Amélioration de la robustesse en analyse vidéo du mouvement humain par fusion d'information de capteurs hétérogènes // Improving the Robustness of Human Motion Video Analysis Through the Fusion of Information from Heterogeneous Sensors

Les avancées en analyse automatique de la posture humaine à partir de la vidéo [1] ont suscité de nombreux espoirs de voir ces techniques remplacer les approches classiques par marqueurs pour l'analyse scientifique du mouvement. L'analyse « sans marqueurs » du mouvement présente en effet un gain ergonomique substantiel permettant d'envisager des études directes sur le terrain au plus près du sujet, en activité physique [2] ou suivi médical [3]. Bien que la littérature en biomécanique documente des niveaux de précision de plus en plus élevées de ces méthodes, leur robustesse reste fondamentalement dépendante des conditions de prise de vue des vidéos telles que le placement, l'éclairage ou la résolution. Elles introduisent donc une imprécision systématique qu'il faut qualifier et si possible compenser.
Le but de cette thèse est d'aborder ce problème d'amélioration de la robustesse en considérant l'apport de la fusion d'information venant d'autres capteurs « légers », l'ambition étant de conserver l'intérêt d'un déploiement expérimental simple. Par expérience au laboratoire, des centrales inertielles et des capteurs électromyographiques seront en premier lieu considérés. Le choix du type de capteurs utilisés en complément de la vidéo pourra cependant s'ouvrir à d'autres solutions techniques selon l'exploration menée par le doctorant avec l'équipe.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Advances in the automatic analysis of human posture from video [1] have raised high hopes that these techniques will replace traditional marker-based approaches for the scientific analysis of movement. “Markerless” motion analysis offers a substantial ergonomic advantage, making it possible to conduct direct field studies in close proximity to the subject, whether during physical activity [2] or medical monitoring [3]. Although the biomechanics literature documents increasingly high levels of accuracy for these methods, their robustness remains fundamentally dependent on video recording conditions such as camera placement, lighting, or resolution. They therefore introduce systematic inaccuracies that must be quantified and, if possible, compensated for.
The aim of this thesis is to address the issue of improving robustness by incorporating information fusion from other “lightweight” sensors, with the goal of maintaining the benefits of a simple experimental deployment. Based on laboratory experience, inertial measurement units and electromyographic sensors will be considered first. However, the choice of sensor types to be used in conjunction with video may be expanded to include other technical solutions depending on the research conducted by the doctoral student in collaboration with the team.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Concours allocations

Université Grenoble Alpes

217 MSTII - Mathématiques, Sciences et technologies de l'information, Informatique

- Master en informatique ou diplôme d'ingénieur en informatique, - Programmation python et C++, - Très bonnes connaissances en géométrie 3D, modélisation et animation, - Connaissance en modélisation biomécanique du corps humain, - Connaissance d'un outil 3D et développement script tel que Blender ou similaire.
- Master's degree in computer science or a degree in computer engineering, - Programming in Python and C++, - Strong knowledge of 3D geometry, modeling, and animation, - Knowledge of biomechanical modeling of the human body, - Knowledge of a 3D modeling and scripting tool such as Blender or similar.