2.3 Fusion d’informations pour la reconnaissance des obstacles routiers 77
2.3.2 Fusion de d´ ecisions
Par opposition `a la fusion des caract´eristiques, la fusion de classifieurs (figure
2.12), consiste `a fusionner les d´ecisions prises s´epar´ement pour chaque syst`eme
monomodal. Ce type de fusion est appel´e fusion haut niveau car la fusion tient
en compte les d´ecisions ´etablies par les diff´erents classifieurs afin de d´eterminer la
cat´egorie de l’objet `a classifier.
2.3.2.1 Les motivations d’utilisation
L’id´ee principale derri`ere la combinaison de classifieurs est l’am´elioration de
la prise de d´ecision. En effet, il n’existe pas une m´ethode de d´ecision qui arrive
`
a satisfaire enti`erement les exigences d’un probl`eme. La combinaison de plusieurs
d´ecisions, permet ´eventuellement d’en cumuler les avantages. Ainsi, la combinaison
de classifieurs est consid´er´ee comme une excellente alternative `a l’utilisation d’un
unique classifieur.
Figure 2.12.Description g´en´erale du processus de fusion de classifieurs
On ´etudie ici la fusion des classifieurs comme ´etant un probl`eme de fusion
des r´esultats de classification (voir figure 2.12). ´Etant donn´e que les informations
fournies sont incertaines ou impr´ecises, elles ne permettent pas de classifier avec
certitude un objet. Cet aspect est ´etudi´e dans la section suivante.
2.3 Fusion d’informations pour la reconnaissance des obstacles
routiers 81
2.3.2.2 Th´eorie de l’incertain pour la fusion de donn´ees
Il est important de prendre en compte les impr´ecisions et les incertitudes des
informations `a combiner. Une proposition peut ˆetre impr´ecise, incertaine ou `a la
fois impr´ecise et incertaine. L’incertitude caract´erise un degr´e de conformit´e `a la
r´ealit´e (d´efaut qualitatif de l’information), tandis que l’impr´ecision mesure un d´
e-faut quantitatif de l’information (par exemple une erreur de mesure) [LM09].
Les th´eories de l’incertain repr´esentent les imperfections des informations par
l’in-term´ediaire d’une fonction de mesure de confiance. D’une fa¸con g´en´erale,
l’appli-cation de la th´eorie de l’incertain dans un processus de fusion des d´ecisions de
classifieurs est soumise `a trois ´etapes principales qui sont illustr´ees dans la figure
2.13. La premi`ere ´etape consiste `a mod´eliser les connaissances en attribuant une
valeur de confianceM
j(C
i) `a chaque classeC
i. Cette valeur de confiance est concr`
e-tement mise en œuvre `a travers la fonction de d´ecision de SVM (f(x
i)). Avec x
irepr´esente le vecteur caract´eristique extrait `a travers l’analyse des donn´ees
prove-nant de la source j. Apr`es la mod´elisation des connaissances, il s’ensuit une ´etape
de combinaison des mesures de confiances par une r`egle de combinaison.
Fina-lement, la troisi`eme ´etape consiste `a prendre une d´ecision, selon un crit`ere bien
d´efini, sur l’attribution de l’objet en question `a une classeC.
Figure 2.13.Illustration des trois ´etapes de fusion dans le cadre de la combinaison des d´ecisions de classification
Parmi les mod`eles les plus couramment utilis´es en fusion de donn´ees, on cite
l’approche bay´esienne, la th´eorie des probabilit´es et la th´eorie des croyances. Le
choix d’un mod`ele de fusion est souvent conditionn´e par la facilit´e de sa mise en
œuvre et surtout son aptitude `a mod´eliser des connaissances de nature incertaine
et/ou impr´ecise. Les performances du mod`ele bay´esien de fusion sont largement
d´ependantes de la pr´ecision de l’estimation des distributions de probabilit´e. La
th´eorie des probabilit´es est de plus largement employ´ee pour des probl`emes
d’esti-mation [FM09]. Les m´ethodes classiques issues de cette th´eorie consistent `a utiliser
des op´erateurs de combinaison de probabilit´es tels que le maximum, la somme, le
produit, etc. Ces m´ethodes estiment des probabilit´es a posteriori des diff´erentes
classes en supposant que les classifieurs sont ind´ependants. Ainsi, la r`egle de d´
e-cision consiste `a s´electionner la classe C
i, i ∈ [1, n] pour laquelle la probabilit´e
a posteriori P
iest la plus ´elev´ee. Il est possible de pond´erer les probabilit´es en
fonction de la fiabilit´e des classifieurs. Soit Q d´esignant le nombre de sources `a
combiner, le tableau 2.3 d´efinit les principaux op´erateurs de fusion probabiliste, `a
savoir la somme, le produit, avec et sans pond´eration.
Table 2.3. Les principaux op´erateurs de fusion
R`egle de combinaison Formule
Somme P
i=
QP
j=1p
i,jProduit P
i=Q
Q j=1p
i,jSomme pond´er´ee P
i=
Q
P
j=1
ω
jp
i,jProduit pond´er´e P
i=Q
Qj=1