Elimination du « background » de l’image instantanée :

Etant peu complexe, la différence entre deux images consécutives représente une solution très intéressante. Comme son nom l’indique, elle consiste à soustraire une image acquise au temps tn d’une autre au temps tn+k, où k est habituellement

égal à 1. Ainsi, L’image résultante sera vide si aucun mouvement ne s’est produit pendant l’intervalle de temps observe car l’intensité et la couleur des pixels seront presque identiques. Par contre, si du mouvement a lieu dans le champ de vue, les pixels frontières des objets en déplacement devraient changer drastiquement de valeurs, révélant alors la présence d’activité dans la scène.

Cette technique nécessite très peu de ressources, car aucun modèle n’est nécessaire. Cela implique donc qu’il n’y a pas de phase d’initialisation obligatoire avec une scène statique, ce qui procure une très grande flexibilité d’utilisation. De plus, une opération de soustraction d’images requiert tr`es peu de puissance de calcul, lui conférant un avantage supplémentaire.

Par ailleurs, les résultats obtenus avec cette méthode ne sont pas aussi éloquents que ceux générés en utilisant un modèle statistique de l’arrière-plan. En effet, certains traitements supplémentaires sont nécessaires afin de déterminer la zone en mouvement, car l’information disponible ne concerne que les contours des régions en déplacement (ce qui inclus également les zones intérieures d’un objet).

1.2.2. Filtrage de l’image résultante par seuillage

L’étape suivante est l’extraction de la matrice mobile représentant l’animal. Cette extraction, qui consiste à décider pour chaque pixel s’il correspond au mobile ou au fond de l’image, s’appelle étiquetage. L’étiquetage peut être réalisé par la technique du seuillage.

L’objectif visé par le seuillage est la production d’une image nettoyée à partir d’une image brute. Pour cela, chaque pixel de l’image est étiqueté comme pixel du mobile ou pixel de fond. Les pixels de fond sont ensuite

1.2.2.1. Principe général du seuillage.

Lorsque l’éclairage de la surface est uniforme et que la surface est parfaitement plane, les pixels du fond ont en théorie la même valeur. Il suffit alors d’identifier cette valeur et de supprimer les pixels correspondants. Étant donné que la surface occupée par les inscriptions est largement inférieure à la surface occupée par le fond, la valeur de pixel de fond est choisie comme la valeur la plus fréquemment rencontrée dans l’image.

En pratique, les pixels de fond n’ont pas tout à fait la même valeur. la valeur du seuil est comprise entre l’intensité lumineuse du fond la plus sombre et l’intensité des inscriptions les plus claires. En conséquence, tout pixel dont la valeur est supérieure au seuil est considéré comme appartenant au fond. Les autres pixels correspondent à l’encre. La difficulté revient au choix de la valeur du seuil.

D’autres facteurs interviennent dans la variation lumineuse comme l’irrégularité de la surface et les ombres des personnes et des objets de l’environnement. En raison de ces variations, le principe général de seuillage exposé jusqu’ici ne suffit pas à remplir sa mission : dans les zones fortement éclairées, les pixels d’encre peuvent avoir des intensités lumineuses supérieures aux pixels des zones du fond les plus sombres. Il convient donc de découper la surface en zones et de calculer un seuil adapté à chaque zone : c’est le seuillage adaptatif par zone.

1.2.2.2. Seuillage adaptatif par zone.

Le problème du seuillage adaptatif d’images a été abondamment traité dans la littérature (Sahoo et coll. 1988). Parmi les méthodes avancées, le seuillage adaptatif par région convient à notre problème. Son principe s’appuie sur la continuité de la variation lumineuse dans l’espace. Il s’agit de partitionner la surface à seuiller en zones de taille assez petite pour que les variations de luminosité soient faibles à l’intérieur de chaque zone. Dans ces conditions,

l’approche générale présentée précédemment peut être appliquée, le problème qui se pose est de trouver la taille et la valeur du seuil pour chaque zone. Dans ce qui suit, nous présentons la technique que nous avons mises en oeuvre. Elle est basée sur la moyenne courante de l’intensité des pixels, a été conçue par Wellner pour le Bureau Digital (Wellner 1993). Elle a été également utilisée dans le développement du système BrightBoard (Stafford et coll. 1996). Les limitations de cette solution nous ont amenés à développer une nouvelle technique basée sur une modélisation plus précise de la distribution des intensités de pixels.

1.2.2.3. Seuillage par Moyenne courante

Cette méthode dite aussi Seuillage de Wellner (Wellner 1993) consiste à calculer un seuil pour chaque pixel en fonction de la moyenne des pixels qui le précèdent sur une ligne de l’image. Soit la ligne de pixels pn-s à pn .

Fig. 53: Représentation d’une ligne de pixels.

Le seuil choisi au point pn est calculé en faisant la moyenne des intensités

lumineuses des s pixels précédents. Si pn > seuil -(seuil * t), alors pn est un pixel

du fond. Dans le cas contraire, il s’agit d’un pixel du mobile. t est un pourcentage choisi empiriquement ( Wellner propose 15%).

1.2.3 Flux optique

Similaire à l’approche précédente, l’utilisation du flux optique procure une information de mouvement pour chaque pixel de l’image. Ainsi, il mesure les vecteurs de déplacement à partir de l’intensité des pixels de deux images consécutives ou temporellement rapprochées. Dans un contexte de détection de mouvement, les pixels inactifs posséderont alors une vélocité nulle contrairement aux pixels appartenant à des objets dynamiques. Une classification sous forme de regroupement est donc nécessaire afin d’isoler et de localiser les zones représentant du mouvement. Cette technique a notamment été utilisée pour la détection de piétons (Kunert et coll. 2001). Il y a finalement plusieurs méthodes

pour calculer le flux optique, mentionnons entre autres celle de Lucas et Kanade (Lucas et Kanade 1981) ainsi que celle de Horn et Schunck (Horn et Schunck 1981).

L’inconvénient majeur de l’utilisation du flux optique est la somme importante de calculs à réaliser pour l’estimation du mouvement. Par ailleurs, une variante utilisant le block matching 2 peut bénéficier de certaines instructions optimisées MMX ™ , ce qui peut accélérer le traitement global. Néanmoins, une tâche supplémentaire de classification et d’interprétation est nécessaire.

De plus, si certaines parties d’un objet ne sont pas en mouvement, elles seront complètement ignorées par cette méthode. Ce pourrait être le cas par exemple d’une séquence vidéo contenant une personne assise par terre et agitant les bras. Dans cette situation bien précise, le corps de la personne ne serait pas détecte contrairement à ses bras.

1.2.4. Maximisation du Contraste

Bien que déterminant des seuils, cette technique ne fait pas appel à l'histogramme mais utilise directement la répartition spatiale des niveaux de gris g(i) dans l'image. Elle est ici présentée dans le cas de la binarisation. L'objectif est de trouver le seuil qui va introduire le maximum de contraste dans l'image résultat. Et l’implémentation de l’algorithme adapté (Press et coll. 1992).

Soit k un seuil donné. On construit l'ensemble K par :

{

}

)

(k ab g a k g b

K = ≤ ≤ (1) où a et b sont deux pixels voisins dans l'image (pour un ordre de voisinage à fixer). A cet ensemble, on associe la mesure de contraste suivante :

∑

La valeur retenue pour le seuil sera celle qui maximisera le ratio

[

]

Cette méthode en apparence complexe est très intéressante car elle introduit la notion de contexte dans l'étude des couples de pixels voisins. L'histogramme des niveaux de gris n'est plus la seule source d'information. Cette idée sert de base aux méthodes contextuelles. Cette nouvelle étape a permis d’affiner le filtrage de l’image résultante, ce qui a permis de réduire énormément le bruit, qui fausse la qualité de détection.