Projet S4-Groupe10: Album Photo Augmenté et

Année 2013-2014
Projet S4-Groupe10:
Album Photo Augmenté et Reconnaissance
d'Image
Encadrants:
 M. Grégoire Mercier du département Images et
Traitement de l'information.
 M. Ronan Fablet du département Signal et
Communication.
Encadrants du groupe de pilotage :
 Mme. Catherine Sable du département LCI.
 M. Didier Hervé de la direction des études.
Partenaires:
 M. Sullivan Gauville, BookBeo
 M. Guillaume Pannetier, BookBeo
Membres du groupe :
 Mariam Keipp, Florian Coste, Dounia
Mikou, Thanh Huy Nguyen, Manuel Lopez
Radcenco, Quang Duy Le
Mots clés: Android, Reconnaissance d'images, OpenCV, C++, Java
Résumé:
Ce projet ingénieur, a été réalisé en collaboration avec Bookbeo, une startup Rennaise spécialisée dans l'utilisation de tags (ex. QR Codes) et le
développement de solutions mobiles de réalité augmentée.
Le but de notre projet est d'optimiser une application Android de
reconnaissance d'images initialement réalisée par notre client afin
d'améliorer ses performances dans le cas particulier d'album photo réel
(album photo de vacances par exemple).
[www.bookbeo.com]
1. Présentation et Contexte du Projet:
Notre partenaire extérieur a développé, en collaboration avec le département Artemis de Télécom Sud
Paris, un framework de reconnaissance d'images pour smartphones basé sur la librairie OpenCV. Par la
suite, il a développé une application Android basée sur ce framework, permettant de scanner chaque photo
de l'album, puis renvoyant des contenus multimédia (vidéos, son, etc.) associés à l'image scannée.
Notre rôle dans ce projet est d'améliorer les performances de cette application en termes de vitesse et de
robustesse. Ainsi, nous avons procédé à une évaluation des performances actuelles de l’application, une
implémentation de différentes améliorations possibles, et l'évaluation des nouvelles performances
obtenues.
2. Méthodologie de travail
Afin de répondre efficacement aux exigences du projet, nous avons identifié les tâches nécessaires, et
divisé leurs responsabilités selon deux axes: un axe fonctionnel et un axe technique.
 L'axe fonctionnel comprend toutes les tâches nécessaires au bon déroulement du projet, comme la
gestion du projet, la gestion du budget et du temps de travail, la gestion de la qualité, la
documentation, la communication extérieure et la gestion du forum. A chacune de ses tâches,
nous avons attribué un responsable.
 L'axe technique comprend toutes les tâches permettant de réaliser les améliorations de
l'application, et répondre au besoin du client. Ces tâches incluent la reconfiguration du framework,
du développement Android, et l'évaluation des performances.
Puis, afin d'assurer une meilleure communication avec le client, et une plus grande réactivité dans le
développement, nous avons adopté la méthode de travail Scrum (méthode Agile), avec des cycles courts
d’amélioration, correspondant aux étapes d'identification, implémentation, et test d'une amélioration sur
les performances l'application.
3. Développement et principaux résultats:
Suite à une première étape de préparation du projet, nous avons mis en place des environnements de test
automatisés. Ces environnements permettent de tester la vitesse de reconnaissance et la robustesse de
l'application et de faire une analyse statistique des résultats.
Lors des cycles d'amélioration, nous sommes arrivés à diminuer le temps de reconnaissance de 50%,
passant de 0,5s/image à 0,25s/image en moyenne. De plus l'application assure toujours une très forte
précision, avec un taux de reconnaissance de l'ordre de 99% dans la plupart des conditions.
Conclusions et perspectives:
Ce projet constitue une opportunité pour tous les membres du groupe pour s'ouvrir sur le monde de
l'entreprise et du travail avec un client. Dans un groupe multiculturel et pluridisciplinaire, nous avons pu
développer nos compétences techniques (développement, traitement des images...) ainsi que nos
compétences managériales (gestion de projet, rédaction de livrables, respect des délais, planification,
travail en groupe).
Bibliographie:
[1] Huang, H. (2010). A Simplified Image Recognition Algorithm Based on Simple Scenarios. In 2010 International
Conference on Computational Intelligence and Software Engineering (pp. 1-4).
[2] Ayyalasomayajula, P., Grassi, S., & Farine, P. A. (2011, July). Low complexity image recognition algorithm for
handheld applications. In Proceedings of the 7th Conference on Ph. D. Research in Microelectronics and
Electronics, PRIME (pp. 165-168).
[3] Bay, H., Ess, A., Tuytelaars, T., & Van Gool, L. (2008). Speeded-up robust features (SURF). Computer vision and
image understanding, 110(3), 346-359.
[4]Khan, N. Y., McCane, B., & Wyvill, G. (2011, December). Sift and surf performance evaluation against various
image deformations on benchmark dataset. In Digital Image Computing Techniques and Applications (DICTA), 2011
International Conference on (pp. 501-506). IEEE.
[5]Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011, November). ORB: an efficient alternative to SIFT or
SURF. In Computer Vision (ICCV), 2011 IEEE International Conference on (pp. 2564-2571). IEEE.