Soutenance mémoire
D’après l’ONISR (Observatoire National Interministériel de la Sécurité Routière), la vitesse (inadaptée ou excessive) serait une des causes principales de plus de 40% des accidents mortels. La capacité de perception visuelle diminue à mesure que la vitesse augmente, en même temps que la distance de freinage en cas de danger. Ainsi, un piéton dispose d’un champ visuel de 180◦ , un automobiliste roulant à 40 km/h, de 100◦ et à 130 km/h, l’angle d’ouverture n’est plus que de 30◦. Une vision et une marge de réaction limitées rendent le traitement et l’analyse des informations plus complexes et peuvent être à l’origine de situations dangereuses. De plus, la gravité de l’accident dépend de l’énergie du choc et donc de la vitesse des véhicules. En 2011 , 3963 personnes ont trouvé la mort dans un accident de la route. Outre l’aspect humain, le coût économique représenté est considérable tant pour la société que pour les conducteurs . L’intérêt de proposer un système de régulation automatique de la vitesse est alors évident. Le concept est déjà à l’œuvre dans de nombreux véhicules récents grâce à l’utilisation du régulateur de vitesse. Ces systèmes soulagent le conducteur qui peut ainsi reporter son attention sur la route plutôt que sur son compteur mais doivent être activés et mis à jour manuellement. Entièrement automatiques, ils amélioreraient notablement le confort des utilisateurs tout en garantissant une certaine anticipation des modifications de vitesse de croisière, évitant ainsi les à-coups et réduisant la consommation.
Le nombre croissant de projets liés à cette thématique témoigne bien de l’intérêt grandissant pour ce domaine, tant dans la recherche académique que dans le monde industriel . Depuis quelques années, des véhicules sont même équipés de modules de détermination de vitesse limite de plus en plus sophistiqués . La majorité repose sur une caméra monoculaire qui détecte et reconnaît les panneaux présents sur les bords des routes. Ces derniers correspondent à des vitesses limites locales ou temporaires, dénotant la présence de zones dangereuses. Toutefois, de tels systèmes n’ont aucune connaissance des limitations implicites liées au contexte de conduite, comme le type de route ou la présence en ville ou non. De plus, leurs performances sont sensiblement réduites lorsque les conditions climatiques se dégradent.
Détection de panonceaux
De nombreuses recherches ont été réalisées pour la détection de panneaux routiers dans le but d’assister le conducteur et de l’alerter en cas de situations dangereuses. Malheureusement, peu d’entre elles se sont intéressées au cas des panonceaux, ces rectangles situés sous un panneau et dont ils précisent la signification. Ils apparaissent en diverses occasions, sous de nombreuses formes et leur interprétation est essentielle pour implémenter un système conforme aux règles de conduite . Il semble en effet inutile d’informer le conducteur d’une restriction concernant une autre voie que celle où il circule ou une autre catégorie de véhicule. Nous nous sommes plus particulièrement intéressés à la signalisation relative aux limitations de vitesse. Imaginons un véhicule roulant sur autoroute et passant à proximité d’une voie de sortie, sans l’emprunter. Des panneaux, combinés la plupart du temps à des panonceaux « Flèche », sont présents pour indiquer que la vitesse y est réduite. Si le véhicule était pourvu d’un système de détermination de vitesse basée sur la vision mais sans prise en compte des panonceaux, une alerte pour réduire sa vitesse risquerait d’être déclenchée, chaque fois que ce type de situation serait rencontré. Cela entraînerait la distraction, voire l’agacement, du conducteur.
D’après [Instruction Interministérielle Relative à la Signalisation de Direction, 1982], contrairement aux panneaux, les dimensions des panonceaux ne sont pas standardisées mais dépendent plutôt de l’information portée. La variété des directives est très grande et elles peuvent être divisées en différents types :
• les flèches qui spécifient la voie sur laquelle s’applique la limitation de vitesse. Elles se rencontrent en majorité en sortie d’autoroute ;
• les pictogrammes qui précisent la catégorie de véhicules concernés (camions, bus, caravanes, motos, etc.) ;
• le texte qui permet l’affichage d’une quantité infinie d’informations, notamment des tonnages, distances, étendues, restrictions en fonction de conditions climatiques ou de plages horaires ;
• les panonceaux mixtes, combinant du texte et une autre catégorie, comme un pictogramme.
Cette catégorisation est valable dans les deux pays pour lesquels nous avons développé le système, à savoir la France et l’Allemagne.
L’approche que nous avons privilégiée est à l’image de la plupart des applications de type TSR (Traffic Sign Recognition – Reconnaissance de Panneaux Routiers) qui procèdent en trois étapes. Tout d’abord, une phase de détection permet de délimiter dans l’image les régions d’intérêt où se trouvent potentiellement les objets recherchés. Dans notre cas, cette phase consiste en la détection de rectangles que nous détaillerons dans la suite de ce chapitre. Les objectifs sont multiples, notamment réduction du temps de calcul et du nombre de fausses alarmes, simplification et modularité du processus. Ensuite, la reconnaissance vise à séparer les bons des mauvais candidats, la plupart du temps grâce à un apprentissage préalable, et à retourner le type d’objet détecté. À l’issue de cette étape, le système fournit le nombre de panonceaux présents dans l’image, le plus souvent associés à une mesure de confiance, ainsi que leur message. Enfin, le suivi temporel est utilisé pour valider une hypothèse si un même objet a été correctement détecté un nombre déterminé d’images.
État de l’art
Contrairement à la détection de panneaux qui requiert l’image complète, la recherche de panonceaux se limite à une zone située sous ces derniers. La petite taille de la région de recherche rend tentante l’idée de se dispenser de détecter des rectangles afin de procéder directement à la reconnaissance, via des fenêtres glissantes et une approche multi-échelle. Ces approches ont été notamment implémentées pour la détection de plaques d’immatriculation [Huang et al., 2008] ou de manière plus générale pour la reconnaissance d’objets très divers [Bosch et al., 2007a, Lampert et al., 2008, Tuytelaars and Mikolajczyk, 2007]. Néanmoins, quelle perte de temps de chercher un objet alors qu’il n’y a rien ! De plus, la grande diversité de panonceaux, en terme de dimensions, de ratios hauteur/largeur et de types, rend complexe la tâche de classification directe. Ce constat explique pourquoi l’ensemble des techniques de reconnaissance de panonceaux comportent une phase de détection [Hamdoun et al., 2008,Nienhüser et al., 2010,Liu et al., 2011] que nous pouvons séparer en trois familles : template matching, transformée de Hough et template-matching dans l’espace de Hough.
Template-matching
Actuellement, le peu de recherches réalisées dans le domaine de détection de rectangles fonctionnent selon le même principe, segmenter l’image à partir des contours. La façon la plus naturelle de procéder consiste à extraire les segments de l’image puis à réaliser un template-matching. La détection de rectangles de [Miura et al., 2000] repose simplement sur des projections de l’image de contours selon deux directions orthogonales. Un contour vertical correspondra ainsi à un pic dans l’histogramme de projection horizontale . Cette technique, très simple à mettre en œuvre, est toutefois très sensible au bruit, aux occlusions ainsi qu’à une inclinaison éventuelle du panonceau par rapport à l’horizontale. L’utilisation des projections ne garantit pas non plus que le segment retourné soit continu.
|
Table des matières
1 Introduction
2 Détection de panonceaux
2.1 Motivations
2.2 État de l’art
2.2.1 Template-matching
2.2.2 Utilisation de la transformée de Hough
2.2.3 Template-matching dans l’espace de Hough
2.3 Approche proposée
2.3.1 Principe de la croissance de régions
2.3.2 Sélection des graines contrastées
2.3.3 Recherche de zones uniformes
2.3.4 Choix des paramètres
2.4 Réalisation d’un benchmark
2.4.1 Approches frontière
2.4.2 Approches par seuillage
2.4.3 Approche par région
2.5 Étude comparative
2.5.1 Bases de données
2.5.2 Mesures utilisées
2.5.3 Analyse des résultats
Mesure de Jaccard
Centrage
Recouvrement
Étude des faux positifs
Robustesse aux dégradations d’image
2.6 Conclusion
3 Reconnaissance de panonceaux
3.1 Introduction
3.2 Classification
3.2.1 Qu’est-ce que la classification ?
Approche syntaxique
Template-matching
Réseaux de neurones
Autres techniques d’apprentissage statistique
3.2.2 Comment représenter les motifs ?
Approches locales
Approches globales
3.2.3 Domaine des panonceaux
3.3 Méthode proposée
3.3.1 Analyse du problème
3.3.2 Définition de macro-catégories
3.3.3 Utilisation de descripteurs globaux
3.4 Évaluation
3.4.1 Base de données
3.4.2 Performances
Justification du paramétrage utilisé pour le PHOG
Justification de l’architecture
Analyse des résultats
3.5 Conclusion
4 Fusion de données
4.1 Introduction
4.2 Théorie sur la fusion de données
4.2.1 Principes généraux
Définitions
Imperfections des données
Modèles
Architectures
4.2.2 Théorie des probabilités
4.2.3 Théorie des possibilités
Généralités
Application à la fusion
4.2.4 Théorie de Dempster-Shafer
Généralités
Combinaison
4.2.5 Affaiblissement – Renforcement
4.2.6 Décision
4.3 État de l’art de la fusion de données dans les systèmes ISA
4.3.1 Contexte bayésien
4.3.2 Prise en compte du contexte de situation
4.3.3 Critères liés au GPS
4.4 Méthode proposée
4.4.1 Estimation de la fiabilité de la navigation
4.4.2 Estimation des fonctions de masse
4.4.3 Détermination de la vitesse limite
4.5 Évaluation
4.5.1 Bases de données
4.5.2 Comparaison avec la méthode de [Lauffenburger et al., 2008]
4.5.3 Importance de la fusion de données
4.6 Conclusion
5 Conclusion
