Suivi de distributions

Les problèmes de remise à jour évoqués ci-dessus sont moins cruciaux lorsque l’on se donne une caractérisation globale de l’apparence de la cible. La recherche de la cible à l’instant courant se base alors sur des distributions (histogrammes ou mélanges de gaussiennes) des couleurs dans une région de géométrie simple. La méthode la plus utilisée dans cette catégorie est le suivi par mean shift [Comaniciu 03c]. La distribution est un histogramme de couleur. L’algorithme consiste alors à déplacer une fenêtre d’analyse (noyau) de manière à trouver l’histogramme contenu dans la fenêtre qui coïncide le mieux avec l’histogramme de référence. La similarité entre l’histogramme de référence et l’histogramme candidat est mesurée par le coefficient de Battacharyya. Le déplace-ment du noyau se fait par montée de gradient itérative. Plus récemdéplace-ment, une méthode permettant le suivi de distributions sans calculer explicitement les distributions a été proposée dans [Boltz 07]. Elle consiste à ajouter, en plus de la couleur, une information sur la géométrie des objets. L’esti-mation de densités de probabilité en grande dimension n’étant pas triviale, les auteurs proposent une méthode permettant de calculer une distance de Kullback-Leibler entre deux densités de pro-babilité sans estimer explicitement ces densités.

7.3.3 Avantages et limitations

Les méthodes décrites dans cette section ont l’avantage d’exploiter des informations sur l’ap-parence photométrique des objets ce qui les rend robustes aux changements d’illumination. L’uti-lisation de distributions permet de rendre moins critique la phase de remise à jour de l’imagette de référence. Les techniques de suivi résultantes sont invariantes aux rotations et, dans une certaine

État de l’art sur le suivi d’objets 119

mesure, aux changements d’échelles. De plus, les algorithmes de suivi par mean shift sont peu coûteux. Cependant, la description d’une cible par des distributions n’est pas adaptée aux objets de petite taille. Enfin, toutes les méthodes de cette section ne gèrent pas l’initialisation automatique de nouveaux objets ni leurs arrêts et sorties du champ de la caméra.

7.4 Conclusion

Ce chapitre a passé en revu les principales techniques permettant de suivre un ou plusieurs objets dans une séquence d’images. Le but était de donner un bref apperçu des types de méthodes existants et non de faire une liste exhaustive de toute la littérature sur le sujet. Chaque catégorie de suivi a ses propres avantages et ses inconvénients. Il ressort de ce chapitre des points importants permettant de définir la qualité d’un algorithme de suivi.

Les caractéristiques d’un bon algorithme de suivi sont les suivantes. Tout d’abord la méthode doit être capable d’initialiser automatiquement les cibles et doit gérer les arrêts et les sorties du champ de la caméra. Elle doit de plus être robuste aux changements d’illumination et aux éventuels changements de topologie. La topologie n’est importante que dans le cas où une segmentation de la cible est exigée. Enfin, la méthode doit permettre de continuer à suivre la cible même en cas d’occultations partielles ou totales par un autre objet ou par le fond. La première caractéristique ne peut être obtenue qu’avec l’ajout d’une méthode de détection des objets, des observations étant apportées à chaque instant ou à des instants espacés par un faible pas de temps. Les changements d’illumination ou de photométrie ne sont bien pris en compte que par les méthodes utilisant des histogrammes ou des mélanges de gaussiennes sur l’intensité ou la couleur. Ces distributions doivent régulièrement être mises à jour. Enfin, la gestion des occultations n’est bien considérée qu’avec l’utilisation d’observations ou en ajoutant une loi dynamique au processus de suivi, la difficulté étant alors de déterminer cette loi. La plupart du temps les objets peuvent avoir un mouvement quelconque qu’aucune loi ne peut caractériser.

Dans le chapitre suivant, nous présentons une méthode de suivi à la volée basée sur la mini-misation d’une fonction d’énergie par coupe minimale/flot maximal. Elle utilise des observations extérieures fournies par un module de détection (soustraction de fond ou méthode décrite dans la partie I de ce document). Ainsi, elle gère bien l’arrivée de nouveaux objets. Des distributions de couleurs et de mouvement rendent le suivi robuste aux changements d’illumination et permet de gérer les occultations partielles.

Chapitre 8

Suivi et segmentation par coupe

minimale/flot maximal

Dans ce chapitre, nous mettons en place un algorithme de suivi d’objets utilisant des observa-tions apportées par un module extérieur de détection d’objets en mouvement. Nous souhaitons que l’algorithme de suivi donne simultanément les cartes de segmentation des objets. En effet, si nous utilisons le détecteur décrit dans la première partie du document, il serait intéressant de pouvoir combiner la phase de segmentation et la phase de suivi. Les observations extérieures pourraient ainsi être les clusters en mouvement obtenus à la fin de la phase de partitionnement des points de la grille. Nous ne nous concentrons pas uniquement sur le détecteur de la partie I et dédions notre méthode de suivi à n’importe quelle méthode de détection d’objets. Nous montrerons, par exemple, des résultats pour lesquels les détections ont été obtenues par soustraction de fond.

Nous ne voulons pas ajouter de phase d’association entre les observations et les objets à l’algorithme de suivi. En effet, l’association pour le suivi multicibles peut s’avérer difficile, en particulier si nous utilisons le détecteur de la partie I. Dans ce cas, les observations seraient en effet des clusters en mouvement tandis que les pistes sont des objets segmentés. Au contraire, la méthode que nous mettons en place dans ce chapitre fait directement cette association : il s’agit d’un résultat de l’algorithme. Ce résultat d’association permet, de plus, de gérer automatiquement l’apparition de nouvelles pistes.

Le chapitre est organisé comme suit. La première section explique le principe général de l’al-gorithme et introduit les notations. L’all’al-gorithme de suivi utilise les all’al-gorithmes de coupe mini-male/flot maximal expliqués au chapitre 6. Il repose donc sur des minimisations d’énergie. Il se décompose en deux étapes principales. La première, décrite dans la section 8.2 est dédiée à la seg-mentation et au suivi de chaque objet indépendamment. Une deuxième étape est rajoutée afin de séparer les objets ayant fusionné au cours de la première étape. Elle est expliquée dans la section 8.3. Dans la dernière section (section 8.4), des résultats expérimentaux sont présentés, d’une part sur une séquence relativement simple où les observations sont obtenues par soustraction de fond, et d’autre part sur des séquences plus complexes ayant un fond dynamique. Pour ces dernières, les observations sont le résultat du détecteur de la partie I. Il s’agit ainsi des résultats finaux de cette thèse traitant de la détection, la segmentation et le suivi d’objets mobiles dans des scènes complexes.

122 8.1 Principe

8.1 Principe

La méthode de suivi proposée se décompose en deux parties principales : une phase de seg-mentation et de suivi, et une phase de séparation des objets ayant fusionné. Les deux parties se basent sur une minimisation d’énergie par Graph Cuts. Avant d’expliquer le rôle de ces deux phases et leurs principes, nous présentons les caractéristiques utilisées pour représenter les objets et les observations.