Algorithme

• Etape 1 : choix du germe initial

Le choix du germe est tr`es important pour le reste de la segmentation, il repr´esente un point de d´epart pour le regroupement ult´erieur. Notons−−→M Vi, i = 1, 2, · · · , 5 le vecteur

de mouvement pour chaque bloc du germe, o`u 5 repr´esente le nombre de blocs dans le germe. Le nombre de germes d´epend du type de regroupement utilis´e, il existe deux types de regroupement : un regroupement dans trois directions (germe avec 4 blocs) ou un regroupement dans quatre directions (germe avec 5 blocs).

Dans le cadre de notre ´etude, le sch´ema bas´e sur les 4 directions a donn´e de meilleurs r´esultats que le regroupement sur 3 directions.

Pour identifier le germe, nous parcourons tout les blocs de l’image (blocs candidats) et nous calculons la distance entre chaque bloc et ses quatres voisins. L’´equation suivante est utilis´ee pour localiser le germe dans une image :

Dgerme= X j∈germe k−−→M Vbloccandidat− −−→ M Vik) (3.2)

−−→

M Vbloccandidat repr´esentre le mouvement du bloc candidat pour former le germe, voir la

figure 3.6.

(a) regroupement `a trois direction (b) regroupement `a quatre direction

Figure 3.6 — Sh´emas de regroupement de blocs en r´egions

D´es lors qu’un bloc candidat est retenu (bloc ayant la distance minimale entre ses voisins compar´e aux autres blocs candidats), les blocs voisins dans les quatre directions sont tout d’abord regroup´es pour former le germe (les blocs en bleu clair sur la figure 3.7).

Figure 3.7 — Sch´ema de regroupement

• Etape 2 : croissance de r´egion

Soit R l’ensemble de vecteurs de mouvement de la r´egion en croissance (au d´epart R = la r´egion germe). Le crit`ere de coh´erence est bas´e sur la distance minimale entre les blocs de R ; il est adapt´e `a chaque ´etape de regroupement.

−−→

M Vext est le vecteur de mouvement d’un bloc voisin de R,

−−→

M VR_int est le mouvement de chaque bloc `a l’int´erieur de R et −−→M VR<sub>Centre</sub> la moyenne des vecteur du mouvement des blocs de la r´egion. A chaque ´etape de regroupement −−→M VR<sub>Centre</sub> est calcul´e pour d´eterminer le seuil de regroupement DT H `a cette ´etape (voir 3.3) :

3.3. SIGNATURES BAS ´EES SUR LE SUIVI DES R ´EGIONS HOMOG `ENES ENTRE

IMAGES I 61

DT H = E{k

−−→

M VR_int−−−→M VR_Centrek} + D_{of f set} (3.3) Dof f set = min(σ2M V, TM ax of f set) (3.4)

σ2_{M V} repr´esente l’´ecart type du mouvement de blocs dans la r´egion R. TM ax of f set un

param`etre repr´esente la variance maximale qu’on peut prendre en compte, obtenue par apprentissage sur la base de donn´ees (cf. chapitre 4, section §4.2.2)

Dof f set repr´esente la taille de la r´egion R exprim´e par la variance au sein de la r´egion,

utilis´e lors du regroupement des blocs pour contrˆoler le regroupement rapide des blocs. Pour chaque bloc environnant, le regroupement est d´ecid´e lorsque la condition suivante est v´erifi´ee :

Di =

−−→

M VR_Centre−−−→M Vext6 DT H (3.5)

• Etape 3 : mise `a jour du mouvement moyen de la r´egion

D`es lors qu’un bloc est assign´e `a la r´egion, la valeur −−→M VCentre est mise `a jour en

calculant `a nouveau la moyenne des vecteurs de mouvement. Cette proc´edure est r´ep´et´ee pour tous les blocs voisins jusqu’`a ce qu’il ne reste plus de blocs satisfaisant le crit`ere de coh´erence.

• Etape 4 : recherche d’autres r´egions

Quand il n’y a plus de blocs `a regrouper avec la r´egion R. Un autre germe est identifi´e dans l’image et les ´etapes 1 `a 3 sont r´ep´et´ees jusqu’`a ce qu’il ne reste plus de germe dans l’image.

• Etape 5 : fusion finale des r´egions

Les quatre ´etapes pr´ec´edentes permettent de regrouper chaque germe identifi´e en r´egions. Cette ´etape permet d’affiner ce regroupement en fusionnant les r´egions simi- laires au sens d’un crit`ere bien d´efini.

Entre deux images successives, l’extraction des vecteurs de mouvement est assur´ee par le calcul de la diff´erence absolue moyenne [8] lors de l’estimation de mouvement dans MPEG, ce qui entraine des vecteurs de mouvement bruit´es. Ces vecteurs g´en`erent des erreurs importantes lors de la segmentation. Pour les r´eduire, nous repr´esentons chaque r´egions avec le vecteur de mouvement de son centre −−→M VR_Centre.

Pour toute paire de r´egions voisines, si la distance entre le mouvement des deux centres est inf´erieure `a Dmin donn´e par la formule (3.6), les deux r´egions seront fusionn´ees.

Dmin = min(σM V, TM ov region) (3.6)

Dmin est la distance minimale entre les blocs de la r´egion en croissance, et TM ov region

un parm`etre obtenu par apprentissage sur la base de vid´eos (cf. chapitre 4, section §4.2.2).

R´esum´e de l’algorithme

1. Localisation du germe en cherchant la distance minimale moyenne dans 4 direc- tions pour chaque bloc de l’image, c’est le point de d´epart pour le regroupement. 2. En utilisant le seuil d´etermin´e dans l’´etape 2 (voir ´equation 3.3) et le germe bloc d´etermin´e dans l’´etape 1, nous proc´edons au regroupement des blocs voisins. Apr`es chaque regroupement, les crit`eres sont adapt´es.

3. On r´ep`ete les ´etape 1 `a 3 jusqu’`a ce qu’il ne reste plus de germe dans l’image. 4. On calcule le vecteur m´edian pour chaque r´egion obtenue.

5. On calcule la distance entre chaque paire de r´egions voisines ; si la distance est inf´erieure au seuil d´etermin´e par l’´equation (3.6), les deux r´egions sont fusionn´ees. La figure suivante donne un exemple de segmentation.

Figure 3.8 — R´esultats obtenus en utilisant l’algorithme de croissance de r´egions `a partir d’une r´egion germe pour deux images de la s´equence

Sur la figure 1.8, les blocs de vecteurs de mouvement similaires sont regroup´es selon les crit`eres d’homog´en´eit´e en 3 r´egions (R1, R2, R3).

Apres avoir segment´e les images constituant la s´equence vid´eo, nous nous int´eressons ensuite `a la trajectoire des r´egions au long de la vid´eo. Pour cela nous avons mis en oeuvre un algorithme de suivi bas´e sur le filtre de Kalman [10], cela dans le but de pr´edire la position des r´egions qui se ressemblent au long de la s´equence.