Kathia MELBOUCI

En résumé

Entreprises

• CEA/LIST - Doctorante en vision par ordinateur

  2013 - 2017 Contribution au SLAM RGBD :
  
  Pour des applications d’aide à la navigation (robots, drones…) en milieu intérieur en particulier, il est nécessaire d’avoir une localisation en ligne, à la bonne échelle et la plus précise possible
  Les techniques de localisation et de cartographie simultanée ou SLAM (Simultaneous Localization And Mapping) tentent de garantir le meilleur compromis rapidité/précision. Elles font l’objet de travaux intenses depuis plusieurs années et ont exploité toutes les modalités sensorielles. Avec l’apparition des capteurs RGB-D, les travaux sur le SLAM tentent de tirer profit de l’information de profondeur fournie par ces capteurs.
  Les travaux réalisés durant cette thèse relèvent de la vision pour la robotique. Ils traitent le problème de localisation en environnement intérieur inconnu en mettant en œuvre des capteurs RGB-D de type Kinect. Ils ont pour but d’améliorer la trajectoire de la caméra et limiter les dérives inhérentes à l’accumulation des erreurs dans les approches SLAM.
  
  Réalisations :
  • Intégrer la mesure de profondeur dans un nouveau système RGBD-SLAM.
  • Proposer un algorithme d’optimisation par ajustement de faisceaux, qui combine d’une manière simple, des informations de profondeurs et des informations visuelles.
  • Adapter une contrainte d’alignement sur un modèle géométrique partiellement connu, aux cas des systèmes RGBD-SLAM.
  • Réaliser des séquences de tests pour valider le RGBD-SLAM.
  
  
  Langages de programmation utilisés : C++, Python.
  
  Résultats :
  Un système RGB-D SLAM capable de fournir une localisation précise de la caméra, en temps réel sur CPU.
  

• Commissariat à l’Energie Atomique et aux Energies Alternatives CEA - Stagiaire

  2012 - 2012 Reconstruction 3D dense pour la réalité augmentée :
  
  Positionner un élément virtuel dans une image est un problème récurrent en vision par ordinateur notamment dans les applications de réalité augmentée. Cela implique de savoir la localisation (position, orientation) exacte de l’objet étudié dans l’espace. Durant ce stage, j’ai implémenté un algorithme de reconstruction dense qui utilise tous les points de l’image plutôt que des points d’intérêt épars. La méthode se base sur des cartes de profondeur. Le système de vision utilisé est constitué d’une seule caméra mobile, prenant successivement des images de la scène observée.
  
  Réalisations :
  
  • Étude de différents algorithmes de localisation et de reconstruction, denses.
  • Calcul de cartes de disparité par une technique de minimisation d’une erreur photométrique.
  • Localisation en temps réel d’une caméra couleur par un algorithme de recalage d’images, exploitant des cartes de disparité.
  • Implémentation d’une interface python/C++.
  
  Langages de programmation utilisés : C++, Python.
  
  Résultats :
  • Un système capable de calculer des cartes de disparité précises et d’estimer la pose de la caméra en temps réel.
  
  

Formations

• Université Clermont 2 Blaise Pascal

  Clermont Ferrand 2013 - 2017 Formation de doctorat en vision par ordinateur en collaboration avec le CEA LIST.
  Mos clés : SLAM, Ajustement de faisceaux, Localisation, Capteur RGBD, Modèle 3D.

• Université Montpellier 2 LIRMM

  Montpellier 2011 - 2012 Master 2
  
  Mots clés : Machine learning, Vision, Modélisation, Commande.

• Université Montpellier 2 Sciences Et Technique Du Languedoc

  Montpellier 2010 - 2011 Master 1
  
  Mots clés : Informatique Industrielle, Traitement d’images, Architectures de contrôle.

Réseau

• Arezki AIT SEDDIK

• Damien LETOURNEL

• Didier ZUREK

• Tarek AWWAD