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

.

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

[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.