotheses et connaissances propres a la vision pour proposer des methodes plus performantes. Nous analysons ces demarches et montrons que des outils d'optimisation non deterministe appeles metaheuristiques permettent de concevoir des methodes de regression dediees a la vision et intelligemment stochastiques. Nous proposons un ensemble de techniques robustes, d'une part, pour le diagnostic entre donnees correctes et aberrantes et d'autre part pour l'extraction d'un ou de plusieurs ajustements. Les principes et les idees des algorithmes genetiques, de la recherche tabou ou de la methode scatter search inspirent largement notre approche combinatoire de la regression robuste en vision. Nos techniques sont soumises a l'experience et nous obtenons de bons resultats pratiques pour l'estimation de la matrice fondamentale, le recalage et la segmentation 3d de cartes denses de profondeur, le positionnement d'un capteur binoculaire. Toutes ces validations experimentales prouvent le bien-fonde et le caractere generique des methodes robustes originales qui sont proposees.