D´etection et caract´erisation de la pluie par cam´era

a l’ext´erieur du pare-brise du fait de la moins grande diff´erence d’indice de r´efraction entre le verre et l’eau. Le r´ecepteur d´etecte une baisse d’intensit´e du signal et renvoie l’information de pr´esence d’eau sur le pare-brise. Ce ph´enom`ene est illustr´e sur la figure 4.2.

(a) (b)

Figure 4.2 – Sch´ema de principe de fonctionnement des capteurs de pluie d´edi´es en absence (a) ou en pr´esence (b) de gouttes sur le pare-brise.

Ces capteurs sont en g´en´eral fiables, mais pr´esentent quelques inconv´enients. Tout d’abord, ils fournissent une information tr`es localis´ee sur le pare-brise, quelques gouttes d’eau sur le capteur suffisent `a le d´eclencher et `a l’inverse, une projection lat´erale importante pourra ne pas ˆetre vue par le capteur bien qu’elle recouvre partiellement le pare-brise. De plus, ils ne d´elivrent pas une information quantitative sur la densit´e de pluie pr´esente, seule l’intensit´e de la perte de signal est quantifi´ee, mais il n’est pas ´evident que cette baisse d’intensit´e soit corr´el´ee `

a l’intensit´e de la pluie car elle peut d´ependre de la taille ou de la forme des gouttes sur le pare-brise. Dans certaines conditions de grand froid, la pr´esence de givre au niveau du capteur peut ˆetre permanente et n’est supprim´ee ni par les essuie-glaces, ni par la temp´erature interne du v´ehicule. Ces capteurs sont alors inop´erants. Enfin, la pr´esence d’impuret´es tels que huile, graisse ou poussi`eres peuvent mettre son bon fonctionnement en d´efaut.

4.1.2 D´etection et caract´erisation de la pluie par cam´era

Les travaux portant sur la visibilit´e routi`ere par temps de pluie ont pour l’instant essentiel-lement ´et´e men´ees dans le cadre d’exp´eriences psychovisuelles par des laboratoires s’int´eressant `

a la s´ecurit´e routi`ere, tels [Morris 77, Gibbons 05], ce afin d’´evaluer la distance de visibilit´e ou d’´evaluer les performances des essuie-glaces. Ces travaux ont permis de d´efinir les mod`eles pr´e-sent´es dans le chapitre 3 et de mieux comprendre quels aspects de la pluie avaient un impact d´eterminant sur la visibilit´e routi`ere.

Parmi les m´ethodes fond´ees sur l’utilisation d’une cam´era comme capteur permettant la d´e-tection de la pr´esence de pluie, il existe plusieurs algorithmes fonctionnant en configuration sta-tique tels que [Garg 07, Barnum 10, Bossu 09]. L’algorithme propos´e dans [Garg 07] consiste en une d´etection des traces visibles des gouttes de pluie. Afin de r´ealiser cette d´etection, les auteurs s’appuient sur la modification temporelle d’intensit´e de certains pixels induite par la pr´esence de pluie. Cette m´ethode ne fonctionne que pour une cam´era statique afin de pouvoir corr´eler efficacement les intensit´es des pixels dans le temps. La m´ethode propos´ee dans [Barnum 10] se fonde ´egalement sur la d´etection des traces visibles de la pluie. En particulier, les auteurs

ont relev´e qu’une analyse des hautes fr´equences horizontales (pour des gouttes tombant verti-calement comme dans la figure 4.3) corr´el´ee `a des connaissances de la photom´etrie des gouttes permettait une d´etection sur une ou plusieurs images cons´ecutives. Une m´ethode assez proche a ´et´e propos´ee par [Bossu 09], elle n´ecessite ´egalement l’utilisation d’une cam´era statique dans la mesure o`u une diff´erenciation du premier plan et de l’arri`ere plan est n´ecessaire, apr`es une diff´erenciation des objets statiques et dynamiques de la sc`ene, les gouttes et les objets mobiles sont eux-mˆemes diff´erenci´es des gouttes par une analyse de formes et en particulier de l’orienta-tion et de la taille des objets. Les petits objets, lumineux, tr`es ´etir´es verticalement sont class´es comme des gouttes. Un suivi temporel de l’orientation moyenne des gouttes permet de faciliter et d’am´eliorer l’extraction dans les images suivantes.

Figure 4.3 – Images contenant de la pluie et r´esultats de d´etection de la pluie d’apr`es [Garg 07].

Il existe tout de mˆeme quelques m´ethodes fond´ees sur l’utilisation de cam´eras embarqu´ees pour la d´etection de pluie. Des applications destin´ees `a l’exploitation en conditions embar-qu´ees ont ´et´e propos´ees dans [Kurihata 05, Roser 09, Cord 08]. La premi`ere m´ethode, illustr´ee figure 4.4 s’appuie sur le fait que les gouttes sur le pare-brise sont statiques durant un court intervalle de temps, mˆeme lors d’un d´eplacement du v´ehicule. Apr`es avoir s´electionn´e manuelle-ment des gouttes visibles sur le pare-brise, un processus d’apprentissage est propos´e afin de faire ressortir les caract´eristiques type des gouttes de pluie. D’apr`es ces gouttes de r´ef´erence (eigen-drops), ils proposent de d´etecter les gouttes sur le pare-brise en s’appuyant sur une technique de corr´elation locale entre ces « gouttes de r´ef´erence » et une image acquise en temps r´eel.

Le principal d´efaut de cette m´ethode tient au fait que les gouttes de r´ef´erence sont des signatures d’intensit´e locales assez simples (patchs de dimension 15x15pixels environ). Elles peuvent renvoyer un tr`es bon score de corr´elation sur divers objets ou parties d’objets, en particulier dans des environnements complexes 4.4(a). De plus les patchs ont ´et´e appris sur des s´equences pr´esentant des grosses gouttes sur le pare-brise, non focalis´ees. Les r´esultats en d´etection de goutte et classification de la m´et´eo associ´ee aux s´equences pr´esentant des petites gouttes est nettement moins bonne. Les r´esultats manquent de stabilit´e et de nombreuses gouttes potentielles sont tout de mˆeme d´etect´ees sur des images sans pluie sur le pare-brise. En ne s´electionnant que des gouttes sur fond de ciel, les r´esultats sont alors de l’ordre de 90 % de bonne classification pluie/non-pluie de leurs s´equences vid´eo 4.4(b). N´eanmoins, en limitant les zones ´etudi´ees du pare-brise sur fond de ciel, ils limitent d’autant la zone exploitable, donc l’efficacit´e, dans des environnements urbains o`u peu de ciel est visible.

(a) (b)

Figure 4.4 – D´etection de gouttes sur le pare-brise en prenant toute l’image (a) ou ne travaillant que sur fond de ciel (b) [Kurihata 05].

La m´ethode propos´ee dans [Roser 09] cherche `a d´etecter les gouttes focalis´ees pr´esentes sur le pare-brise afin de compenser par des techniques de restauration d’image la d´egradation des performances que subissent la plupart des algorithmes classiques utilis´es pour les aides `

a la conduite. Il s’appuie d’une part sur un d´etecteur de points d’int´erˆet classique (SURF2) permettant de d´etecter de multiples points appartenant potentiellement `a des gouttes. Les points d´etect´es sont confirm´es comme appartenant `a des gouttes s’ils pr´esentent un certain nombre de caract´eristiques g´eom´etriques et photom´etriques propres aux gouttes.

Cette m´ethode n’est pas `a proprement parler destin´ee `a caract´eriser la pluie. Les auteurs ont pour objectif de d´etecter les gouttes d´egradant l’image de la sc`ene en vue d’une restauration ult´erieure. Ils s’appuient sur la d´etection des discontinuit´es fortes dans l’image mais ne cherchent pas `a quantifier le nombre de gouttes.

La m´ethode propos´ee par [Cord 08] s’appuie sur le mˆeme constat que [Kurihata 05] : les gouttes sont statiques sur le pare-brise, mˆeme lorsque le v´ehicule est en mouvement. En utilisant un moyennage temporel des pixels de l’image, les traces des gouttes d’eau statiques restent nettes et contrast´ees alors que le fond, en mouvement lorsque le v´ehicule se d´eplace, tend `a prendre une valeur moyenne. Le comportement photom´etrique des gouttes, qui g´en`erent un gradient ´elev´e dans l’image, permet de les d´etecter. Les r´esultats actuels et le potentiel de la m´ethode ont donn´e lieu a un d´epˆot de brevet dans le cadre du projet DIVAS aupr`es de l’INPI dont l’examen est encore en cours `a ce jour.

L’algorithme ainsi d´evelopp´e est rapide (25 images par seconde). Il a ´et´e test´e sur une base d’enregistrements vid´eos produite sur un v´ehicule ´equip´e d’une cam´era et d’un PC par le LIVIC. Diff´erentes conditions de pluie (pluie dense, pluie fine, absence de pluie) ainsi que diff´erents r´eseaux routiers (autoroute, route nationale, urbain) ont ´et´e test´es. Les r´esultats en d´etection de pluie sont tr`es bons (pr`es de 100 % de bonnes d´etection « pluie/non-pluie » sur les s´equences de test). Les r´esultats n’ont pas ´et´e quantifi´es sur des s´equences de r´ef´erence car il n’existe pas de benchmark national ou international de s´equences de pluie `a l’heure actuelle. Les r´esultats sont satisfaisants, aussi bien sur des s´equences avec ou sans pluie, de nuit comme de jour, pluie fine ou grosses gouttes.

La m´ethode propose de quantifier une densit´e surfacique de pluie sur une portion du pare-brise. Cette mesure doit ˆetre pond´er´ee par la fr´equence de passage des essuie-glaces et par la vitesse du v´ehicule avant de permettre d’estimer l’intensit´e de la pluie. La phase suivante

Figure 4.5 – Images contenant de la pluie et r´esultats de d´etection de la pluie d’apr`es [Cord 08].

luation consistera `a une qualification d’un tel outil pour la caract´erisation de l’intensit´e de la pluie. Une m´ethode qui pourrait ˆetre fructueuse serait de comparer les r´esultats obtenus par ca-m´era avec ceux d’outils de mesure tels que des pluviom`etres ou spectropluviom`etres install´es sur le mˆeme site. Il est envisag´e par les auteurs de combiner l’information li´ee `a la densit´e de pluie et `

a la vitesse du v´ehicule afin de proposer une ´evaluation de la quantit´e de pluie en unit´e m´et´eoro-logique, c’est-`a-dire en millim`etre par heure. L’algorithme met en jeu de nombreux param`etres qu’il faudra r´egler afin d’optimiser la qualit´e du r´esultat final, mais les stations m´et´eorologiques classiques ne fournissent que des informations heure par heure. Ce qui ne permet pas, pour l’instant, d’effectuer ce travail de comparaison. L’utilisation d’un spectropluviom`etre ou d’un capteur de meilleure r´esolution temporelle pourrait en partie lever le probl`eme de l’estimation de l’intensit´e de pluie « instantan´ee ».