trac routier

4.5 Données collectées pour la caractérisation du tra- tra-ctra-c

4.5.3 Estimation des directions

Par direction des véhicules on entend déterminer son sens de déplacement et le désigner par une èche orientée sur le modèle de passage piéton, pris comme la référence de la scène de la zone de traversée. Le modèle utilisé est déjà assigné d'un repère cartésien orienté ayant l'intersection de la médiane du passage piéton comme origine (Figure 4.15). Par conséquent, la projection de la trajectoire du véhicule sur ce modèle permet d'avoir des positions annotées spatialement par des coordonnées ordonnées dans un ordre croissant ou décroissant. L'analyse de l'ordre de ces positions permet d'identier la direction du véhicule ou du piéton. Selon le modèle de passage piéton proposé, si les positions sont dans l'ordre croissant, alors le véhicule se déplace de gauche à droite, si elles sont dans l'ordre décroissant, alors la direction du véhicule est de droite à gauche. L'analyse des trajectoires des véhicules collectés à partir des caméras 1 et 2

pour le trac gauche et droit, est illustrée par la gure 4.15.b. La gure 4.15.a présente l'analyse des trajectoires des piétons et celles des véhicules avec la détermination de leurs directions.

Figure 4.15  Illustration de l'identication des directions : a) Exemple de directions d'un piéton et d'un véhicule, b) Exemple de direction de deux véhicules pour le trac gauche et droit.

4.5.4.1 Etude de cas et base d'évaluation

Nous avons utilisé la base de données CWV (CrossWalkValenciennes), présentée à la section 2.3.4.1, pour l'évaluation du processus de détection des véhicules dans les cas dynamiques. Les séquences CWV sont capturées dans un espace urbain extérieur, pour un contexte de traversée d'une rue. La base de données se compose des séquences vidéo pour le trac gauche et droit. Pour présenter les performances de notre outil automatique de collecte de paramètres du trac en termes de précision de la vitesse moyenne des véhicules, la base CWV est enrichie par 3 scénarios supplémentaires. Durant ces scénarios les conducteurs sont invités à rouler avec 3 vitesses diérentes toute en respectant la vitesse limite autorisée dans la zone d'acquisition qui est de 50

km.h−1.

 Scénario 1 : Deux conducteurs roulent avec une vitesse constante de 20 km.h−1

 Scénario 2 : Deux conducteurs roulent avec une vitesse constante de 40 km.h−1.

 Scénario 3 : Deux conducteurs roulent avec une vitesse constante de 50 km.h−1.

Deux essais sont enregistrés par scénario. 4.5.4.2 Résultats expérimentaux

4.5.4.2.1 Evaluation de l'estimation des trajectoires et des positions La trajectoire automatiquement estimée a été comparée à celle de la réalité du terrain mesurée manuellement par le suivi des véhicules, dont nous connaissions les caractéristiques de déplacement, pour illustrer la précision de l'outil. La comparaison

a été faite en termes d'erreur moyenne (RMSE) et de coecient de corrélation (R2)

qui ont été calculés comme expliqué aux Équations 2.11 et 2.12.

Le tableau 4.5 résume les résultats des calculs de la RMSE et du R2 entre les

trajectoires estimées et celles réelles en utilisant les deux méthodes 'M1' et 'M2'. La gure 4.16 illustre la corrélation entre ces trajectoires.

Table 4.5  Erreur moyenne et coecient de corrélation entre les positions estimées des véhicules et celles réelles.

RM SE R2

Trac droit 4,35 0,99

Trac gauche 16,62 0,97

Les résultats présentés dans le tableau 4.5 montrent que les positions des voitures détectées automatiquement sont proches de la réalité de terrain pour les cas de mono et multi-détections. En eet, le RMSE ne dépasse pas 5 pixels pour la première séquence.

De plus, les valeurs de R2 illustrent que les positions estimées sont très corrélées avec

celles réelles. Une erreur moyenne de l'ordre de 4, 35 pixel entre les positions estimées et celles de réalité de terrain est raisonnablement réduite dans un contexte de suivi de

Figure 4.16  Superposition des trajectoires estimées et de celles de réalité du terrain. 4.5.4.2.2 Evaluation de l'estimation des vitesses moyennes

L'évaluation de la précision de l'outil automatique de collecte des paramètres du trac en termes d'estimation de la vitesse moyenne est présentée à travers la compa-raison des vitesses estimées à celles indiquées par le compteur du véhicule et vérié sur le terrain, suivant les 3 scénarios présentées pour l'étude de cas (section 4.3.3.2.1 ). Les estimations de vitesses sont réalisées pour le trac gauche et droit. Les tableaux 4.6 et 4.7 résument ces estimations respectivement par les méthodes M1 et M2. Alors que le tableau 4.8 présente les valeurs de l'erreur moyenne entre les vitesses automatiques et manuelles.

En se basant sur ces résultats expérimentaux, on peut dire qu'il existe un bon accord entre les vitesses des véhicules mesurées manuellement et automatiquement

(RMSE = 1, 3 km.h−1 et 2, 85 km.h−1, respectivement pour le trac gauche et droit).

Table 4.6  Evaluation de l'estimation des vitesses moyennes avec la méthode M1. M1

Trac gauche Trac droit

Estimation Scénario 1 20 km.h−1 Scénario 2 40 km.h−1 Scénario 3 50 km.h−1 Scénario 1 20 km.h−1 Scénario 2 40 km.h−1 Scénario 3 50 km.h−1 Séquence 1 D : Km 0,63 1,09 1.18 0.74 1,27 1,38 T :h 0,026 0,026 0.024 0.044 0,03 0,026 V : Km.h−1 24,23 41,92 49,16 16,95 42,33 53,07 Séquence 2 D : Km 0,93 1,05 0,98 0,80 0,428 1,15 T :h 0,046 0,026 0,02 0,05 0,01 0,022 V : Km.h−1 20,21 40,38 49 16,40 42,80 52,27

Table 4.7  Evaluation de l'estimation des vitesses moyennes avec la méthode M2. M2

Trac gauche Trac droit

Estimation Scénario 1 20 km.h−1 Scénario 2 40 km.h−1 Scénario 3 50 km.h−1 Scénario 1 20 km.h−1 Scénario 2 40 km.h−1 Scénario 3 50 km.h−1 Séquence 1 D : Km 0,67 1,12 1,3 0,91 1,43 1,92 T :h 0,026 0,026 0.024 0.044 0,03 0,035 V : Km.h−1 25,89 43,14 54,16 20,85 47,86 54,85 Séquence 2 D : Km 1,092 1,29 1,05 0,93 0,46 1,26 T :h 0,046 0,026 0,02 0,05 0,01 0,022 V : Km.h−1 23,74 49,77 52,50 18,60 46,19 57,32 Table 4.8  Erreur moyenne pour l'estimation des vitesses des véhicules pour le trac gauche et droit

Trac gauche Trac droit

M1 1,30 2,85

M2 4,86 4,74

l'imprécision dans le calibrage de la caméra et les irrégularités dans les trajectoires des véhicules dues au bruit de la détection et de l'extraction des caractéristiques. On constate également que la méthode M2 semble moins performante que M1.

4.6 Conclusion

L'évolution fonctionnelle des rues et de la circulation, mais aussi le vieillissement de la population implique l'évolution des normes industrielles et des pratiques profession-nelles an de répondre aux nouveaux besoins des piétons en matière de sécurité et de mobilité. Mettre l'accent sur l'analyse du comportement des piétons implique la prise en considération des paramètres du trac. La mise en place d'un outil automatique de collecte des données du trac able à l'aide des techniques de vision par ordinateur

est un dé scientique et technologique mais aussi un besoin sociétale, qui a motivé la dénition de nos objectifs dans ce chapitre. Ainsi, le système développé dans le deuxième chapitre pour la détection et le suivi des piétons a été modié en profondeur pour s'adapter aux particularités du mouvement des véhicules et pour discriminer les piétons et les véhicules. En eet, les paramètres de calcul du descripteur de l'HOG ont été adaptés pour le cas des véhicules par le changement de la taille des cellules et des blocs ainsi que par le nombre de classes d'orientation de gradients à prendre en considération. De même, l'optimisation de l'HOG par l'intégration de paramètres du mouvement améliore considérablement les performances en termes de taux de recon-naissance et de temps de calcul. Cet outil a été exploité pour la collecte des variables pour caractériser le trac telles que la vitesse des véhicules, leurs directions ainsi que leurs positions spatio-temporelles. L'outil proposé a ensuite été testé sur notre base de vidéo CWV collectée à l'université de Valenciennes, en y sélectionnant plusieurs scénarios variables avec un et/ou plusieurs véhicule(s) en mouvement sur la route pour le trac gauche et droit. Les variables de trac seront ensuite, interprétées et corrélées avec les autres variables telles que celles des piétons pour générer des indicateurs de conits P-V servant à inférer le comportement des piétons.

Dans le document Approche automatique à base de traitement d'images pour l'analyse comportementale de piétons âgés lors de la traversée d'une rue (Page 134-140)