4.5 Evaluation des performances de la reconnaissance des obstacles rou-
4.5.3 Discussions
evidentielle TPG SVM-DH
MA Pr´ecision MA Pr´ecision
G-IR,G-VIS 87.41 C 88.43 C 88.09
G-IR,L-VIS 90.81 C 90.81 S 90.81
G-IR,L-IR 88.09 C 89.11 N 88.09
fusion. Cet impact est particuli`erement marqu´e en cas de mauvaises classifications
avec des taux importants de certitude. En d’autres termes, si le classifieur est sˆur
de sa d´ecision, malgr´e qu’il se trompe.
Il est fort de constater que pour G-IR⊗L-VIS, le second niveau de classification
n’a ´et´e utilis´e que pour 16,32% du nombre total d’exemples contenus dans la base
du test. Cela confirme le gain consid´erable en temps de calcul, obtenu en utilisant
la strat´egie propos´ee.
En ce qui concerne l’affaiblissement des fonctions de masse, la comparaison des
r´esultats obtenus dans les tableaux 4.3 et 4.5 permet de r´ev´eler l’importance de
l’affaiblissement contextuel. Cette m´ethode permet de r´eduire l’impact n´egatif de
la pr´ecision du classificateur en att´enuant le poids des fausses d´ecisions.
La mesure de certitude li´ee `a la d´ecision du premier classifieur est une condition
n´ecessaire pour garantir une prise de d´ecision fiable. La comparaison pr´esent´ee
dans le tableau 4.5 montre que les r´esultats obtenus en se basant sur la mesure de
TPG sont l´eg`erement meilleurs que ceux bas´es sur la distance `a l’hyperplan. Ce
r´esultat semble logique puisque la mesure de certitude SVM-DH est moins pr´ecise
que la TPG. En effet, elle accorde la mˆeme confiance pour les instances se trouvant
l´eg`erement ou beaucoup plus distants de la marge. En revanche, la TPG fournit
une solution plus pr´ecise, en transformant les sorties de SVM en probabilit´es.
Enfin, nous pouvons conclure que la strat´egie propos´ee de la classification `a deux
niveau convient parfaitement `a notre probl´ematique de reconnaissance des
obs-tacles routiers. Elle permet de r´eduire la complexit´e du probl`eme et d’acc´el´erer
le temps de calcul sans compromettre les performances du syst`eme. Apr`es avoir
´
evalu´e tous les param`etres, nous pr´esentons dans la figure 4.5 le sch´ema final de
cette strat´egie.
4.5.3 Discussions
Plusieurs conclusions peuvent ˆetre tir´ees des r´esultats exp´erimentaux pr´esent´es.
Les r´esultats obtenus avec la fusion fond´ee sur la DST montrent une r´eelle am´
elio-Figure 4.5.Descriptif de la strat´egie de d´ecision bas´ee sur la classification `a deux niveaux
ration par rapport aux performances individuelles des classifieurs (quelle que soit
la modalit´e et l’ensemble des caract´eristiques). De plus, la comparaison avec les
m´ethodes de fusion probabilistes ou par la fusion de caract´eristiques confirme
l’in-t´erˆet de la fusion ´evidentielle. Bien que le gain en termes de performances semble
modeste, toute am´elioration dans le cadre de l’assistance `a la conduite est b´en´
e-fique.
De plus, il a ´et´e constat´e que les performances de reconnaissance ne s’am´eliorent
pas proportionnellement avec le nombre de sources `a combiner. La s´election de
sources doit se focaliser plutˆot sur une analyse fine de leur compl´ementarit´e.
L’ana-lyse des diff´erentes combinaisons de caract´eristiques nous a permis de d´eterminer
les meilleures sources `a combiner qui sont L-VIS⊗G-IR. Ces caract´eristiques sont
compl´ementaires et se distinguent par la modalit´e et la mani`ere dont elles sont
extraites.
ba-4.5 Evaluation des performances de la reconnaissance des obstacles
routiers 135
s´ee sur deux niveaux de classification. Cette solution permet d’acc´el´erer le temps
de traitement vu que l’utilisation du deuxi`eme classificateur intervient seulement
en cas d’incertitude li´ee `a la d´ecision du premier classifieur. Les exp´erimentations
r´ealis´ees mettent en valeur le fait que cette strat´egie permettant de r´eduire la
complexit´e du syst`eme sans compromettre les performances de reconnaissance.
4.5.4 Bilan
Les r´esultats pr´esent´es dans ce chapitre prouvent que le syst`eme de
reconnais-sance bas´e sur la fusion ´evidentielle est capable de traiter des tˆaches compliqu´ees
de reconnaissance. Les deux sources d’informations s´electionn´ees (G-IR et L-VIS)
sont bas´ees sur SURF/SVM et permettent de caract´eriser les textures, les formes
en IR et les apparences locales d’objets en VIS. Enfin, le module de fusion bas´e sur
la DST permet de combiner les donn´ees provenant de ces deux sources de fa¸con
robuste en couvrant les probl`emes d’impr´ecision, d’incertitude et de conflits.
Bien que les diff´erentes approches propos´ees ont montr´e des performances
simi-laires, nos exp´eriences permettent de conclure la sup´eriorit´e des m´ethodes de fusion
bas´ees sur la DST par rapport aux m´ethodes probabiliste de fusion. N´eanmoins,
cet avantage n’est pas significatif quand il s’agit de combiner des sources
unimo-dales (exemple : G-IR et L-IR). Il apparaˆıt en effet, dans les r´esultats pr´esent´es
pr´ec´edemment, que la fusion des caract´eristiques G-IR⊗L-IR donne un r´esultat
meilleur que l’approche DST (FC : 89.8%, DST : 88.09%). Ceci peut ˆetre expliqu´e
par le fait que l’approche par fusion de caract´eristiques peut donner des r´esultats
int´eressants quand il s’agit de combiner des sources homog`enes (issues de la mˆeme
modalit´e). Tandis que, le meilleur r´esultat obtenu avec la DST (G-IR⊗L-VIS) est
de 90.81%, mais c’est la cons´equence de la fusion multimodale des capteurs IR
et VIS. Dans le tableau 4.6, nous comparons les taux de F-score sp´ecifiques `a la
reconnaissance de chaque objet routier.
Table 4.6. Comparaison entre les meilleurs taux de F-score obtenus avec une fusion unimodale et multimodale