Dans ces différents domaines (fouille de données, SIG, recherche d’information, etc.), généralement caractérisés par l’exploitation de nombreuses sources d’informa- tions, la nécessité de systèmes d’interrogation efficaces se fait de plus en plus sentir. Le but de ces systèmes d’interrogation est d’aider les utilisateurs à trouver l’informa- tion recherchée parmi les masses de données disponibles. Pour cela, les utilisateurs doivent formuler leurs besoins sous forme de requêtes. Cependant, la définition des requêtes reste une tâche pénible, due au fait qu’elles doivent être compréhensibles par les systèmes informatiques malgré leur imprécision, et aussi parce qu’il arrive que les utilisateurs ne sachent pas formuler clairement leurs besoins. L’interrogation floue offre aux utilisateurs la possibilité d’exprimer leurs besoins de manière flexible (via des requêtes flexibles), afin de prendre en compte les préférences des utilisateurs dans les résultats.
Notre travail vise à améliorer l’interrogation des métadonnées multi sources et hétérogènes en introduisant les notions de préférences floues.
2.5 Conclusion
L’analyse de l’état de l’art a révélé qu’il reste des lacunes dans la recherche en ce qui concerne le défi que représente le traitement a posteriori de grands volumes de données numériques en général et des vidéos issues des systèmes de vidéosurveillance en particulier. Par exemple, il demeure nécessaire d’entreprendre des recherches sur des techniques de réduction et d’interrogation des grands volumes de données, et l’uti- lisation des informations décrivant le contexte. La plupart des approches de traitement des vidéos existantes ne prennent pas en compte d’autres sources d’informations exo- gènes, mais se focalisent sur le développement des outils d’analyse des contenus, qui trouvent des limites face aux problèmes liés à l’hétérogénéité des systèmes et la qualité variable des vidéos.
Dans une démarche d’utilisation des informations contextuelles, la modélisation et l’intégration des multiples sources d’informations existantes font partie des verrous à lever. L’hétérogénéité de ces sources d’information et leur utilisation rendent complexe le choix du modèle approprié pour la définition du contexte. Comme le souligne l’état de l’art, un système sensible au contexte doit disposer d’un mécanisme intelligent pour l’interrogation des informations contextuelles.
Chapitre 3
Filtrage négatif via l’exploitation
des métadonnées
Une définition générique du filtrage est "l’action de ne laisser passer que certaines choses et pas les autres". Dans le domaine des systèmes d’information (SI) et de la gestion des données, le filtrage peut être défini comme un ensemble de processus per- mettant, parmi les masses de données disponibles, de fournir à l’utilisateur des don- nées en fonction de ses besoins, sans inclure les données non pertinentes. La constante croissance du volume de données demeure un problème majeur pour les systèmes ou applications qui gèrent des masses importantes de données, en particulier pour les systèmes dont le traitement rapide des données est une priorité. Une solution possible à ce problème consiste à effectuer le filtrage (Figure3.1) afin de réduire la quantité de données à traiter. Dans ce chapitre, nous proposons une approche de réduction du vo- lume de données appelée"filtrage négatif", basée sur l’exploitation des métadonnées et applicable aux systèmes traitant des grands volumes de données. Nous justifions notre approche par une application aux systèmes de vidésurveillance proposée dans le cadre du projet FILTER21.
Figure 3.1 – Filtrage de données.
La section 3.1 de ce chapitre présente la définition du filtrage négatif dont un contexte applicatif est présenté à la section3.2. L’approche de filtrage négatif proposée dans cette thèse est développée dans les sections 3.3 et 3.4.
3.1. Définition du filtrage négatif
3.1 Définition du filtrage négatif
Nous allons définir la notion de filtrage négatif grâce au contexte applicatif de notre travail qui est l’utilisation de la vidéosurveillance à des fins d’enquête, ensuite nous allons généraliser cette définition.
La vidéosurveillance est devenue une mesure de sécurité très importante dans la prévention du crime [Gill and Spriggs, 2005]. Des études récentes [Fletcher, 2011], [Welsh and Farrington, 2008] illustrent l’importance de la vidéosurveillance qui per- met aux propriétaires de magasins, aux chefs d’entreprise et à la police de dissuader et de réagir aux incidents criminels signalés par cette technologie. L’une des princi- pales fonctions de la vidéosurveillance est de stocker des images d’incidents criminels et de comportements antisociaux afin de faciliter l’analyse post-incident pendant les enquêtes [Gill and Spriggs, 2005]. Le processus actuellement utilisé par les enquêteurs (en France), consiste à appliquer des traitements vidéo (détection de visages, détec- tion de véhicules, détection et lecture des plaques d’immatriculation...) sur l’ensemble des séquences vidéos récupérées en amont et préalablement indexées (conversion au bon format, géolocalisation des caméras, gestion des horodatages...). Les traitements sont appliqués sur l’ensemble des vidéos ou uniquement sur un sous-ensemble géogra- phique ou temporel. Après ces traitements et une extraction des données, les enquê- teurs effectuent des recherches (véhicules, plaques, personnes, visages...), visionnent les séquences d’intérêt et lancent de nouveaux traitements. Les récentes enquêtes (vol, terrorisme, incivisme, homicide) ont nécessité l’analyse de plusieurs dizaines de té- raoctects de données vidéos, correspondant à plusieurs dizaines de milliers d’heures de vidéo. L’utilisation des traitements automatiques dans le cadre de ces enquêtes a permis d’obtenir un gain de temps (encore trop faible dans un contexte opérationnel) d’un facteur 3 en moyenne par rapport à une analyse manuelle. Néanmoins, beaucoup de vidéos étaient inexploitables pour les traitements automatiques (luminosité due à la nuit, conditions optiques, ...). Le temps d’exécution des traitements aurait pu être réduit si les séquences vidéo inadaptées aux traitements automatiques avaient pu être écartées (filtrage négatif). Dans ce contexte, lefiltrage négatif est donc défini comme un ensemble de processus permettant d’éliminer parmi une masse de vidéos, les sé- quences qui ne sont pas compatibles aux traitements automatiques donnés. L’objectif est d’améliorer la rapidité d’exécution des traitements en exploitant uniquement les sé- quences vidéo exploitables. A titre d’exemple, considérons un algorithme de détection et lecture automatique de plaque d’immatriculation qui est capable de lire une plaque d’immatriculation lorsque la valeur (comprise entre 0 et 1) de la qualité d’image est d’au minimum 0.7. En deçà de ce seuil, le traitement ne retourne aucun résultat. Dans l’hypothèse où il est possible de déterminer à l’avance que la qualité d’une séquence vidéo ne peut être supérieure à 0.6, il devient certain que l’analyse de cette séquence