La fusion de donn´ees est tr`es r´epandue dans les domaines du traitement d’image et du signal, notamment dans les syst`emes de reconnaissance biom´etrique [60, 61] qui exigent une robustesse ´elev´ee. Pour ce type de syst`emes, la fusion de donn´ees peut ˆetre faite aux niveaux des diff´erents modules : acquisition, param`etres extraits, scores et d´ecisions. Dans le reste de cette section, nous allons r´epondre aux questions suivantes : pourquoi ? et comment ? utilisons-nous la fusion de donn´ees dans le domaine du suivi de nageurs.
1.7.1 Pourquoi la fusion
Malgr´e l’avancement de la recherche en traitement d’image ainsi que la robustesse et la pr´ecision des approches utilis´ees pour le suivi, cela reste insuffisant. En effet, la ma-jorit´e des approches ont ´et´e propos´ees et valid´ees selon des crit`eres environnementaux bien d´efinis. Dans les environnements non-contrˆol´es, comme dans notre cas, plusieurs difficult´es sont souvent rencontr´ees. Nous citons, `a titre d’exemple, les difficult´es sui-vantes :
— Bruit li´e au capteur utilis´e.
— Changement des conditions d’´eclairage de la sc`ene film´ee. — Occultation partielle ou totale de l’objet `a suivre.
— D´eformation de la forme de la cible. — Changement d’´echelle.
Afin de surmonter ces difficult´es, la recherche r´ecente vise `a introduire la fusion de donn´ees pour b´en´eficier des avantages de plusieurs types de donn´ees qui, fusionn´ees, permettent de r´eduire les limitations ´evoqu´ees ci-dessus.
1.7. FUSION DE DESCRIPTEURS Fusion des images Fusion des paramètres Fusion des scores Fusion des décisions Acquisition Extraction de paramètres Génération des scores Décision Acquisition Extraction de paramètres Génération des scores Décision
Figure 1.13 – Niveaux de fusion possibles pour deux syst`emes de suivi. La fusion au niveau des scores est la plus r´epandue, cependant, les autres niveaux sont applicables selon les objectifs du syst`eme.
1.7.2 Niveaux de fusion
Comme nous l’avons mentionn´e dans le pr´eambule de cette section, et comme pour les syst`emes de reconnaissance biom´etrique, nous pouvons distinguer diff´erents niveaux pour la fusion de donn´ees dans les m´ethodes de suivi. La figure 1.13 montre ces niveaux de fusion pour deux syst`emes de suivi distincts. Une fois la fusion effectu´ee au niveau d’un des modules de suivi, le reste des modules est effectu´e une seule fois.
1.7.2.1 Au niveau de l’acquisition
Dans ce niveau, les donn´ees captur´ees doivent ˆetre homog`enes pour pouvoir les fusionner. Cela doit ˆetre fait de mani`ere que l’on puisse cr´eer de nouvelles donn´ees `a partir de celles qui sont issues des diff´erents capteurs. Par exemple, il est possible de fusionner plusieurs images captur´ees par diff´erents types de cam´eras (cam´era thermique, cam´era 4K, etc.) mais il est n´ecessaire d’ajuster leur r´esolution respective au moment de la fusion.
1.7.2.2 Au niveau des param`etres extraits
Ce niveau est moins limit´e par rapport `a la fusion que celui du niveau des donn´ees acquises. Il consiste `a combiner les descripteurs obtenus en appliquant les diff´erentes m´ethodes d’extraction des param`etres (LBP, HOG, etc.). En revanche, il peut ˆetre diffi-cile de fusionner ces param`etres `a cause de la diff´erence entre leurs intervalles de valeurs et leur interpr´etation. Souvent, la fusion, dans ce niveau, se fait par concat´enation des param`etres extraits [62].
1.7.2.3 Au niveau des scores de d´etection
Le score est une valeur attribu´ee `a chaque d´etection pour mesurer la ressemblance entre la r´ef´erence et la cible. C’est le niveau le plus utilis´e pour la fusion car il peut ˆetre appliqu´e `a tous les types de syst`emes, contrairement aux niveaux pr´ec´edents. Apr`es une ´etape de normalisation de scores (d´etaill´ee dans la section 1.7.3), les valeurs de scores de d´etection seront dans un espace de dimension limit´ee qui refl`ete la confiance envers la d´etection.
1.7.2.4 Au niveau des d´ecisions
Ce niveau de fusion concerne les d´ecisions finales. Dans ce cas, les syst`eme `a fusionner s’ex´ecutent s´epar´ement jusqu’`a la derni`ere ´etape de d´ecision. Ensuite, la d´ecision finale consiste `a favoriser une des d´ecisions ce qui revient `a l’utilisation d’un sous ensemble de syst`emes de suivi. Ceci repr´esente le principal point faible de ce type de fusion.
Apr`es cette ´etude sur les diff´erents niveaux de fusion possibles, nous retenons la fusion au niveau des scores. En effet, celui-ci semble ˆetre le plus adapt´e `a notre appli-cation de suivi de nageurs car il permet de g´en´erer de nouveaux scores, plus pertinents, en se basant sur des scores issus d’approches vari´ees.
1.7.3 Normalisation
Les scores finaux (apr`es la fusion) repr´esentent des facteurs de confiance robustes issus d’une fusion r´eelle de plusieurs syst`emes. Avant de fusionner les scores issus de chaque syst`eme de suivi, il est important de noter qu’ils peuvent avoir une nature diff´erente. Certains syst`emes produisent des scores de vraisemblance (similarit´e) tandis que d’autres produisent des scores de distance (dis-similarit´e). De plus, chaque syst`eme peut avoir des intervalles de variations des scores diff´erents, par exemple, entre 0 et 1 pour un premier syst`eme et entre −10 et 1000 pour un second. Dans ce cadre, afin de pouvoir param´etrer le poids donn´e `a chaque m´ethode, il est n´ecessaire de normaliser leur dynamique afin de les rendre coh´erentes, par exemple [0, 1].
La normalisation consiste `a projeter un score, i.e. un plan dans notre cas, sur un espace de valeurs cible, souvent, en changeant sa moyenne (position) et son ´ecart type (l’´echelle), on parle souvent de donn´ees centr´ees r´eduites. Pour cela, plusieurs techniques existent [60,61]. Parmi les plus r´epandues, on cite la technique Z-score [61] qui normalise la valeur p(i, j) d’un ensemble de donn´ees not´e p par :
pnor(i, j) = (p(i, j) − µ)
1.7. FUSION DE DESCRIPTEURS Avec µ et σ qui repr´esentent respectivement la moyenne et l’´ecart type de l’ensemble de donn´ees `a normaliser. Cependant, cette m´ethode ne permet pas d’obtenir des valeurs dans l’intervalle [0, 1] et a l’inconv´enient de changer la distribution des donn´ees.
Pour pallier ce probl`eme, la technique Min-Max [61] peut ˆetre utilis´ee. Cette tech-nique consiste `a normaliser les donn´ees dans un intervalle [0, 1] tout en conservant leur distribution originale. La normalisation de la valeur p(i, j) est donn´e par :
pnor(i, j) = (p(i, j) − min(p))
(max(p) − min(p)) (1.28)
1.7.4 Types de fusion
Grˆace `a l’´etape de normalisation pr´ec´edente, les scores obtenus partagent une dy-namique commune. Ainsi, ces scores peuvent ˆetre combin´es par l’application d’un op´erateur de fusion. Ce dernier permet d’obtenir des nouveaux scores S synth´etisant les informations issues des scores des N diff´erents syst`emes fusionn´es Si pour i = 1..N . Les op´erateurs les plus r´epandus sont [60, 61] :
— Fusion par minimum :
S = min(Si) (1.29)
— Fusion par maximum :
S = max(Si) (1.30)
— Fusion par moyenne :
S = 1/N
N
&
i=1
Si (1.31)
— Fusion par m´ediane :
S = mediane(Si) (1.32) — Fusion par produit :
S =
N
)
i=1
Si (1.33)
— Fusion par sommation simple :
S =
N
&
i=1
Si (1.34)
— Fusion par sommation pond´er´ee : S =
N
&
i=1
Le choix du type de fusion d´epend des techniques de suivi utilis´ees et des objectifs vis´es par le syst`eme final. Le dernier op´erateur est souvent le plus adapt´e car il permet de combiner chaque score en lui attribuant un poids. Celui-ci peut ˆetre vu comme un facteur de confiance qu’il est possible de faire varier en fonction de la robustesse de chacune des techniques de suivi utilis´ees.