4. L'image de référence est constituée par l'accumulation au cours du temps des pixels n'ayant pas été marqués précédemment comme appartenant à un mouvement. On cherche ainsi à s'assurer de ne pas inclure tout ou partie d'un mouvement dans l'image de référence.
5. Une fois ces 4 premières étapes effectuées on détermine la probabilité a priori pour chaque pixel de faire partie d'un mouvement. On crée ainsi une carte de probabilité de mouvement dont chaque pixel correspond à un pixel de I' et donc à une petite région du sol. Cette probabilité est calculée en fonction des critères suivants :
• Historique de l'état de ce pixel dans les images précédentes. Un pixel ayant changé très souvent de couleur précédemment ne peut apporter une contribution aussi fiable qu'un pixel ayant toujours eu la même couleur et qui vient d'en changer subitement.
• Historique de l'état du pixel (route, obstacles statiques, en mouvement, …). Un pixel ayant toujours appartenu à la route et dont la couleur change brusquement et qui n'appartient plus à la route est probablement en mouvement. Un pixel appartenant à un obstacle statique précédemment et qui n'en fait soudainement plus partie est probablement toujours membre de cet obstacle qui n'est plus entièrement détecté.
• Etat courant du pixel. Un pixel de la route a peu de chances d'être en mouvement de même qu'un pixel d'un obstacle statique n'est probablement pas vraiment en mouvement.
• Etat précédent du mouvement. Un pixel qui était en mouvement et dont la couleur n'a pas changé est probablement toujours en mouvement.
6. Une fois la carte de probabilité obtenue, on s'attache à grouper les pixels dont la probabilité de mouvement est supérieure à un seuil fixé en régions connexes. Cette étape est nécessaire pour réduire la sensibilité au bruit de l'algorithme (en enlevant les régions trop petites qui ne peuvent correspondre à un objet en mouvement) mais aussi pour filtrer les mouvements apparents dus aux obstacles statiques ou à des variations de la planéité de la route. On filtre ainsi les fausses alarmes des mouvements réels. La Figure 75 montre ainsi comment est fait ce filtrage :
• On crée tout d'abord une liste de régions connexes (appelés blobs) dont on calcule certaines caractéristiques (forme, surface, probabilité de mouvement totale, …) à la volée.
• On réalise un pré-filtrage de cette liste en supprimant tous les blobs dont la surface est inférieure à un seuil prédéfini. On fusionne dans le même temps les blobs dont la position par rapport à la caméra indique qu'ils pourraient faire partie du même objet vertical (on suppose donc que la majorité des obstacles en mouvement que l'on rencontrera sont quasiment verticaux).
• On applique ensuite un filtrage flou des blobs restants basé sur les caractéristiques calculées précédemment. On calcule ainsi la probabilité pour chaque blob de correspondre à un objet en mouvement réel. Seuls les blobs dont la probabilité de correspondre à un mouvement réel est supérieure à un seuil sont considérés comme valides. Cette étape permet de plus d'ajouter une certaine sélectivité à l'algorithme en permettant de sélectionner seulement les blobs dont l'apparence est semblable à certains critères. On peut ainsi ne conserver que les blobs appartenant à des humains en préférant les blobs longs et fins. On pourra aussi sélectionner les véhicules en cherchant des blobs grands et larges. On pourra ainsi donner des a priori sur le type d'objet en mouvement qui a été détecté.
7. On localise alors la position du point de contact de chaque mouvement validé qui est considérée comme la position réelle de l'objet en mouvement. On peut alors utiliser cette sortie pour représenter la position des obstacles en mouvement au conducteur (comme le montre la Figure 76) ou comme une entrée pour le cindynomètre.
V - 4. 1. 1. 2. d/
L'analyse rapide du mode de fonctionnement de l'algorithme de détection d'obstacles que nous avons réalisé montre que l'efficacité du
correctement chaque pixel de la carte de probabilité a priori du mouvement. Afin d'évaluer correctement nos performances nous avons réalisé un grand nombre de séquences de test (enviro
contenant plus de 200 images chacune) sur lesquelles nous avons manuellement extraits les données de référence auxquelles nous avons ensuite comparé les résultats expérimentaux. Ces séquences sont de toutes sortes comme le montre la
route très texturée et séquence de nuit avec gaz d'échappement en mouvement).
Les résultats obtenus sont très encourageants puisqu'à l'heure actuelle nous obtenons un détection
un taux de fausse alarme inférieur à 4%. La précision de la localisation a été évaluée à 1% ± 4% en distance et 0.03 rad ± 0
(Pentium IV 3GHz) s'élève à 30ms ce qui permettrait un traitement à plus de 30 images par seconde bien que nous n'utilisons qu'une fréquence d'acquisition à 10 images par seconde am
détection de mouvement. Ce temps de traitement peut être réduit en diminuant simplement la précision de localisation souhaitée sachant qu'une réduction par deux de la précision entraîne une réduction par 4 environ des temps de ca
19
On analyse les résultats image par image afin de s'assurer de la tels que [MobilEye]
haut puisque la détection dans une image uniquement permet de détecter l'objet.
20
Il faut noter que les résultats présentés sont supérieurs à ceux présentés dans
de filtrages additionnels à ceux présentés ici. Ces nouveaux filtrages ne peuvent malheureusement pas encore présentés puisqu'ils n'ont pas encore été protégés par brevet au contraire du reste de l'algorithme.