1.2 Le Traitement d’Images Temps R´eel
1.2.1 Quelques applications de Traitement d’Images
1.2.1.2 Deuxi`eme exemple
Cette seconde application aborde le probl`eme des approches multi-fenˆetres
d’int´erˆet dont le nombre, la position dans l’image issue du capteur et la taille
sont variables dans le temps et remis `a jour `a chaque it´eration. Ce type
d’application a pour objectif premier d’acc´el´erer les temps de calcul par une
r´eduction initiale du volume de donn´ees `a traiter
1.
De plus, cette classe de chaˆıne de traitements faisant appel `a une
technique de pr´ediction-v´erification manipule non plus des images prises
s´epar´ement mais un flot continu d’images : les donn´ees trait´ees `a l’it´eration
i sont conditionn´ees par les r´esultats provenant de l’it´eration i−1.
Un exemple de d´etection et suivi de v´ehicules routiers rep´er´es par
un syst`eme de trois amers
2[MCMD98] illustrant parfaitement cette approche
est d´ecrit sur la figure 1.3.
Prédiction Initialisation Extraction d’amers d’amers
ok ? Suivi Localisation Oui Non Sélection des véhicules
Figure 1.3: D´etection et suivi de v´ehicules routiers
Afin d’expliquer le fonctionnement de cette chaˆıne de traitement,
con-sid´erons le cas id´eal d’ex´ecution (cas d’une d´etection du v´ehicule sans perte
de suivi). L’application comporte alors quatre ´etapes successives que nous
allons d´etailler :
➟ une phase d’extraction des points lumineux dans les fenˆetres d’int´erˆet
permet de d´etecter les amers. Le recours `a un seuillage adaptatif bas´e
sur l’histogramme des niveaux de gris permet de s’affranchir des
vari-ations lumineuses de l’image.
➟ une phase de s´election des amers d´etect´es extrait parmi les amers
candi-dats ceux correspondant `a une d´etection effective de v´ehicules. En effet,
il est possible soit d’obtenir plus de trois amers dans les zones d’int´erˆet
(amers parasites par exemple), soit moins de trois (amers occult´es par
exemple). Cette ´etape effectue une mise en correspondance des amers
d´etect´es avec ceux pr´edits ce qui permet d’´eliminer les ph´enom`enes
d’occultation et de parasitage. La figure 1.4 pr´esente les r´esultats de
d´etection `a la fois dans un cas id´eal `a trois amers et dans un cas parasit´e
avec cinq amers.
1
On ne manipule plus des images dans leur int´egralit´e mais des zones restreintes
con-tenant des informations jug´ees pertinentes.
2
En navigation maritime, un amer est d´efini comme un objet caract´eristique immobile
et ais´ement rep´erable sur la cˆote[Gle95]. Dans le cadre de l’application, les amers sont
trois feux plac´es sur les v´ehicules.
➟ une phase de localisation du v´ehicule permet de remonter `a
l’information de distance entre la cam´era et le v´ehicule suivi en ayant
recours `a un mod`ele du v´ehicule,
➟ une phase de pr´ediction permet de d´efinir la position et la taille des
fenˆetres d’int´erˆet qui seront trait´ees `a l’it´eration suivante.
Détection de 3 amers Détection de 5 amers
et localisation du véhicule
et localisation du véhicule
Figure 1.4: R´esultats de d´etection de v´ehicules
Le fonctionnement d´ecrit dans les quatre ´etapes correspond au r´egime
per-manent d’ex´ecution et n’est pas toujours reproductible. En effet, les phases
d’initialisation au d´emarrage de l’application ainsi que les r´e-initialisations
dans le cas de perte de suivi sont des ´etapes indispensables qui sont dues `a la
notion de rebouclage du sch´ema. Dans les deux cas, la strat´egie de recherche
des amers d´ecrite auparavant peut ˆetre appliqu´ee mais celle-ci doit op´erer
non plus sur des fenˆetres d’int´erˆet mais sur l’image globale puisque aucune
connaissancea priori ne peut indiquer la position des amers. La cons´equence
directe d’une telle approche est un rallongement syst´ematique du temps de
traitement d’une it´eration. La phase de suivi ne sera r´eellement lanc´ee que
lorsqu’un v´ehicule rep´er´e par trois amers distincts aura ´et´e effectivement
d´etect´e. En cas de perte de suivi, le recours `a des phases de r´e-initialisation
du syst`eme peut ˆetre tr`es pr´ejudiciable car le comportement temps r´eel de
l’application n’est alors plus garanti.
De plus, consid´erons maintenant la mˆeme chaˆıne de traitement non plus
dans un contexte mono-cible (d´etection et suivi d’un seul v´ehicule) mais
dans une approche multi-cible (d´etection et suivi d’un nombre variable de
v´ehicules). Dans ce cas, il est impossible de pr´edire `a un instant donn´e
le nombre de v´ehicules pr´esents dans l’image. Cela impose non
seule-ment d’effectuer un suivi des v´ehicules d´ej`a d´etect´es durant les it´erations
pr´ec´edentes mais ´egalement de mettre en place une strat´egie op´erant sur
l’image globale dont le but est de d´etecter d’´eventuels nouveaux v´ehicules
apparaissant dans le champ de la cam´era. Ceci accroˆıt la complexit´e de la
chaˆıne de traitement puisque plusieurs op´erateurs vont traiter des donn´ees
`a des cadences diff´erentes (suivi dans les zones d’int´erˆet `a la cadence
vid´eo et d´etection de nouveaux v´ehicules par scrutation de l’image compl`ete
toutes les 10 images par exemple). Du point de vue temporel, cela implique
in´evitablement l’impossibilit´e de pr´edire la dur´ee des it´erations. D’un point
de vue algorithmique, cela suppose un entrelacement des tˆaches de dur´ees et
de fr´equence d’activation diff´erentes.
Dans le document
Prototypage rapide d'applications parallèles de vision artificielle par squelettes fonctionnels
(Page 34-37)