HOG pour le suivi des nageurs

Afin de surmonter la faiblesse du descripteur LBP, deux informations tr`es impor-tantes peuvent ˆetre utilis´ees en suppl´ement de la texture : l’amplitude et l’orientation des contours. Pour cette raison, nous proposons une approche de suivi de nageur par Histogramme de Gradient Orient´e [21]. Cette technique consiste `a repr´esenter l’image par un histogramme regroupant les gradients selon leurs directions (voir chapitre 1 - sec-tion 1.6.3). Pour cela, une image de gradient est g´en´er´ee en appliquant un filtre d´erivatif 1-D centr´e, puis l’histogramme de gradient orient´e est calcul´e. Tel que, chaque bin repr´esente la somme des amplitudes des gradients ayant une direction incluse dans un intervalle d´efini. Sachant que la direction du gradient peut varier de 0 `a 360˚, nous allons fixer le nombre de bins `a 16 comme nous l’avons fait pour les techniques pr´ec´edentes. Cela signifie que chaque bin concerne un intervalle de 22.5˚, ce qui est suffisant pour renforcer la discrimination de la technique.

Afin d’utiliser les descripteurs HOG pour le suivi des nageurs, premi`erement, une image de gradient est g´en´er´ee pour l’image de r´ef´erence ainsi que pour la fenˆetre glissante dans la zone de recherche. Ensuite, pour chaque image de gradient, les orientations et les amplitudes des gradients sont calcul´ees et classifi´ees dans un histogramme appel´e HOG. Finalement, la d´ecision est prise en utilisant le coefficient de Bhatacharyya pour comparer les histogrammes.

La figure 3.12 montre un exemple de d´etection de nageurs bas´ee sur le descripteur HOG. Les r´esultats obtenus ressemblent `a ceux obtenus par le descripteur LBP avec une am´elioration au niveau de la discrimination. En effet, nous remarquons une forte res-semblance (coefficient de Bhattacharyya = 0.93) entre les histogrammes 3.12c et 3.12f qui correspondent respectivement `a l’image de r´ef´erence et `a la bonne cible. D’autre part, une faible ressemblance (coefficient de Bhattacharyya = 0.15) est obtenue pour l’histogramme 3.12i, et une forte ressemblance (coefficient de Bhattacharyya = 0.84) pour l’histogramme 3.12l, tous deux compar´es `a la r´ef´erence. Pour conclure, les infor-mations d’orientation et d’amplitudes des gradients apport´ees par le descripteur HOG am´eliorent l´eg`erement la discrimination. En revanche, cette technique reste sensible au bruit et `a la d´eformation de l’objet `a suivre et donc difficile `a mettre en place dans le cadre du suivi des nageurs.

3.4.5 Avantages et limitations des techniques bas´ees sur les

histogrammes

Les avantages et les limitations des techniques bas´ees sur les histogrammes pour le suivi de nageurs d´ependent des caract´eristiques du milieu aquatique ainsi que de la nature du descripteur utilis´e. Les techniques bas´ees sur l’histogramme de couleur sont

(a) (b) (c)

(d) (e) (f )

(g) (h) (i)

(j) (k) (l)

Figure 3.12 – Exemple de d´etection de nageur bas´ee sur les descripteurs HOG. (a, b et c) Image de r´ef´erence, image de gradient correspondante et son histogramme HOG. (d, e et f ) Image cible, image de gradient correspondante et son histogramme HOG. (g, h, i, j, k et l) Images de test s´electionn´ees al´eatoirement dans la zone de recherche, images de gradient correspondantes et leurs histogrammes HOG

tr`es fiables dans le cas o`u la couleur du bonnet du nageur est diff´erente de celle des objets alentour (eau, bouchons, peau, ...). Dans le cas inverse, cette technique donne de faibles r´esultats.

Cependant, les techniques bas´ees sur les descripteurs LBP et HOG se montrent tr`es efficaces dans le cas o`u l’objet `a suivre conserve sa forme. Ceci n’est pas forc´ement le cas pour un nageur dans un bassin, car la tˆete du nageur peut subir des occultations et du bruit li´es aux ´eclaboussures entrainant une baisse des performances de ces deux techniques utilisant principalement l’information de texture.

3.5. CONCLUSION Enfin, un inconv´enient commun `a ces techniques vient de la recherche exhaustive de la cible dans la zone d’int´erˆet qui alourdit les calculs. Afin de pallier ce probl`eme, nous proposons d’utiliser une adaptation, pour les histogrammes, des images int´egrales propos´ee par Viola et Jones [76]. Cela permet de ne pas recalculer l’int´egralit´e de l’histogramme lorsque deux zones ont un recouvrement important.

3.5 Conclusion

Dans ce chapitre nous avons propos´e un syst`eme complet de suivi de nageurs. O`u, nous avons d´etaill´e deux types d’approches de suivi : les approches bas´ees sur la corr´elation NL-JTC et les approches bas´ees sur les histogrammes. Pour la premi`ere, une ´etude approfondie a ´et´e faite sur le plan de corr´elation. Ceci nous a men´es `a apporter des contributions importantes, notamment, la r´eduction du plan d’entr´ee, l’extraction de la zone potentielle de corr´elation et le d´ebruitage du plan de corr´elation. Ces contri-butions ont permis d’optimiser la technique NL-JTC et de l’adapter `a notre cas de suivi de nageurs. Suite `a quelques faiblesses de cette technique, bas´ee seulement sur l’information de contour, nous avons propos´e des approches de suivi de nageurs `a base d’histogrammes de couleur, LBP et HOG.

Enfin, nous avons conclu que chacune des approches propos´ees pour le suivi de na-geurs montre des avantages importants et des limitations envers des points sp´ecifiques. Particuli`erement, les approches bas´ees sur la corr´elation NL-JTC ont montr´e de bons r´esultats en terme de pr´ecision pour la localisation, mais elles restent sensibles par rap-port `a la rotation et `a la d´eformation des contours. En revanche, les approches bas´ees sur l’histogramme de couleurs ont montr´e une certaine robustesse pour le suivi des na-geurs mis `a part dans les cas d’une confusion ´eventuelle avec des objets de la mˆeme couleur. Cette m´ethode souffre aussi d’impr´ecisions pour la localisation.

Par cons´equent, nous allons, par la suite, proposer des syst`emes optimis´es de suivi des nageurs bas´es sur la fusion de ces donn´ees en ´etudiant profond´ement la compl´ementarit´e qui existe entre ces techniques.

Chapitre 4

Syst`eme de suivi de nageurs :

Optimisation

Sommaire

4.1 Introduction . . . 94 4.2 Pr´ediction de la trajectoire . . . 95 4.2.1 Localisation du couloir de nage . . . 95 4.2.2 Direction de nage . . . 96 4.2.3 Vitesse moyenne du nageur . . . 96 4.2.4 Position r´ef´erentielle valid´ee . . . 97 4.2.5 Discussion . . . 97 4.3 Approche de suivi multipiste . . . 98 4.3.1 Principe du suivi multipiste . . . 98 4.3.2 Approche de suivi multipiste uni-descripteur . . . 99 4.3.3 Approche de suivi multipiste multidescripteur . . . 100 4.3.4 Discussion . . . 101 4.4 Approche de suivi par fusion dynamique . . . 102 4.4.1 Inspir´e du principe de d´ebruitage . . . 102 4.4.2 Principe de la fusion dynamique . . . 103 4.4.3 G´en´eration des plans de scores . . . 103 4.4.4 Normalisation des scores . . . 104 4.4.5 Fusion des plans . . . 105 4.4.6 Analyse du plan de fusion : pr´ecision et robustesse . . . 105 4.4.7 Facteur de confiance . . . 106 4.4.8 Exp´erimentation sur des images synth´etiques . . . 106 4.4.9 Discussion . . . 109 4.5 Approche de suivi multizone . . . 109

4.5.1 Inspir´e par l’id´ee du multipiste . . . 110 4.5.2 Processus du suivi multizone . . . 111 4.5.3 D´etections potentielles . . . 112 4.5.4 Crit`ere de d´ecision complexe . . . 112 4.5.5 Discussion . . . 117 4.6 Conclusion . . . 118

4.1 Introduction

Grˆace au syst`eme d´ecrit dans le chapitre pr´ec´edent, il est possible de suivre auto-matiquement un nageur. Cependant, il est n´ecessaire, `a ce stade, de l’optimiser afin d’assurer la pr´ecision de l’´evaluation des nageurs. Les choix des techniques pr´ec´edentes ont ´et´e faits en ´etudiant leurs performances par rapport `a notre sujet : le suivi des nageurs. Dans ce cadre, nous avons choisi, impl´ement´e, optimis´e et test´e les techniques suivantes : NL-JTC (Non-linear Joint Transform Correlator ), Histogramme de couleurs, LBP (Local Binary Patterns), HOG (Histogram of Oriented Gradient). Cependant, nous avons constat´e que chacune de ces techniques avait des avantages et des limitations li´ees principalement au fait que chaque approche se base sur un seul descripteur : contour, couleur, texture. Par cons´equent, nous proposons de nouvelles approches de suivi bas´ees sur la fusion de donn´ees.

Dans ce chapitre nous allons d´etailler nos diff´erentes contributions permettant d’op-timiser notre syst`eme de suivi des nageurs.

1. Nous commencerons par l’optimisation du module de pr´ediction de la trajectoire qui a pour but de maintenir la zone d’int´erˆet autour du nageur. Cela nous permet d’´eviter la perte de la r´egion d’int´erˆet mais aussi de parvenir `a la g´en´eration d’une cible valide qui contient toujours la tˆete du nageur `a suivre.

2. Puis, nous proposons une approche multipiste qui consiste `a la fusion des d´ecisions issues de plusieurs techniques de suivi.

3. Ensuite, nous pr´esenterons l’approche de fusion dynamique des plans de scores permettant de d´ecrire un nouveau descripteur optimis´e, bas´e sur une fusion des informations de couleur et de contour de la r´ef´erence et de la cible.

4. Enfin, nous d´etaillerons l’approche multizone qui a pour objectif de surmonter le probl`eme de l’occultation partielle ou totale de la tˆete du nageur. Le principe de base de cette approche consiste `a suivre en parall`ele deux ou plusieurs sous-cibles (dans notre cas : la tˆete et le maillot de bain) li´ees entre elles par des relations g´eom´etriques (distance, angle...) bien d´efinies permettant de retrouver la cible occult´ee.