Histogramme de couleur pour le suivi des nageurs

�� ℎ� �� (a) (b)

Figure 3.8 – D´etection bas´ee sur la comparaison d’histogrammes. (a) Image de r´ef´erence. (b) Zone d’int´erˆet avec une fenˆetre glissante, repr´esent´ee par un rectangle en pointill´e, parcourant la zone `a la recherche de la cible. Pour chaque fenˆetre une comparaison d’histogramme est effectu´ee afin de calculer un score de ressemblance. `a l’it´eration i et la zone d’int´erˆet `a l’it´eration i + 1. Une recherche exhaustive peut ˆetre appliqu´ee en comparant la r´ef´erence avec une fenˆetre de mˆeme taille (encadr´e en pointill´e) parcourant toute la zone de recherche en utilisant le principe Mean-shift [73, 74] introduit dans le chapitre 1 section 1.8.3. Ici la comparaison est bas´ee non pas sur les pixels eux-mˆemes mais sur les histogrammes de couleur, LBP ou HOG calcul´es pour chacune des zones. Les scores de ressemblance calcul´es en parcourant la zone de recherche sont donn´es par la formule suivante :

Scores = ^{(lc− lr) ∗ (hc− hr)}

pas ^(3.11)

Avec pas qui repr´esente le pas de la fenˆetre glissante permettant de fixer le niveau de pr´ecision (d´ecalage entre chaque fenˆetre glissante). Dans notre impl´ementation, nous l’avons fix´e `a 1 pixel afin d’avoir une pr´ecision maximale. Finalement, la cible correspond `a la zone qui obtient le score maximum vis-`a-vis de la r´ef´erence. Dans notre cas, nous avons opt´e pour la distance de Bhattacharyya pour mesurer la ressemblance entre les histogrammes car elle g´en`ere des scores ∈ [0, 1]. Dans la suite de cette section, nous ´etudions l’apport des histogrammes (couleur, LBP et HOG) pour traiter le suivi des nageurs.

3.4.2 Histogramme de couleur pour le suivi des nageurs

Dans cette approche par histogramme de couleur [16–18], la principale information utilis´ee pour d´ecrire un objet est la couleur. Pour le suivi des nageurs, nous g´en´erons un

3.4. SUIVI PAR DES TECHNIQUES BAS´EES SUR LES HISTOGRAMMES histogramme de couleur pour la r´ef´erence ainsi que pour la fenˆetre glissante qui parcourt la zone de recherche. Pour ce faire, chaque composante (bin) de l’histogramme code le nombre de pixels d’un intervalle de couleur donn´e. Le nombre de composantes, qui correspond aux intervalles de couleurs pris en compte, est un param`etre de la m´ethode `a d´efinir empiriquement. Sachant que nous traitons des images cod´ees sur 8 bits, `a savoir 256 valeurs pour chaque pixel (car les images sont en niveaux de gris), nous choisissons de g´en´erer des histogrammes de 16 bins de 16 valeurs chacune. Chaque bin repr´esente le nombre de pixels qui ont une valeur incluse dans son intervalle. Enfin, la recherche de la cible s’effectue, comme les autres techniques bas´ees sur l’histogramme, par une recherche exhaustive dans la zone d’int´erˆet. La cible, dans ce cas, correspond `a la partie qui ressemble le plus `a la r´ef´erence en terme de couleur. Afin de faire une d´etection pertinente, nous ´etudions dans la suite les diff´erents types de couleur qui peuvent ˆetre utilis´es pour diff´erencier la bonne cible du reste de la sc`ene.

3.4.2.1 Types de couleurs

Les images extraites des s´equences vid´eo acquises sont de type couleur RVB. Chaque image est constitu´ee de trois matrices Rouge, Verte et Bleue. En utilisant ces informa-tions nous pouvons reconstruire l’image avec diff´erents types de couleur et choisir le plus adapt´e pour notre cas de suivi dans le milieu aquatique. L’image d’intensit´e (niveaux de gris) est constitu´ee d’une seule matrice obtenue par la moyenne des trois compo-santes RVB. Le traitement de l’image d’intensit´e est simple, car il suffit de g´en´erer un histogramme pour chaque image. En revanche, Les zones ayant la mˆeme intensit´e et

(a) (b) (c)

Figure3.9 – Diff´erents types de couleurs utilis´e pour la g´en´eration de l’histogramme de couleur. (a) Image originale. (b) image d’intensit´e. (c) Image de la composante bleue. des couleurs diff´erentes seront regroup´es dans un mˆeme bin. Pour pallier ce probl`eme et avoir une description de couleur plus riche, il est possible de g´en´erer, pour chaque image, un histogramme de couleur qui consiste en une concat´enation des histogrammes issus de chacune des composantes RVB. Cependant, dans ce cas, l’histogramme de couleur r´esultant est compos´e de 48 bins ce qui alourdit significativement le temps de calcul. Afin de tirer partie des deux approches, niveaux de gris et couleur, nous nous sommes orient´es vers l’utilisation d’une seule matrice qui correspond `a la composante bleue. Ce

choix est motiv´e par les caract´eristiques du milieu aquatique, `a savoir, l’eau entourant le nageur a une forte composante bleue permettant de la diff´erencier facilement par rapport au nageur.

3.4.2.2 Comparaison des histogrammes de couleurs

Les histogrammes de couleur g´en´er´es vont ˆetre compar´es afin de prendre une d´ecision quant au choix de l’image cible qui correspond `a la r´ef´erence dans la zone de recherche. Pour cela, nous calculons le coefficient de Bhattacharyya BC qui mesure le chevauche-ment et la ressemblance entre deux histogrammes selon la formule :

BC = N B & i=1 ' (H1∗ H2) (3.12)

O`u N B repr´esente le nombre de bin de chacun des deux histogrammes H1 et H2.

(a) (b) (c) (d)

(e) (f ) (g) (h)

Figure3.10 – Exemple de d´etection de nageurs bas´ee sur les histogrammes de couleurs calcul´es `a partir de la composante bleue des images. (a et b) Image de r´ef´erence extraite de l’image (i) de la s´equence vid´eo et son histogramme de couleur. (c, d) Image cible extraite de l’image (i+1) de la s´equence vid´eo et son histogramme de couleur. (e, f, g et h) Images de test s´electionn´ees al´eatoirement dans la zone de recherche extraite de l’image (i+1) de la s´equence vid´eo et leurs histogrammes.

La figure 3.10 pr´esente des histogrammes de couleur g´en´er´es `a partir de quelques images, dont une r´ef´erence, une cible et deux ´echantillons al´eatoires dans la zone de recherche. Visuellement, nous remarquons une ressemblance plus marqu´ee entre la dis-tribution de l’histogramme de la figure 3.10b et l’histogramme de la figure 3.10d qui correspondent `a la r´ef´erence et la cible respectivement. Cette ressemblance est confirm´ee

3.4. SUIVI PAR DES TECHNIQUES BAS´EES SUR LES HISTOGRAMMES par la valeur du coefficient de Bhattacharyya qui vaut 0.87. Tandis que la valeur de ce coefficient est de 0.4 pour la comparaison entre l’histogramme de la r´ef´erence et celui de la figure 3.10f et 0.65 pour la comparaison entre l’histogramme de la r´ef´erence et celui de la figure 3.10h. Finalement, nous pouvons voir que dans ce cas, la bonne cible a ´et´e d´etect´ee et que le suivi des nageurs par histogramme de couleur est efficace pour ces cas de figure. En revanche, La faiblesse de cette m´ethode reste la confusion entre les objets ayant la mˆeme couleur, mˆeme dans le cas o`u ils ont des formes diff´erentes. Dans ce qui suit, nous ´etudions les techniques bas´ees sur l’histogramme qui s’int´eressent `a d´ecrire les informations de texture et de gradient.