UTILITÉ

1La gestion du trafic routier en zone urbaine est aujourd’hui plus que jamais une composante essentielle du développement durable de nos villes.

2Une gestion inefficace a en effet un impact immédiat sur la qualité de vie et entraîne des coûts importants pour l’ensemble de la collectivité : elle a pour conséquence une augmentation des émissions polluantes, de l’insécurité routière, des nuisances sonores, du stress…

RECHERCHE

3La surveillance de la circulation est un domaine de recherche ouvert du fait des nombreux contextes applicatifs et de la complexité des scénarii. Nous citerons les exemples des voies rapides, des ponts, des tunnels qui offrent des situations routières totalement différentes.

4L’objectif de cette thèse est de réaliser une étude des méthodes et des moyens à mettre en œuvre en vue d’une utilisation de la source vidéo. Les méthodes s’appuient sur les techniques algorithmiques liées au traitement du signal vidéo. Les moyens regroupent les systèmes de vidéo-surveillance et leur évolution en termes d’électronique embarquée.

5Nos travaux proposent une nouvelle méthode de suivi de véhicules dédiée à la surveillance autoroutière. Cette méthode traite un flux vidéo issu d’un capteur monoculaire.

6Durant la dernière décennie, de nombreuses méthodes de segmentation fondées sur le mouvement ont été proposées dans la littérature. Certaines s’intéressent tout particulièrement au domaine de la surveillance autoroutière et peuvent être regroupées en deux grandes familles. Une première famille regroupe les techniques de segmentation temporelle utilisant des primitives associées au Mouvement Apparent (MA) [Odobez, Bouthemy, 1998 ; Dumontier, Luthon, Charras, 1999 ; Sawhney, Ayer, 1996]. Les méthodes de cette famille s’appuient sur des hypothèses statistiques permettant de modéliser le contexte d’analyse par un processus de Markov ou de l’exprimer à travers une fonction de vraisemblance. Cette dernière approche peut alors être résolue par une technique de type Expectation-Maximisation (EM) [Sawhney, Ayer, 1996]. Une seconde famille de méthodes se fonde sur la détection des changements par rapport à une Image de Référence Adaptative (IRA) [Koller, Weber, Malik, 1994 ; Stauffer, Grimson, 1999]. Utilisant une image de référence, qui ne contient que l’information du fond, c’est-à-dire la partie statique de la scène, ce type de méthodes débouche sur une extraction rapide des objets en mouvement.

7En tirant profit de chacune de ces deux approches de segmentation, cette thèse s’articule autour de l’étude d’une méthode complète permettant la reconnaissance des objets en mouvement et leur suivi. Notre approche utilise une description de haut niveau s’appuyant sur un ensemble de descripteurs représentant chaque objet.

8Dans le cadre de la reconnaissance, l’espace de représentation de ces descripteurs permet l’introduction des règles de mise en correspondance qui nous fournissent un processus d’identification efficace. L’actualisation de l’espace de classification dépend des résultats du double processus de segmentation associé au mouvement utilisant les approches IRA et MA. En outre, dans l’optique de renforcer les performances du système, nous avons introduit une nouvelle méthode IRA moins sensible aux distorsions photométriques dues à la variable de conditions atmosphériques naturelles.

9La détection des changements de l’IRA et la segmentation fondée sur le mouvement sont des tâches fondamentales pour tous les systèmes de vidéo-surveillance automatique. Avant toute étape de suivi, une étape initiale possible consiste à réduire l’observation, ou l’information utile, à l’aide de l’extraction des masques binaires des régions connexes d’après le résultat de la segmentation temporelle.

MÉTHODE IRA

10Cette segmentation temporelle est fondée sur la construction d’une image de référence mise à jour au cours du temps pour la prise en compte de l’évolution de la luminosité dans l’image (figure 1a et 1b).

11Une machine d’état contrôle le processus de mise à jour de la référence en détectant les passages d’objets en mouvement. Le schéma complet de la segmentation temporelle incluant la mise à jour de la référence et la machine d’état détectant les passages d’objets est représenté par la figure 2.

12Après cette segmentation temporelle, un processus de suivi est activé. L’objectif de ce dernier est l’identification complète de chaque objet en mouvement présent dans la scène. Le diagramme de la figure 3 nous présente les différentes étapes du processus.

13Le processus de suivi permet l’introduction d’une description de haut niveau des objets. La description de haut niveau définit chaque objet présent dans la (k-1)^ième image à travers un modèle, Mj^k-1. Chaque Mj^k-1 comprend un ensemble d’Attributs d’Objets permettant l’identification de l’objet dans l’image suivante d’après l’ensemble des régions Ri^k (résultat de la segmentation temporelle).

14Une identification entre régions et modèles est réalisée par un processus de correspondance. Un processus de validation et reconstruction de la zone réellement en correspondance avec le modèle (appelée Zone, Zj^k) est établi grâce à une approche de type Expectation-Maximization (EM). Une dernière étape de mise à jour est effectuée sur les Attributs d’Objets de chaque modèle.

15La figure 4 présente les résultats obtenus à travers de l’ensemble du processus de suivi pour la poursuite des objets en mouvement.

VALORISATION

16Communications

17Becerra J., Izquierdo D., Berthoumieu Y., Donias M., Marchegay P., (2003), « Poursuite de Véhicules en Scènes Autoroutières », GRETSI 2003, Paris.

18Izquierdo D., Becerra J., Berthoumieu Y., Donias M., Marchegay P., (2003), « Segmentation Multi-Descripteurs de Scènes Autoroutières », Compression et Représentation des Signaux Audiovisuels, CORESA 2003, Lyon.

19Izquierdo D., Berthoumieu Y., Marchegay P., (2002), « Region level segmentation based on a derivative approach for video tracking process », IEEE International Conference on Image Processing, ICIP 2002, Rochester, USA.

20Izquierdo D., Berthoumieu Y., Marchegay P., (2002), « High and low level object description for video tracking process », European Signal Processing Conference, EUSIPCO 02, Toulouse.

21Izquierdo D., Berthoumieu Y., Marchegay P., (2002), « Système automatique de vidéo-surveillance de scènes autoroutières », Conférence Internationale Francophone d’Automatique, CIFA 02, Nantes.

22Izquierdo D., Berthoumieu Y., Marchegay P., (2003), « Automatic surveillance system for real traffic video sequences », Intelligent Transport Systems, ITS 2003, Madrid, Spain.

23Izquierdo D., Berthoumieu Y., Marchegay P., (2003), « Multi-descriptor segmentation for real traffic sequences », Technological Innovation for Land Transportation, TILT 2003, Lille.

24Izquierdo D., Berthoumieu Y., Marchegay P., (2003), « Spatio-Temporal Segmentation for Real Rigid Object Tracking », Workshop COST 276, Bordeaux.

25Randriantsoa A., Berthoumieu Y., Izquierdo D., Marchegay P., Nouel P., (2000), « Mouvement direct et rétrograde, applications en estimation et en segmentation vidéo », Compression et Représentation des Signaux Audiovisuels, CORESA 2000, Poitiers.

26Publication

27Izquierdo D., Berthoumieu Y., Najim M., (soumis), « Shadowless moving object detection from a new multi-components ARI process », IEEE Transactions on Image Processing.