Simulation et Exp´ erimentation temps r´ eel



∆X = (Xc(s)−Xc(c)) cosθ(c)+ (Yc(s)−Yc(c)) sinθ(c)

∆Y =−(Xc(s)−Xc(c)) sinθ(c)+ (Yc(s)−Yc(c)) cosθ(c)

(4.5) Nous supposons ´egalement que les erreurs de calcul sur les positions pr´edites pour les motifs de r´ef´erence les plus proches dans la base d’images restent compatibles avec les variations d’amplitude des param`etres des ellipses apprises lors de la phase d’apprentissage hors ligne des matrices d’interaction A associ´ees.

4.1.3 Simulation et Exp´ erimentation temps r´ eel

Dans ce paragraphe, nous allons pr´esenter les performances de notre algorithme de suivi impl´ement´e sur une station de travail Silicon Graphics O2. Cet algorithme permet de suivre en temps r´eel vid´eo un visage avec gestion des changements d’aspect (<20ms par it´eration). Pour valider l’efficacit´e de notre approche de suivi 3D, l’algorithme a d’abord ´et´e test´e en simulation.

R´esultats de l’algorithme de suivi de visages en simulation

Durant cette ´etape de simulation, nous testons l’algorithme de suivi sur l’ensemble des images de la base d’apprentissage. Pour chacune de ces images, nous enregistrons les diff´erentes erreurs quadratiques de la diff´erence de niveaux de gris entre le motif de r´ef´erence test´e et le motif ´echantillonn´e dans l’ellipse corrig´ee ainsi que le num´ero du motif de r´ef´erence donnant l’erreur quadratique la plus faible et qui sera le nouveau motif `a suivre dans la prochaine image.

Les figures 4.10 et 4.11 montrent les r´esultats obtenus par l’algorithme de suivi sur l’ensemble de la collection d’images. L’initialisation du suivi est r´ealis´ee soit sur la premi`ere image de la base d’apprentissage soit sur la derni`ere. Pour ces deux essais, l’enchaˆınement des motifs de r´ef´erence `a suivre s’effectue correctement par paliers successifs. La largeur d’un palier d´epend principalement des variations d’apparence qui sont beaucoup plus importantes pour un visage vu de face que de profil lors d’un mouvement en rotation de la tˆete. De plus, l’amplitude du d´eplacement du visage n’est pas constante entre les diff´erentes images constituant la base d’apprentissage du fait de la m´ethode d’acquisition de ces images (conversion d’une s´equence vid´eo). Ce changement de motif de r´ef´erence s’effectue pour des images g´en´eralement situ´ees `a

”mi-chemin” des motifs de r´ef´erence les plus proches. Nous constatons ´egalement que l’erreur quadratique du motif de r´ef´erence suivi reste relativement faible (< `a 0.26) devant les erreurs quadratiques des motifs de r´ef´erence pr´ec´edent et suivant de la base. Ceci permet donc d’avoir

4.1. D´etection et suivi 3D d’un visage dans une s´equence vid´eo 121

aucune ambigu¨ıt´e sur le motif de r´ef´erence `a suivre dans la prochaine image.

0 10 20 30 40 50 60 70

0 10 20 30 40 50 60 70

Numero du motif de reference suivi

Indice de la sequence d’images

’motif_reference.dat’

(a) num´ero du motif de r´ef´erence suivi (c).

0 0.5 1 1.5 2 2.5

0 10 20 30 40 50 60 70

Estimation des differentes erreurs quadratiques

Indice de la sequence d’images erreur quadra. courante (c)

erreur quadra. suivante (s)

erreur quadra. precedente (p)

’err_quadra_courante.dat’ using 1

’err_quadra_suivante.dat’ using 1

’err_quadra_precedente.dat’ using 1

(b) estimation des diff´erentes erreurs quadratiques : pr´ec´edente (p), courante (c) et suivante (s).

Figure 4.10 – r´esultats de l’algorithme de suivi sur l’ensemble des 71 vues de la base d’ap-prentissage (de la premi`ere image vers la derni`ere image).

122 Chapitre 4 : Applications d´edi´ees au suivi 3D

0 10 20 30 40 50 60 70

0 10 20 30 40 50 60 70

Numero du motif de reference suivi

Indice de la sequence d’images

’motif_reference.dat’

(a) num´ero du motif de r´ef´erence suivi (c).

0 0.5 1 1.5 2 2.5 3

0 10 20 30 40 50 60 70

Estimation des differentes erreurs quadratiques

Indice de la sequence d’images erreur quadra. courante (c)

erreur quadra. suivante (s) erreur quadra. precedente (p)

’err_quadra_courante.dat’ using 1

’err_quadra_suivante.dat’ using 1

’err_quadra_precedente.dat’ using 1

(b) estimation des diff´erentes erreurs quadratiques : pr´ec´edente (p), courante (c) et suivante (s).

Figure 4.11 – r´esultats de l’algorithme de suivi sur l’ensemble des 71 vues de la base d’ap-prentissage (de la derni`ere image vers la premi`ere image).

Ces premiers r´esultats nous ont vivement encourag´e `a tester notre algorithme de suivi 3D en situation r´eelle.

4.1. D´etection et suivi 3D d’un visage dans une s´equence vid´eo 123

Exp´erimentation de l’algorithme de suivi et compression des donn´ees

Phase de détection et de reconnaissance d  ’un visage

Acquisition image VIc

Correction des positions des ellipses µr (p, c, s)= µp (p, c, s)+Dµ(p, c, s)

= µp (p, c, s)+ ADVIp (p, c, s) Tirages aléatoires :

Des paramètres de l’ellipse de référence

Du motif de référence testé

VIref err_quadrade la différence DVIr

err_quadra> seuil_reco = 0.3 Test

err_quadra£seuil_reco = 0.3

Fin de la phase de reconnaissance

VIc (p, c, s) µr (p, c, s) Phase de suivi 3D temps réel

Motif de référence reconnu et suivi

Acquisition image

Correction de la position de l’ellipse µr= µp+Dµ = µp+ ADVIp

VIref (p, c, s) 3 Motifs de référence à tester :

précédent (p), courant (c)

-Estimation des 3 erreurs quadratiqueserr_quadra(p, c, s) de la différence DVIr (p, c, s) et recherche de la valeur minimaleerr_quadra_min

Test Motif de référence

à suivre

Résultat du suivi err_quadra_min< seuil_suivi = 0.7

err_quadra_min³seuil_suivi = 0.7

Figure 4.12 – pr´esentation de l’application automatique de suivi 3D d’un visage.

Notre premier souhait ´etait de r´ealiser une application enti`erement autonome c’est `a dire que l’algorithme de suivi doit permettre une d´etection automatique d’un visage dans l’image

124 Chapitre 4 : Applications d´edi´ees au suivi 3D

pour en assurer son suivi 3D et ˆetre capable de revenir en mode d’initialisation en cas de perte de suivi en ligne du motif. Le principe de cette application de suivi 3D est illustr´e figure 4.12.

Pour r´ealiser cette initialisation automatique, nous tirons al´eatoirement un motif de r´ef´erence dans la base d’apprentissage et une position de l’ellipse dans l’image courante. Nous cherchons alors `a corriger cette position d’ellipse µp pour essayer de se recaler sur le motif du visage d´etect´e µr et ceci, tant que l’erreur quadratique err-quadra de la diff´erence de niveaux de gris

∆V Ir entre le motif de r´ef´erence test´eV Iref et le motif courant ´echantillonn´eV Ic dans l’ellipse apr`es correction reste sup´erieure `a un seuil seuil-reco ´egal `a 0.30.

La d´etection de la perte de suivi d’un motif se fait ´egalement en comparant l’erreur quadra-tique la plus faible en sortie du processus de suivi `a un seuil seuil-suivi ´egal `a 0.70. Tant que cette erreur reste inf´erieure `a ce seuil, la phase de suivi en ligne se poursuit sinon une nouvelle phase d’initialisation de suivi commence.

Les valeurs de ces diff´erents seuils n’ont pas ´et´e d´eduites des r´esultats obtenus `a partir de la simulation mais plutˆot exp´erimentalement pour pouvoir tenir compte des variations d’´eclairement suivant la pose du visage.