Abstract FR:

Le probleme etudie dans cette these est celui de la reconnaissance d'objets par leurs modeles en vision artificielle. Nous avons developpe une approche deductive permettant de produire automatiquement, a partir d'une description minimale de l'objet polyedrique, la structure de decision qui l'identifie sur une image en niveaux de gris. Cette approche denommee compilation de modeles prend en entree l'objet decrit par ses faces et aretes (representation c. A. O. ) et delivre un arbre de decision optimise. L'interpretation 3d se fait par le biais des aspects selon une strategie de prediction verification. Dans la 1#e#r#e partie, nous construisons une representation de l'objet sous forme de predictions. Une prediction consiste en une caracteristique du modele, sa probabilite d'apparition et une valeur metrique invariante sous projection centrale. La construction passe par 2 phases: le calcul des aspects et leur analyse. Les aspects sont calcules exhaustivement apres une parametrisation de l'espace des vues basee sur la detectabilite d'indices visuels. La 2#e#m#e partie organise de maniere optimale les predictions sous forme de nuds d'un arbre de decisions. Les probabilites des predictions sont utilisees dans une fonction de l'entropie calculee pour chaque nud. L'optimisation est globale. La convergence vers les aspects est rapide et il est possible de reconnaitre un objet partiellement occulte. Le systeme a ete teste avec succes sur des images reelles d'un objet simple. Dans tous les cas, la reconnaissance est systematique