Evaluation des pr´etraitements

Afin de pr´eparer la vid´eo et faciliter le suivi, nous avons d´evelopp´e deux modules bas´es sur des pr´etraitements d’images : le module de localisation de la r´egion d’int´erˆet et le module de d´etection automatique de la tˆete du nageur permettant d’initialiser le suivi. la suite de cette section pr´esente l’´evaluation de chacun de ces modules.

5.3.2.1 Evaluation de la localisation de la r´egion d’int´erˆet

L’objectif de ce module est de d´etecter le mouvement du nageur dans le but de restreindre la r´egion d’int´erˆet. Pour cela, nous avons propos´e dans le chapitre 1 sec-tion 2.5.6.1, une m´ethode adapt´ee bas´ee sur le principe a contrario [100].

L’id´ee de base consiste `a g´en´erer un mod`ele de bruit standard correspondant au mou-vement de l’eau. Ceci est effectu´e en calculant la diff´erence entre des images repr´esentant des moments o`u le couloir est vide. Une fois le mod`ele du bruit ´etabli, nous calculons la diff´erence entre chaque image de la s´equence vid´eo et l’image pr´ec´edente. Ensuite, nous d´ecomposons chaque image de r´ef´erence en blocs. Chaque bloc est compar´e avec le mod`ele de bruit pour d´eterminer sa nature : bruit ou mouvement du nageur. Enfin, la r´egion d’int´erˆet contenant les blocs de mouvement valid´es est localis´ee.

Dans cette approche, nous avons constat´e que notre m´ethode ´etait incapable de d´etecter le mouvement du nageur dans le cas d’un mouvement minime. Pour pallier ce probl`eme, nous avons propos´e la technique de pr´ediction introduite dans le chapitre 4 section 4.2. Cette derni`ere se base sur un ensemble de crit`eres pertinents : la direction de nage, la position r´ef´erentielle valid´ee et la vitesse moyenne.

Afin d’´evaluer ce module de localisation de la r´egion d’int´erˆet, nous l’avons test´e sur 5 s´equences vid´eo de nage libre durant les championnats nationaux de Limoges 2015. Chaque s´equence, contenant 400 images avec un taux de 25 images/s, commence par quelques images du couloir vide avant le plongeon du nageur. Ces quelques images nous permettent d’´etablir le mod`ele de bruit avec la m´ethode a contrario. La d´etection automatique du mouvement dans le couloir sera ´evalu´ee en utilisant le pourcentage de localisations r´eussies (nageur dans la r´egion d’int´erˆet).

S´equences Nageurs ^{Pourcentage de localisation}

a contrario sans pr´ediction a contrario avec pr´ediction Nage libre 1

Nageur 1 95.25 100

Nageur 2 97 100

Nageur 3 95.75 99.5

Nage libre 2 ^{Nageur 1 94.5 99.75}

Nageur 2 96 100

Table 5.1 – Pourcentage de localisation de la r´egion d’int´erˆet en utilisant la m´ethode a contrario avec et sans pr´ediction. Nage libre - Championnat national de natation, Limoges 2015.

Le tableau 5.1 pr´esente les r´esultats de la m´ethode a contrario appliqu´ee `a la lo-calisation de la r´egion d’int´erˆet selon les deux modes : avec et sans pr´ediction. Nous constatons que l’application de la m´ethode a contrario permet d’obtenir des pourcen-tages de localisation ´elev´es qui varient entre 94.5% et 97%. Dans ce cadre, ces r´egions d’int´erˆet seront utilis´ees, par la suite, pour d´etecter pr´ecis´ement la tˆete du nageur. De ce fait, la localisation de la r´egion d’int´erˆet est une ´etape cruciale. Dans le but d’opti-miser les r´esultats et d’assurer l’existence de la tˆete dans la r´egion d’int´erˆet, nous avons coupl´e la m´ethode a contrario avec une technique de pr´ediction adapt´ee (chapitre 4 section 4.2). Cette derni`ere nous a permis d’obtenir des pourcentages de localisation tr`es ´elev´es proches de 100%.

5.3.2.2 Evaluation de l’initialisation de la r´ef´erence

Le suivi automatique des nageurs n´ecessite d’avoir une image de r´ef´erence pertinente de la tˆete du nageur `a suivre. Cependant, ´etant donn´e que la couleur du bonnet des nageurs peut changer, la seule information dont nous disposons est la forme de la tˆete. Partant de ce constat, nous avons propos´e une nouvelle m´ethode que nous avons appel´ee Scaled composite JTC [1]. Cette derni`ere est expliqu´ee en d´etails dans le chapitre 1 section 2.6.

La m´ethode Scaled composite JTC consiste `a g´en´erer une base de donn´ees contenant des tˆetes de nageurs dans les diff´erentes situations. Ensuite, le filtre composite [103] est appliqu´e sur n images choisies selon la situation (direction, ˆage, sexe, etc.). Afin de g´en´erer une image composite pertinente, nous avons fix´e n `a 3 car n > 3 g´en`ere une image composite bruit´ee et en choisissant n < 3 la description de l’image composite est insuffisante. Une fois l’image composite g´en´er´ee, elle sera re-dimensionn´ee selon le rapport taille de la tˆete - largeur du couloir. Enfin, la m´ethode NL-JTC est appliqu´ee sur un plan d’entr´ee form´e de l’image composite et d’une image cible extraite en utilisant la m´ethode a contrario ´evalu´ee dans la section pr´ec´edente.

5.3. R´ESULTATS DE SUIVI Dans le but de d´etecter la meilleure image de r´ef´erence de la tˆete du nageur `a suivre, nous appliquons la m´ethode Scaled composite JTC sur une petite s´equence vid´eo choisie au d´ebut de la course car la tˆete du nageur r´eapparait rapidement apr`es la sortie du plongeon. Parmi les cibles d´etect´ees, nous choisissons les trois meilleurs cibles afin de les utiliser comme r´ef´erences pour initialiser le suivi.

Afin d’´evaluer ce module d’initialisation de la r´ef´erence, nous l’avons test´e sur 5 s´equences vid´eo (100 images) de nage libre durant les championnats nationaux - Limoges 2015. Ces s´equences sont choisies au moment de la reprise de nage apr`es le plongeon du d´ebut de course. Deux crit`eres sont utilis´es pour ´evaluer ce module : le pourcentage de d´etection sur les 100 images de chaque vid´eo et le pourcentage d’initialisation r´eussie sur les 3 images choisies.

S´equences Nageurs Pourcentage de d´etection Taux d’initialisation r´eussie (%) Nage libre 1

Nageur 1 83.33 100

Nageur 2 86.44 100

Nageur 3 85.71 100

Nage libre 2 ^{Nageur 1 78.31 100}

Nageur 2 82.14 100

Table 5.2 – Evaluation de la m´ethode Scaled composite JTC pour l’initialisation de la r´ef´erence. Nage libre - Championnat national de natation, Limoges 2015.

Le tableau 5.2 montre des pourcentages de d´etection ´elev´es entre 78.31% et 86.44% pour les 5 s´equences test´ees bien que nous n’ayons utilis´e que la m´ethode NL-JTC pour la d´etection. Ceci est expliqu´e par la visibilit´e de la tˆete du nageur sur cette p´eriode de reprise de nage o`u le nageur vient de sortir de l’eau apr`es le premier plongeon. Les cas de fausses d´etections surviennent principalement `a cause d’occultations partielles et totales de la tˆete du nageur `a suivre. D’autre part, pour chacune des 5 s´equences test´ees, nous choisissons les 3 meilleures d´etections selon leurs valeurs de PCE, comme le montre la figure 5.3. Dans cette figure, nous avons pr´esent´e les 10 meilleures d´etections pour la s´equence Nage libre 1 du tableau 5.2. Parmi ces d´etections, nous choisissons les 3 meilleures ayant, respectivement, les valeurs de PCE suivantes : 0.92, 0.9 et 0.87. Ceci nous a permis d’obtenir 100% de r´eussite sur les images choisies pour l’initialisation du suivi.

PCE=0.92 PCE=0.9 PCE=0.87 PCE=0.73 PCE=0.7

PCE=0.66 PCE=0.62 PCE=0.61 PCE=0.53 PCE=0.5

Table 5.3 – 10 meilleures d´etections pour la s´equence Nage libre 1 - Nageur 1. Cham-pionnat national de natation, Limoges 2015.

Apr`es la validation des deux modules de localisation de la r´egion d’int´erˆet et d’ini-tialisation de la r´ef´erence, nous allons ´evaluer, par la suite, les approches que nous avons propos´ees pour le suivi automatique des nageurs. Pour cela, nous allons suivre l’ordre chronologique de la th`ese `a savoir, l’approche multipiste, puis l’approche bas´ee sur la fusion dynamique et enfin l’approche multizone.