FIG. 6.2 – Exemple de la trajectroire suivie par un objet de petite taille (ici un ballon) au cours d’une séquence d’images.
FIG. 6.3 – Apparence d’un même objet de petite taille (ici un ballon) dans différentes images.
bruit présent dans l’image. Toute la difficulté du problème réside dans la distinction entre les pixels représentant le bruit engendré par le mécanisme d’acquisition et ceux représentant les objets de petite taille que nous cherchons effectivement à détecter et suivre.
Dans ce chapitre nous proposons une solution pour réaliser le suivi d’objet de petite taille en temps réel dans des images couleur, en considérant les contraintes spécifiques énoncées ci-dessus. Ces spécificités ont entraîné plusieurs chercheurs à proposer des méthodes de suivi adaptées à ce type de suivi d’objet. Quelques-unes de ces méthodes vont être maintenant pré-sentées.
6.2 Le suivi d’objet de petite taille dans la littérature
Le problème spécifique du suivi d’objet de petite taille peut être rattaché à d’autres pro-blèmes pour lesquels des solutions sont connues, tel que le problème de la détection d’objets dans des images radar. Cependant, dans ce type d’images où le but est de séparer les objets du bruit, les caractéristiques de l’image, c’est-à-dire des objets et du bruit, sont généralement connues a priori.
6.2. Le suivi d’objet de petite taille dans la littérature 105 Ce n’est pas le cas du suivi d’objet de petite taille dans des séquences vidéo quelconques.
Nous nous limitons donc à ce problème et dressons ici un bref panorama des approches propo-sées dans la littérature, en considérant successivement le cas d’une ou plusieurs caméras fixes, celui d’une caméra mobile, et enfin celui d’une caméra mobile avec traitement en temps réel.
Dans le cas le plus simple, la caméra effectuant l’acquisition des images est considérée comme fixe ou statique. Ohno et al. [Ohn00] effectuent un suivi du ballon dans un match de football en deux étapes. Tout d’abord, la différence entre deux images successives permet de détecter toutes les régions mobiles. La recherche du ballon parmi ces régions repose sur l’hy-pothèse que le ballon correspond à une région de petite taille dont la couleur ne correspond pas à celle d’un joueur. Lipton et al. [Lip98] analysent des séquences d’images en niveaux de gris en considérant deux types d’objets (humains ou véhicules). Là encore, la différence entre deux images successives ou avec une image de référence permet d’isoler les régions candidates. Une mise en relation de modèles par comparaison des apparences des régions dans les images suc-cessives est ensuite effectuée. Pingali et al. [Pin98] se proposent de suivre une balle de tennis dans des séquences vidéo couleur. La détection des régions mobiles est toujours effectuée par différence entre deux images successives mais un post-traitement (fermeture morphologique) est nécessaire. Ensuite, la balle est distinguée des joueurs par analyse de couleur, en consi-dérant la couleur de la balle (jaune) par des valeurs de teinte et de saturation spécifiques dans l’espace TSL. Finalement, Davies et al. [Dav98] utilisent des ondelettes et des filtres de Kalman pour suivre des objets dans des séquences d’images infrarouges en niveaux de gris.
En considérant la caméra mobile et non plus fixe, on augmente la complexité du problème.
Cohen et al. [Coh98] analysent des images acquises par une caméra embarquée sur un avion et compensent le mouvement de cette caméra entre les différentes images. Les régions mo-biles sont composées des pixels dont le mouvement n’est pas cohérent avec le mouvement glo-bal, c’est-à-dire celui de la caméra. En supposant une apparence relativement constante durant quelques images, chaque objet est alors suivi à l’aide d’un modèle dynamique, c’est-à-dire gé-néré sans apprentissage, qui lui est associé. Deux approches ( [Seo97] et [Gon95b]) concernent le suivi du ballon dans des retransmissions de matchs de football. Dans les deux cas, le suivi s’effectue en trois étapes. La première étape consiste à supprimer le fond, c’est-à-dire la pelouse, par recherche des pixels caractérisés par la couleur la plus fréquente dans l’image [Seo97] ou la couleur verte [Gon95b]. Il est ensuite possible de déterminer la position de l’occurrence du ballon dans une image, soit par template matching [Seo97], soit par recherche de régions circu-laires de couleur blanche [Gon95b]. Le suivi dans les différentes images est basé finalement sur l’utilisation de filtres de Kalman [Seo97] ou sur la recherche dans une zone localisée autour de la position précédente [Gon95b].
6.2. Le suivi d’objet de petite taille dans la littérature 106 Enfin, il est possible de suivre des petits objets dans une scène dynamique (caméra mo-bile) en temps réel. Ainsi, Sanderson et al. [San99] traitent le problème de la détection et du suivi de navires en haute mer. Un modèle fréquentiel de l’arrière-plan, c’est-à-dire la mer, est obtenu en utilisant une transformée de Fourier rapide (FFT). En supprimant les fréquences as-sociées à l’arrière-plan, puis en effectuant la transformée inverse, il est possible de supprimer l’arrière-plan. Les différentes régions détectées sont alors décrites par leur taille et leur centre de gravité. Ces informations sont enfin utilisées pour effectuer le suivi des objets dans les diffé-rentes images.
Parmi les méthodes de la littérature présentées ici, aucune ne permet de résoudre le problème du suivi d’objet de petite taille en respectant toutes les contraintes énoncées : les contraintes générales Cmouvement, Ccouleur, Crapidité, Cillumination, ainsi que des contraintes spécifiques relatives aux nombreux objets présents dans la scène, à l’adaptabilité de la méthode à différents objets, etc.
Afin de résoudre le problème posé, nous l’avons divisé en deux sous-problèmes : celui de la détection des objets de petite taille dans une image donnée, et celui du suivi de ces objets dans les différentes images de la séquence.
Nous avons étudié le premier problème en cherchant tout d’abord une solution basée sur l’analyse globale de l’image. Nous avons tenté de supprimer les détails (dont les objets de petite taille) d’une image puis de comparer le résultat avec l’image originale. La différence entre les deux images permet de localiser les objets de petite taille. Cependant, cette approche originale ne permet pas de traiter la contrainteCrapidité.
Nous avons alors dû envisager une analyse locale de l’image, connue pour être générale-ment plus rapide que les analyses globales. Pour cela, la répartition des couleurs des pixels est mesurée localement. Il est donc possible d’effectuer localement une segmentation en deux classes (détails et autres régions) via l’utilisation d’histogrammes. Cette approche, décrite dans la section 6.4, permet de respecter les différentes contraintes énoncées.
Il est finalement possible de résoudre le problème du suivi à l’aide des solutions proposées pour le problème de la détection en fusionnant les résultats obtenus sur les différentes images.
L’approche utilisée sera décrite dans la section 6.5.