Raffinements propos´ es

}

Tab. 3.2 – Algorithme de calcul de la moyenne r´ecursive.

Enfin, afin de d´ecider quels sont les pixels en mouvement, un seuillage global de la valeur absolue de la diff´erence entreX_tetM_tdoit ˆetre effectu´ee. L’algorithme de la Table 3.3 nous montre comment effectuer le seuillage de l’image Xt (cod´ee sur la r´etine) par rapport `a un seuil global T h(cod´e sur le cortex).

Initialisation T = 1

Pour chaque bit i de X_i si (T h[i] == 0)

alorsT =T∨Xi; sinon T =T ∧X_i;

Tab. 3.3 – Algorithme de calcul du seuillage de X_i par T h. Avec T l’image binaire repr´esentant le r´esultat seuill´e (T = 1 si X ≥T h).

3.4.4 Raffinements propos´ es

Comme nous l’avons vu dans les r´esultats de simulation de la Figure 3.5, la d´etection brute comporte un certain nombre de d´efauts dˆus aux ph´enom`enes de fantˆomes et `a la

pr´esence de points isol´es. Nous verrons que les points isol´es issus de la d´etection peuvent ˆetre consid´er´es raisonnablement comme du bruit temporel (voir Chapitre 2 Section 2.3.4 pour plus de d´etails sur l’impl´ementation de ce calcul dans la r´etine).

Nous avons enrichi notre algorithme de deux modules nous permettant d’obtenir une d´etection de meilleure qualit´e puis ensuite d’utiliser un filtrage spatial. Tout d’abord, au lieu de fixer un seuil de mani`ere d´efinitive pour chaque image de la s´equence dans l’´etape finale de la d´etection, nous utilisons un seuillage global automatique S bas´e sur le comptage des points isol´es N. En effet, `a chaque instant t, si N augmente alors S augmente.

Enfin, nous avons mis en place une strat´egie de rebouclage qui consiste `a pond´erer la mise `a jour de la moyenneMt en chaque pixel par deux param`etres α1 etα2 (α2 << α1) en fonction du r´esultat courant de la d´etection D<sub>t</sub>. Cela n´ecessite un r´eordonnancement complet de l’algorithme en int´egrant la mise `a jour suivante :

Mt =Mt−1+α1(It−Mt−1)×Dt+α2(It−Mt−1)×Dt

Initialisation

Pour chaque pixel x : M0(x) =I0(x) Pour chaque trame t

Pour chaque pixel x : ∆t(x) =Mt(x)−It(x) Dt(x) =δt(|∆t(x)|)

M_t+1(x) =M_t(x) +α₁(∆_t(x))×D_t(x) +α₂(∆_t(x))×D_t(x) Tab.3.4 – Algorithme du calcul de la moyenne r´ecursive r´eordonnanc´e avec rebouclage.

La Table 3.4 pr´esente l’algorithme de la d´etection du mouvement utilisant la moyenne r´ecursive enrichie de la strat´egie de rebouclage que nous avons pr´esent´ee. En d’autres termes, la moyenne Mt pour le pixel x, n´evolue pas lorsque `a l’instant t, r´esultat de la d´etection est nul sauf si la diff´erence ∆t entre le signal et la moyenne est suffisamment grande (de l’orde de _α¹

2). Cette modification n´ecessite un r´eordonnancement complet de l’algorithme (on effectue la d´etection avant l’´eventuellement mise `a jour de la moyenne) mais permet de rendre la d´etection plus adaptatif `a l’environnement.

3.4.5 R´ esultats

La Figure 3.6 pr´esente les r´esultats de la d´etection par moyenne r´ecursive sur le banc algorithmique. La proc´edure de test employ´ee pour g´en´erer les r´esultats pr´esent´es est la

suivante : le circuit r´etinien est couch´e sur le bureau. Apr`es avoir laiss´e passer un moment correspondant au temps n´ecessaire pour que l’algorithme converge (quasi-instantann´e en fonction des conditions initiales de luminosit´e), nous passons notre main plus ou moins rapidement devant la lentille de la r´etine.

Par rapport aux r´esultats pr´esent´es pr´ecedemment, le filtrage permet de minimiser les ph´enom`enes de fantˆomes, sans pour autant les ´eliminer totalement. La technique de re-bouclage nous a permis d’ˆtre plus r´eactif aux changements notamment d’illuminations de mani`ere satisfaisante aux vu de la taille m´emoire utilis´ee et du temps de calcul n´ecessaire (seulement 156 instructions et 23 points m´emoires utilis´es pour un traitement en 8 bits permettant de traiter une trame en moins de 0,4ms). Cet algorithme nous laisse en effet une marge de manoeuvre appr´eciable permettant d’envisager l’ajout ult´erieure de fonc-tions d’estimation du mouvement, par exemple. Des mouvements perturbants saccad´es comme des boug´es seront par contre plus p´enalisant quant `a la pr´ecision (segmentation) des objets mobiles.

3.4.6 Conclusion

L’algorithme est peu coˆuteux en m´emoire de donn´ees mais est moins adaptatif et moins pr´ecis en terme de localisation.

Nous retiendrons de ces techniques deux caract´eristiques importantes :

1. la notion defiltre d’accumulationqui permet de s’adapter `a des mouvements tr`es divers ;

2. la notion decartographie du bruit temporel qui permet une adaptation fine et dynamique aux caract´eristiques spatiales de la sc`ene.

Divers essais ont ´et´e men´es afin d’exploiter au mieux la cartographie construite le plus souvent comme une moyenne r´ecursive des d´etections. Les r´esultats les plus exploitables sont l’utilisation de cette cartes afin d’´eliminer des mouvements survenant dans une zone de l’image o`u les mouvements sont peu problables nous permettant d’´eviter un certains nombre de fausses d´etections. L’autre principale utilisation a ´et´e faite lors du m´ecanisme de rebouclage o`u l’on utilise cette carte comme crit`ere de d´ecision pour la mise `a jour de la moyenne. Dans tous les cas, le surcoˆut li´e au calcul de la carte des bruits ne se justifie pas quand `a l’am´eliroration des r´esultats, c’est pourquoi nous ne l’avons que peut utilis´e.

Du fait de l’utilisation de filtres d’accumulation r´ecursifs, les ph´enom`enes de r´emanence ou de fantˆomes sont tr`es pr´esents. En effet, un objet mobile laisse au cours de son mouve-ment une trace sur le fond plus ou moins importante selon sa vitesse et de son contraste

(1) (2)

(3) (4)

Fig. 3.6 – R´esultat de la d´etection par moyenne r´ecursive sur le banc algorithmique : (1) image non trait´ee It; (2) fond estim´e Mt; (3) diff´erence au fond ∆t et (4) d´etection filtr´eeD_t.

par rapport au fond¹². Pour rem´edier `a ce probl`eme qui peut ˆetre tr`es gˆenant car pouvant occasionner de fausses d´etections ou au contraire empˆecher le syst`eme de d´etecter un objet mobile, nous devons mettre en place un filtrage spatial. Ce filtrage nous permet en outre d’obtenir une meilleure segmentation des objets d´etect´es. Nous le pr´esentons en d´etail dans la section suivante qui concerne la d´etection `a l’aide des op´erateurs de morphologie oublieuse temporelle.