suivis & bien classés suivis mais mal classés fantômes
FIGURE5.12 – Taux de suiviθT, taux de classificationθC, et taux de fantômesθGpour 3 classes de véhicules. Pour chacune, les barres de gauche sont pour un potentiel d’interaction isotrope, et les barres de droite sont pour un potentiel d’interaction anisotrope.
5.7 Suivi et catégorisation de véhicules sous illumination variable
Les expérimentations présentées dans cette section ont été menées sous diverses conditions d’illuminations, notamment avec soleil et nuages, à plusieurs heures du jour. Cette campagne d’experimentations a pour but de quantifier la performance du système sur du suivi et catégorisation simultanés de véhicules dans le trafic, im-pliquant des voitures, camionettes, poids lourds. Le contrôle des véhicules candidats reste conforme au modèle exposé dans la section5.6. Les critèresθT, θC, θG, T ont été utilisés pour comparer les performances de quatre versions du système :
B MOT - Suivi Multi Objet : implémentation de l’algorithme FP RJ-MCMC sans classification ni modélisa-tion de l’ombre. Une seule categorie d’objets candidats est alors utilisée. La dynamique de taille d’objet est alors fortement augmentée, pour permettre aux objets candidats de s’adapter à des cibles de tailles aussi différentes que poids lourds et motos.
B MOTS - Suivi Multi Objet et modélisation de l’ombre : implémentation de l’algorithme FP RJ-MCMC sans classification. L’éclairement est modélisé par une source ponctuelle située à l’infini, et l’ombre est supposée portée soit sur un sol plan, soit sur les autres objets. Une seule categorie d’objets candidats est utilisée. Dynamique de taille d’objet élevée pour permettre aux objets candidats de s’adapter à des cibles de tailles aussi différentes que poids lourds et motos.
B MOTCn- Suivi et Catégorisation Multi Objet sans modélisation de l’ombre : implémentation de l’algo-rithme FP RJ-MCMC avec catégorisation des objets enn classes.
B MOTCnS - Suivi et Catégorisation Multi Objet avec Modélisation de l’ombre : implémentation de l’al-gorithme FP RJ-MCMC avec catégorisation des objets enn classes. L’éclairement est modélisé par une source ponctuelle située à l’infini, et l’ombre est supposée portée soit sur un sol plan, soit sur les autres objets.
Séquences vidéos de synthèse : Les vidéos ont été réalisées avec une caméra fictive placée au bord d’une ligne droite d’autoroute à trois voies. Des parallélépipèdes approximant deux catégories de véhicules«
cir-#152 #152
#449 #449
M OT M OT S
FIGURE5.13 – Extraits d’une des séquences de synthèse, avec suivi de cubes approximant deux catégories de
véhicules sur autoroute : voitures et poids lourds. Aucune catégorisation n’est menée dans cette figure. Images de gauche : sans modélisation de l’ombre. Estimation des contours d’objets en trait vert. Images de droite : avec modélisation de l’ombre, estimation des contours d’ombres en trait rouge.
culent » sur cette autoroute, sous un soleil brillant. La figure 5.13, colonne de gauche (MOT), illustre deux dysfonctionnement du suivi sans modélisation de l’ombre. Apparition d’objets fantômes sur les ombres : à l’image #152, l’objet estimé #6 ne suit que l’ombre de l’objet #5. Estimation de forme et de position des objets fortement biaisées par leurs ombres : à l’image #449, l’objet estimé #19 est attiré par l’ombre de la cible, causant un biais de position pouvant atteindre 2 mètres. Ces deux dysfonctionnements sont réglés par la modélisation de l’ombre, colonne de droite, (MOTS). Cependant, la modélisation de l’ombre ne suffit pas à régler tous les problèmes : la figure5.14illustre qu’en absence de catégorisation, le système peut expliquer un unique objet long par plusieurs objets courts. Le scénario illustré par cette figure se produit fréquemment et est dû à l’entrée progressive dans le champ de mesure d’un objet cible de grandes dimensions. Dans l’image #385 (en haut), le système initialise un objet candidat (#16) de petites dimensions sur cette cible encore partiellement invisible. A l’image #387, la visibilité accrue de l’objet permet au système MOTC2S(à droite) de changer la catégorie de l’objet candidat. Le système sans catégorisation MOTS initialise à l’image #392 un deuxième objet candidat (#17) de petites dimensions suivant le premier. Comme illustré par l’image #398, il sera difficile de récupérer un suivi correct dans ce cas, tandis que MOTC2Sa déjà bien placé l’objet candidat sur la cible. Le tableau5.6
rapporte les résultats, montrant que la modélisation de l’ombre et l’activation de la catégorisation d’objets amé-liorent toutes deux indépendamment les performances. Les meilleurs résultats sont obtenus lorsque les deux sont activées.
#385 #385
M OT S M OT C2S
#387 #387
#392 #392
#398 #398
FIGURE 5.14 – Extraits d’une des séquences de synthèse, avec suivi de cubes approximant deux catégories
de véhicules sur autoroute : voitures et poids lourds, avec modélisation de l’ombre. Images de gauche : sans catégorisation. Images de droite : avec catégorisation en 2 classes : voitures en vert, poids lourds en orange.
TABLE5.6 – Vidéos de synthèse sur autoroute, avec véhicules approximés par des cubes de deux catégories. Suivi et catégorisation. Taux de suiviθT (%) / Taux de catégorisationθC (%) / Taux de fantômesθG(%). erreur moyenne de position par vehicule (mètres).
MOT MOTS MOTC2 MOTC2S
véhicules légers . . 59/54/0 90/89/11 poids lourds . . 86/86/0 90/89/0
total 52/22/17 51/25/16 58/53/0 90/89/11
erreur (m) 6.17 5.80 2.76 2.00
TABLE5.7 – Suivi et catégorisation de véhicules réels sur autoroute. Taux de suiviθT (%) / Taux de catégori-sationθC(%) / taux de fantômesθG(%). erreur moyenne de position par véhicule (mètres).
MOT MOTS MOTC3 MOTC3S
véhicules légers . . 67/64/2.6 67/67/0.05 camionettes . . 83/36/1.0 92/86/3.7 poids lourds . . 93/83/0 100/100/2
total 51/45/0 60/51/0 72/62/2.5 70/70/3.1
erreur (m) 6.80 6.22 6.13 5.40
Séquences de trafic réel : Les séquences de trafic réel utilisées impliquent des véhicule légers, des camio-nettes et des poids lourds, sur une autoroute à quatre voies. La scène est captée à la sortie d’une barrière de péage, et comporte une voie d’accélération. Les conditions d’illuminations sont variables. Pour faire du suivi de véhicules en trafic réel, la classification est indispensable. En effet, du fait de la grande étendue de taille des véhicules, les méthodes sans classification (MOT et MOTS) requièrent une valeur élevée de la dynamique de forme des véhiculesσs, afin de permettre aux objets candidats de s’adapter à la grande variété des objets cibles. Il faut donc prendre en compte les catégories les plus fréquentes. Une telle stratégie ne peut pas fonctionner en présence de fortes occultations. Pour qu’elle puisse constituer une référence, ainsi que pour nous permettre d’établir la vérité terrain à la main, nous avons choisi des séquences de trafic modéré, mais impliquant toutes les catégories de véhicules. La figure5.15illustre que la catégorisation et la modélisation de l’ombre améliorent le suivi. Les défaillances typiques de MOT et MOTS sont : deux objets candidats suivant une cible unique (MOTS) ou mauvaise précision du suivi (MOT). Sans modélisation de l’ombre, le système ne parvient pas à suivre des objets de tailles très différentes : il explique les pixels classés comme avant-plan appartenant à l’ombre du ca-mion, par un« fantôme » de voiture (#7 sur MOTC3 et #8 sur MOTC3S). La modélisation de l’ombre portée permet d’expliquer correctement ces pixels d’avant plan (MOTC3S). En outre, les véhicules sont plus précisé-ment localisés lorsque l’ombre est modélisée (MOTS et MOTC3S), car l’utilisation de l’ombre accroît l’obser-vabilité de l’objet, notamment sur leur position longitudinale. Le tableau5.7regroupe les résultats et confirme les analyse de la section5.7: la modélisation de l’ombre et la catégorisation d’objets améliorent toutes deux indépendamment les performances. Les meilleurs résultats sont obtenus lorsque les deux sont activées.