Ayant justifi´e th´eoriquement que la fusion de classifieurs dans le cadre de la
DST est la meilleure solution pour fiabiliser un syst`eme de reconnaissance, nous
d´etaillons dans cette section les diff´erentes ´etapes n´ecessaires `a sa mise en œuvre.
Dans un premier temps, il est n´ecessaire de d´efinir le cadre de discernement. Dans
ce cas, le nombre d’hypoth`eses doit ˆetre assez limit´e car l’ensemble de toutes les
combinaisons possibles des d´ecisions croˆıt exponentiellement avec celle deD. Bien
que l’exigence de temps r´eel soit fortement recommand´ee pour notre syst`eme,
cela ne constitue pas un handicap car nous traitons seulement trois types d’OR :
(Pi´eton, Voiture et Fond). Ce sont donc ces trois classes qui vont d´efinir le cadre
4.3 Fusion de classifieurs dans le cadre de la DST 123
de discernement. Ayant fix´e le cadre de discernementD, l’´etape suivante consiste
`
a construire des fonctions de masse sp´ecifiques aux sorties des classifieurs.
4.3.1 Construction des fonctions de masse
Les fonctions de masses doivent ˆetre construites `a partir des scores de
classi-fication fournis par des SVM. En effet, elles permettent de transformer la valeur
de pertinence de la classification en une valeur dans [0,1]. Cette ´etape n´ecessite
une bonne connaissance du probl`eme, puisque les fonctions de masse sont souvent
constitu´ees de mani`ere empirique. Dans [BAC06], les auteurs d´efinissent une
fonc-tion de masse typique au principe de classificafonc-tion SVM en exploitant la distance
d’un vecteur caract´eristique `a l’hyperplan. N´eanmoins, la certitude de
classifica-tion ne peut pas ˆetre quantifi´ee par des algorithmes de classification non bas´es
sur la notion de maximisation de la marge. Dans le cas g´en´eral, deux ´etapes sont
requises : l’estimation des probabilit´es `a partir des sorties de classifieurs SVM,
ensuite, la construction des fonctions de masse `a partir des probabilit´es.
4.3.1.1 Transformation des sorties SVM en probabilit´e
Afin de transformer les sorties de SVM en probabilit´e, nous avons utilis´e la m´
e-thode de [HT98] qui est bas´ee sur une strat´egie appel´ee Pairwise Coupling. Cette
strat´egie permet de combiner les sorties des classifieurs binaires, afin d’obtenir une
estimation des probabilit´es a post´eriori p
i=P rob(d
i/x) (Prob : probabilit´e) .
Soit C
i,jle classifieur s´eparant les deux classes d
iet d
jet r
ijla probabilit´e r´
e-sultante du classifieur C
i,jtel que r
ij= P rob(d
i/d
i, d
j). Il existe |D|(|D| −1)/2
de variables µ
ijd´efinies par u
ij= p
i/(p
i+p
j). La valeur de p
iest calcul´ee en
utilisant une proc´edure it´erative dont la condition d’arrˆet est d’avoir une distance
tr`es faible entre r
ijetµ
ij. Cette distancel(p) est mesur´ee de la fa¸con suivante :
l(p) =X
i<jn
ij(r
ijlog r
ijµ
ij+ (1−r
ij) log 1−r
ij1−µ
ij) (4.7)
Avecn
ijest le nombre d’exemples d’apprentissage qui appartiennent `ad
i∪d
j.
Enfin, nous avons utilis´e l’algorithme it´eratif 3, comme d´ecrit dans [HT98], pour
estimer p
i.
Algorithme 3Estimation des probabilit´es a posteriori
1:Initialisation dep
iet calcul deµ
ij 2:R´ep´eter
3:p
i←p
i P j6=inijrij P j6=inijµij 4:Re-normaliser p
i 5:Recalculerµ
ij6:
Jusqu’`aconvergence (l(p) tr`es faible)
4.3.1.2 Transformation des probabilit´es r´esultantes en fonctions de
masse
Plusieurs m´ethodes de construction de mod`eles de fonctions de croyance ont
´et´e propos´ees dont deux cat´egories peuvent ˆetre ici distingu´ees. Une premi`ere cat´
e-gorie de m´ethodes utilise des vraisemblances, estim´ees `a partir d’un ensemble
d’ap-prentissage, pour construire les masses de croyances [App91, Sme93, DPS01]. Une
deuxi`eme famille repose sur les distances entre observations et mod`eles [Den95].
Dans notre cas, nous nous int´eressons `a leurs d´efinitions `a partir d’un ensemble
de vraisemblances. Plus particuli`erement, nous avons adopt´e la m´ethodologie
pro-pos´ee par [DPS01] pour transformer les probabilit´es r´esultantes en fonctions de
masse. Le principe de cette m´ethode consiste `a interpr´eter les probabilit´es r´
esul-tantes comme une distribution de probabilit´es subjectives qui sera ensuite
conver-tie en une transformation consonante
1.
Par souci de simplicit´e de notations, nous supposons que les d´ecisions de
classifieurs d
isont d´ej`a ordonn´ees par des valeurs de probabilit´e d´ecroissantes :
p(d
1)≥. . .≥p(d
|D|). Une fonction de croyance consonantemcorrespondante `ap
se calcule de la fa¸con suivante :
m d
1, d
2, . . . , d
|D|=m(D) = |D| ×p(d
|D|) (4.8)
∀i <|D|, m({d
1, d
2, . . . , d
i}) = i×[p(d
i)−p(d
i+1)]
m(.) = 0 sinon
Les fonctions de masses obtenues sont par la suite affaiblies en fonction de la
fiabilit´e de chaque classifieur.
1. Une fonction de masse est dite consonante si et seulement si l’inclusion est une relation d’ordre totale sur ses ´el´ements focaux : il∃une permutation sur les indices telle que :Dperm(1)⊆ Dperm(2)⊆Dperm(n))
4.3 Fusion de classifieurs dans le cadre de la DST 125
4.3.2 Affaiblissement
Apr`es avoir d´efini formellement, dans la section 4.2.3, la notion
d’affaiblisse-ment, nous d´ecrivons l’application de ce processus dans notre syst`eme.
L’affaiblis-sement simple a ´et´e impl´ement´e afin de tenir compte de la fiabilit´e du classifieur.
Ainsi, chaque massema ´et´e pond´er´ee par un coefficient d’affaiblissement (1−α),
avec α d´esignant le taux de reconnaissance du classifieur estim´e sur un ensemble
de validation.
Cette op´eration de correction agit de la mˆeme fa¸con pour toutes les hypoth`eses
issues de la mˆeme source. Dans le but d’attribuer une fiabilit´e sp´ecifique `a chaque
hypoth`ese du cadre de discernement, nous avons impl´ement´e aussi le processus
d’affaiblissement contextuel. En effet, ce processus pourrait ˆetre tr`es b´en´efique
dans notre syst`eme de reconnaissance qui est bas´e sur la fusion des modalit´es VIS
et IR. Deux exemples `a donner ; La reconnaissance des pi´etons est plus fiable dans
les images IR dans la mesure o`u il est tr`es contrast´e par rapport au fond de l’image.
En revanche, la reconnaissance des v´ehicules, surtout en mouvement, est plus
fa-cile en VIS qu’en IR. Ainsi, nous avons d´efini autant de facteurs d’affaiblissement
contextuels que de nombre de classes dans le cadre de discernement.
Pour les deux types d’affaiblissement, les fiabilit´es ont ´et´e estim´ees `a partir de la
matrice de confusion en s’appuyant sur une base de validation.
4.3.3 Combinaison
La combinaison des fonctions de masse est une ´etape cruciale qui joue un rˆole
primordial dans l’obtention de bons r´esultats. Dans l’ensemble des r`egles pr´esent´ees
dans la section 4.2.4, nous repr´esenterons dans le tableau 4.1 les quatre r`egles de
combinaison consid´er´ees et leurs contextes d’utilisation.
Table 4.1. Les r`egles de combinaisons retenues et leurs contextes d’utilisation