Importance de la conception d’outils de diagnostic pour le gestionnaire routier

Télécharger le fichier pdf d’un mémoire de fin d’études

Importance de la conception d’outils de diagnostic pour le gestionnaire routier

De par les lois et règlements concernant la signalisation routière, le gestionnaire doit respecter les divers principes, critères et règles énoncés afin d’assurer la conformité de son réseau routier. Ainsi, l’article 2 de l’instruction interministérielle sur la signalisation routière, énonce qu’elle « complète l’arrêté du 24 novembre 1967t précise les règles à suivre, tant pour l’implantation que pour la nature des signaux à adopter. Elle s’impose dans les conditions qu’elle édicte à tous ceux qui sont à un titre quelconque habilités à mettre en place la signalisation routière, sur les voies ouvertes à la circulation publique ». Or, il est aussi indiqué dans son préambule que cette instruction « représente l’idéal vers lequel on doit tendre. Toutefois, la signalisation effectivement mise en place peut être moins dense pour des raisons d’ordre pratique (faible circulation, nécessité d’éviter la multiplication de panneaux, choix de la meilleure affectation des crédits). La responsabilité de l’Administration ne saurait être mise en cause en pareil cas ». Le gestionnaire est donc finalement le seul décisionnaire de l’implantation sur son réseau et reste légalement res-ponsable de l’exploitation et de la maintenance de celui-ci, l’article 18 appelant son attention sur la nécessité d’assurer l’entretien des signaux et de leurs supports.
L’article 4 de l’instruction interministérielle sur la signalisation routière, pré-cise à propos du principe de visibilité que « l’expérience prouve qu’il y a inté-rêt à inspecter périodiquement la signalisation de jour et ed nuit, avec un « œil neuf » pour faire disparaître les panneaux superflus ou remédier aux insuffisances éventuelles ». A propos du principe de lisibilité, elle précise également que « des expériences ont montré que l’observateur moyen ne peut d’unseul coup d’œil percevoir et comprendre plus de deux symboles ».
Le gestionnaire, voulant s’assurer de la conformité du réseau routier à sa charge, se trouve alors confronté à l’analyse de son patrimoine alors que cela requiert une connaissance fine des instructions et une appro che d’ergonomie cognitive auxquelles les services techniques ne sont pas ou peu formés.
La perception visuelle de la route et de son environnement constitue un ob-jet d’applications et d’études important en vue de l’amélioration de la sécurité [4]. Cette thématique est étudiée depuis de nombreuses années au sein du Réseau Scientifique et Technique (RST) du MEEDDM. Ceci, depuis le début des années 80 au Laboratoire Centrale des Ponts et Chaussées (LCPC) dans la division « Ex-ploitation, Signalisation, Eclairage » et plus récemment dans plusieurs Équipes de Recherche Associées (ERA), Laboratoires Régionaux (LRPC)et Centre d’Etude Technique de L’Équipement (CETE) situés à Strasbourg, Sain t-Brieuc, Rouen, Angers et Clermont-Ferrand. Divers outils d’aides à la mesure et au diagnostic ont déjà été mis au point et proposé aux gestionnaires, pour caractériser la visibilité photométrique de diffé-rents types d’objets routiers, mais pas leur saillance :
– CYCLOPE : Véhicule instrumenté par une caméra en position ed conduite, permettant de savoir si les niveaux de visibilité des objetsroutiers (pan-neaux, marquages) situés dans la scène routière respectentbien le modèle d’Adrian, ou bien encore de contrôler la luminance ( cd/m2) moyenne pro-duite par l’éclairage public ainsi que son homogénéité transversale et longitudinale.
– COLUROUTE : COefficient de LUminance des ROUTEs, appareil ml pcr permettant la mesure in situ des caractéristiques photométriques des chaus-sées (regard porté à 60m).
– VECLAP : Véhicule de contrôle de l’ÉCLAirage Public, perme ttant une mesure en continu de la qualité de service de l’éclairage public. Ceci afin d’effectuer une analyse de la visibilité, du confort et de lasécurité nocturne.
– ECODYN : Appareil ml pcr à grand rendement pour le contrôle, en continu, de jour, de la visibilité diurne et nocturne de la signalisation horizontale (marquages).

Éléments de physiologie du système visuel humain

L’attention visuelle entretient des relations étroites avec la perception et le mouvement des yeux [20]. Ces mouvements oculaires peuvent être intentionnels ou réflexes. Ils ont pour but d’amener le centre de la rétine vers le stimulus pré-détecté afin de procéder à son analyse et son identification avec plus de netteté et de résolution. D’où la nécessité, pour le conducteur, de pré-sélectionner des zones pertinentes de la scène routière (en fonction de la tâche) afi n d’y fixer le regard et ainsi de placer la zone sélectionnée dans le champ visuel ed la fovéa et par la même de permettre le traitement perceptif (identification et catégorisation) des objets dans cette zone [21].
Dans le système visuel humain, l’œil est le capteur qui perme t le codage de l’information qui sera traitée par les différents constituants du cortex. Or, contrai-rement à un capteur d’image (ex : appareil photo), l’œil n’a p as une réponse spa-tiale uniforme. La conduite exige l’utilisation simultanée de deux zones de vision : la vision centrale et la vision périphérique. Selon, [22, 23], on peut distinguer, comme il est présenté dans la Fig.3.1, quatres régions du champ visuel en fonc-tion de l’angle d’ouverture par rapport au centre de la rétine :
– La vision fovéale, inférieur à 1◦ de demi angle visuel .
– ◦ ◦ d’excentricité .
La vision para-fovéale qui complète la fovéale jusque 4 à 5.
– Vient ensuite la vision péri-fovéale qui d’étend jusque 9 ou 10 .
– Au delà, et jusqu’à la limite du champs visuel humain (90 ◦ temporal pour chaque œil soit 180 ◦ au total), c’est la vision périphérique.

Activité de conduite et prise d’information visuelle

Durant l’acte de conduite, 65 tâches principales et 1700 sou s-tâches ont été identifiées par [28, 29]. Cette multitude de sous-tâches cor respond aux actions à réaliser pour une situation définie [30], et se retrouve dansla description du « mo-dèle hiérarchique de la tâche de conduite », modèle cognitifbasé sur le recueil d’observations de l’activité de conduite, par [14].
L’activité de conduite est complexe et peu structurée [31, 2]3. En effet, le conducteur doit traiter de nombreuses tâches diverses (act ion sur le véhicule et tâches annexes) alors qu’il ne dispose pas d’ordre précis et clair qui lui indique son champ des actions possibles et que l’environnement dans lequel il se déplace est, par nature, instable et variable (la dynamique des autres usagers comporte toujours une part d’incertitude). Ainsi, [33] décrit la conduite automobile comme « un contrôle de processus individualisé réalisé dans un environnement dynamique partagé » pendant lequel « le conducteur est amené à préleveren permanence de l’information dans son environnement afin d’acquérir une conscience de la situation pertinente pour satisfaire ses objectifs de performance et de sécurité ».
A ce jour, il n’existe pas de consensus sur un modèle complet du conducteur. Comme l’explique [34], les modèles proposés se focalisent urs une, ou un en-semble, restreint de composantes impliquées dans la conduite. Par ailleurs, lors de l’activité de conduite, le conducteur se repose surtout surson système visuel [35]. Selon [7], et nombreux autres auteurs s’y référant, cette modalité sensorielle rend compte de 90% de l’information perçue, mais ce chiffre n’est pas vérifié, et l’on peut juste affirmer que la majeure partie des informations se nsorielles utilisées en conduite sont visuelles. Toutefois, la modélisation des informations visuelles uti-lisées en conduite reste peu prises en compte par les modèlesde conducteur qui incorporent souvent des composants visuels fondés sur des comportements idéa-lisés et dans certain cas des suppositions discutables [36]. Bien sûr, si la modélisation des composants du système visuel du conducteur est incorrecte, le modèle complet est, dans une certaine mesure, compromis.
Selon [19], la perception et l’exploration visuelle, le traitement et la mémori-sation des indices sont, par de nombreux aspects, liés à la vigilance et à l’attention. Cette dernière est, pendant la conduite, dirigée vers une source d’information ou la résolution d’un problème en fonction des représentationmentales activées par le conducteur. Elle est, par ailleurs, sujette aux interférences internes (préoccupa-tions, distractions) et externes (lecture des instruments de bord, téléphone, GPS, ou autres tâches multiples tels que la conversation). Les re cherches dans le do-maine de l’exploration visuelle font donc intervenir des domaines divers.
Pour avancer dans notre problème, il est impératif de mettreen perspective différentes disciplines qui sont complémentaires, afin de comprendre et maîtriser les effets des caractéristiques photométriques des objets, des distances de visibi-lité, de la signification et la mémorisation des indices en fonction des contextes de conduite, de la symbolique et de la syntaxe de la signalisation ou de l’informa-tion embarquée. Dans un champ plus restreint, étudier la saillance de la signalisa-tion verticale fait intervenir également plusieurs disciplines, telles que les sciences cognitives et informatiques.
Comme expliqué précédemment, selon [18], l’activité de conduite est une ac-tivité d’adaptation à un environnement en évolution continue. Elle exige alors le prélèvement et le traitement d’informations afin de prendre connaissance de l’état courant de l’environnement et du véhicule en vue de maintenir ce dernier dans une trajectoire et une vitesse compatible avec le contexte routier. Cet auteur sé-pare les activités d’exploration visuelle, d’identification, de prévision et de déci-sion d’action. Ce formalisme a été repris récemment par [13]qui considère que le conducteur doit :
– sélectionner les informations issues de l’environnement routier afin de ne retenir que celles pertinentes pour la tâche de conduite (so us-tâche de dé-tection et d’identification) .
– comprendre la situation présente pour anticiper la situation futur .
– prendre des décisions pour interagir de la manière la plus sûre et convenable à travers les commandes de son véhicule, avec l’environnement routier et les autres usagers ;

Les modèles informatiques de la saillance attentionnelle

Un exemple de modèle informatique de saillance attentionnelle (« bottom-up ») est le modèle d’Itti [54]. Ce modèle, trouve ses origines dans les travaux de Koch et Ullman [55], qui ont proposé une architecture, biologiquement plausible, pour la modélisation de l’attention visuelle. Ils ont également introduit le concept de carte de saillance, qui exprime l’encodage spatial du degré d’intérêt de chaque pixel d’une image.
Comme le montre l’architecture générale du modèle d’Itti sur la Fig. 3.8, le principe de déroulement de ce modèle consiste à :
– Calculer quatre types de cartes de caractéristiques sur l’image :
– contrastes rouge-vert.
– contrastes bleu-jaune.
– contrastes en luminance.
– variation de l’angle du gradient.
– Calculer ces cartes à différentes échelles.

Vers une modélisation de la saillance de recherche en conduite pour la caractérisation de la saillance de la signalisation de police

La question reste ouverte sur la proportion de la mobilisation de l’un ou l’autre des deux processus présentés précédemment, selon la sousâche-t en cours lors de la conduite. Au sens ergonomique, les processus perceptifs sont déterminés à la fois par l’objectif de la tâche, la structure de la représentation externe et le contexte global dans lequel s’effectue l’activité cognitive [85]. Ce qui rejoint certains au-teurs, [86], [87], [72] et [71, 70], selon lesquels, les processus de type « top-down » (saillance de recherche) priment sur ceux de type « bottom-up » (saillance atten-tionnelle), spécifiquement en conduite pour certains de ces auteurs. Ceci pourrait expliquer le fait qu’un conducteur s’engage à contre-sens d ans une voie à sens unique, le panneau de sens interdit ayant été « vu mais pas regardé ». Cela peut s’expliquer par le fait que le panneau de sens interdit, n’ayant pas une saillance suffisante, n’a peut être pas été détecté et sûrement non identifié par le conduc-teur, d’où sa non-reconnaissance (cf. partie 3.2). Heureusement, dans certains cas, la non-reconnaissance des objets routiers n’induit pas systématiquement un acci-dent, le conducteur et les autres usagers adaptant instantanément leurs compor-tements pour tenter de résoudre rapidement la situation pré-accidentogène. Ces situations peuvent avoir une conséquence dramatique, il est donc nécessaire de les minimiser en comprenant et agissant sur la saillance de la signalisation verticale et plus précisément sur la signalisation de police.
Il a été montré par [88], dans une expérimentation où les sujets devaient lire toute la signalisation routière (panneau de police, de direction, feux, marquages confondus) que seulement 11.2% d’entre elle était fixée. Mais, comme présenté dans la partie 3.1, une fixation correspond à la vision fovéal e (centre du regard). Elle ne prend pas en compte les objets vus, détectés et identifiés par la vision périphérique. Le taux de signalisation pris en compte doit tre,ê en fait, bien plus important. [89] a, quant à lui, montré que les objets routiers étaient globalement bien vus et mémorisés, grâce à une expérimentation d’oculométrie cognitive en conduite sur un parcours de 50 km. Les sujets étaient questionnés sur les diffé-rents objets qu’ils ont rencontrés. En étudiant la relationentre les fixations vi-suelles et la perception « consciente » des sujets, cet auteur a noté que certains des objets fixés (vision fovéale, ie. centre du regard) n’ont pasété mémorisés, donc certainement non identifiés ou reconnus. De plus, certains objets vus et mémorisés l’ont été grâce à la vision périphérique (que l’oculomètreenpeut pas enregistrer cf.3.4.1). Cet auteur a également montré des différences lonse le type d’objets mémorisés (signalisation, marquage, piétons, chevaux,. ).. Les signaux de vitesse sont rapportés correctement à 78% par les conducteurs, 63% pour les signaux de police et 17% pour les passages piétons.

L’oculométrie, une méthode pour étudier la prise d’information visuelle en conduite

Les mouvements oculaires et l’attention étant reliés par les mêmes processus de sélection attentionnelle [92], les méthodes d’oculométrie sont majoritairement utilisées pour étudier les mécanismes de perception visuelle.

Fonctionnement et limite de l’oculométrie

L’oculométrie s’appuie sur le paradigme que les processus cognitifs et la vi-sion, notamment les mouvements oculaires sont associés. Ainsi, selon [93], les fixations témoignent des traitements cognitifs tandis que les saccades relèvent des mécanismes perceptifs et oculomoteurs.
Le principe de l’oculométrie remonte à la fin du 19 eme` siècle. Le premier sys-tème utilisant l’analyse du reflet cornéen a été développérpaDodge et Cline en 1901. Cette technique, utilisée par notre matériel [94], reste la plus répandue à présent, mais une autre technique, basée sur le traitement ‘imagesd [95], plus pré-cise, car non soumise à la dérive du au larmoiement, fait son apparition et semble très prometteuse. Historiquement, on retrouve les premiers travaux utilisant l’ocu-lométrie avec ceux de Fitts [96], en 1947, dans le domaine de l’aéronautique. La technologie se répand à partir du développement de la psychologie cognitive au début des années 1970, notamment par l’expérimentation marquante de Yarbus [97, 73], qui a mis en évidence les différences de trajectoir oculaire lors de l’ex-ploration d’un tableau, selon que l’exploration est libre ou guidé par une problé-matique, cf. Fig. 3.10.
Depuis le début de l’oculométrie, différentes techniques nto été mises en oeuvre, celles-ci décrites dans [98, 99, 100, 101, 93, 102].On retient principa-lement :
– La technique de Huey en 1897, considéré comme le premier système ocu-lométrique. Le principe est de coller un amer sur le blanc de ‘œil du sujet afin de le suivre. Naturellement très invasive, cette méthode ne fonctionne que pour les mouvement horizontaux. Le sujet est contraint à l’immobilité.
– La technique du Limbe, développée par Torok en 1951, dont le principe est d’éclairer le limbe (séparation entre la sclère, c’est à dire le blanc de l’œil, et l’iris, la partie sombre), la quantité de lumière réfléchie dépend de la sur-face relative de la sclère et de l’iris dans le champ de mesure, et donc permet d’identifier la position de l’œil. Cette technique a suscité plusieurs applica-tions dans le domaine du handicap. Cette technique peu coûteuse (simple source de lumière et détecteur d’intensité lumineuse) peutêtre fixé sur une monture. Or, elle nécessite l’alignement du capteur par rapport au globe

Apprentissage par SVM

Les SVMs sont de plus en plus utilisés en vision par ordinateu et en trai-tement d’images pour résoudre des problèmes de reconnaissance et de classifi-cation. Le principe du SVM est de séparer les données de façonà maximiser la marge entre deux classes d’exemples représentant les données, les exemples posi-tifs et ceux négatifs [117]. La base d’apprentissage est alors constituée de couple {(x1, y1), . . . , (xl , yl )} où xi est le vecteur de Rn représentant l’exemplei, et où yi ∈ {−1, +1} est son label.
Lorsque les exemples positifs et négatifs sont linéairement séparables, l’algo-rithme SVM estime les paramètres w ∈ Rn et b ∈ R de l’hyperplan w x + b = 0 qui les séparent (voir Fig. 4.1). On défini les vecteurs support (SV) comme les exemples les plus proches de l’hyperplan qui sont seuls utiles à caractériser cet hyperplan (voir Fig. 4.1).
Dans le cas où les exemples ne sont pas linéairement séparables (voir Fig. 4.2), une fonction mathématiquek(x, x′), appelée noyau, est utilisée afin de projeter im-plicitement les exemples dans un espace de plus grande dimension où le problème devient linéairement séparable. Toutefois, pour ce faire,le noyau choisi doit rem-plir certaines conditions mathématiques. Notamment, il doit remplir la condition de Mercer, c’est à dire être défini positif. Ce point est développé lors de l’étude du choix d’un noyau spécifique, cf partie 5.5.4 ainsi que dans une des publications de cette thèse [118] où un noyau mis au point à partir de la distance d’Hausdorff est utilisé pour faire de la comparaison de forme.

Construction des bases d’exemples pour l’apprentissage et les tests

Afin de créer les exemples utiles à la base d’apprentissage et à la vérité ter-rain de référence pour les bases de test, nous avons utilisénuprogramme nommé SAFOR (SAisie de FORme) développé au LRPC de Strasbourg par ierreP CHAR-BONNIER et que nous avons amélioré durant la thèse. Le principe est de générer un masque binaire de la forme que l’on a sélectionné dans une magei. Ainsi, en chargeant une image comme le montre la Fig. 5.1, on a alors la possibilité de choisir le type de panneaux que l’on va sélectionner dans l’image, celui-ci pou-vant être de type Triangle, Ellipse, Rectangle, Losange ou Octogone. Une fois le type de panneaux choisi à l’aide des icônes, il apparaît un co ntour de la forme au centre de l’image, qu’il suffit de déplacer et déformer, afin de coller au mieux au panneau voulu. Ce programme permet d’effectuer, rapidement, par la sélection des coins du cadre (jaune) de présélection, des rotations oude changer la taille du contour généré (vert) afin d’adapter la forme du modèle au panneau dans l’image. On peut, par ailleurs effectuer des transformations affines de cette forme afin de pouvoir entourer correctement des panneaux d’allures diverses, comme dans le cas de ceux qui ne sont pas fronto-parallèle à la caméra.
Une fois ce contour mis en place autour du panneau sélectionné et validé, grâce à une de nos modifications apportées, la génération du masque se fait au-tomatiquement ainsi que son enregistrement, selon une norme prédéfinie. Cela permet, par la suite, une recherche rapide des masques d’une image, selon le type de panneau, par nom de fichier. Le masque créé, comme le montrela Fig. 5.1 est sous la forme d’une image binaire, qui nous sert ensuite à ext raire le panneau de son environnement.

Table des matières

1 Introduction 
1.1 Contexte
1.2 Objectifs : La détection de panneaux pour l’estimation de la saillance corrélée avec le comportement humain
1.3 Plan de la thèse
2 La signalisation verticale, une nécessité et des besoins 
2.1 Conception et certification de la signalisation verticale
2.2 Importance de la conception d’outils de diagnostic pour le gestionnaire routier
3 Vision, saillance de la signalisation verticale dans l’activité de conduite 
3.1 Éléments de physiologie du système visuel humain
3.2 Activité de conduite et prise d’information visuelle
3.3 Deux types de saillance en conduite
3.3.1 Les modèles informatiques de la saillance attentionnelle
3.3.2 Les modèles informatiques de saillance de recherche
3.3.3 Vers une modélisation de la saillance de recherche en conduite pour la caractérisation de la saillance de la signalisation de police
3.4 L’oculométrie, une méthode pour étudier la prise d’information visuelle en conduite
3.4.1 Fonctionnement et limite de l’oculométrie
3.4.2 Les indicateurs du comportement visuel humain utilisés en oculométrie cognitive
4 Analyse d’images pour la détection de la signalisation verticale
4.1 État de l’art sur la détection de panneaux, contraintes spécifiques liées à notre problème
4.2 Apprentissage par SVM
5 Un SVM pour détecter les zones saillantes cohérentes à la signalisation verticale 
5.1 Choix des SVMs
5.2 Construction des bases d’exemples pour l’apprentissage et les tests
5.3 Procédure d’apprentissage et de recherche de panneaux
5.3.1 Apprentissage standard
5.3.2 Influence du paramètre de régularisation dissymétrique
5.3.3 Détection par fenêtres en multi-échelles
5.4 Etude sur les signatures
5.4.1 Histogramme des angles et des couleurs des contours
5.4.2 Histogramme des couleurs
5.4.3 Histogramme des couleurs normalisées
5.4.4 Histogramme des couleurs normalisées sur les contours
5.4.5 Histogramme de la distribution des couleurs normalisées autour des contours
5.4.6 Histogramme des angles des contours OEH
5.4.7 Histogramme de la concaténation OEH et couleurs
5.5 Etude sur les Noyaux
5.5.1 Noyau Gaussien
5.5.2 Noyau Polynomial
5.5.3 Noyau Laplacien
5.5.4 Noyau Triangulaire
5.6 Choix des couples noyau/signature de meilleures performances
5.6.1 Vérité Terrain, la signalisation verticale
5.6.2 Données de comportement humain, expérimentation exploratoire sur les fixations du regard dans un contexte routier
5.6.3 Choix du couple en fonction des deux vérités
6 Un modèle d’estimation de la saillance de recherche basé sur les SVMs
6.1 Utilisation des valeurs de confiance du SVM comme estimateur
de la saillance intrinsèque
6.2 Prise en compte du fond environnant
6.3 Prise en compte de la taille de la signalisation verticale
6.4 Calcul de saillance des objets routiers à partir du modèle proposé
7 Expérimentation de validation par oculométrie cognitive 
7.1 Méthodologie
7.1.1 Matériel et dispositif expérimental
7.1.2 Participants
7.1.3 Procédure
7.1.4 Variables étudiées
7.2 Analyse des données et modèle statistique
7.2.1 Evaluation objective
7.2.2 Evaluation subjective
7.3 Résultats et Interprétation : Une corrélation positive entre le modèle et le comportement humain
8 Conclusion et perspectives

Télécharger le rapport complet