MELIZOU OuassilaTOUATI Hayet2025-01-252025-01-252025-01-25https://dspace.estin.dz/handle/123456789/41Ce memoire de master présente une revue complète de diverses méthodes de détection d’activité pouvant être utilisées dans les systèmes de surveillance pour capturer des séquences vidéo pertinentes. L’objectif est d’analyser l’optimisation des enregistrements des systèmes de surveillance grâce à ces différentes méthodes. La revue couvre vingt articles, abordant une large gamme d’approches de systèmes vidéo intelligents. Les principales méthodologies examinées incluent la soustraction de fond, le flux optique, les techniques d’apprentissage automatique telles que les machines à vecteurs de support, et les techniques d’apprentissage profond incluant You Only Look Once, les réseaux de neurones convolutifs et les réseaux de neurones convolutifs régionaux rapides. Chaque méthode est expliquée en détail, en mettant l’accent sur leurs forces et faiblesses respectives. L’analyse fournit des informations sur l’état de l’art actuel et identifie les domaines potentiels de recherche et de développement futurs dans les systèmes de surveillance.This master thesis presents a comprehensive review of various activity detection methods that can be used in surveillance systems to capture relevant footage. The review encompasses twenty articles, covering a wide range of intelligent video system approaches. The key methodologies examined include background subtraction, optical flow, machine learning techniques such as Support Vector Machines, and deep learning techniques including You Only Look Once, Convolutional Neural Networks, and Faster Region-based Convolutional Neural Networks. Each method is thoroughly explained, with an emphasis on their respective strengths and weaknesses. The analysis provides insights into the current state of the art and identifies potential areas for future research and development in surveillance systems.enActivity detectionSurveillance systemsBackground subtractionOptical flowMachine learningDeep learningYOLOCNNFaster R-CNNThesis