État de l’art de la détection de navire

On peut ramener notre problème de détection d’un navire sur la mer à la détection d’un objet 3D mobile ou stationnaire sur une scène planaire en faisant l’hypothèse que les ampli- tudes des vagues sont faibles par rapport à la taille du bâtiment. Dans ce contexte, plusieurs méthodes ont été proposées, basées sur le mouvement, l’analyse des intensités de l’image ou bien encore à l’aide d’images de référence.

Flux optique. Des approches basées sur le flux optique sont proposées dans [Sull 1999,

scène. Une illustration couramment employée est le défilement d’un paysage sur la rétine d’un passager d’un train regardant par la fenêtre. Ces études présentent la détection d’obstacles mobiles ou ayant une hauteur non nulle lors d’un atterrissage sur piste. A partir d’une image stabilisée par l’estimation du mouvement propre de l’avion en utilisant ses capteurs inertiels et en supposant que la scène observée soit planaire, un flux optique résiduel est calculé. Ce flux optique correspond alors aux objets non planaires et/ou mobiles. [Sull 1995, Gandhi 2000] affinent l’estimation des paramètres du plan de la piste en utilisant l’erreur entre le flux optique attendu et celui mesuré. Dans le but de contrôler l’ordre de grandeur du flux optique résiduel et ainsi faciliter la détection des objets, une variation du temps d’échantillonnage entre deux analyses d’images est proposée dans [Sull 1999]. [Gandhi 2000] propose une analyse de la composante de la vitesse des résidus pour déterminer s’il s’agit d’obstacles mobiles ou statiques, si toutefois leur direction de déplacement n’est pas la même que celle de la caméra. Segmentation par traitement d’images bas niveau. Dans de nombreuses applications, la détection est simplifiée par le capteur utilisé, fonctionnant dans une bande de fréquence facilitant le traitement d’images comme dans [Yakimenko 2002, Shaik 2009]. Le travail pré- senté dans [Yakimenko 2002] est plus directement lié à notre problématique, car il s’agit de la détection d’un bâtiment sur lequel on souhaite apponter. Cette étude souligne que le cap- teur fonctionnant dans le visible a une meilleure résolution que le capteur infrarouge par beau temps, mais lorsque les conditions de visibilité se dégradent, seul l’infrarouge (et spé- cialement sa bande LWIR) permet de détecter les parties chaudes d’un navire (machine et échappement). Dans cette étude, le traitement d’images est un simple seuillage après une étude de la répartition de la valeur des pixels sur les axes horizontaux et verticaux, pour repérer la cheminée, partie la plus chaude du navire. Toujours basé sur des méthodes "clas- siques" de traitement d’images, [Santhalia 2009] présente une méthode relativement simple, employée sur des images visibles. L’étude suppose que la caméra est presque au niveau de la mer. L’algorithme détermine la ligne d’horizon par une transformée de Hough et recherche la zone obstruée par le navire en utilisant les contours de l’image. Autour de cette zone, des histogrammes sont calculés pour huit imagettes réparties entre la mer et le ciel. Un critère de dissimilarité est calculé entre les zones supérieure et inférieure de l’image à l’aide des imagettes de référence et pour différents patchs de la zone d’intérêt. La valeur du critère obtenu pour ces zones permet de segmenter le navire. [Santhalia 2008] travaille avec un traitement d’images encore plus simple, qui ne semble néanmoins pas très robuste aux variations d’illuminations, et y ajoute une classification et reconnaissance des navires par réseaux de neurones fondées sur leurs formes. [Shaik 2009] présente différents algorithmes pour détecter des cibles dans des images infrarouges. La détection initiale est résolue par une segmentation basée sur une ex- traction des contours, un chaînage des contours fermés, un filtrage morphologique (dilatation et érosion) pour supprimer les pixels seuls ou les lignes non fermées. Reprenant le principe de la recherche du navire le long de la ligne d’horizon, [Fefilatyev 2010] propose une segmen- tation reposant sur les trois canaux d’une caméra fonctionnant dans le visible et un suivi effectué à l’aide d’un filtre multi-hypothèses. On remarquera qu’utiliser la couleur n’apparait pas discriminant pour la détection de navires de combat. En effet, comme présenté en Section

1.3.2.1, la couleur d’un porte-avions est similaire à celle de la mer, pour des raisons de fur- tivité. De même les trois canaux constituant une image visible sont fortement influencés par la luminosité, l’état de la mer et le climat. Ainsi utiliser ces couleurs dans une approche par traitement d’images bas niveau, génère un nombre important de paramètres à régler, nuisible

2.2 Détection du porte-avions 51 à la robustesse de la détection.

Comparaison avec des images de référence. [Shaik 2009] propose un algorithme pre- nant en entrée la détection initiale précédemment présentée. Il repose sur une détection, dans le domaine fréquentiel, d’une cible en se servant d’images de référence représentant les cibles attendues prises suivant différentes orientations. L’image pré-traitée est divisée en blocs, qui sont ensuite transformés dans le domaine fréquentiel pour obtenir une invariance au mou- vement de translation et normalisés pour être invariants à des tailles de blocs différents. La détection proprement dite est une comparaison par corrélation entre les spectres des blocs de l’image courante et ceux de l’image de référence. Afin d’améliorer le temps de calcul, un suivi basé sur deux filtres bayésiens reposant sur l’intensité et le différentiel d’intensité est proposé. Pour notre application, l’usage du flux optique est peu approprié à notre environnement, car son estimation sera peu fiable du fait des vagues. La segmentation par traitement d’image bas niveau nécessite un nombre important de paramètres à régler et est peu robuste aux changements d’illumination. Les méthodes de détection présentées ici se basent sur des a priori de la forme de l’objet à détecter, ce qui est aussi le cas pour notre application. La section suivante présentera la méthode de détection du porte-avions que cette étude propose.