Soutenance mémoire
« Les ordinateurs sont inutiles. Ils ne savent que donner des réponses. » Pablo Picasso .
Au début du 19e siècle, l’Europe a été bouleversée par la révolution industrielle. Les techniques de production ont été améliorées en grande partie par la mécanisation de la production. Sans revenir sur les aspects positifs et négatifs entrainés par ce changement, c’est surtout une philosophie nouvelle qui émerge dans l’industrie. L’homme va en effet utiliser sans réserve de nouveaux outils capables de l’assister dans ses tâches, aussi variées soient-elles.
Cette révolution connait un écho au milieu du 20e siècle, avec l’invention de l’ordinateur. Auparavant, l’homme dirigeait les machines qui ne pouvaient fonctionner de manière autonome. Dès lors, celles-ci acquièrent une certaine autonomie et sont désormais capables de gérer seules une fonction à laquelle elles sont assignées. Cette découverte ouvre ainsi la voie à la société de l’information qui voit ainsi une prédominance de l’intelligence artificielle.
Cette modification s’est étendue bien au-delà de l’industrie et de nombreux systèmes autonomes font maintenant partie du paysage quotidien : guichet bancaire, tri postal, métro. Ce dernier exemple illustre bien l’intérêt grandissant dont fait l’objet le monde du transport. Ce domaine est actuellement sujet à de nombreux travaux concernant l’intégration de systèmes d’aide à la conduite dans le cadre de la gestion de la circulation urbaine ou de la sécurité active et passive. La sécurité active est actuellement une source de travaux de recherche, car les solutions techniques deviennent de plus en plus variées et permettent de nombreuses améliorations.
Quelques données accidentologiques
Selon les chiffres fournis par la sécurité routière sur l’année 2005 , 84525 accidents corporels ont été recensés. Parmi eux, 16% des accidents concernent une voiture et un piéton. En ville, les usagers les plus vulnérables sont les piétons avec 27,7% des tués.
Il faut souligner le fait que les principaux dommages sont bien évidemment provoqués par les véhicules, le piéton ne disposant pas de protection suffisante. Pour diminuer le nombre de victimes des occupants de véhicules, des efforts importants ont été apportés sur la conception des véhicules, afin de les rendre plus résistants lors d’un choc. Les occupants d’un véhicule sont de mieux en mieux protégés car il est possible de modifier leur moyen de transport (airbags, ceintures de sécurité, structure). Dans le cas du piéton, il est impossible de le protéger personnellement. Le temps des armures est révolu et aucune solution technique n’est vraiment envisageable. Ce problème peut donc être réduit en évitant l’accident ou bien en prévoyant des protections sur les véhicules pour amortir le choc. La prédiction d’un choc est liée à la capacité de détection du piéton, en utilisant un système de reconnaissance au sein du véhicule.
Contrairement aux usagers des véhicules, le nombre de piétons victimes augmente durant l’hiver, lorsque les conditions de visibilité sont moins bonnes. Pour l’ensemble des usagers, le trafic nocturne représente une très grande partie des victimes à cause d’une faible visibilité. En effet, le trafic de nuit représente 10% du trafic total, mais 35% des blessés et 45% des tués. Plus généralement, le nombre d’accidents est très élevé en semaine pour des trajets quotidiens, ce qui dénote une moindre vigilance de la part des usagers. Ici encore, l’utilisation d’un système d’aide à la conduite, dédié à la détection de piétons peut assister le conducteur. Une machine est en effet disponible en permanence, sans perte de vigilance. De plus, l’usage de systèmes d’acquisition particuliers, tels que les radars ou les caméras infrarouges, permet de réduire les problèmes de visibilité en apportant une information d’une nature différente au conducteur du véhicule. Aucun système n’est évidemment parfait, le conducteur doit également pouvoir intervenir afin de corriger une erreur du système de détection. La conception d’un tel système doit donc faire le compromis entre les contraintes de sécurité, de confort et de moyens.
Actuellement, le problème de la détection de piétons reste ouvert. De nombreux travaux ont d’ores et déjà été effectués et permettent aujourd’hui d’avoir une vision précise de cette problématique et des contraintes présentes.
La mise en place d’un système de détection de piétons est confrontée à différents problèmes, de par la nature très variable du piéton. Il est en effet relativement difficile de modéliser simplement un humain. Celui-ci se présente selon différentes apparences, postures et tailles. Un piéton est également présent dans différents environnements qui peuvent générer des occultations et accentuent d’autant la variabilité du piéton.
La reconnaissance de formes
La reconnaissance de formes est un thème récurrent dans le domaine de l’intelligence artificielle. Le but de la reconnaissance de formes consiste à analyser un ensemble de données en comparant leurs caractéristiques avec des configurations ou des modèles connus à l’aide de méthodes de classification. Les applications de la reconnaissance de formes sont nombreuses, et certaines méthodes sont d’ores et déjà utilisées au quotidien, notamment pour la reconnaissance d’écriture et de la parole, la traduction, ou encore les prévisions météorologiques. Avec l’évolution des capacités des machines et l’amélioration des méthodes de reconnaissance de formes, de nouvelles applications peuvent ainsi être envisagées, comme, par exemple, la détection de piétons .
Le processus de reconnaissance de formes est accompli sur plusieurs étapes successives :
1. Acquisition : assimilation des données, prétraitements,
2. Représentation : extraction de caractéristiques pertinentes,
3. Analyse : discrimation de la représentation.
4. Post-traitements : validation de la décision.
Nous allons maintenant décrire brièvement les étapes de ce processus.
Acquisition des données
La première étape consiste à acquérir des données, c’est à dire à transformer une observation d’un élément physique effectuée par un capteur en un signal utilisable ultérieurement. A ce stade du processus de reconnaissance de formes, l’acquisition doit être la plus exhaustive, afin de conserver un maximum d’information pertinente. Une «bonne» acquisition garantit ainsi l’obtention de données fidèles à l’observation.
Lors de l’acquisition, la qualité des données recueillies dépend directement de la qualité des capteurs et de l’environnement de mesure. Le choix du ou des capteurs sera effectué en fonction du type de données en présence, selon les contraintes d’acquisition et de traitement. Dans notre cas, nous nous intéresserons principalement à des données de type image.
Si les données sont ensuite traitées par un ordinateur, le signal doit être inteprété, car sa nature peut être incompatible avec les traitemens ultérieurs. Dans le cas des images, elles doivent être numérisées.
L’acquisition peut être complétée par un prétraitement pour, par exemple, filtrer certaines composantes du signal afin de réduire l’effet du bruit ou de modifier les données pour accentuer certaines composantes.
Extraction de caractéristiques
L’extraction de caractéristiques est une étape majeure dans le processus de reconnaissance. Le but est de chercher l’information la plus pertinente permettant de représenter les données. Pour être la plus efficace possible, l’extraction de caractéristiques peut nécessiter des connaissances a priori. Tout d’abord, il est nécessaire de connaître la nature des données présentes en entrée du processus, c’est à dire l’espace dans lequel les données existent. Les méthodes employées pourront être différentes si le signal représente des images ou de la parole. Les caractéristiques extraites peuvent être les données brutes échantillonnées. Pour permettre une représentation plus compacte, les données peuvent être compressées. Nous pouvons également extraire une information de nature différente. Par exemple, une analyse spectrale d’une image permet de convertir une information visuelle en information fréquentielle.
Analyse
L’analyse des caractéristiques permet de déterminer la classe d’appartenance des données. Il s’agit ainsi d’effectuer une classification des données. Dans le cas d’une approche où la modélisation des données est connue, en fonction de la valeur des caractéristiques et les hypothèses définies a priori, la classification permettra d’affecter les données à une classe précise. Dans une approche sans modèle, l’utilisation d’exemples, permettra de construire un modèle statistique des données après un apprentissage. Lorsque les classes des exemples sont connues, l’apprentissage est dit supervisé. Par la suite, nos travaux s’appuieront sur ce type d’apprentissage. La définition d’un classifieur parfait est cependant impossible, le but sera donc de l’approcher au mieux selon les données disponibles et les algorithmes employés. En disposant de suffisamment de données, la conception d’un système de reconnaissance de formes utilisera une base pour l’apprentissage et la construction du classifieur et une base de validation pour contrôler les performances de la méthode.
Post-traitements
Cette dernière phase permet d’exploiter le résultat obtenu par la phase d’analyse. Cette étape permet ainsi de valider la décision ou de la rejeter. Il est possible de tenir compte d’informations supplémentaires qui pourront renforcer le choix de l’acceptation du résultat. Le contexte permet également de valider la décision. Des informations extérieures et différentes des données acquises peuvent être utilisées pour ajouter une information pertinente pour aider à la décision finale. Il est également possible de définir des contraintes sur la confiance liée à la décision. Si celle-ci est trop faible, la décision finale sera alors repoussée ultérieurement si d’autres observations peuvent étayer le résultat.
|
Table des matières
Introduction
1 Quelques données accidentologiques
2 Organisation du manuscrit
3 Contributions
4 Discussion
1 Etat de l’art
1.1 La reconnaissance de formes
1.1.1 Acquisition des données
1.1.2 Extraction de caractéristiques
1.1.3 Analyse
1.1.4 Post-traitements
1.2 Application à la détection de piétons
1.2.1 Problématique liée à la détection de piétons
1.2.2 Approche région
1.2.2.1 Détection du mouvement
1.2.2.1.1 Définition d’un masque de déplaçement
1.2.2.1.2 Flot optique
1.2.2.2 Segmentation par contours
1.2.2.3 Segmentation région
1.2.2.4 Régions d’intérêt
1.2.3 Approche globale
1.2.3.1 Décomposition en ondelettes
1.2.3.2 Histogrammes locaux de gradient
1.2.4 Approche locale
1.3 Bilan sur la détection de piétons
1.3.1 Variabilité à l’échelle
1.3.2 Variabilité de posture
1.3.3 Occultation
1.3.4 Orientation des travaux
2 Discrimination et méthodes à noyaux
2.1 Théorie de la décision
2.2 Modélisation de la fonction de décision
2.2.1 Coût et fonction objectif
2.2.1.1 Moindres carrés
2.2.1.2 Perceptron
2.2.1.3 Maximisation de la marge
2.3 SVM : cas général
2.3.1 Cas linéaire non séparable
2.3.2 Extension de la formulation SVM
2.3.2.1 Stratégies multiclasses
2.3.2.1.1 un contre un
2.3.2.1.2 un contre tous
2.3.2.2 One-class
2.3.3 Cas non linéaire
2.4 Noyaux
2.4.1 Exemples de noyaux
2.4.2 Création d’un nouveau noyau
2.5 Conclusion
3 Noyau de graphe
3.1 Méthode de graphe
3.1.1 Théorie des graphes
3.1.2 Les graphes et la reconnaissance de formes
3.1.3 Intérêt des graphes
3.1.3.1 Propriétés topologiques
3.1.3.2 Valuation du graphe
3.1.3.3 Intérêt dans le cas de la détection de piétons
3.1.4 Construction des graphes à partir d’images
3.1.4.1 Squelettisation
3.1.4.1.1 Amincissements successifs
3.1.4.1.2 Carte de distance
3.1.4.2 Du squelette au graphe
3.1.4.3 Elagage
3.1.4.4 Etiquetage
3.2 Comparaison de graphes
3.2.1 Graph Matching
3.2.2 Noyau de graphes
3.2.2.1 Méthode de Kashima
3.2.2.2 Proposition d’une alternative : les k-chemins
3.2.2.2.1 Formulation
3.2.2.2.2 Calcul de chemins
3.2.3 Comparaison
3.2.3.1 Exemple jouet
3.2.3.2 Complexité
3.2.4 Validation du noyau de graphe
3.2.4.1 Paramètres, squelettisation
3.2.4.2 Longueur de chemins, pouvoir de généralisation
3.2.4.3 Temps de calcul
3.3 Application à la stéréovision
3.3.1 Principe de la stéréovision
3.3.2 De la stéréovision aux graphes
3.3.3 Résultats
3.3.3.1 Comparaison des méthodes
3.3.3.2 Paramètrage du classifieur SVM
3.3.3.3 Généralisation
3.4 Conclusion
4 Histogrammes d’orientation de gradient
Conclusion
