Reconnaissance de cat´egories d’objets dans les sc`enes routi`eres 

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

Integration de modules de detection d’obstacles routiers

Dans le cadre de la conception de systemes d’aide a la conduite automobile, l’integration d’un module de detection d’obstacles est une t^ache essentielle. Ce module pourra aider le conducteur dans sa perception, car malheureusement, il n’est pas toujours vigilant. Les facteurs qui peuvent intervenir dans la perte de vi-gilance du conducteur sont la fatigue occasionnee par une conduite de nuit, ou une conduite prolongee. De plus, plusieurs evenements perturbateurs peuvent decon-centrer le conducteur, lorsqu’il regle le son de l’autoradio par exemple, ou quand il parle au telephone ou a un autre passager. Plusieurs situations dangereuses pour-raient ^etre evitees si le conducteur recoit d’avance une alerte. Une petite histoire pourrait en resumer l’importance : Un conducteur est press d’arriver a un mee-ting ou il est attendu pour donner un discours important a des clients. Il s’arr^ete avec hesitation au feu rouge qui vient juste de s’allumer. Il n’est pas s^ur de savoir comment mieux presenter son produit. Il est tres important que ses clients soient interesses, il pourrait conclure une grosse vente. Peut-^etre devrait-il presenter son produit comme etant leur unique solution, ou bien leur meilleur choix. Le feu passe au vert, il accelere, tourne en trombe au coin de la rue, esperant que les clients vont tolerer son retard. Sortant a toute vitesse du virage derriere la maison, il ne voit pas la lle qui traverse la rue en courant. Quelques minutes plus tard, l’ambulance arrive. . . Une situation pareille est malheureusement tres frequente. En France, 12% des causes de deces d’accidents routiers sont des pietons renverses par des voitures.
L’integration d’un module intelligent de detection vise a eviter les collisions avec n’importe quel type d’obstacle (voiture, pieton, cycliste, animal, …). La percep-tion de l’environnement routier est assuree par l’implantation d’un systeme de capteurs embarqu jouant le r^ole des organes de sens chez l’homme. Le traitement des donnees issues des capteurs par des algorithmes temps-reel permet de detecter et d’identi er de maniere able les obstacles routiers (On notera desormais OR obstacles routiers). Le systeme pourra intervenir dans des situations a risques en utilisant di erents declencheurs tels que l’assistance au freinage ou le freinage au-tonome. Ainsi, l’intervention du systeme permet d’eviter la collision ou d’attenuer considerablement l’impact en reduisant la vitesse du vehicule avant la collision. Si l’accident ne peut ^etre evite, des declencheurs de protection peuvent ^etre actives (comme les airbags). Toutes ces mesures permettront d’assurer une conduite plus securisee et de sauver ainsi des vies.
Bien que dans la litterature nous trouvons une tres grande variet de systemes de detection d’obstacles, il n’existe jusqu’a nos jours, aucun systeme qui a pu ^etre commercialis . Pourtant dans le cadre des projets de recherches, de nombreux cap-teurs actifs et passifs ont ete utilises pour percevoir l’environnement. Les methodes proposees pour traiter les donnees a n de detecter les obstacles sont egalement tres diverses. Dans la section suivante, nous faisons le point sur les capteurs embarques et sur les methodes de detection speci ques a leur traitement.

Les capteurs embarques

Dans ce paragraphe, nous donnons une vue d’ensemble des principaux capteurs utilises pour la detection d’OR. Les capteurs peuvent ^etre regroupes, d’une part, en capteurs proprioceptifs/exteroceptifs. D’autre part, ils peuvent ^etre aussi clas-ses comme etant actifs ou bien passifs. Les capteurs proprioceptifs sont capables de mesurer un attribut en fonction de leur propre etat. Cet attribut peut ^etre l’accel – ration, l’orientation ou la vitesse de l’objet sur lequel ils sont montes. Par exemple, les capteurs d’inclinaison, les accelerometres et les odometres 1 sont des capteurs proprioceptifs. Par contre, les capteurs exteroceptifs sont capables de mesurer un attribut d’un objet externe present dans la scene. Les cameras qui fonctionnent dans le spectre visible ou infrarouge, les sonars, les Lidars et les Radars sont des exemples de capteurs exteroceptifs. Deux approches predominent dans la percep-tion de l’environnement d’un vehicule par un capteur exteroceptif : les capteurs actifs et la vision par capteurs passifs. Le capteur actif transmet un signal dans un environnement donne et mesure ensuite l’interaction de ce signal avec l’environnement (exemple : Lidar, Radar, sonar). A la di erence des capteurs actifs, les capteurs passifs recuperent l’information de maniere non-intrusive. Ainsi, ils n’emettent pas de radiation, ils ne font donc que recevoir un signal qui peut ^etre re echi, emis ou transmis par des sources d’energie externes. Les cameras visibles et certaines cameras infrarouges sont des exemples de capteurs passifs. Dans la suite, nous dressons les points forts et les points faibles des principaux capteurs utilises dans les systemes de detection d’OR avant de justi er le choix des capteurs que nous allons utiliser.
Les Radars
Le Radar est un systeme compose principalement d’une antenne emet-trice/receptrice d’une onde. Il emet des ondes radios ou des radiations microondes en une serie de pulsions a partir de l’antenne et recoit la partie d’energie qui est re echie par la cible. Le temps necessaire a l’onde pour voyager de la cible jusqu’a l’objet permet de determiner la distance et la vitesse (dans le cas de plusieurs emissions) de l’objet.
Le Radar a sa propre source d’energie qui peut penetrer a travers les nuages et la pluie. Ainsi, il est consider comme un detecteur toute saison. De plus, il a une portee tres elevee o rant la possibilite de detecter des objets tres distants. Tous ces avantages ont contribue de facon evidente a l’apparition de systemes ACC avec Radar en option dans des vehicules haut de gamme (par exemple Mercedes classe S).
Neanmoins, la faible resolution spatiale (surtout dans le sens lateral) du Radar entra^ne des detections moins ables voir m^eme inexistantes pour les petits obs-tacles. En outre, les parties metalliques presentent entre autres une re ectivit superieure comparee aux autres objets comme les ^etres humains. Ainsi, les objets qui presentent une forte re exion minimisent l’e et des autres re exions moins fortes et conduisent donc a des fausses detections. En n, un inconvenient majeur du Radar est le probleme d’interferences qui se degrade en presence de plusieurs voitures utilisant la m^eme technologie dans le tra c.
Les Lidars
Le principe de fonctionnement du Lidar (appel aussi telemetre laser) est base sur la mesure du temps mis par la lumiere re echie sur l’obstacle se trouvant dans l’axe de tir du laser. Les Lidars se basent sur le m^eme principe que les Radars etant donne que la distance aux objets est determinee par le temps separant les pulsions transmises et recues. Ils sont utilises pour des distances d’environ 40m et ont une grande precision dans les deux directions : longitudinale et laterale. Generalement, les methodes utilisees pour detecter les obstacles sont similaires a celles utilisees en traitement d’images : la segmentation, le clustering et le tracking. Toutefois, le contenu des images Lidar est di erent de celui des images visibles. En e et, le Lidar fournit une image de profondeur, tandis que les cameras captent la re exion de la lumiere visible.
Ce capteur est largement utilise par la communaute robotique pour la navigation de robots en terrain inconnu. Neanmoins, le co^ut, l’encombrement et la consom-mation d’energie elevee limitent son utilisation en embarqu sur un vehicule.
Les cameras visibles
Une camera recoit des energies emises sans qu’elle m^eme n’irradie la scene. Les images capturees par les cameras visibles (On notera desormais VIS la modalite visible), en couleurs ou en niveaux de gris, sont d’un c^ote tres riches en contenu, de l’autre, di ciles a interpreter. Ceci est peut ^etre la raison pour laquelle la re-cherche s’est beaucoup focalisee dans cette direction. Dans la litterature, on trouve une tres grande variet d’approches, de techniques et d’algorithmes de traitement d’images qui ont et proposes pour la detection, le suivi et la reconnaissance d’ob-jets dans les images. De plus, avec les avancees technologiques, les cameras visibles sont devenues moins cheres et faciles a embarquer sur des vehicules.
Deux approches sont possibles en perception passive : l’utilisation d’une seule ca-mera visible ou l’exploitation de plusieurs points de vue avec plusieurs cameras reliees de maniere rigide sur le vehicule. La vision monoculaire consiste a equiper le vehicule avec une seule camera presentant des avantages de co^ut et de simpli-cite de mise en uvre. Neanmoins, l’inconvenient de cette methode est qu’elle ne permet pas de restituer la profondeur de la scene observee. L’utilisation de deux cameras (technique de stereovision) permet, quant a elle, d’acceder a l’information tridimensionnelle.
Le principe de la stereovision est d’inferer de l’information sur la structure et les distances 3D d’une scene a partir de deux images optiques prises de points de vue di erents. La stereovision dont nous exposerons le principe se deroule en trois etapes successives : calibrage, appariement et triangulation. La mise en correspon-dance entre les images gauches et droites (appariement) est la phase du traitement la plus di cile. En e et, les deux images de la scene peuvent presenter de grandes di erences aussi bien en terme de morphologie que d’illumination puisque les ca-meras sont decalees. Un point localise dans l’une des images peut se retrouver sans homologue dans l’autre image a cause des problemes de recouvrement ou d’occlu- sion. En outre, il est di cile de reperer des indices visuels permettant d’e ectuer la mise en correspondance dans une scene faiblement texturee. Ces circonstances expliquent pourquoi aucun systeme base sur la stereovision n’a pu ^etre commer-cialise.
Bien que les cameras visibles aient et plus etudiees par rapport aux cameras in-frarouges, les cameras sensibles au spectre visible sou rent de limitations liees aux conditions climatiques et aux conditions d’illumination (surtout pendant la nuit). Ces di cultes peuvent ^etre surmontees gr^ace a l’utilisation de cameras infrarouges.
Les cameras infrarouges
Les cameras infrarouges ont et utilisees dans une grande variet d’applica-tions. Le spectre infrarouge (On notera desormais IR la modalite infrarouge) est typiquement subdivise en bandes, dont la separation n’est pas bien de nie et varie selon les auteurs. Dans le domaine de detection d’obstacles routiers, deux techno-logies ont et considerees pour des applications liees principalement a la detection de pietons. Il s’agit de l’infrarouge actif et l’imagerie thermique, qui correspondent aux bandes re ectives et thermiques. La di erence principale entre l’imagerie en bandes re ectives et thermales est que la premiere retient les informations re – chies par les objets, quant a la seconde, elle enregistre la temperature emise par les objets.
L’utilisation de l’infrarouge actif est limitee car ses performances dependent de plusieurs facteurs comme les changements des conditions d’illumination, de forme, de vitesse et de la couleur de l’objet a detecter. Ce sont les cameras thermiques qui sont fortement utilisees avec des longueurs d’ondes longues o rant une percep-tion large de l’environnement routier. Ces cameras sont appelees aussi capteurs infrarouges passifs, puisqu’ils capturent les rayonnements infrarouges emises par les objets chauds sans utiliser une source arti cielle d’illumination.
La loi de Planck 2 (Max Planck 1858-1947) montre que les distributions de l’ener-gie selon la longueur d’onde se retrouvent toujours sous une m^eme forme et que pour chaque longueur d’onde la luminance augmente avec la temperature. Les cameras thermiques sont en fait des capteurs permettant la mesure d’une lumi-nance. Ils permettent de transformer une image captee dans le domaine infrarouge et fonction de la luminance de l’objet observe, en une image visible et analysable par l’oeil humain. L’avantage majeur des cameras thermiques est qu’elles peuvent produire des images lisibles dans l’obscurite complete. Leur portee est dependante des conditions atmospheriques, du type de la camera et de la di erence de temp – rature de la cible avec le fond. Le brouillard et la pluie limitent cette portee car le rayonnement IR peut ^etre a aibli. Mais toutefois, cette portee reste plus grande dans la bande IR que dans le VIS.
On distingue entre deux types de cameras thermiques infrarouges : refroidies et non-refroidies. Les cameras thermiques refroidies ont un capteur integr a un sys-teme de refroidissement qui fait descendre la temperature du capteur a une valeur tres basse. Ainsi, le bruit issu de la chaleur de fonctionnement du capteur de-meure inferieur au signal qui provient de la scene observee. Ces cameras peuvent ^etre utilisees pour produire des images dans les infrarouges moyens (MWIR, lon-gueur d’onde entre 3 5 m). D’une maniere generale, les images nocturnes d’une camera MWIR sont plus contrastees que celles produites dans une autre bande de l’infrarouge.
Les cameras infrarouges non-refroidis comportent souvent un micro bolometre : une minuscule resistance qui fait que toute variation de temperature dans la scene observee provoque une variation de la temperature du bolometre. Cette varia-tion est convertie en un signal electrique, qui est utilise pour ameliorer l’image. Les capteurs non refroidis sont concus pour travailler dans l’infrarouge lointain (LWIR, longueur d’onde entre 7 14 m) ou les objets terrestres emettent la plus grande part de leur energie infrarouge. La radiation thermique qui emane des ^etres humains et des animaux est a son maximum entre 8 et 14 m. Ainsi, ces objets presentent un contraste plus important dans les images produites dans la bande LWIR.
Il existe une troisieme bande d’IR a courte longueur d’onde (entre 1 2 m) appe-lee SWIR. Cette bande se propage mieux au travers des atmospheres humides et sera donc choisi de preference pour des applications maritimes. Par temps de pluie, la portee de la camera est a peu pres la m^eme en LWIR et SWIR. Par ailleurs, le LWIR traverse mieux les fumees et sa portee en brouillard est plus grande.

Vision pour la detection et la reconnaissance des obstacles routiers

La detection d’obstacles par un systeme de monovision embarqu sur un vehi-cule est une problematique di cile. En e et, le tra c routier implique un nombre variable d’objets di erents. Les arbres, le mobilier urbain, les pietons, les cyclistes et les vehicules sont tous des objets pouvant ^etre presents dans une scene routiere. Nous designons par obstacles routiers les objets qui se situent sur la trajectoire d’un vehicule qui sont majoritairement des vehicules et des pietons. La gure 1.2 montre deux images, en IR et en VIS, extraites d’une scene routiere.
Durant les quinze dernieres annees, de nombreux travaux de reference ont et e ectues aussi bien sur la detection d’obstacles routiers que sur leur classi cation et leur reconnaissance. Malgre les progres techniques considerables dans le domaine de la vision par ordinateur, les problematiques ne sont pas encore resolues, et du coup, aucun systeme n’a pu ^etre industrialise. Selon la facon dont les systemes echouent, les obstacles non detectes exposent le conducteur a un risque serieux d’accident. Dans la section suivante, nous precisons les exigences que doit satisfaire un systeme de detection et de reconnaissance d’obstacles routiers.

Exigences d’un systeme de detection d’obstacles routiers

Dans ce paragraphe, nous donnons les principales exigences auxquelles un sys-teme de detection et de reconnaissance d’obstacles doit repondre pour pouvoir ^etre consider comme une solution able. Un tel systeme embarque, en vue d’aider le conducteur dans sa t^ache de conduite, doit repondre aux exigences suivantes :
– La robustesse,
Le systeme doit ^etre capable de detecter des obstacles quelque soient leurs ap-parences, echelles et formes. Il doit aussi ^etre robuste aux di erentes conditions d’illumination et repondre aux problemes d’occultation qui accentuent autant la variabilite des objets routiers. Le pieton est l’objet le plus di cile a detecter en rai-son notamment de la grande variabilite d’apparences et de l’articulation du corps humain. Un pieton peut se presenter avec di erentes tenues vestimentaires, tenant des accessoires di erents (parapluie, chapeau,. . .) et dans des scenes complexes notamment avec les phenomenes de foule. Bien que ces di cultes soient moins marquees pour les voitures, la grande variabilite de types de voitures (voitures de tourisme, bus, camions, tracteurs, . . .) rend leur detection et leur reconnaissance di ciles.
Toutes ces di cultes s’intensi ent en presence de fond encombr ou dans les condi-tions metrologiques degradees produisant du bruit ou un manque de contrastante dans les images.
– L’e cacit et la precision,
Le systeme doit detecter les objets sur la route de maniere able et precise. En e et, les obstacles non detectes exposent le conducteur a un risque serieux d’ac-cident. Quant aux fausses alertes, elles poussent le conducteur a ne plus avoir con ance dans le systeme. Ainsi, un tel systeme doit detecter tous les obstacles sans commettre aucune erreur, quelles que soient les conditions environnementales et la con guration de la scene routiere. Concernant l’etape de la reconnaissance, le systeme doit identi er rapidement la classe d’appartenance de l’obstacle a n de pouvoir donner au conducteur une marge de man uvre adequate.
– La contrainte du temps reel,
Le terme temps reel possede plusieurs signi cations suivant le contexte. Dans notre contexte de travail, nous considerons qu’un systeme est temps reel si l’informa-tion apres son traitement reste pertinente. En d’autres termes, le systeme permet d’avertir le conducteur avant que ce dernier puisse reagir. Generalement, la ca-dence de traitement de 10 images est compatible avec les exigences temps reel (delai de reponse proche de 100 ms). C’est avec de tels systemes que l’on peut s’autoriser aujourd’hui l’implantation de systemes embarques a bord de vehicules permettant de fournir des fonctions d’aide a la conduite
– Le co^ut,
Un systeme embarqu sur un vehicule doit ^etre beaucoup moins chere que le prix du vehicule. Notre systeme utilise une seule camera infrarouge, qui certes co^ute legerement plus cher qu’une camera visible, mais dont le prix reste bien moins eleve que celui de capteurs actifs comme le Radar ou le Lidar.

Etat de l’art sur les methodes de detection d’obstacles rou-tiers

Cette section n’a pas pour but de constituer un etat de l’art exhaustif sur les di erentes techniques permettant de detecter les obstacles routiers dans les images. Toutefois, nous cherchons a faire un tour d’horizon des principales methodes utili-sees pour les systemes monovision, notamment en infrarouge. La gure 1.3 donne un exemple d’une scene routiere lmee en IR ou les obstacles sont correctement detectes.
La majorite des systemes developpes jusqu’a present reposent sur trois etapes : la generation d’hypotheses, leur validation et leur suivi. La premiere etape consiste a localiser les endroits qui contiennent eventuellement des obstacles. Nous les ap-pellerons dorenavant des regions d’inter^et (ROI : Regions Of Interest). Dans cette etape, l’algorithme bien qu’il analyse tous les pixels de l’image, doit rester e cace en terme de temps de calcul. Ceci est problematique car les obstacles, notamment les pietons, peuvent se retrouver dans n’importe quel endroit dans l’image. Ge-neralement, les methodes employees procedent a segmenter l’image totale selon un critere de ni a apriori. En e et, la segmentation est une etape essentielle en traitement d’images dans la mesure ou elle conditionne l’interpretation de regions speci ques dans ces images.
Le probleme principal qui decoule de l’utilisation d’un seul capteur de vision est qu’aucune information de profondeur n’est fournie. Les systemes bases sur l’utilisa-tion de capteurs actifs (Lidar ou Radar) a balayage ou de la stereovision permettent de generer une carte de profondeur en 3D. Ainsi, le critere de de nition des regions d’inter^et correspond a la position des pixels dans le monde reel. Les obstacles sont detaches du fond de l’image en utilisant l’approche region. L’avantage de cette solution reside dans l’extraction des informations pertinentes tout en eliminant les caracteristiques appartenant a la scene elle-m^eme. Cette approche comporte toutefois des limites associees plus particulierement avec les objets complexes qui se recouvrent.
Generalement, la de nition de ROI avec un systeme monovision est basee sur la segmentation mouvement ou la recherche de primitives ou d’indices speci ques du type d’obstacle a detecter. Les techniques de segmentation du mouvement [ELW03, DPKA04] sont genera-lement employees pour des cameras xes ou deux images successives sont prises dans les m^emes conditions d’acquisition. De plus, seuls les objets en mouvement peuvent ^etre detectes et un pieton ou un vehicule immobile dans une zone de col-lision ne seront pas detectes. Cette limitation liee a la position de la camera ne nous permet donc pas d’envisager une application embarquee.
La recherche de primitives caracteristiques du type de l’obstacle a detecter consiste a rechercher des formes, des apparences ou des indices particuliers. Comme par exemple, faire apparaitre les objets symetriques, identi er les structures rectan-gulaires a n de detecter les vehicules, ou mettre en evidence les regions de fortes intensites, dont le but de localiser des regions de pietons dans les images infra-rouges.
Le developpement dans le domaine d’apprentissage assiste par l’ordinateur a per-mis d’aborder d’autres techniques de detection de categories d’objets dans les images. Nous en citons d’une facon particuliere les nouvelles methodes basees sur l’apprentissage d’un modele implicite de formes ou ceux bases sur l’utilisation de classi eurs. Ces techniques font recours a un apprentissage hors ligne permettant d’identi er les primitives caracteristiques des objets en question.
Generalement, les methodes de detection qui n’utilisent pas de classi eurs ne sont pas su santes pour eliminer les fausses alertes. Ainsi, l’usage d’autres processus est souvent necessaire : la validation par des techniques de veri cation (veri ca-tion de certaines proprietes, correlation avec des modeles, . . .) ou par des methodes de classi cation, ou suivi des hypotheses de detection permettent de con rmer la presence d’obstacles et de rejeter les fausses detections. Dans la suite nous de-taillons les di erentes methodes de de nition des regions d’inter^et, de validation d’hypotheses et de suivi.

Generation de ROI

Il existe plusieurs methodes de generation de ROI, la plus simple est de selec-tionner toutes les ROI de l’image. Cela necessite de balayer la totalite de l’image dans toutes les directions et a plusieurs valeurs d’echelles. Ceci rend le traite-ment par la suite, tres co^uteux en termes de nombre d’operations de calcul. Dans cette section, nous presentons les methodes les plus frequemment citees dans la litterature.
Les primitives et les indices caracteristiques d’obstacles a detecter
Il existe di erentes methodes permettant d’extraire des elements caracteris-tiques des obstacles routiers dans les images. Sans ^etre exhaustif, nous pouvons citer di erents travaux qui peuvent s’inscrire dans ce theme.
Les images de vehicules et pietons sont en general symetriques horizontalement et verticalement. Cette observation a et utilisee comme indice dans de nombreux travaux pour la detection de pieton et de vehicule [BBFL02, BBFV06, TBM+06]. Dans [BBFN00], les regions d’inter^et sont de nies en analysant une carte de symetrie construite en examinant les criteres de symetrie des niveaux de gris et des contours de l’image. Ces techniques sont generalement utilisees pour de nir des ROI correspondantes a des vehicules. Du fait des tailles reduites de pietons dans les images, l’analyse de symetrie est utilisee surtout pour la veri cation de leurs presences [BBF+04].
En plus du critere de symetrie, autres travaux ont cherch a identi er des formes rectangulaires pour la detection de vehicules. Dans ce sens, Bertke et al [BHD00] proposent un algorithme qui permet de detecter les vehicules lointains. L’algo-rithme propose cherche a identi er une structure rectangulaire en se basant sur le nombre de points de contours horizontaux et verticaux. D’autres travaux se sont focalises sur la recherche des indices portees d’ombres (extraction par seuillage des niveaux de gris) [TS98] ou de feux arrieres (extraction a partir de la composante rouge de l’image couleur) [CTB05] pour detecter les vehicules. Neanmoins, ces derniers indices sont particulierement utiles pour le traitement des scenes d’auto-route en VIS. Dans la section suivante, nous presentons les techniques appropriees au traitement des images en IR.
Detection d’obstacles par fen^etre glissante
La technique la plus generique est la detection par fen^etre glissante. Cela consiste a parcourir exhaustivement l’image en appliquant un detecteur a de tres nombreuses positions et echelles. Cette technique est appliquee surtout en l’absence de toutes informations permettant de localiser des endroits contenant des obs-tacles. La methode propose donc de balayer l’image et de comparer le contenu de chaque fen^etre avec un modele speci que d’un obstacle routier. Parmi les travaux les plus marquants, nous pouvons citer les travaux de Gavrilla [Gav00, GGM04] qui reposent sur l’extraction de contours et la correlation avec des modeles de pietons. D’une facon generale, les methodes basees sur la mise en correspondance avec un modele explicite utilisent des seuils empiriques qui peuvent ^etre sources de plusieurs problemes. Le reglage empirique d’un tel parametre n’est pas precis et necessite un certain temps, en fonction du nombre de modeles utilises et du taux d’acceptation d’erreur.
Contrairement aux techniques precedemment citees, les methodes basees sur la classi cation constituent eux-m^emes, par apprentissage, les modeles qu’ils utilisent dans leur recherche. Ces modeles se basent sur l’extraction d’un jeu de caracte-ristiques pour representer un tel objet. Les caracteristiques les plus connues a cet egard permettent de caracteriser la forme et la texture des objets [OPS+97, DT05].
Les algorithmes de classi cation sont bases avant tout sur des methodes d’ana-lyse statistique et sont restreints a determiner l’appartenance ou non d’une image a une classe. Ainsi, utilise de maniere isolee, un tel algorithme de classi cation d’une ROI est incapable de localiser les obstacles. Toutefois, le parcours exhaustif de l’image a l’ensemble des dimensions et des positions (fen^etres) possibles avec des classi eurs le permet. Generalement, les methodes utilisant des classi eurs sont tres robustes mais l’exploration de l’image entiere induit des temps de calcul tres importants. Dans la pratique, le recours a des methodes de classi cation rapide comme l’utilisation de SVM lineaire [Vap95] et les techniques a plusieurs cascades de classi eurs boostes [JVJS03, NCHP08] permettent d’accelerer le processus de detection. En outre, la limitation de la region de recherche en presence d’informa-tions sur les voies de circulation [BLS09] ou sur la perspective de l’image permet d’envisager des applications rapides, voire en temps reel.

Table des matières

Remerciements
Glossaire
R´esum´
1 Introduction et positionnement de la th`ese 
1.1 Contexte
1.1.1 Les syst`emes intelligents d’aide `a la conduite
1.1.2 Int´egration de modules de d´etection d’obstacles routiers
1.2 Vision pour la d´etection et la reconnaissance des obstacles routiers
1.2.1 Exigences d’un syst`eme de d´etection d’obstacles routiers
1.2.2 Etat de l’art sur les m´ethodes de d´etection d’obstacles routiers
1.2.3 Bilan des m´ethodes de d´etection et choix technique
1.3 Probl´ematique de la reconnaissance de cat´egories d’obstacles routiers
1.3.1 Probl`eme de la repr´esentation
1.3.2 Probl`eme de la classification
1.3.3 Fusion d’informations pour l’aide `a la d´ecision
1.4 Choix m´ethodologique
1.4.1 D´emarche adopt´ee
1.4.2 Description des bases d’images utilis´ees
1.5 Conclusion
2 Reconnaissance de cat´egories d’objets dans les sc`enes routi`eres 
2.1 Repr´esentation des obstacles routiers
2.1.1 Approche globale
2.1.2 Approche par r´egion
2.1.3 Approche locale
2.2 Classification des obstacles routiers
2.2.1 Cascade de classifieurs
2.2.2 Classification par SVM
2.3 Fusion d’informations pour la reconnaissance des obstacles routiers
2.3.1 Fusion de caract´eristiques
2.3.2 Fusion de d´ecisions
2.4 Bilan .
2.5 Conclusion
3 Vocabulaire Visuel Hi´erarchique pour la cat´egorisation des obstacles routiers 
3.1 Vers un mod`ele de repr´esentation locale et globale
3.1.1 Choix du point d’int´er^et et du descripteur
3.1.2 Extraction des caract´eristiques locales
3.1.3 Extraction des caract´eristiques globales
3.2 Repr´esentation des apparences locales dans un Vocabulaire Visuel Hi´erarchique
3.2.1 Construction du Vocabulaire Visuel
3.2.2 Conception de la structure hi´erarchique
3.2.3 Extraction d’une signature visuelle contenant des caract´eristiques locales
3.3 Cat´egorisation par combinaison du VVH avec des m´ethodes `a noyaux 97
3.3.1 Noyaux pour histogrammes
3.3.2 Noyaux par mise en correspondance (LMK)
3.3.3 Exp´erimentations et ´evaluations
3.3.4 Bilan
3.4 Evaluation des performances de reconnaissance multiclasses des obstacles routiers
3.4.1 Apprentissage du mod`ele
3.4.2 Classification
3.4.3 Bilan
3.5 Conclusion
4 Fusion multimodale pour la reconnaissance des obstacles routiers115
4.1 Contexte d’application
4.1.1 Fusion de caract´eristiques ou de classifieurs ?
4.1.2 Justification du choix de la DST pour la fusion de classifieurs117TABLE DES MATIERES
4.2 Les outils de base des fonctions de croyance
4.2.1 Les fonctions de masse
4.2.2 Autres repr´esentations de croyance
4.2.3 Affaiblissement des fonctions de masse
4.2.4 R`egles de combinaison
4.2.5 Prise de d´ecision
4.3 Fusion de classifieurs dans le cadre de la DST
4.3.1 Construction des fonctions de masse
4.3.2 Affaiblissement
4.3.3 Combinaison
4.3.4 Prise de d´ecision
4.4 Proposition d’une strat´egie de classification `a deux niveaux de d´ecision
4.4.1 Distance `a l’hyperplan
4.4.2 La transform´ee pignistique g´en´eralis´ee
4.5 Evaluation des performances de la reconnaissance des obstacles routiers
4.5.1 Analyse des param`etres de fusion
4.5.2 La strat´egie de classification `a deux niveaux
4.5.3 Discussions
4.5.4 Bilan
4.6 Conclusion
5 Application `a la d´etection de pi´etons en infrarouge lointain 
5.1 Pr´eliminaires
5.1.1 Synth`ese des r´esultats de reconnaissance
5.1.2 Sch´ema de l’application
5.2 Le syst`eme de d´etection et de suivi propos´e
5.2.1 Apprentissage
5.2.2 G´en´eration des hypoth`eses
5.2.3 Validation des hypoth`eses
5.2.4 Suivi des pi´etons
5.2.5 Optimisation du temps de calcul
5.3 Exp´erimentations et ´evaluations
5.3.1 Performances globales
5.3.2 Influence du param´etrage
5.3.3 Bilan
5.4 Conclusion
Conclusion et perspectives
Le bilan .
Limites des m´ethodes propos´ees
Perspectives
Bibliographie 

Télécharger le rapport complet