79
Le travail précédent a permis de présenter la méthode de détection de la chute par un système multi-caméras. Différents points particuliers méritent quelques commentaires. Ceux-ci sont à propos de la résistance à l’occultation, et des différentes possibilités d’amé- liorations telles que la méthode de segmentation et de calibrage, et l’utilisation de carte de profondeur.
4.1
Commentaires sur la résistance à l’occultation
Il est intéressant de noter le fait que cette résistance à l’occultation se réalise au niveau du voxel. En effet, le voxel est défini comme occupé lorsque celui-ci est visible par n − 1 caméras.
Ainsi, l’absence de contribution d’un pixel peut effectivement provenir de l’occulta- tion de ce pixel, car non visible par la caméra, mais aussi par un défaut de segmentation. Il en résulte donc que cette méthode peut aussi se montrer résistante au bruit de segmen- tation.
Pour la démonstration de la résistance à l’occultation dans cet article, seulement l’oc- cultation d’une seule caméra été étudiée. Il est tout à fait possible d’imaginer une version où n − 2 contributions de caméras soient nécessaires pour définir le voxel comme occupé. Ceci pourrait rendre la méthode plus résistante au détriment d’une reconstruction plus grossière du volume et potentiellement du taux de fausses alarmes qui pourrait alors augmenter.
Il pourrait être intéressant d’utiliser le formalisme probabiliste développé par Franco dans [57], où chaque occupation de voxel est estimée à partir des probabilités que le pro- jeté de ce voxel dans l’image de chacune des caméras appartienne au sujet. Cette méthode de reconstruction pourrait, par son formalisme probabiliste, être tout aussi, voir plus, ré- sistante à l’occultation, mais sans avoir à définir le seuil du nombre de contributions de caméras nécessaires pour rendre un voxel occupé.
4.2
Propositions d’amélioration
Cette méthode utilise deux étapes fondamentales qui sont le calibrage de la scène et la segmentation avant/arrière-plan pour effectuer la reconstruction de la surface du sujet. Différentes pistes d’améliorations sont possibles pour la détection de la chute avec cette méthode. Premièrement, les deux étapes cruciales du calibrage et de la segmentation peuvent être améliorées avec d’autres méthodes plus complexes. D’autre part, l’utilisa-
tion de caméras de profondeur peut être considérée comme une solution de mesure très pertinente. Ces différents points vont maintenant être traités plus en détail.
4.2.1 Amélioration de l’étape de calibrage
Dans le travail présenté, le calibrage des caméras a été réalisé à l’aide de points de référence. Cette étape de préparation peut être remplacée par une méthode de calibrage dynamique qui essaye de faire correspondre en un volume complet et régulier les diffé- rentes silhouettes présentes sur chaque caméra. Cette méthode proposée par Boyer dans [29] utilise les silhouettes de la personne pour faire correspondre les sommets des sil- houettes et minimiser les parties de chaque silhouette non recouverte par la reprojection du volume reconstruit avec les paramètres de calibrage. Les paramètres de calibrage sont alors optimisés pour minimiser cette différence.
4.2.2 Amélioration de l’algorithme de segmentation
Dans notre expérimentation nous avons utilisé un modèle simple de segmentation de fond. Les paramètres d’éclairage étant contrôlés, et le fond totalement fixe, il n’apparais- sait pas nécessaire d’utiliser une méthode plus compliquée. Il est évident qu’en situation réelle, ce type de segmentation d’arrière-plan serait inutilisable, et cela pour plusieurs rai- sons. La première raison provient de la gestion des ombres. Celles-ci projetées au sol vont augmenter artificiellement le volume de la personne aux niveaux proches du sol, ce qui pourrait provoquer des fausses alarmes plus facilement. La seconde, toujours associée à la lumière, provient de la variation de la lumière tout au long de la journée, modifiant ainsi la couleur de l’image de fond. Dans ce cas, il est nécessaire d’utiliser une mise à jour du modèle de fond qui va intégrer au fur et à mesure les variations de la lumière, tout comme les modifications de la scène du fait des déplacements d’objets.
Pour cela, il existe de nombreuses méthodes de soustraction de fond classique comme présenté par Piccardi dans [131] ou par Beneth et al. dans [23]. La plus généralement utilisée est la mixture de gaussienne, où pour chaque pixel, les couleurs prises par le fond sont modélisées par plusieurs gaussiennes. Il existe une méthode plus récente et similaire qui se base sur les ”Codebook”, publiée par Kim dans [93]. Elle modélise les mêmes couleurs le plus souvent prises par un pixel à l’aide d’une liste de code de couleur. Ces codes de couleurs rassemblent des propriétés de couleur comme une couleur moyenne, la luminosité maximale et minimale et des propriétés temporelles, par exemple la fréquence d’occurrence.
81
FIGURE 4.1 – Illustration du processus de segmentation multivues itératif. Chaque co- lonne représente une caméra. La première ligne montre l’image en couleur de la caméra puis chaque ligne une itération de la segmentation. Source [100].
Pour l’instant seules des méthodes de segmentation prenant en compte une seule caméra ont été explicitées. Comme l’ont proposé Wee et al. dans [100], l’étape de seg- mentation et de reconstruction du volume peuvent être réalisées de manières itératives pour fusionner l’information de chaque caméra dès l’étape de segmentation. Cette mé- thode reprojète le volume reconstruit dans l’image de chaque caméra pour en améliorer la segmentation avec cette information supplémentaire. En réalisant cela plusieurs fois, la reconstruction s’en retrouve améliorée comme le montre la figure4.1
Le problème de la segmentation d’une image issue d’une caméra classique provient du fait que seule l’information de couleur au cours du temps permet de définir un pixel comme appartenant au premier plan ou à l’arrière-plan. Ce type d’information ressemble
à un problème mal posé. La classification à partir de la couleur dépend du fait que le fond et l’objet au premier plan vont avoir une couleur différente, ce qui est une condition qui n’a pas de rapport avec la nature de la classification. Il peut être intéressant de changer le type d’information pour se tourner vers une information qui a un rapport plus étroit avec la nature de la classification, par exemple la profondeur.
4.2.3 Utilisation de caméras de profondeur
Lorsqu’un objet apparaît dans une scène observée par une caméra de profondeur, il va forcément modifier la profondeur mesurée. En effet, si l’objet est derrière un autre, la profondeur apparente restera la même que la profondeur du fond. Dans le cas contraire, la profondeur sera forcément inférieure si l’objet est entre le fond et la caméra. La na- ture de l’information utilisée pour la classification est maintenant directement reliée au phénomène de classification.
Il existe maintenant des caméras de profondeur performantes et bon marché qui n’étaient pas disponibles lors de la réalisation de ce travail. Comme il le sera précisé plus en détail dans la section5.5, ces caméras utilisent une information qu’elles projettent dans la scène qu’elles mesurent à l’aide d’une caméra permettant ainsi de calculer la distance entre la caméra et les objets visibles de la scène.
Différents travaux ont été réalisés dans ce sens, par exemple Rougier et al. dans [140] et Mastorakis et al. dans [109] qui après avoir effectué une segmentation de la personne basée sur ce principe, proposent de mesurer la hauteur du centroïde et la vitesse de la sil- houette pour détecter la chute et ceci à l’aide d’une caméra de profondeur. On peut noter qu’un autre intérêt apparaît, le respect de la vie privée. Puisque l’information de profon- deur permet de reconnaître la silhouette et la position de la personne tout en respectant son intimité.
4.3
Conclusion
Comme il a été présenté, cette méthode basée sur l’analyse de la surface issue d’une reconstruction multi-caméras est robuste aux occultations pour détecter la chute d’une personne au sol. Cette méthode peut être effectivement améliorée en plusieurs points pour être utilisée sur le terrain. Cette contribution permet de participer à la réflexion sur la prise en charge de la chute à domicile. Ce problème qui devient maintenant un problème universel. En effet, la revue de littérature de Kalula dans [90] et l’organisation
83
mondiale pour la santé à travers son rapport sur ce sujet dans [129] montrent que ce problème est aussi soulevé dans les pays émergents.
Mais la principale amélioration reste par rapport à l’évènement de la chute en lui- même. Serait-il possible de prévenir cette chute en mesurant la prédisposition de la per- sonne à la chute avant que la chute n’intervienne ? Effectivement, différents travaux montrent l’implication de la perturbation de la démarche dans la prédisposition à la chute, qu’elle soit due à l’âge ou à la maladie comme précisée par Richardson dans [136]. Ceci montre l’intérêt qui résiderait dans la capacité de mesure des paramètres de la marche en clinique.
85
Deuxième partie
87
Chapitre
5
Analyse de la marche à partir d’une
carte de profondeur
Sommaire
5.1 Introduction . . . 89