République Algérienne Démocratique et Populaire

République Algérienne Démocratique et Populaire
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
Université Ferhat Abbas de Sétif-1-
Thèse
Présentée à la Faculté des Sciences
Département d’informatique
En vue de l’obtention du diplôme de
Doctorat en sciences
Option : Informatique
Par
Abderraouf BOUZIANE
Thème
Organisation et indexation des données
multimédias de grande dimension
Soutenue le 03 juillet 2013 devant le jury composé de :
Président Dr. Abdallah Boukerram Professeur à l’Université de Sétif-1-
Rapporteur Dr. Messaoud Mostefai MCA à l’Université de Bordj Bou Arréridj
Co-rapporteur Dr. Youssef Chahir HDR à l’Université de Caen, France
Examinateur Dr. Mohamed-khireddine Kholladi Professeur à l’Université d’El-Oued
Examinateur Dr. Abdelouahab Moussaoui Professeur à l’Université de Sétif-1-
Examinateur Dr. Abdelhak Boubatra MCA à l’Université de Bordj Bou Arréridj

Remerciements
Ce travail a été réalisé sous la direction de Monsieur Messaoud Mostefai, MCA à l’Uni-
versité de Bordj Bou Arréridj. Qu’il trouve ici, l’expression de mes remerciements, mon
profond respect et sincères considérations pour ses orientations, encouragements et
son soutien pour faire aboutir ce travail de recherche à son terme.
J’ai été co-encadré par Monsieur Youssef Chahir, HDR à l’Université de Caen. Il m’a
accueilli à Caen pendant 18 mois, la durée de ma Bourse PROFAS. A Caen, Youssef et
sa famille étaient ma deuxième famille. Je ne saurais trouver les mots adéquats pour
le remercier. Qu’il trouve ici, l’expression de mes remerciements, mon profond respect
et sincères considérations pour ses orientations, encouragements et son soutien pour
faire aboutir ce travail de recherche à son terme.
Je remercie Messieurs :
– Abdallah Boukerram, Professeur à l’Université de Sétif,
– Mohamed-khireddine Kholladi, Professeur à l’Université d’El-Oued,
– Abdelouahab Moussaoui, Professeur à l’Université de Sétif et
– Abdelhak Boubatra, MCA à l’Université de Bordj Bou Arréridj
pour avoir accepté de juger cette thèse de Doctorat et d’y apporter leur contribution
scientifique.
Je remercie le Directeur du GREYC-Caen et le Responsable de l’équipe Image pour
m’avoir accueilli au sein de leur Laboratoire.
Je remercie le Ministère de l’enseignement supérieur Algérien et le Ministère de l’ensei-
gnement supérieur Français pour m’avoir attribué une Bourse PROFAS afin de mener
à terme ma thèse.
Je tiens à remercier particulièrement mon Ami Dr. Farid Nouioua, MCF à l’Université
de Marseille, pour sa disponibilité, son encouragement et ses relectures attentives de
mes articles et du présent manuscrit.

       !  "# " $%& '( )* +
#,"- ./& 01 23 )4 41  "5.
# 67( 8/ .9 :1 ;4 + 5   ( <=) > '?@ '; ( % +
#+& A 01 23 )4 . B! C? DE FG # 67( : H% .9-
67( 0! . :  I 5 8J1 K7 0 LE4 ;4 0< 'B . !;? MN5
O4 1 .P+&  :! O OQR SO 8/ ;4R + N(-.
/ ;O #! ;O T )4 % U=O-  0< 'B .
 ! 4< !( 3 :  1 )4 H," Q1 ;V $?) QV( MN5 +
 !;? MN5. 0; 0W/ 01 F< ;V N5:
6W1 :. :     ! = 8
6W2 :. :  8? X-
HO 01 .Q1 ! 23 '??E )4  ;V N5 E 01 "??E- "!/ ?
0," .E  .
Q= <:
 '8? X- '  ! H '= 8 '4< !( 3 )4
1# W '=  ! Y4 Z .E- '" : '  
W& '= [+ ZERNIKE \?" ')< )1W SIFT.

Résumé
Récemment, la diffusion géométrique par marches aléatoires sur graphe est proposée
pour trouver une description géométrique significative des données afin de les organi-
ser.
L’idée de base est de considérer un graphe modélisant tous les objets d’intérêt (image,
document, etc.) d’une base à travers leurs descripteurs. Les sommets représentent les
objets d’intérêt et la pondération des arêtes mesure la similarité entre objets. Ainsi, la
recherche d’un objet d’intérêt peut être vue comme une marche dans ce graphe. Cette
approche permet de tenir compte de toutes les propriétés statistiques liées au graphe
local pour caractériser au mieux l’information visuelle. Ainsi, l’utilisateur peut navi-
guer dans la base et visualiser les images voisines à une image de référence.
Dans cette thèse de Doctorat nous proposons un framework unifié pour l’organisation
des données multimédias de grande dimension en utilisant cette nouvelle approche.
Ce framework se compose de deux grandes parties :
– Partie 1 : regroupement spectral par marches aléatoires sur graphe.
– Partie 2 : régularisation discrète sur graphe.
Après une phase de conception et d’analyse théorique, nous avons expérimenté et va-
lidé ce framework sur des données réelles.
Mots-Clés :
Données de grande dimension, Regroupement spectral, Apprentissage en utilisant les
graphes, Régularisation sur graphes, Marches aléatoires sur graphes, Diffusion maps,
Analyse vidéo du comportement humain, Segmentation hiérarchique des flux vidéo,
Moments de Zernike spatio-temporels, Points SIFT.

Abstract
Recently, the geometric diffusion by using random walks on graph is proposed to find
a significant geometric description of data and to organize them.
The basic idea is to consider a graph modeling all objects of interest (image, document,
etc.) of a database through their descriptors. Vertices represent the objects of interest
and the weight of the edges measure the similarity between objects. Thus, the search
for an object of interest can be seen as a walk in this graph. This approach takes into
account all statistical properties related to the graph to best characterize the visual in-
formation. Thus, the user can browse the database and view the images nearby to a
reference image.
In this Thesis we propose a unified framework for the organization of large multimedia
data using this new approach. This framework consists of two main parts :
– Part 1 : spectral clustering by random walks on graph.
– Part 2 : discrete regularization on graph.
After a phase of design and theoretical analysis, we have experimented and validated
this framework on real data.
Key-words :
High-dimensional data, Spectral clustering, Graph-based learning, Regularization on
graphs, Random walks on graphs, Diffusion maps, Video analysis of human behaviour,
Hierarchical video stream segmentation, Spatio-temporal Zernike moments, SIFT fea-
tures.