Évaluation

La première partie de l’évaluation ne concerne que le descripteur SURF et SURF modifié. Nous avons pour cela effectué deux expériences pour tester la qualité du descripteur dans un contexte de soustraction de fond. Sur une séquence pour laquelle nous disposons d’une vérité terrain de soustraction de fond nous calculons des descripteurs répartis sur une grille régulière. Nous allons alors pouvoir comparer deux descripteurs provenant d’un même bloc mais à des instants différents. De cette manière les descripteurs sont bien testés en dehors du système de soustraction de fond mais tout en restant

dans son contexte d’utilisation. Pour ce faire nous calculons des scores de rappel et précision.

Le rappel et la précision sont définis comme suit :

rappel= V P

V P + F N (1.34)

precision= V P

V P + F P (1.35) où VP, FN et FP signifient respectivement Vrai Positif, Faux Négatif et Faux Positif.

Dans un premier temps nous comparons les descripteurs issus de deux images consécutives. La figure 1.10 montre les courbes de précision et rappel obtenues avec les descripteurs Chen, SURF original et SURF modifié. Il apparaît clairement que le descripteur SURF est beaucoup plus robuste que le descripteur de Chen et al. . La différence notable entre les descripteurs SURF et SURF modifié vient du fait que la séquence pour laquelle la courbe a été calculée contient des zones homogènes qui peuvent générer des faux positifs importants en proportion, comme expliqué en section 1.2.2.3.

Figure 1.10 – Courbes de précision / rappel calculées sur une séquence. Les descripteurs de l’image courante sont comparés à ceux de l’image précédente. La figure 1.11 montre des courbes précision / rappel calculées lors d’une expérience similaire à la précédente. Les descripteurs de référence sont cal- culés sur une image du début de la séquence et restent fixes pendant toute l’expérience. Là encore on observe la supériorité du descripteur SURF sur celui de Chen et al. . Les très faibles scores de précision obtenus sont dus aux

fortes variations de la scène au cours du temps. Cette expérience revient à avoir une soustraction de fond avec un modèle non mis à jour et sans post- traitement. Contrairement à l’expérience précédente les descripteurs SURF et SURF modifiés ont des courbes très similaires. Cela s’explique par le fait que la différence entre les deux est estompée par le nombre important de fausses alarmes.

Figure 1.11 – Courbes de précision / rappel calculées sur une séquence. Les descripteurs de l’image courante sont comparés à ceux d’une image de réfé- rence. La faible précision est due au fait que l’image de référence, sélectionnée en début de séquence devient au cours du temps très différente de l’image courante à cause notamment des nombreux changements de luminosité.

La seconde partie de l’expérimentation concerne le système de soustrac- tion de fond complet. Les résultats suivants sont issus de séquences acquises avec une caméra fixe. Pour se replacer dans notre cadre d’utilisation, celui de caméras PTZ effectuant un tour de garde et où chaque position de la caméra peut être assimilée à une caméra fixe avec un faible rafraichissement, nous ne traitons qu’une image sur 500. Cela correspond à une image toutes les 20 secondes. Parmi les diverses séquences sur lesquelles notre algorithme a été testé, la séquence train acquise avec une caméra montée dans un train est particulièrement intéressante en terme de changements soudains de lumino- sité. Les séquences Pets bien que tournées en intérieur permettent de tester sur des séquences montrant des zones moins texturées. La séquence chan-

gement de luminosité1 montre des conditions extrêmement difficiles pour la

soustraction de fond, parmi lesquelles des fortes ombres portées, des chan- gements soudains de luminosité ou encore de la saturation due à une forte

luminosité. La séquence changements de luminosité 2 présente des change- ments de luminosité et des zones homogènes. Des résultats qualitatifs sur ces séquences sont montrés en figure 1.12.

Figure 1.12 – Résultats qualitatifs obtenus sur diverses séquences. Première ligne : séquence train. Deuxième ligne : séquence PETS 2006. Les troisième et quatrième lignes correspondent à deux images consécutives de la séquence

changement de luminosité. Première colonne : image originale. Deuxième

colonne : grille de descripteurs SURF modifiés. Troisième colonne : densité de point non appariés. Quatrième colonne : Chen et al. .

La figure 1.13 donne des courbes de précision/rappel sur les séquences

changement de luminosité 2, changement de luminosité 1 et train. On peut

constater que l’approche par grille de descripteurs donne des résultats au moins aussi bons que l’approche par points d’intérêt et largement supérieurs à ceux de Chen et al. .

On peut constater que les résultats de nos deux approches sont com- parables ou supérieurs à ceux obtenus par l’approche de Chen et al. . Les différences de précision observées sont dues seulement aux fausses alarmes sur les zones les plus homogènes.

Figure 1.13 – Courbes de précision/rappel. Gauche : séquence changement

de luminosité 2, Droite : séquence changement de luminosité 1. Bas : séquence train. Vert : SURF modifié, Rouge : Densité de SURF non appariés, Bleu :

Chen et al. .

D’autres résultats qualitatifs obtenus sur des séquences acquises par une caméra PTZ en mode tour de garde sont montrés en figure 1.14

Finalement les figures 1.15 et 1.16 montrent des résultats sur des passages particulièrement difficiles de la séquence changement de luminosité 1. Si l’on peut remarquer la présence de quelques fausses alarmes, elles se trouvent prin- cipalement sur des zones de l’image où le brusque changement de luminosité a fait apparaître des nouveaux contours (ombre portée) ou une saturation importante. Là où la texture de l’image n’est pas altérée notre algorithme se comporte remarquablement bien.