UniversitePierreetMarieCurie-ParisVIEcoleDoctoraledeSCIENCESMECANIQUES,ACOUSTIQUEETELECTRONIQUEDEPARISTH`ESEPourobtenirlegradedeDocteurdelUniversitePierreetMarieCurie-ParisVISpecialite:InformatiquePresenteeetsoutenuepubliquementparPabloAugustoNEGRIle30septembre2008DetectionetReconnaissancedobjetsstructures:ApplicationauxTransportsIntelligentsTh`esedirigeeparLionel PREVOSTRealisee`alISIR-InstitutdesSyst`emesIntelligentsetdeRobotique4PlaceJussieu75252ParisCedexDevantlejury:Pr.Jack-GerardPOSTAIRE UniversitedesSciencesetTechnologiesdeLille,RapporteurPr.FredericJURIE UniversitedeCaen,RapporteurDr.LionelPREVOST,HdR UniversiteParisVI,DirecteurdelaTh`eseDr.XavierCLADY UniversiteParisVI,ExaminateurPr.LaurentHEUTTE UniversitedeRouen,ExaminateurPr.ThierryARTIERES UniversiteParisVI,ExaminateurRemerciementsJetienstoutdabord`aremercierledirecteurdecetteth`ese,M.LionelPrevost,pourmavoir assiste, guideetsoutenupendantcesanneesdeth`ese `alISIR.Jeremercie egale-ment Xavier Clady qui a ete mon compagnon de la route depuis mon arrive au laboratoireetquiaaussiencadretousmestravaux.Je remercie fortement les commentaires de rapporteurs, Jack-Gerard Postaire et Frede-ric Jurie, quimont permis dameliorer laversion naledecette th`ese pourunemeilleureclartedelapresentationdecetravail.Mes remerciements vont egalement `a Maurice Milgram, pour mavoir fait conance etmavoirdonnelopportunitederealisercetteth`ese.JeluiremerciepourtoussesconseilsetaussipourmavoirfaitlhonneurdeparticiperauJurydesoutenance.JeremercieJean-Fran coisBoissouetFabienHernandezdePeugeotCitroenPSAetRaphaelPoulenarddeLPREditorpourleurconance,leurespritcritiqueetleursoutienpendantlarealisationdesprojetsquenousavonsrealiseensemble.Jetiens`aremercietousmescopainsdulaboratoire,ceuxquisonttoujoursl`aetceuxquisontdej`apartis.Pour leurs encouragements et leur assistance aussi bien materielle que morale qui montpermisdefairecetteth`esedansdebonnesconditions,jeremerciechaleureusement`amafamille, Rodo, Merce, Seba, Mariano, Ceci, losChurin et losRamos; `amesamis`aParis, Pablo, Cecilia, Mariela, Ramiro, Berenice, Juan, Candela, Olivia ; `amesamisdAngers, Isabelle, Fran cois, Lisa, Emmanuelle ; `amesamisdelachorale, Flora, Chloe,JeromeetClement ;etmesamiesdArgentine,LucioetGabriel.Jedediecetteth`ese`amesdeuxamours:AgustinetPriscila.iiiResumeCetteth`eseestdediee`aletudedemethodesdevisionarticiellepourladetectionetla reconnaissance dobjets structures, plus precisement les vehicules automobiles. Le corpsdelath`eseestdiviseendeuxpartiesprincipales.Lapremi`erepartieest vouee`aladetectiondevehicules sur des sc`enes routi`eres `alaidedunsyst`emeembarquedevisionmonoculaire. Lastrategieutiliseesefondesurune cascadede classieurs detypeAdaboost, inspireedes travauxde Violaet Jones.Deuxfamillesdedescripteurssontevaluees: lesltresdeHaaretleshistogrammesdegradients orientes. Les premiers sont associes `a une fonction de classication discriminanteetlesseconds,`aunefonctiondeclassication generative.Apartirdeleurconcatenation,nous avons obtenuunnouveaudetecteur Mixte. Les resultats ont demontre quil estplusperformantetconservelesavantagesdechaqueapproche.Nousavonsproposeaussidesmethodespourclassierlesvehiculesdetectesentroisclasses: voituredetourisme,camionnettesetcamions.La deuxi`eme partie est consacree `a la reconnaissance du type dun vehicule (construc-teur, mod`ele) `apartir desavuedeface. Lapplicationprincipaleviseeest lecontroledacc`es dans des parkings, peages dautoroutes, etc. Nous proposons un nouveau syst`emedereconnaissancemulti-classesquiutiliseundescripteurvisuellocal,`abasedepixelsdecontour orientes. La classication est obtenue `a partir dune methode de votes, robuste auxoccultationspartielles. Plusieurstestssurunebasedimagesprisesenconditionsreellesont ete realises : le taux de reconnaissance obtenu pour 20 classes de vehicules depasse les94%.Mots-ClesReconnaissance de formes, Apprentissage Automatique, Detection de vehicules, FiltresdeHaar,HistogrammesdeGradientOriente,CascadedeClassieurs,Adaboost,Recon-naissancedetypedeVehicule,PixelsdeContourOrientes,MethodedeVotes.iiiDetectionandRecognitionofstructuredobjects:ApplicationtoIntelligentTransportSystemsAbstractThisdissertationaimstheresearchofcomputervisionalgorithmforobjectdetectionandrecognition,inparticularvehicles.Therstpartaddressestheon-roadvehicledetectionproblemthroughanon-boardmonocularvisionsystem. Thedetectorusesacascadeof boostedclassiers, inspiredinViolaandJones works. Twofeatures are evaluated: Haar lters andHistograms ofOriented Gradient. The former are associated to discriminative classiers, while the latterto generative classiers. A new detector is obtained from their fusion, improving the resultsand the performance of the cascade architecture. Moreover, we propose a classication ofdetectedvehiclesinthreeclasses:passengercars,vansandtrucks.The secondpart analyses algorithms for vehiclemakeandmodel recognition. Theprincipalapplicationinvolvesaccesscontroltoparking,tollgates,etc.Weproposeanewvotingalgorithmbasedonoriented-contourpoints. Thesystemobtainsaclassicationrate above 94 % for a 20 dierent models dataset. Results also show the method is robusttopartialocclusions.KeywordsPatternRecognition, Machine Learning, Vehicle Detection, Haar-like lters, Histo-gramof OrientedGradient, Cascadeof Classiers, Adaboost, VehicleMakeandModelRecognition,Oriented-ContourPoints,VotingAlgorithm.Tabledesmati`eresINTRODUCTIONGENERALE 11I ProjetPEUGEOT-Methodededopagepourladetectionetclassicationdevehicules 17Introduction 181 Detectiondevehicules:Etatdelart 221.1 GenerationdesHypoth`eses. . . . . . . . . . . . . . . . . . . . . . . . . . . 231.2 ValidationdesHypoth`eses . . . . . . . . . . . . . . . . . . . . . . . . . . . 321.2.1 Methodesutilisantlesprimitives . . . . . . . . . . . . . . . . . . . . 321.2.2 MethodesutilisantlApparence . . . . . . . . . . . . . . . . . . . . 351.3 Bilan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 431.3.1 Resultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 431.3.2 Discussion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 442 MethodededopageetAlgorithmedeViolaetJones 462.1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 462.2 Filtresrectangulaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 472.2.1 Denition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 472.2.2 Imageintegrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 482.2.3 Normalisation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492.3 Selectiondedescripteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 492.4 DetectionenCascade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 522.4.1 PrincipedelaCascadeAttentionelle . . . . . . . . . . . . . . . . . 522.4.2 ApprentissagedelaCascadeAttentionelle . . . . . . . . . . . . . . 532.5Evolutionsdelamethodededopage . . . . . . . . . . . . . . . . . . . . . . 542.5.1 VariantesdAdaboost. . . . . . . . . . . . . . . . . . . . . . . . . . 552.5.2 Nouveauxdescripteurs . . . . . . . . . . . . . . . . . . . . . . . . . 562.5.3 Optimisationdelacascade. . . . . . . . . . . . . . . . . . . . . . . 572.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 583 ConceptiondudetecteuretImplementation 603.1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 603.2 Espacederepresentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 613.2.1 DescripteursdeHaar . . . . . . . . . . . . . . . . . . . . . . . . . . 623.2.2 HistogrammesdeGradientsOrientes . . . . . . . . . . . . . . . . . 653.2.3 Espacemixtederepresentation . . . . . . . . . . . . . . . . . . . . 681TABLEDESMATI`ERES 23.3 Fonctionsdeclassication . . . . . . . . . . . . . . . . . . . . . . . . . . . 683.3.1 ClassieurdeHaardiscriminant . . . . . . . . . . . . . . . . . . . . 683.3.2 ClassieurdeHoGgeneratif . . . . . . . . . . . . . . . . . . . . . . 693.3.3 Determinationduseuiloptimal . . . . . . . . . . . . . . . . . . . . 703.4 Denitiondelamethode . . . . . . . . . . . . . . . . . . . . . . . . . . . . 723.4.1 Detecteursimple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 723.4.2 DetecteurenCascade . . . . . . . . . . . . . . . . . . . . . . . . . . 733.4.3 Cascadecontrolee. . . . . . . . . . . . . . . . . . . . . . . . . . . . 733.5 Bilan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 744Evaluationdudetecteur 764.1 Basesdedonnees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 764.1.1Etiquetagedesexemplespositifs. . . . . . . . . . . . . . . . . . . . 774.1.2 Constitutiondesbasesdimages . . . . . . . . . . . . . . . . . . . . 784.2 Detectionparfenetresglissantes . . . . . . . . . . . . . . . . . . . . . . . . 794.3 Restrictiondelazonederecherche . . . . . . . . . . . . . . . . . . . . . . 794.4 Crit`eresdevaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 824.4.1 Tauxdedetectionettauxdefaussesalarmes. . . . . . . . . . . . . 824.4.2 CourbeROC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 824.4.3 CourbeROCpourunecascade . . . . . . . . . . . . . . . . . . . . 834.5 Analyseducomportementetdesperformances . . . . . . . . . . . . . . . 834.5.1 Detecteursimple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 834.5.2 DetecteurenCascade . . . . . . . . . . . . . . . . . . . . . . . . . . 854.5.3 Detecteurencascadecontrolee . . . . . . . . . . . . . . . . . . . . . 884.6 DierentsScenarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 924.6.1 Scenariosurbainetsuburbain . . . . . . . . . . . . . . . . . . . . . 934.6.2 Casnon-nominaux . . . . . . . . . . . . . . . . . . . . . . . . . . . 945 CascadeAttentionnellepourlaclassicationduvehicule 1015.1 Introduction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1015.1.1 Methodesbaseessurlesmod`eles . . . . . . . . . . . . . . . . . . . . 1025.1.2 Methodesbaseessurlesarbresdedecision . . . . . . . . . . . . . . 1045.1.3 Bilan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1085.2 Basededonnees. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1095.3 Detectionmulti-classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1105.3.1 Detecteursindividuels . . . . . . . . . . . . . . . . . . . . . . . . . 1105.3.2 Detecteurmulti-classes . . . . . . . . . . . . . . . . . . . . . . . . . 1115.4 Classicationdutypedevehicule . . . . . . . . . . . . . . . . . . . . . . . 1125.4.1 ClassicationparlesDetecteursIndividuels . . . . . . . . . . . . . 1135.4.2 ClassicationPyramidale . . . . . . . . . . . . . . . . . . . . . . . . 1145.4.3 ClassieursenParall`ele . . . . . . . . . . . . . . . . . . . . . . . . . 1155.4.4 ClassicationMulti-Mod`ele . . . . . . . . . . . . . . . . . . . . . . 1185.4.5 AnalyseComparative. . . . . . . . . . . . . . . . . . . . . . . . . . 1225.5 Filtrageetcadragedesdetections . . . . . . . . . . . . . . . . . . . . . . . 1235.5.1 MethodeOpenCV . . . . . . . . . . . . . . . . . . . . . . . . . . . 1245.5.2 MeanShift pourlencadrementdeshypoth`eses. . . . . . . . . . . . 1255.5.3 Comparaisondesmethodes . . . . . . . . . . . . . . . . . . . . . . 1275.5.4 Analysescomparatives . . . . . . . . . . . . . . . . . . . . . . . . . 1295.6 Bilan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132TABLEDESMATI`ERES 36 Conclusions 1356.1 ConclusionssurlaDetection. . . . . . . . . . . . . . . . . . . . . . . . . . 1356.2 ConclusionssurlaClassication. . . . . . . . . . . . . . . . . . . . . . . . 136II ProjetLRPeditor- Methodedevotespourlareconnais-sancedutypedevehicule 138Introduction 1391 Reconnaissancedevehicules:Etatdelart 1401.1 Syst`emesVMMR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1411.1.1 ApprochesStructurelles . . . . . . . . . . . . . . . . . . . . . . . . 1411.1.2 ApprochesparApparence . . . . . . . . . . . . . . . . . . . . . . . 1421.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1461.3 Gen`esedenotresyst`eme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1471.3.1 Objectifs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1471.3.2 Superpositiondescontours. . . . . . . . . . . . . . . . . . . . . . . 1471.3.3 Denitiondunemesuredesimilarite . . . . . . . . . . . . . . . . . 1491.4 Contributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1502 Modelisationdutypedevehicule 1512.1 Miseenformedesdonneesetcodage . . . . . . . . . . . . . . . . . . . . . 1512.1.1 Transformationane. . . . . . . . . . . . . . . . . . . . . . . . . . 1522.1.2 Encadrementdelaregiondinteret . . . . . . . . . . . . . . . . . . 1542.1.3 Pixelsdecontourorientes . . . . . . . . . . . . . . . . . . . . . . . 1552.2 Generationdumod`ele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1562.2.1 Imagemoyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1562.2.2 Creationdelamatricedaccumulation . . . . . . . . . . . . . . . . 1582.2.3 Selectiondepointsrepresentatifs . . . . . . . . . . . . . . . . . . . 1612.2.4 Matricesdeponderation . . . . . . . . . . . . . . . . . . . . . . . . 1622.2.5 Listesdespointstries . . . . . . . . . . . . . . . . . . . . . . . . . . 1642.3 Bilan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1653 Classication 1663.1 Classicationparvotes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1673.2 Classicationpardistance . . . . . . . . . . . . . . . . . . . . . . . . . . . 1683.3 Fonctiondesimilarite. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1693.4 Crit`erederejet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1714 Resultatsexperimentauxetanalysecomparative 1744.1 Basesdevehicules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1744.2 Choixdesparam`etres. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1774.2.1 Variationdelaquantitedepointsdetravail . . . . . . . . . . . . . 1774.2.2 Variationdelaquantitedesorientations . . . . . . . . . . . . . . . 1784.2.3 Variationdurayondevoisinage . . . . . . . . . . . . . . . . . . . . 1784.2.4 Bilan. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1794.3 ResultatsdeClassication . . . . . . . . . . . . . . . . . . . . . . . . . . . 1804.4 Resultatsaveclecrit`erederejet . . . . . . . . . . . . . . . . . . . . . . . . 184TABLEDESMATI`ERES 44.5 Presencedelabarri`ere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1855 Conclusions 187CONCLUSIONGENERALE 189ACascadeAttentionnelle: analysedesensibilite 192B Performancesdesclassieurs 194CAlignementdesimagettesparcouples 197DBibliographiePersonnelle 199Tabledesgures1 Statistiquessurlesaccidentsdevoituresavecmortsoublessesgraves. . . . 132 Causesdesaccidents(facteurhumain). . . . . . . . . . . . . . . . . . . . . 143 Installationdescamerassurletoitdesvehiculesdepolice. . . . . . . . . . 154 Syst`emeARCOSdaide`alaconduite. . . . . . . . . . . . . . . . . . . . . . 211.1 Synopsisdunsyst`emededetectiondevehicules.. . . . . . . . . . . . . . . 221.2 Methodedesombresportes. . . . . . . . . . . . . . . . . . . . . . . . . . . 251.3 Gradienthorizontalnegatif. . . . . . . . . . . . . . . . . . . . . . . . . . . 261.4 Deuxexemplesdeladetectiondevehiculesutilisantleplandesymetrie. . 281.5 Contraintesdeperspective. . . . . . . . . . . . . . . . . . . . . . . . . . . . 281.6 Methodedegeneration`apartirdesprolsdecontours. . . . . . . . . . . . 291.7 Generationdeshypoth`eses`apartirdescontourshorizontaux.. . . . . . . . 301.8 Detectiondesobjetsstructures. . . . . . . . . . . . . . . . . . . . . . . . . 311.9 GabaritouformeU dunvehicule.. . . . . . . . . . . . . . . . . . . . . . 331.10 Mod`elesdevehiculesprochesetdistants. . . . . . . . . . . . . . . . . . . . 341.11 Detection`apartirdugabaritdeformable.. . . . . . . . . . . . . . . . . . . 351.12 Exemplesdesous-regions. . . . . . . . . . . . . . . . . . . . . . . . . . . . 361.13 Detection`apartirdelasymetrie. . . . . . . . . . . . . . . . . . . . . . . . 371.14 ObtentionduHoGpourunchamprecepteur. . . . . . . . . . . . . . . . . 381.15 Decompositionenondelettes. . . . . . . . . . . . . . . . . . . . . . . . . . 391.16 Exemple de decompositionenondelettes `apartir des ltres donnes parSchneiderman.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401.17 Sous-bandesdeladecompositionenondelettes. . . . . . . . . . . . . . . . 401.18 RepresentationdesltresdeGaboretlesvignettespourlextractiondesprimitives. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411.19 EnsemblecompletdeltresdeHaar. . . . . . . . . . . . . . . . . . . . . . 421.20 Methodespourladetectiondevehicules. . . . . . . . . . . . . . . . . . . . 442.1 Troistypesdeltresrectangulairesen2dimensions.. . . . . . . . . . . . . 482.2 Imageintegraleetcalculdelasommedesniveauxdegrisdansunrectangle. 482.3 Le sac de descripteurs (espace de param`etres) est trop lourd pour le classieur. 502.4 Adaboostchoisitdemani`ereiterativeundescripteur. . . . . . . . . . . . . 502.5 Cascadedeclassieursforts. . . . . . . . . . . . . . . . . . . . . . . . . . . 522.6 Exempledepointsdecontrole. . . . . . . . . . . . . . . . . . . . . . . . . . 563.1 Vignettesdesexemplespositifsetnegatifsdansdesespacesderepresenta-tion2Detfonctiondeclassication.. . . . . . . . . . . . . . . . . . . . . . 623.2 EnsembledeltresdeHaar. . . . . . . . . . . . . . . . . . . . . . . . . . . 623.3 Vignette positive originale et decompositionpar deuxltres de Haar `adierentes echelles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 635TABLEDESFIGURES 63.4 Valeurs moyennes des descripteurs de Haar calculees sur la base de vehicules. 643.5 VecteurdedescripteursdeHaarpourunevignetteavecunvehicule. . . . . 653.6 ExemplesdedescripteursdeHoGextraitsdelimagedunvehicule. . . . . 673.7 VecteurdedescripteursdeHaarpourunevignetteavecunvehicule. . . . . 673.8 Fusion des deux vecteurs de descripteurs pour une vignette avec un vehicule. 683.9 Densitedeprobabilitedesexemplesdapprentissageetfonctionsderepar-tition. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 713.10 Calculduseuilquiminimiseleserreurs. . . . . . . . . . . . . . . . . . . . 723.11 Architecturedudetecteursimple. . . . . . . . . . . . . . . . . . . . . . . . 723.12 DescripteurschoisisparAdaboostpourlestroispremiers etages. . . . . . . 744.1 Exemplesdimagesdelabasedesdonnees. . . . . . . . . . . . . . . . . . . 764.2Etiquetagedunvehiculeetlavignettecanoniqueobtenue. . . . . . . . . . 774.3 Exemplespositifsetnegatifsutilisespourlapprentissage. . . . . . . . . . . 784.4 Positionsdesvehiculesdanslabasepositivepar echelles. . . . . . . . . . . 804.5 Statistique sur les positions occupees par les vehicules dans les images rou-ti`eresdelabase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 804.6 Loispolynomialesapproximantlesdistributionsdesvaleurs. . . . . . . . . 814.7 CourbesROCpourlestroisdetecteurssimples. . . . . . . . . . . . . . . . 844.8 Nombrededescripteurspar etagepourlestroisdetecteurs. . . . . . . . . . 864.9 Taux de detections correctes par etage pour le detecteur de Haar `a 2000 et`a4000negatifs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 874.10 Quantitededescripteurspar etagepourlestroisdetecteurs. . . . . . . . . 884.11 Nombre et proportion de descripteurs de HoG `a chaque etage du detecteurMixte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 894.12Eliminationdesfaussesalarmesaufuret`amesuredes etages. . . . . . . . 904.13 Tauxdedetectionscorrectesenfonctiondes etagesdelacascade. . . . . . 904.14 CourbesROCdesdetecteursencascade. . . . . . . . . . . . . . . . . . . . 924.15 Resultats des trois detecteurs obtenus sur des images de sc`enes autorouti`eres. 934.16 Moyenneset ecart-typesdesfaussesalarmesparscenario. . . . . . . . . . . 944.17 Exemplesdestroisdetecteurssurdierentsscenarios. . . . . . . . . . . . . 954.18 Exemplesdimagesdecasnon-nominaux. . . . . . . . . . . . . . . . . . . . 954.19 Resultats sur les cas non-nominauxpour ledetecteur appris sur les casnominaux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 964.20 Resultats sur les cas non-nominaux pour les deux detecteurs au meme pointdefonctionnement(98%). . . . . . . . . . . . . . . . . . . . . . . . . . . . 984.21 CourbesROCpourlesdeuxdetecteursentrainessurlescasnominauxetnonnominaux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 984.22 Exemplesderesultatsdedetectionsdesdeuxdetecteurs. . . . . . . . . . . 1005.1 Extractionetselectiondesvignettesdansuneimagepourlobtentiondesmotsvisuelscomposantunobjet. . . . . . . . . . . . . . . . . . . . . . . . 1045.2 DeuxexemplesdeclassesdanslespaceproposeparlapprochedeIsukapalli.1055.3 ArbrededecisiondeIsukapalli. . . . . . . . . . . . . . . . . . . . . . . . . 1065.4 Schemaenpyramide. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1065.5 ArbrededecisiondeTorralba. . . . . . . . . . . . . . . . . . . . . . . . . . 1075.6 ConceptionduclassieurdeTorralba. . . . . . . . . . . . . . . . . . . . . . 1085.7 Exemplesdestroisclassesdevehicules. . . . . . . . . . . . . . . . . . . . . 1095.8 Architectureduclassieurbasesurlesdetecteursindividuels . . . . . . . . 113TABLEDESFIGURES 75.9 ArchitecturePyramidale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1155.10 Architectureduclassieurenparall`ele. . . . . . . . . . . . . . . . . . . . . 1165.11 Projection2DdesvaleursdesortiedeclassieursCi`alaidedunACP. . . 1175.12 FonctionsfaiblesduclassieurdeTorralbaetcommentsontellespartagespourles21classesconsiderees.. . . . . . . . . . . . . . . . . . . . . . . . . 1195.13 Architectureduclassieurmulti-mod`eles.. . . . . . . . . . . . . . . . . . . 1205.14 RegroupementobtenulorsdelutilisationdelalibrairieCLUTO. . . . . . 1225.15 Hypoth`esesdonneespourledetecteur. . . . . . . . . . . . . . . . . . . . . 1245.16 Lesdeux etapesdencadrementdelamethodedeOpenCV .. . . . . . . . . 1245.17 Pointsquirepresententleshypoth`esesdonnespourledetecteur. . . . . . . 1255.18 CentresdesnuagesdepointstrouvesaveclamethodedeMeanShift. . . . 1265.19 Resultatsdelencadrement`apartirdeMeanShift surlaveriteterrain. . . 1275.20 Exemplesdedierentsrecouvrements. . . . . . . . . . . . . . . . . . . . . 1285.21 CourbescomparativesentrelamethodeOpenCVetleMeanShift. . . . . . 1285.22 Exemples de resultats des quatre architectures et ltrage `a partir de MeanShift. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1331.1 SegmentationdesvignettesetvecteurdepoidsproposesparPetrovic. . . . 1431.2 Obtentiondesmatricesdedierencesdegaussiennes. . . . . . . . . . . . . 1451.3 Histogrammesdesorientations. . . . . . . . . . . . . . . . . . . . . . . . . 1451.4 Deuxexemplesdevehicules`alentreedunparking. . . . . . . . . . . . . . 1471.5 Contourssuperposesdedeuxexemplesdevehiculesdumemetype. . . . . 1481.6 Exempledelalgorithmedevotespourcalculerunemesuredesimilarite. . 1502.1 Transformationane. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1522.2 Histogramme cumule des largeurs de la plaque mineralogique dans les basesdesvehicules. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1542.3 Obtentiondelavignette`apartirdelimageoriginale. . . . . . . . . . . . . 1552.4 Contoursdespixelsorientesdunvehicule. . . . . . . . . . . . . . . . . . . 1562.5 Calculdespositionsintermediaires. . . . . . . . . . . . . . . . . . . . . . . 1572.6 Imagemoyenne`apartirdescontourssimples. . . . . . . . . . . . . . . . . 1572.7 Imagemoyenne`apartirdecontoursorientes. . . . . . . . . . . . . . . . . . 1582.8 CreationdelimagemoyenneA12`apartirdedeuximagesavecunplanpourchaqueorientationdugradient. . . . . . . . . . . . . . . . . . . . . . 1592.9 Matricesdaccumulationdesvotespourchaqueorientationdugradient. . . 1602.10 Mod`elepourlaclasseRenault19. . . . . . . . . . . . . . . . . . . . . . . . 1612.11 ObtentiondesmatricesderegionsRi. . . . . . . . . . . . . . . . . . . . . . 1632.12Etapespourlacreationdumod`eledelaclassek. . . . . . . . . . . . . . . 1653.1 Diagrammefonctionnelduclassieurgeneratif. . . . . . . . . . . . . . . . . 1663.2 Fonctiondesimilarite:fusiondesscoresbasessurlesvotesetladistance. . 1693.3 Densitesdeprobabilitesdessortiesduclassieur. . . . . . . . . . . . . . . 1723.4 Ellipsesdesdistributionsetfronti`eredeseparationentrelesdeuxclasses. . 1734.1 Exemplesdesimagesdumememod`eledesbasesdesimages. . . . . . . . . 1764.2 Inuencedelaquantitedepointsdetravail surletauxdeclassicationscorrectes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1774.3 Inuence de la quantite des orientations sur le taux de classications correctes.1784.4 Inuencedurayondevoisinagesurletauxdeclassicationscorrectes.. . . 179TABLEDESFIGURES 84.5 LesdeuxRoIutilisesdanslalgorithme. . . . . . . . . . . . . . . . . . . . . 1804.6 CourbeCMCpourlesclassieursdenotrealgorithmebasessurlaROI1. . 1814.7 CourbeCMCpourlesclassieursapprissurlabaseParking. . . . . . . . . 1824.8 Sensibiliteauseuilsurlecrit`eredeconance. . . . . . . . . . . . . . . . . 1854.9 Lestroispositionsdunebarri`erevirtuelle. . . . . . . . . . . . . . . . . . . 185A.1 Courbes ROC des detecteurs entranes avec dierents param`etres dappren-tissage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193B.1 Performancespourlesdetecteursindividuels.. . . . . . . . . . . . . . . . . 194B.2 Performancespourleclassieurpyramidal. . . . . . . . . . . . . . . . . . . 195B.3 PerformancespourleClassieurenParall`ele. . . . . . . . . . . . . . . . . . 196B.4 PerforamancespourleClassieurMulti-Mod`ele. . . . . . . . . . . . . . . . 196C.1 Creation des matrices daccumulation des votesAij`a partir des imagesEietEj. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197Listedestableaux1 StatistiquesdesaccidentsroutiersenArgentineetenFrancepourlannee2006. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121.1 Comparaisiondesresultatspresentesdanslabibliographie. . . . . . . . . . 432.1 Pseudo-codedelalgorithmeAdaboostDiscret . . . . . . . . . . . . . . . . 512.2 ApprentissagedelaCascadeAttentionelle . . . . . . . . . . . . . . . . . . 542.3 Pseudo-codedAdaboostReel. . . . . . . . . . . . . . . . . . . . . . . . . . 553.1 Quantitedeltresrectangulairespourlesdierentesvaleursdedxetlesdierentestypesdeltres . . . . . . . . . . . . . . . . . . . . . . . . . . . 653.2 Quantitederectanglespourlesdierentesvaleursdedx. . . . . . . . . . . 664.1 Comportementdesdetecteurssimples. . . . . . . . . . . . . . . . . . . . . 844.2 ComportementdesdetecteursenCascade . . . . . . . . . . . . . . . . . . 864.3 ComportementdesdetecteursenCascadeControlee. . . . . . . . . . . . . 914.4 Performancedesdetecteurspourunpointdefonctionnement`a93.4%. . . 924.5 Constitutiondelabasedetestnonnominale. . . . . . . . . . . . . . . . . 964.6 Comportementdudetecteursurlesdeuxbasesdetest. . . . . . . . . . . . 964.7 Comportementdudetecteurapprissurtouslescas. . . . . . . . . . . . . . 974.8 ComportementdudetecteurDMavecunpointdefonctionnementxe`a98%. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 975.1 Constitutiondesbases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1105.2 Comportementdestroisdetecteurs. . . . . . . . . . . . . . . . . . . . . . . 1115.3 Perfomances des trois detecteurs au meme point de fonctionnement : 96 %DC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1115.4 Comportementdesdeuxdetecteurs. . . . . . . . . . . . . . . . . . . . . . . 1115.5 Performancesdesdeuxdetecteursobtenus`apartirdescourbesROCavecuntauxdeDCde96%. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1125.6 PerformancedelamethodedeDetecteursIndividuels surlaVeriteTerrain1145.7 PerformancedelarchitecturePyramidale. . . . . . . . . . . . . . . . . . . 1155.8 Performancesurlaveriteterraindesclassieursenparall`ele. . . . . . . . . 1175.9 Performance de classieurs en parall`ele et classication ` a laide dun reseaudeneurones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1185.10 PseudocodedelapprentissagedudetecteurMulti-Mod`ele. . . . . . . . . . 1215.11 PerformanceduclassieurMulti-Mod`ele. . . . . . . . . . . . . . . . . . . . 1225.12 RecapitulatifdesresultatsdesarchitecturesdeclassicationssurlaVT. . . 1235.13 Comportementendetectiondesquatrearchitecturesproposees. . . . . . . 1309LISTEDESTABLEAUX 105.14 Comportementenclassicationsurleshypoth`esesgenerespendantlade-tection,avecuncrit`erederecouvrementsuperieureou egal`a0.66 . . . . . 1314.1 Compositiondesbasesdevehicules. . . . . . . . . . . . . . . . . . . . . . . 1754.2 Comparaisondes tauxdeclassicationdenotrealgorithmeet des algo-rithmesdelalitterature. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1814.3 Comparaisondes resultats de notre algorithme et les algorithmes de lalitteraturepourunscenariooperationnel. . . . . . . . . . . . . . . . . . . . 1824.4 MatricedeconfusionsurlaROI1. . . . . . . . . . . . . . . . . . . . . . . . 1834.5 Resultats de reconnaissance enpresence doccultations dans le scenariooperationnel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186A.1 Tableauderesultatspourdierentescascadesobtenuesdefairevarierlesparam`etresdapprentissage. . . . . . . . . . . . . . . . . . . . . . . . . . . 192INTRODUCTIONGENERALELareconnaissancedeformesestentreeendouceurdanslequotidiendesgens.Quilssenaper coiventoupas, cettebranchedelapprentissageautomatiqueestutiliseepourreconnatreleursvoix,leurstraits,leursmouvements,ainsiquepourinterpreterdautressignauxdumondephysique. Parmi cesapplications, noustrouvonscellesassocieesauxdeux aspects de la securite des transports : la securite routi`ere et la securite publique. Lesinvestissementseconomiquesdegrandesentreprisesetlesarreteslegislatifsdegouverne-mentsnyconnaissentpasdelimites,etantdonnequilsagitdepreserverlaviedanslepremiercas,etlaproprieteprivee,danslesecond.Cetteth`eseestdediee`alarecherchedemethodesdereconnaissancedeformesdanscesdomainesenayantcommevedetteprincipale:lesvehicules.Securiterouti`ereLArgentine, mon pays dorigine, detient un triste record au niveau de ses statistiquesde securite routi`ere. Ainsi, sept milles personnes meurent chaque annee, ce qui representeplusde2.5%dutotal desmortsenArgentineetlaquatri`emecausedemortaliteapr`eslesmaladiescardio-vasculaires, lecancer et lesmaladiescerebrales. Dunpoint devueeconomique,lesco utsestimesdesaccidentsdecirculationvariententreunetdeuxpourcent duProduit Interieur Brut, suivant quoninclut ounonles co uts indirects. Cetteproblematique est donc un sujet extremement grave et le nombre daccidentes de la route(blessesoumorts)commelespertesmateriellespermettentdeleconsiderercommeuneveritablecatastrophe.La reponse politique sest concretisee en 2006 par la presentation au Senat dun ProjetNational deSecuriteRouti`ere(PlanNacional deSeguridadVial)signeparlepresidentdelaNation.Il etablit,commepolitiquedEtat,unestrategiedeluttecontrelinsecuriterouti`ere `a court et moyen terme et cree un Centre National de Securite Routi`ere (SistemaNacional de Seguridad Vial). Ce centre est responsable de lexecution uniforme, constanteetorganiseedespolitiquesdetransport,detracetdesecuriterouti`ere.Il est interessant danalyser les statistiques presentees dans le Projet, faites sur la basedesdonneesmondialescollecteespendantlannee2003.LesresultatsplacentlArgentine`alatreizi`emeplacepourlenombredemortspardizainedemilliersdevehicules, `alaquinzi`emepourlenombredemortsparcentainedemilliersdhabitants. LaFranceest11INTRODUCTIONGENERALE 12dix-septi`emepourlepremierindiceetvingt-deuxi`emepourlesecond.Nousallonsutiliserlesdonneesocielles1andactualisercesindicespourlannee2006, dansletableau. CetteactualisationpermettradesituerlaFrance, au-del`adelatrenti`emeplaceetlArgentinedansleTopTen.Argentine FranceNbtues 7859 4709Nbblesses 96374 102125Parcautomobile(milliers) 11826 30400Population(millions) 39.3 61.4Victimes/10000vehicules 6.64 1.54Victimes/100000habitants 19.99 7.66Table 1 Statistiques des accidents routiers en Argentine et en France pour lannee 2006.Note:lenombredetuesestcalculedanslestrentejourssuivantlaccident).LeCentredExperimentationetdeSecuriteRouti`ere(CentrodeExperimentationySeguridad Vial - CESVI), institution creee en Argentine par les compagnies dassurances etdediee `a la recherche appliquee `a lindustrie automobile, realise des statistiques actualiseessur les causes daccidents. Il a lenorme avantage de sappuyer sur les informations fourniesparlesexpertisesrealiseespourchaqueaccidentroutier.Les statistiques presentees dans la gure 1 illustrent dierentes analyses eectuees surlesaccidentsroutiers.Leplusmarquantestceluiquimontrequelefacteurhumainest`aloriginede90%desaccidents.Lesstatistiquesmontrentaussiquilyaplusdaccidentssur les routes droites que dans les courbes ; probablement `a cause de la vitesse plus grandeoudesdepassementspotentiels.Lanalysedesstatistiquesnouspermetdeconstaterquelesaccidentsseproduisentpendantdesconditionsquenouspouvonsappelernominales : accidentsdiurnessurdesroutes droites sur des chaussees s`eches. Cettecontradictionrev`elequeles conducteursameliorentnaturellementsaconduitependantlesconditionsquenousallonsappelernonnominales : la pluie, le brouillard, la visibilite reduite, etc. Ainsi, ils reduisent leur vitesse etrespectent les distances inter-vehicules entre autres. Contrairement, pendant les conditionsnominales,unexc`esdeconancepeutamenerlesautomobilistes`aundecitdattentionet`acommettredeserreurstragiques.Lagure2presenteleserreurshumaineslespluscourammentcommiseslorsdacci-dents. Le depassement des vehicules (invasion de voie) represente ainsi la principale causedaccidents. La fatigue et la distraction sont deux autres facteurs. Plusieurs de ces erreurspeuvent etresdues`aundecitdansleducation.Aussi,leProjetenvisageuneformation1. LObservatoire National Interministeriel de Securite Routi`ere pour la France, et le Registro NacionaldeAntecedentesdeTransitopourlArgentineINTRODUCTIONGENERALE 13CausesdesAccidents Typederoute5%5%90%FacteurmecaniqueInfrastructureFacteurhumain1%12%19%68%PenteCarrefourCourbeDroiteHorairesdesAccidentsEtatdelaroute36%64%JourneeNuit5%82%13%ChausseChausses`echehumideAutresTypedeCollision Couleursdesvoitures13%48%4%7% 9%3%16%FrontaleCyclisteEnchane DeroutePietonArri`ereLaterale16%30%18%1%GrisclairBlancheAutres5%Bordeaux3%Noire9%Rouge8%BleuGrisfonceFigure1Statistiquessurlesaccidentsdevoituresavecmortsoublessesgraves.aucodedelaroute`alecoleprimaire,secondaireainsiqu` aluniversite.Encomplement,lutilisation de syst`emes daide `a la conduite peuvent etre proposes. Ces syst`emes, embar-quesdanslesvehicules,pourraientavertirleconducteurdunesituationpotentiellementdangereuse,`apartirduneanalysedelenvironnementduvehicule:positionsetvitessesdesautresvehicules, obstacles, etc. Ilsseraientcapablesdedetecterdesvitessesetdis-tances inter-vehicules inappropriees, des invasions de voie et des depassements deconseilles.Reagir`acessituationsenevitantlesinattentionsdesautomobilistescouvreunegrandepartiedescausesdaccidentsmontreesdanslagure2.INTRODUCTIONGENERALE 144%16%19%41%4%Nonrespetdepriorite6%Distanceinter-vehicule10%ManoeuvreabrupteVitesseinapproprieeInvasiondevoieFatigueDistractionFigure2Causesdesaccidents(facteurhumain).SecuritepubliqueouindividuelleAujourdhui, enFrance, lebilanetabli par leMinist`eredelInterieur sur lapplica-tiondelaloi du23janvier 2006relative`alasecuritenationale, permet deconstaterunnombreimportant davancees. Les articles 1et 2decetteloi autorisent lerecours`alavideosurveillancecommeoutil depreventiondesactesdeterrorisme, etdesormais,il existedesnormestechniquesqui permettentlexploitationdelimagelorsdenquetesjudiciaires.Ilsagitdelavideosurveillance,maisaussidescommunications electroniquesoutelephoniques,dutraitementdesdonneesnominativesdespassagersaeriens,etdelalectureautomatiseedesplaquesdimmatriculation.CesmesuresdotentlaFrancedenouveauxinstrumentsecacesetdoresetdej`aenapplication. Larticle8, delaloi precedente, prevoitaussi lutilisationdundispositifdeLectureAutomatiseedesPlaquesdImmatriculation,ditLAPI.LaLectureAutomatiquedePlaquesdImmatriculationestuntoutnouveausyst`emedesurveillancepermettantnotammentdidentierlesvehiculesvoles, derechercherdesvehiculessuspectsouencoredesurveillerdespassagesauxfronti`eresetauxpeages. Ilpeutetreutiliseenstationxeouembarquesurunvehicule(voirgure3). Lesyst`emedeLectureAutomatiseedes Plaques dImmatriculations(LAPI) est encours dexperi-mentationdepuis2007, surlavisdelaCommissionnationalepourlinformatiqueetleslibertes2(CNIL), `a partir de six vehicules de la police equipes, dans les villes de MarseilleetSaint-Denis.Depuisledebutdecetteexperimentation, plusd1,2milliondeplaquesonteteluesetcompareesauFichierdesVehiculesVoles, 65vehiculesmissoussurveillanceontetedetectes et 76 interpellations ont ete eectuees3. Ce bilan encourage les autorites `a gene-2. http://www.cnil.fr/index.php?id=2204\&news[uid]=438\&c3. http://www.interieur.gouv.fr/misill/sections/a\_l\_interieur/le\_ministre/interventions/bilan-application-loi-23-01-2006/viewINTRODUCTIONGENERALE 15raliser le programme sur lensemble du territoire. Dans dautres pays dEurope ce type dessyst`emes a dej`a ete adopte par les services de securite, comme par exemple en Angleterre,etseraprochainementmisenoeuvreauxEtatsUnis.Figure3Installationdescamerassurletoitdesvehiculesdepolice.Nousallonsnircetteintroductionavecuneapplicationqui concernelesdeuxpre-cedentesetqui esttr`esconnuedesautomobilistesenFrance: lesradarsautomatisesdecontroledevitesse.Inaugures en2003pour le Ministre de lInterieur, Nicolas Sarkozy, ils declenchentautomatiquement un dispositif de prises de vues numeriques en cas dexc`es de vitesse. Lesimagessonttraiteesparunsyst`emeLAPIquipermetdidentierletitulairedelacartegrise`atraverslechiernationaldesimmatriculations.Unevericationposterieureeectueeparunoperateurnapasempechecertaineser-reurs du syst`eme : un tracteur qui roulait `a plus de 100 km/h, une Citroen de 1930 ashee`a140km/h,unautomobilistequi re coitunproc`esverbalalorsquilsetrouvaitchezluiaumomentdelinfraction,etc4.Cetypederreurspeutsaperlacredibilitedupublicencesoutilsdesanction,parailleurstr`esecaces.OrganisationdumemoireNousavonspresenteprecedemment,lefortengagementdesdierentsgouvernementspourcesdeuxaspectsdelasecurite:lasecuriterouti`ereetlasecuritepublique.La vision articielle et la reconnaissance de formes sav`erent dans ce contexte applicatif,desoutilsavantageuxquiserontabordeestoutaulongdecemanuscritLasecurite routi`ere et lasecurite publique ont ete traitees dans le cadre de deuxcontratsindustrielsentrelInstitutdesSyst`emesIntelligentsetdeRobotique(ISIR, exLISIF-PARC)dunepartetdeuxsocietes: PSAPeugeotCitroen(entrejanvier2006etmai 2008), pour le premier, et LPREditor (entre septembre 2004 et decembre 2005), pourledeuxi`eme.4. http://www.radars-auto.com/humour\_radar\_rates.phpINTRODUCTIONGENERALE 16ProjetPSALesujetdupremierprojetsinteressait`aloptimisationdessolutionsembarqueesdeperception de lenvironnement des vehicules, dans un but daide `a la conduite et de confort.Il consistait`aetudierdierentsalgorithmesdanalysedimagespourladetectiondeve-hicules, envuedelaconceptiondesyst`emesanticollisions. Danslecahierdechargesilsetaientdenislespointssuivantspourlarealisationduprojet: Lesimagesenniveauxdegrisdelaroute etaientfourniesparunsyst`emedevisionmonoculaireembarque. Unedetectionetaitdeniecommelinformationbinaireindiquant lapresenceounondunvehiculeobstacledansuneregiondelimage. Laplagededistancesconsidereevariaitde15`a60m`etres. Labasedimages, fourniepar PSAPeugeot Citroen, etait constitueedeplus de1000sc`enesdierentes(nousconsideronsque2sc`enessepareespar1minutesontdierentes). La detection devait se faire sans utilisation de linformation temporelle. Ildemandaitune etudeducomportementdusyst`emeface`adessituationsdiversesdeclairageoudansconditionsclimatiquespeufavorables. De plus, il fallait fournir une information additionnelle concernant le type de vehiculedetecte(vehiculedetourisme,camionnette,camion,etc)ProjetLPREditorLe deuxi`eme projet etait consacre `a la conception dun classieur `a partir dune uniqueimagenoiretblancdelavantdunvehicule.Dansplusieursapplicationsdidenticationdevehiculesoudecontroledesux, mettantenjeuuncapteurdimage, il estutilededeterminerletypedesvehiculespresents. Cetypedesolutioninteressait`alentrepriseLPREditorqui sededieaudeveloppementdessyst`emesLAPI. Lassociationdunsys-t`emedereconnaissancedemarqueetmod`eledunevoitureetdunsyst`emeLAPIpeutaugmenter la robustesse de ce dernier et mieux individualiser un vehicule an deviter leserreurs.Premi`erepartieProjetPEUGEOT-Methodededopagepourladetectionetclassicationdevehicules17IntroductionLaprogressionduparcautomobileestaccompagneeparunedemandecroissantedesyst`emesdaide`alaconduite,promettantuneaugmentationduconfortetdelasecurite[65].Danscetteoptique,diversesrecherchesontetemeneesparlacommunauteditedesTransports Intelligents. Ceci setraduit par linstallationdedispositifs dehautes tech-nologies et dautres syst`emes de commande dans les vehicules ainsi que sur laroute.Nouspouvonsclassercessyst`emesdansdierentescategoriesdontlesAdvancedVehicleHighwaySystems(AVHS), Advanced Safety Vehicle(ASV) et Advanced Driver AssistanceSystems(ADAS).Concr`etement,unsyst`emedaide`alaconduitepeutaiderlesconducteursdansdie-rentessituations: Convoi de vehicules : cela consiste `a asservir un ou plusieurs vehicules esclaves sur unvehiculedetetenommematreouleader. Cetteapplicationpermettradoptimiserledebitdecirculationsuruneautoroute. Stop&Go : il sagit dune situationsimilaire `alaprecedente, mais appliquee enenvironnement urbain et `a faibles vitesses. Le vehicule porteur est conduit automa-tiquement dans un embouteillage ; quand la vitesse augmente, le conducteur reprendlamain. Angle aveugle de perception : etant donne que les retroviseurs ne parviennent pas `areeter tous les angles de lenvironnement, des syst`emes de securite peuvent avertirle conducteur sur des situations qui posent un risque de collision (dautres vehiculesenphasededepassement). Supervision des manoeuvres : cest le cas le plus complexe car le syst`eme doit detecterles vehicules presents dans la sc`ene et realiser leur suivi, quils circulent dans la memedirectionquelevehiculeporteuroudansladirectioncontraire.LarouteautomatiseeLesdeuxpremi`eressituationsentrentdansunscenariodutypeAutomatedHighwaySystem(AHS). Il consiste en une approche o` u les syst`emes de cooperation route-vehicule,les syst`emes de communication inter-vehicules, ainsi que les vehicules autonomes assistent[65] S. Han, E. Ahn, andN. Kwak. Detectionof multiple vehicles inimage sequences for drivingassistancesystem. InInternational ConferenceonComputational ScienceandIts Applications,volume3480,pages11221128,2005.1819leconducteurpourledechargerdecertainestaches,enplusdaccrotrelasecurite.Touslesvehiculessontequipesduneliaisonradioandesinformermutuellementsurleurspositions relatives par rapport `a la route. L AdvancedCruise-AssistHighwaySystemRe-searchAssociation(AHSRA),creeauJaponen1996,estuneassociationquiconduitunprogrammederecherchedanscedomainepourincorporerplusdetechnologie`alauto-route. En 1997, le consortium NationalAutomatedHighwaySystem(NAHSC) a organiseauxEtatsUnisunedemonstrationpourmontrerlafaisabilitedessyst`emesdautorouteautomatiseeaveclaparticipationdeslaboratoiresderecherchesetdimportantsindus-triels.NouspouvonsciterlenouveauprojeteuropeenCooperativeVehicle-InfrastructureSystems(CIVS) qui vise au developpement dun syst`eme complet de communication entrelesvehiculesetlinfrastructurerouti`ere.LesvehiculesintelligentsCependant,unscenarioplusrealisteestlasituationdeconduiteentracmixte,avecdes vehicules equipes coexistant avec des voitures non equipees. Dans ce cas, une solutionbaseeessentiellementsurunsyst`emeradionestpasviable. Lesvehiculesdevrontetreequipesdautressyst`emesdeperceptiondeleurenvironnement. Faceauxsituationscri-tiques, le syst`eme sera en mesure dinformer le conducteur ou de prendre temporairementle controle du vehicule [121]. Il est aussi envisageable de controler le vehicule lors de tachesmonotones,danslebutdaugmenterleconfortduconducteur.AuJapon,lesrecherchesontdemarresurlabasedesvehiculesprototypesconstruitsenEuropedurantlesannees80 et 90. Un eort conjoint entre le Ministry ofInternationalTradeandIndustry(Japon)(MITI), NissanetFujitsuadonnenaissanceaupremiergrandprojetjaponaisdansledomaine(appelePersonal VehicleSystem). Plusrecemment, unprototypeSmartwayaeteplaniepour etreoperationnelen2003etsurlachanedeproductionen2015.En1997legouvernementdesEtatsUnislan caitlaIntelligentVehicleInitiative(IVI)dont lobjectif est daccelerer le developpement, la disponibilite et lutilisation des syst`emesembarquesdaide`alaconduite. Nousytrouvons, parexemple, legroupeCMUNavlab,ayantunetr`eslonguehistoiredansledeveloppementdesvehiculesintelligents, etqui aproduit une serie de 11 prototypes operationnels, du Navlab 1 jusquau Navlab 11. Dautrepart, le departement des transports de ce pays a lance un projet avec General Motors pourdevelopperettesterdessyst`emesdevitementdobstacles.Larecherchedansledomainedesvehiculesintelligents,adebuteenEuropeen1986avec le projet PROMETHEUS qui regroupait les constructeurs automobiles europeens etdenombreuxlaboratoiresderecherche. Unautreprojet, VIsionTechnologyApplication(VITA), etaitlacollaborationentrelelaboratoiredeM. vonSeelenetleconstructeurDaimler-Benz.Nouspouvonsciterplusieursprototypesdevoituresintelligentesissusdece projet : le vehicule VaMoRs, VaMp, MOB-LAB. Ce dernier utilise unsyst`eme de[121] U.RegensburgerandV.Graefe. Visualrecognitionofobstaclesonroads. InInternational Confe-renceonIntelligentRobotsandSystems,volume2,pages980987,Septembre1994.20detection des obstacles et des lignes blanches appele GOLD [17]. Lequipe du projet italienARGOacon cuunsyst`emedesecuriteactif agissantcommeunco-piloteautomatique.Ce syst`eme, implemente dans un Lancia Thema 2000, permet une conduite autonome surgrandsaxesetautoroutes. Plusrecemment, lelaboratoireLITIS-PSI5sestlancedansunprojetdevehiculeintelligentsimilaire`apartirdunRenaultLagunaII. Parailleurs,Daimler-Chrysler a developpe un syst`eme de vision stereo embarque pour la detection despietonsetdesvehiculesobstacles. Lesyst`eme, appeleUrbanTracAssitant (UTA), aetetestesurdesvehiculesdutypeMercedes-BenzClasseE.EnFrance, leprojetderechercheARCOS(ActiondeRecherchepouruneConduiteSecurisee) debutait en 2001 et associait 58 equipes fran caises de recherche. Les recherchessarticulaientsurquatrefonctionsdepreventionsdaccidents: gererlesdistancesentrevehicules, prevenir les collisions, prevenir des sorties derouteoudevoieet alerter lesvehiculesenamontdincidentsoudaccidents.Le projet concernait le developpement dun syst`eme vehicule-conducteur-infrastructuresappuyantsurquatrefonctionsoucouchesprincipales(voirgure4):1. Environnementcooperatif,utilisationdessatellites,cameras,etc.2. Localisationsubmetrique,`atraversdesbasesdedonneesrouti`eres.3. Detectionetperception, syst`emesexteroceptivesdeperceptionpourdevehiculesintelligents.4. Communication, moyens de communication inter-vehicules et vehicule-infrastructure.Linstallationdedierentstypesdecapteursetlafusiondesinformationsquilsob-tiennent,permetauvehiculedobtenirunedescriptiondesonenvironnement.Nouspou-vons citer, entre autres, les radars, les lasers, les syst`emes dultrasons et les camerasembarquees.Nousallonsnousconcentrersurcesderni`eresquiontretenulattentiondesconstructeursautomobileset des laboratoiresderechercheces derniers annees [40, 16,5. LaboratoiredInformatique,deTraitementdelInformationetdesSyst`emes[17] A. Broggi, M. Bertozzi, A. Fascioli, C. GuarinoLoBianco, andA. Piazzi. Visual perceptionofobstaclesandvehiclesforplatooning. IEEETransactionsonIntelligent TransportationSystems,1(3):164176,2000.21Figure4Syst`emeARCOSdaide`alaconduite.129, 150, 37, 139, 121]. Unsyst`emedevisioninstalledanslevehiculeporteur, fournitunedescriptionentempsreel delalocalisationetdelatailledesautresvehiculesdanslenvironnement, ainsi que de la route, des panneaux de signalisation et des autres usagersdelavoirie.Ilpeutainsivenir`alaidedunsyst`eme,parexemplecomposederadar,quinestpascapabledidentierlanaturedunobstacle.Dansleschapitressuivants, nousallonsdecrirediverssyst`emesdevisionembarqueecon cuspourladetectiondevehiculesdanslaroute.[40] C. Demonceaux, A. Potelle, andD. Kachi-Akkouche. Amulti-cameras3dvolumetricmethodforoutdoor scenes : a road trac monitoring application.IEEE Transactions on Vehicular Technology,53(6):16491656,November2004.[16] M. Betke, E. Haritaoglu, and L.S. Davis. Multiple vehicle detection and tracking in hard real time.InIntelligentVehiclesSymposium,pages351356,1996.[129] M.A. Sotelo, M.A. Garcia, andR. Flores. Visionbasedintelligent systemfor autonomous andassisted downtown driving.In International Workshop on Computer Aided Systems Theory, volume2809,pages326336.Springer,2003.[150] T.XiongandC.Debrunner. Stochasticcartrackingwithline-andcolor-basedfeatures. AdvancesandTrendsinResearchandDevelopmentofIntelligentTransportationSystems:AnIntroductiontotheSpecial Issue,5(4):324328,Decembre2004.[37] F. Dellaert. Canss : A candidate selection and search algorithm to initialize car tracking. Technicalreport,RoboticsInstitute,CarnegieMellonUniversity,1997.[139] N.Trujillo,R.Chapuis,F.Chausse,andC.Blanc. Onroadsimultaneousvehiclerecognitionandlocalizationbymodelbasedfocusedvision. InIAPRConferenceonMachineVisionApplications,pages388391,Mai2005.[121] U.RegensburgerandV.Graefe. Visualrecognitionofobstaclesonroads. InInternational Confe-renceonIntelligentRobotsandSystems,volume2,pages980987,Septembre1994.Chapitre1Detectiondevehicules:EtatdelartEn vision articielle et traitement dimages, les syst`emes de detection dobjets exigent,en general, des algorithmes complexes. Une recherche exhaustive dans une image compl`etepeut etre envisagee pour des applications de typeoline ou dautres o` u le temps reel nestpasunecontrainte.Lessyst`emesdedetectiondesobstaclesembarques,deleurcote,doiventetrecon cuspourevaluerleurenvironnement`aunevitessetelleque, danslecasdudeclenchementdune alarme, le conducteur puisse avoir un temps de reaction. Nous parlons evidemment,detempsdereponsedelordredunefractiondeseconde.Pouraccelereraumaximumlestraitementssurlesimagesfourniesparlescamerasembarquees, laplupart des methodes dans lalitteratureconsid`erent deuxetapes (voirgure1.1): laGenerationdesHypoth`eses(GH):lesyst`emerendsdefa conrelativementrudi-mentaire et surtout rapide des positions potentielles de vehicules ou regions dinteret(ROI).Cecirestreintlechampderecherchepourletapesuivante. la Validation des Hypoth`eses (VH) : les hypoth`eses issues de letape anterieure sontvalideesenutilisantdesalgorithmespluscomplexesetlesfaussessont eliminees.Lorsdenotrerevuedelalitterature, nousavonspuconstaterquecesdeuxetapespeuvent seconfondreenunseul algorithme, cequi nempechepas lutilisationdeGHpouraccelererladetection.ImageoriginaleGenerationdesHypoth`esesValidationdesHypoth`esesdd

dd

Figure1.1Synopsisdunsyst`emededetectiondevehicules.221.1. GENERATIONDESHYPOTH`ESES 231.1 GenerationdesHypoth`esesLes approches proposees pour la Generation des Hypoth`eses dans la litterature peuventetreclasseesentroiscategories[133]: utilisant des primitives : ces methodes utilisent une (ou des) information(s) aprioripourpresumerdelalocalisationdunvehiculedansuneimage. Lesinformationsutiliseesdanscetteetapepeuventetrelatexture[19, 66], lasymetriehorizontale[12, 158], lacouleur[150, 62, 36, 68], lombreportee[119, 141, 103], lessegments[133] Z. Sun, G. Bebis, andR. Miller. On-roadvehicledetection: Areview. IEEETransanctionsonPatternAnalalysisandMachineIntelligence,28(5):694711,2006.[19] T. Bucher, C. Curio, J. Edelbrunner, C. Igel, D. Kastrup, I. Leefken, G. Lorenz, A. Steinhage, andW von Seelen. Image processing and behavior planning for intelligent vehicles. IEEETransactionsonIndustrial Electronics,50(1):6275,Febrary2003.[66] U. Handmann, T. Kalinke, C. Tzomakas, M. Werner, and W. von Seelen. Computer vision for driverassistancesystems. InSPIECongressonSignal processing,sensorfusion, andtargetrecognition,volume3364,pages136147,1998.[12] A. Bensrhair, M. Bertozzi, A. Broggi, P. Miche, S. Mousset, andG. Toulminet. Acooperativeapproachtovision-basedvehicledetection. InProceedingsonIntelligentTransportationSystems,pages207212,Ao ut2001.[158] T. ZielkeandJ. GroSS. Advances incomputer vision-basedobstacledetectionfor cars. InInProceedings27thInternationalSymposiumonAutomotiveTechnologyandAutomation, pages 431436,1994.[150] T.XiongandC.Debrunner. Stochasticcartrackingwithline-andcolor-basedfeatures. AdvancesandTrendsinResearchandDevelopmentofIntelligentTransportationSystems:AnIntroductiontotheSpecial Issue,5(4):324328,Decembre2004.[62] D. Guo, T. Fraichard, M. Xie, and C. Laugier.Color modeling by spherical inuence eld in sensingdrivingenvironment. InIEEEIntelligentVehiclesSymposium,pages249254,2000.[36] E. DeMicheli, R. Prevete, G. Piccioli, andM. Campani. Colorcuesfortracsceneanalysis. InIntelligentVehiclesSymposium,pages466471,1995.[68] W. Heisele, B. end Ritter.Obstacle detection based on color blob ow.In IEEE Intelligent VehiclesSymposium,pages282286,Septembre1995.[119] A. Prati, I. Mikic, R. Cucchiara, andM. M. Trivedi. Analysisanddetectionofshadowsinvideostreams : A comparative evaluation. In IEEEComputerVisionandPatternRecognitionWorkshoponEmpirical EvaluationMethodsinComputerVision,volume2,Decembre2001.[141] M.B.vanLeeuwenandF.C.A.Groen. Vehicledetectionwithamobilecamera. Technicalreport,ComputerScienceInstitute,Universityofamsterdam,TheNetherlands,Octobre2001.[103] H. Mori and N. Charkai.Shadow and rythm as sign patterns of obstacle detection.In InternationalSymposiumonIndustrial Electronics,pages271277,1993.1.1. GENERATIONDESHYPOTH`ESES 24[37,99,136],laroute[90,25,80,28,9],lescoins[14],etc. utilisantlastereo-vision: ilsexistentessentiellementdeuxtypesdemethodesquiutilisentlinformationstereopourladetectiondesvehicules ; leplandedisparites[49,97,48]etlatransformeeInversePerspectiveMapping(IPM)[110,156,13]. utilisant le mouvement : il sagit des methodes qui utilisent linformationde lasequencedesimages,cest-`a-direlemouvement[40,16,127].[37] F. Dellaert. Canss : A candidate selection and search algorithm to initialize car tracking. Technicalreport,RoboticsInstitute,CarnegieMellonUniversity,1997.[99] N. D. Matthews, P. E. An, D. Charnley, andC. J. Harris. Vehicledetectionandrecognitioningreyscaleimagery. Control EngineeringPractice,4(4):473479,Avril1996.[136] F. Thomanek, E.D. Dickmanns, andDDickmanns. Multipleobjectrecognitionandsceneinter-pretationforautonomousroadvehicleguidance. InIEEEIntelligent VehiclesSymposium, pages231236,Octobre1994.[90] Q.Li,N.Zheng,andH.Cheng. Springrobot:Aprototypeautonomousvehicleanditsalgorithmsforlanedetection. IntelligentTransportationSystems,5(4):300308,Decembre2004.[25] R.Chapuis,R.Aufrere,andF.Chausse. Accurateroadfollowingandreconstructionbycomputervision. IEEETransactionsonIntelligentTransportationSystems,3(4):261270,December2002.[80] T. Kato, Y. Ninomiya, and I. Masaki. An obstacle detection method by fusion of radar and motionstereo. IntelligentTransportationSystems,3(3):182188,Septembre2002.[28] SungYugChoi andJangMyungLee. Applicationsofmovingwindowstechniquetoautonomousvehiclenavigation. ImageandVisionComputing,24(2):120130,2006.[9] M. BeauvaisandSLakshmanan. Clark: aheterogeneoussensorfusionmethodforndinglanesandobstacles. ImageandVisionComputing,18(5):397413,2000.[14] M. Bertozzi, A. Broggi, andS. Castelluccio. Areal-timeorientedsystemfor vehicledetection.Journal ofSystemsArchitecture,43(1-5):317325,1997.[49] U.FrankeandI.Kutzbach. Faststereobasedobjectdetectionforstop&gotrac. InProceedingsofthe1996IEEEIntelligentVehiclesSymposium,pages339344,Septembre1996.[97] R.Mandelbaum,L.McDowell,L.Bogoni,B.Reich,andM.Hansen. Real-timestereoprocessing,obstacle detection, and terrain estimation from vehicle-mounted stereo cameras.In IEEE WorkshoponApplicationsofComputerVision,pages288289,Octobre1998.[48] U. Franke. Real-timestereovisionfor urbantracsceneunderstanding. InProceedings IEEEIntelligentVehiclesSymposium2000,pages273278,2000.[110] M.OkutomiandT.Kanade. Amultiple-baselinestereo. IEEETransactionsonPatternAnalysisandMachineIntelligence,15(4):353363,1993.[156] G. Zhao and S. Yuta. Obstacle detection by vision system for an autonomous vehicle.In IntelligentVehiclesSymposium,pages3136,1993.[13] M.BertozziandA.Broggi. Vision-basedvehicleguidance. Computer,30(7):4955,1997.[40] C. Demonceaux, A. Potelle, andD. Kachi-Akkouche. Amulti-cameras3dvolumetricmethodforoutdoor scenes : a road trac monitoring application.IEEE Transactions on Vehicular Technology,53(6):16491656,November2004.[16] M. Betke, E. Haritaoglu, and L.S. Davis. Multiple vehicle detection and tracking in hard real time.InIntelligentVehiclesSymposium,pages351356,1996.[127] M. Schmid. An approach to model-based 3-d recognition of vehicles in real time by machine vision.In IEEE/RSJ Conference on Intelligent Robots and Systems, volume 3, pages 20642071, Septembre1.1. GENERATIONDESHYPOTH`ESES 25Les images de nos bases ne sont ni en stereo ni sous forme de sequence (video), elles ontete traitees en consequence avec la premi`ere famille de methodes. Lanalyse du mouvementneserapasapriori utiliseedansnotresyst`eme: nousallonstravailleravecdesimagesstatiquespourrealiserladetectiondevehicules.Danslessectionssuivantes,nousallonsevoquerlesindicesdepresencedunvehiculeetleurutilisationdanslalitterature.OmbresporteesLa methode de generation des hypoth`eses `a partir des ombres portees consid`ere la routecomme une zone de couleur homog`ene. Une voiture qui se situe dans la route projette uneombresurcelle-ci,cequidansuneimageassombritlespixelscorrespondants.Cespixelspeuvent etre detectes en considerant quils sont plus sombres que le mod`ele de couleur delaroute.Pour creer le mod`ele de la route, Clady [29] et Han [65] proposent dutiliser un rectanglede la zone basse de limage (supposee appartenir `a la route). Ce rectangle sert pour trouverunemoyennedesvaleursenniveauxdegris[29]ouunevaleurmoyenneencouleurdanslespaceHSV[65].Apr`esleseuillage,letapesuivanteconsiste`aappliquerunltrepoureliminer toutes les ombres hors delaroute, les ombres depetites tailleset celles tropgrandes (voir gure 1.2). Une analyse temporelle de ces zones sur la sequence video permetdeltreraussilesfaussesalarmes.(a) (b) (c)Figure1.2Methodedesombresportes.(a)Imageoriginal,(b)imageseuilleeet(c)imageapr`esltrage.1994.[29] X.Clady. Contribution` alanavigationautonomedunvehiculeautomobileparvision. PhD thesis,UniversiteBlaisePascal,France,2003.[65] S. Han, E. Ahn, andN. Kwak. Detectionof multiple vehicles inimage sequences for drivingassistancesystem. InInternational ConferenceonComputational ScienceandIts Applications,volume3480,pages11221128,2005.1.1. GENERATIONDESHYPOTH`ESES 26Handmann [67, 66] propose lui une fusion du Codage des Orientations Locales (LOC)etuneanalysedesombres. PourlesLOC, lesprimitivesdelimagesontdeslignesquirepresentent un code binaire indiquant la direction de la variation des niveaux de gris (danslevoisinagedupointconsidere). Lapremi`ereetapeconsisteenlanalysedesniveauxdegris delaroutepour trouver unseuil qui permet dextraireles ombres. Ensuite, ilsselectionnent les LOC qui correspondent `a une orientation horizontale et `a une transitionclair-`a-obscur (si on traite limage du bas vers le haut) et les regroupent. Ces pistes doiventrespectercertainescontraintesdetaillepourconformerdeshypoth`esespertinentes.Uneideesimilaireest utiliseepar Khammari [83] `apartir dungradient horizontalnegatif. Dans sontravail, il construit une pyramide de trois echelles de limage pouraccelererlescalculs.Dansletroisi`emeniveau(128x96pixels)ilsgen`erentleshypoth`eses`apartirdunltredeSobel horizontal. Unseuillageadaptatif, qui prendsencomptelataille des vehicules `a partir de la geometrie de la route, est utilise pour trouver les maximalocaux (voir gure 1.3). Limage binaire est nalement analysee pour extraire les segmentshorizontauxlespluslongs, qui serontconsiderescommelesombresportees, eteliminerlesfauxmaximaentenantcomptedelaperspective.Figure1.3Gradienthorizontalnegatif.(a)Imagedugradient,(b)Imagebinairedesmaximalocaux.DetectiondelarouteLa methode de detection de la route `a partir de la couleur correspond `a une approchesimilaire `a celle de la methode des ombres portees. Un mod`ele de couleur est aussi estimeet, lesgroupesdepixelsqui, ayantunepositionsurlaroute, nappartiennentpas`acemod`ele, sont consideres comme obstacles. Dierents espaces de couleur sont proposes dans[67] U. Handmann, T. Kalinke, C. Tzomakas, M. Werner, andW. vonSeelen. Animageprocessingsystemfordriverassistance. InIEEEInternationalConferenceonIntelligentVehicles,pages481486,1998.[66] U. Handmann, T. Kalinke, C. Tzomakas, M. Werner, and W. von Seelen. Computer vision for driverassistancesystems. InSPIECongressonSignal processing,sensorfusion, andtargetrecognition,volume3364,pages136147,1998.[83] A. Khammari, F. Nashashibi, Y. Abramson, and C. Laurgeau. Vehicle detection combining gradientanalysisandadaboostclassication. InIEEEInternational ConferenceonIntelligentTransporta-tionSystems,pages6671,Vienna,Austria,Septembre2005.1.1. GENERATIONDESHYPOTH`ESES 27lestravauxderecherche: lesniveauxdegris[29], leRGB[33, 123, 20], leHSV[15], leschrominances[123] ouleL*a*b[62]. Unefoisobtenuelimagebinaire, laderni`ereetapeconsiste `a regrouper les pixels consideres comme non route en regions connectees qui vontformerlesROI.SymetrieLutilisation de la symetrie pour la generation des hypoth`eses consid`ere quun vehiculeest caracterise par une forme rectangulaire articielle, o` u ses contours peuvent etre trouvessansdiculte.Ilest,enplus,placedansuneregionspeciquedelimage,cequipermetdeltrerlesfaussesalarmesdelenvironnement.Sotelo[129] restreint larecherchedans unezonerectangulairequi couvrelapartiecentrale de limage (voir gure 1.4) o` ules voitures ont une grande probabilite detrepresents. Ils obtiennent le plan de symetrie `a partir de la couleur et des contours verticaux.Lesvoiturescandidatessontsuiviesdansunesequencepourltrerlesfaussesalarmes.Les contours verticaux et horizontaux sont utilises pour Broggi [17] an de calculer troisplansdesymetrie: unpremierplandesymetrievertical, undeuxi`emeplandesymetriehorizontal, etuntroisi`eme`apartirdeleurfusion. Lesregionsdesymetriedescontourssontverieespourtrouverlapresencededeuxcoinsrepresentantlapartieinferieuredelaboteenglobantlevehicule.Descontraintesdeperspectiveetdetaille(voirgure1.5)sontutiliseespouraccelererlalgorithmeetltrerlesfaussesalarmes.[29] X.Clady. Contribution` alanavigationautonomedunvehiculeautomobileparvision. PhD thesis,UniversiteBlaisePascal,France,2003.[33] J.CrismanandC.Thorpe. Colorvisionforroadfollowing. In SPIEConferenceonMobileRobots,volume1007,page175,1990.[123] J.C. Rojas and J.D. Crisman. Vehicle detection in color images. In IEEEConference onIntelligentTransportationSystem,pages403408,Novembre1997.[20] S. D. BuluswarandB. A. Draper. Colormachinevisionforautonomousvehicles. InternationalJournal forEngineeringApplicationsofArticial Intelligence,1(2):245256,1998.[15] M.Betke,E.Haritaoglu,andL.S.Davis. Real-timemultiplevehicledetectionandtrackingfromamovingvehicle. MachineVisionandApplications,12(2):6983,Ao ut2000.[62] D. Guo, T. Fraichard, M. Xie, and C. Laugier.Color modeling by spherical inuence eld in sensingdrivingenvironment. InIEEEIntelligentVehiclesSymposium,pages249254,2000.[129] M.A. Sotelo, M.A. Garcia, andR. Flores. Visionbasedintelligent systemfor autonomous andassisted downtown driving.In International Workshop on Computer Aided Systems Theory, volume2809,pages326336.Springer,2003.[17] A. Broggi, M. Bertozzi, A. Fascioli, C. GuarinoLoBianco, andA. Piazzi. Visual perceptionofobstaclesandvehiclesforplatooning. IEEETransactionsonIntelligent TransportationSystems,1(3):164176,2000.1.1. GENERATIONDESHYPOTH`ESES 28Figure1.4Deuxexemplesdeladetectiondevehiculesutilisantleplandesymetrie.(a)Image originale, (b)contours danslaregioncentrale delimage, (c)plandesymetrie,(d)vehiculesdetectes.(a) (b)Figure1.5Contraintesdeperspective.(a)Positionettaillecorrecteset(b)limitesinferieuresincorrectes.GradientetSegmentsUnexemplerepresentatifdelamethodederecherchedeshypoth`esesenutilisantlessegmentsdecontoursestceluideSun[132].Ilproposeuneapproche`amultiples echellesenfusionnantuneoperationdediminutiondelaresolution(re-echantillonnage)etuneautreoperationdelissage. Latailledelimageoriginaleestreduitedemoitiedeuxfoispour trouver trois resolutions, qui sont montres dans la premi`ere colonne de la gure 1.6.Ladeuxi`emeet troisi`emecolonnes montrent, respectivement, les contours verticauxethorizontauxapr`esleloperationdelissage. Cescontoursserventpourobtenirlesprolsdes contours montres dans laderni`erecolonnedelagure. Les pics et les vallees desprols fournissent une information robuste sur la presence dun vehicule dans limage. Lesmaxima locaux de la plus petite resolution sont projetes dans le niveau superieur. Ensuite,les resultats sur ceniveausont suivis dans ledernier niveauo` ules hypoth`eses nalessontgenerees.Lesfauxpicssont eliminesenutilisantcertainescontraintesgeometriques.Lapproche multiple echelles permet au syst`eme detre peu sensible au choix de param`etres[132] Z.Sun,G.Bebis,andR.Miller. On-roadvehicledetectionusingevolutionarygaborlteroptimi-zation. IEEETransactionsonIntelligentTransportationSystems,6(2):125137,Juin2005.1.1. GENERATIONDESHYPOTH`ESES 29Figure1.6Methodedegeneration`apartirdesprolsdecontours.(lesseuilspourlescontoursetlechoixdemaximumsdanslesprols).Laformationdespremi`eres hypoth`eses dans le niveau inferieure est tr`es utile, en considerant que ce niveaucontientseulementlescontourslespluscontrastes.Betke[15]etDellaert[38]utilisentaussilesprolsdescontourshorizontauxetverti-caux.Lapremi`ereutilisecettemethodepourdenirlaboteenglobantlesvehiculesquisont `a une distance importante du porteur. Les contours sont trouves `a partir du gradientde la gure, via un seuillage dierencie : le seuil pour trouver les contours horizontaux estplusgrande(relationde7/5)parrapportauseuildecontoursverticaux.LestravauxdeDellaert comportent unapprentissage `apartir dunebasedimages etiquetees. Lesprolsverticauxethorizontauxcomposentlentreedunclassieurdutyperegressionnonpa-rametriquequi calcule, pourchaqueelementduprol, laprobabiliteaposteriori detreunsegmentdelaboteenglobant. Pourchoisirlesmeilleuresbotes, il choisitcellequiminimiselenergiecalculee`apartirdesgradientsverticauxethorizontaux.Gepperth[57] adeveloppeunalgorithmequi utilisedieremmentlessegments. LescontourssonttrouvesvialapplicationdundetecteurdecontoursdutypeCannyetuneindividualisationdessegments.LepointmilieudechaquesegmentestlepointdedepartpourlarecherchedeslimitesverticaleslateralesandetrouverungabaritenU.Enn, Matthews [100] emploie un ltre directionnel pour extraire les contours horizon-tauxetdenirlapositiondesvehicules`apartirdesregionso` uiltrouveuneimportanteconcentrationdecescontours. Lamethodeconsiste`acompterdanschaquecolonnede[15] M.Betke,E.Haritaoglu,andL.S.Davis. Real-timemultiplevehicledetectionandtrackingfromamovingvehicle. MachineVisionandApplications,12(2):6983,Ao ut2000.[38] F.DellaertandC.Thorpe. Robustcartrackingusingkalmanlteringandbayesiantemplates. InConferenceonIntelligentTransportationSystems,volume3207,Octobre1997.[57] A. Gepperth, J. Edelbrunner, and T Bocher. Real-time detection and classication of cars in videosequences. InIEEEIntelligentVehiclesSymposium,pages625631,Juin2005.[100] NeilD.Matthews. VisualCollisionAvoidance. PhDthesis, University ofSouthampton, AdvancedSystemsResearchGroup,DepartmentofElectronicsandComputerScience,Octobre1994.1.1. GENERATIONDESHYPOTH`ESES 30Figure1.7Generationdeshypoth`eses`apartirdescontourshorizontaux.limage la quantite des contours horizontaux. Ensuite, une lissage de la reponse est appli-queetlesmaximalocauxsontdetectes.Cespicsvontetreconsiderescommelapositioncentrale des hypoth`eses (voir gure 1.7). La largeur du vehicule est ensuite denie `a partirdessegmentshorizontaux.Lapositionverticaledanslacolonnecandidateesttrouveeenutilisant un mod`ele de couleur de la route, pour identier les ombres portees des vehicules.LahauteurduROIestnalementdetermineesuivantunerelationproportionnelleaveclalargeur.TextureLamesuredetextureutiliseeparKalinke[78] pourtrouverleszonescandidatesestlentropie.Lentropieestutiliseecommeunemesuredelaquantitedattentionquilfautdonner `auneregiondelimage. Plus lecontenudans unepartiedelimageest incer-tain,pluslinformationcontenueestricheetellerequi`eredoncuneanalysedetaillee.Parexemple, dansuneimagerouti`ere, lachausseecontientunetexturetr`eshomog`eneainsiquelefeuillagedesarbres.Lentropie(mesuredudesordre)estdetermineepar:H(k) =

kp(xk)log(p(xk))[78] T. Kalinke, C. Tzomakas, andW. v. Seelen. Atexture-basedobjectdetectionandanadaptivemodel-basedclassication. InIEEEInternational Conference onIntelligent Vehicles 1998, vo-lume1,pages143148,1998.1.1. GENERATIONDESHYPOTH`ESES 31Figure1.8Detectiondesobjetsstructures.o` up(xk) est unedistributiondeprobabilite. Ellepermet detrouver les zones nonho-mog`enesdanslimage. Lecalcul delentropieestfait`apartirdesvaleursenniveauxdegris dune petite fenetre centree sur le pixel dinteret. Ils proposent une autre methode degenerationdeshypoth`eses`apartirdesmatricesdeco-occurrence.Lesmesuresdenergie,contraste, entropie et correlation sont combinees pour detecter les textures des vehicules.Lesresultatssontmeilleurslorsquilsint`egrenttoutescesinformations,maislaquantitedecalculsaugmenteenconsequenceCouleurLacouleuresttr`espeuutiliseedanslessyst`emesdevisionembarquee, dufaitdelatrop grande diversite de couleur des vehicules automobiles. Elle peut etre cependant utiledanscertainesoccasions,notammentlanuit,dansdesconditionsdevisibilitereduiteoulors de manuvres particuli`eres (freinage,...), pour detecter les feux arri`eres ou avant desvehicules[15,131].Dautrestravaux[98, 5] utilisentaussi lacouleur(enfait, lesimagesachromatiquesfourniesparunecameraachromatiquemuniedunltreIR)pourdetecterdesamerssurdesvehiculescooperatifs.[15] M.Betke,E.Haritaoglu,andL.S.Davis. Real-timemultiplevehicledetectionandtrackingfromamovingvehicle. MachineVisionandApplications,12(2):6983,Ao ut2000.[131] B.Steux. Maps, unenvironnementlogiciel dedie` alaconceptiondapplicationsembarquestemps-reel. Utilisationpourladetectionautomatiquedevehiculesparfusionradar/vision. PhDthesis,EcoledesMinesdeParis,Paris,France,Decembre2001.[98] F. Marmoiton. Detectionet suivi parvisionmonoculairedobstaclesmobilescooperatifsapartirdunvehiculeexperimental automobile. PhDthesis, EcoleDoctoraleSciencesPourlIngenieurdeClermont-Ferrand,UniversiteBlaisePascal,Clermont-Ferrand,France,Janvier2000.[5] R.Aufr`ere, F.Marmoiton,R.Chapuis,F.Collange,andJ.P.Derutin. Detectionderouteetsuividevehiculesparvisionpourlacc. TraitementduSignal,17:233247,2000.1.2. VALIDATIONDESHYPOTH`ESES 321.2 ValidationdesHypoth`esesLes methodes de Validationdes Hypoth`eses sont laderni`ereetape dusyst`eme dedetection des vehicules. Pour chaque ROI rendue par letape de generation des hypoth`esesilsvontdonnerunereponsebinaireindiquantlapresencedunvehiculeounon.Les approches utilisees pour realiser lavalidationpeuvent etre classiees endeuxcategoriesprincipales:1. utilisantlesprimitives(Template-Based)2. utilisantlapparence(Appearance-Based)LesmethodesparPrimitivesutilisentdesgabaritspredenispourlaclassevehiculeetrealisent une correlation entre ceux-ci et limage, pour la validation : contours horizontauxetverticaux[130], regions, templates deformables[31, 152, 43] etrigides[151, 134]. Lesmethodesbaseessurlapparenceapprennentlescaracteristiquesdelaclassevehiculeetdelaclassenon-vehicule`apartirdunensembledimages. Chaqueimageutiliseepourlapprentissage est representee par un vecteur de descripteurs locaux [2] ou globaux. Puis,lapprentissagedunclassieur(NNs,SupportVectorMachine(SVM),Bayes,Adaboost,etc) permet destimer lafronti`erededecisionentrelaclassevehiculeet laclassenon-vehicule.1.2.1 MethodesutilisantlesprimitivesRegionshomog`enesParodi [114] sugg`ereunsyst`emededetectiondobstaclesetdeperceptiondelenvi-ronnementdansunezoneurbaine. Il utiliseundetecteurdecontourset, `alaidedela[130] N.Srinivasa. Vision-basedvehicledetectionandtrackingmethodforforwardcollisionwarninginautomobiles. InIEEEIntelligentVehicleSymposium,volume2,pages626631,Juin2002.[31] J.M.Collado,C.Hilario,A.delaEscalera,andJ.M.Armingol. Modelbasedvehicledetectionforintelligentvehicles. InInternational SymposiumonIntelligentVehicles,pages572577,2004.[152] A.H.S. Yung, N.H.C.andLai. Detection ofvehicle occlusion using a generalized deformable model.InIEEEInternational SymposiumonCircuitsandSystems,volume4,pages154157,Mai1998.[43] M. Dubuisson, S. Lakshmanan, and A. Jain. Vehicle segmentation and classication using deformabletemplates.IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(3) :293308, Mars1996.[151] H. Yang,J. Lou, H. Sun, W. Hu, andT. Tan. Ecient androbust vehicle localization. In Interna-tional ConferenceonImageProcessing,volume2,pages355358,Octobre2001.[134] T. N. Tan and K. D. Baker. Ecient image gradient based vehicle localization. IEEETransactionsonImageProcessing,9:13431356,2000.[2] S. Agarwal andD. Roth. Learningasparse representationfor object detection. InEuropeanConferenceonComputerVision,pages113130,Londres,RoyaumeUni,2002.Springer-Verlag.[114] P. Parodi and G. Piccioli.A feature based recognition scheme for trac scenes.In IEEE IntelligentVehiclesSymposium,,pages229234,Tokyo,Japon,1995.1.2. VALIDATIONDESHYPOTH`ESES 33TransformeedeHoughGeneralisee, il detectelessegmentsqui sontutilisespourdenirlarouteainsi queles batiments, lalignedelhorizon, etc. Les vehicules sont conside-rescommedesobstacleset,unefoislenvironnementdeni,ilsdoiventremplircertainescontraintes:1. setrouversurlaroute,2. lapresencedungrandnombredesegmentshorizontauxdanslaregion,3. lapresencederegionshomog`enes.Une fois le vehicule detecte, lalgorithme cherche dans la bote englobante, des primitivesplus detaillees : lafenetrearri`ereet laplaquemineralogique. Lamethodequil utilisepour cette operation nest pas explicitement decrite, mais il semble quil cherche aussi desregionshomog`enes.SegmentsSrinivasa[130] etKalinke[78] validentuneROIsi ellecontientunecongurationdetypeU dessegmentsdecontour. Lepremiercherchelebarycentredelaregionpourrealiser,`apartirdecepoint,unerechercheradialedesdroitesdanshuitdirections(voirgure 1.9). Si les droites passent par le barycentre et coupent les contours de la region en,aumoins,quatrepoints,laregionestvalidee.Figure1.9GabaritouformeU dunvehicule.Regensburger[121]modeliselesvehiculesobstaclesenfonctiondeladistancequilessepareduvehiculeporteur (gure1.10). Engeneral, les images des vehicules prochessontclaires avecunboncontraste etbeaucoupdesdetailsvisibles. Typiquement, limagecontient des regions homog`enes delimitees par des contours bien denis. Ces contours sontappliquessurunvoisinagedeslimitesdelaROIpourtrouverlelocalisationexactedela[130] N.Srinivasa. Vision-basedvehicledetectionandtrackingmethodforforwardcollisionwarninginautomobiles. InIEEEIntelligentVehicleSymposium,volume2,pages626631,Juin2002.[78] T. Kalinke, C. Tzomakas, andW. v. Seelen. Atexture-basedobjectdetectionandanadaptivemodel-basedclassication. InIEEEInternational Conference onIntelligent Vehicles 1998, vo-lume1,pages143148,1998.[121] U.RegensburgerandV.Graefe. Visualrecognitionofobstaclesonroads. InInternational Confe-renceonIntelligentRobotsandSystems,volume2,pages980987,Septembre1994.1.2. VALIDATIONDESHYPOTH`ESES 34voiture. Les contours horizontaux inferieurs denis pour les ombres portees permettent decompleterlamodelisation.Par ailleurs, les images dobjets distants ont unfaiblecontrasteet peudedetails.Unmod`eleenformedeUestutilise: lescontoursgauche, droitetinferieurformentlapremi`erepartiedelavalidation. Pourassurerunereponsepositivesurcesvehicules, ilsutilisentaussi lescoinsetlasymetrie. LesfaussesalarmesdonneesparlalgorithmeneFigure1.10Mod`elesdevehiculesprochesetdistants.sont pas rejetees immediatement. Il faut que le syst`eme consid`ere une ROI comme faussealarme pendant un certain nombre dimages dans la sequence. Le probl`eme du choix entrelesdeuxmod`elesnestpasdecritformellementdanslepapier.Graefe[61] emploieunre-echantillonnagedelavoiepourrecupereruneimagedelavoiture candidate `aune taille xe, quelque soit sadistance auvehicule porteur. Unefoislaroutedetectee,ilstransformentlimageselonlaperspective.Unequantitexen1despointsestprisedanschaquelignedelavoie. Danscetteimagere-echantillonnee,ilsvont chercher la voiture obstacle. Ensuite ils realisent un deuxi`eme re-echantillonnage, enconsiderantlhypoth`esequelobjetappartient`aunplanparall`ele`acelui delacamera.Unegrillecarreexe,estappliqueesurlobjetdetecte.Ilsobtiennentdonc,uneimagetteduvehicule candidat de taille xe. Une methode similaire`a[121] est utilisee pour lavalidationducandidat.[61] V. Graefe andW. Efenberger. Anovel approachfor the detectionof vehicles onfreeways byreal-timevision. InIEEEIntelligentVehiclesSymposium,Tokyo,Japon,Septembre1996.[121] U.RegensburgerandV.Graefe. Visualrecognitionofobstaclesonroads. InInternational Confe-renceonIntelligentRobotsandSystems,volume2,pages980987,Septembre1994.1.2. VALIDATIONDESHYPOTH`ESES 35GabaritsdeformablesCollado[31]adeveloppeunmod`elegeometriquedeformablepourreconnatrelesvoi-tures. Similairement `a[43], il denit unschemade segmentationbase sur unmod`elegabarit.(a) (b)Figure1.11Detection`apartirdugabaritdeformable.(a)mod`elegeometriqueduvehicule,(b)desresultatssurdesimagesreelles.Legabaritdunvehiculeestdenivia7param`etres(voirlagure1.11):laposition(x,y), lalargeuretlahauteur, lapositiondespare-brises, lapositiondupare-chocsetlangledutoit. Lafonctiondenergiedumod`elegeometriqueinclutlinformationdelaforme, lasymetrieduvehiculeetdesombresportees. Lasymetrieestcalculee`apartirdugradientverticalethorizontaldelimage.Laformeestdenie`atraversdeuxtermes:lepremierbasesurlegradientetledeuxi`emebasesurladistancedescontourstrouvesprecedemmentpourlenergiedesymetrie.Enn,lenergiedesombresdunvehiculeseradeniecommelamoyennedesvaleursdegrisdelapartieinferieuredumod`ele.Unalgo-rithmegenetiquepermetdeselectionnerlesmeilleursparam`etres.Lagure1.11montrequelquesresultatsissusdesonalgorithme.1.2.2 MethodesutilisantlApparenceDanscettesous-section,nousanalysonslesmethodesutiliseesdanslalitteraturequipermettentderealiserlaclassicationduneROIenvehiculeounon-vehicule.Aladie-rencedesapprochesqui utilisentungabaritdevehicule, cesmethodesapprennentlap-parence `a partir dune base dimages. Nous allons voir par la suite, les dierentes espacesdeparam`etresemployesdanslalitteraturepourrealiserlecodagedesimagesainsi quelesdierentsclassieurschoisisparlesauteurs.[31] J.M.Collado,C.Hilario,A.delaEscalera,andJ.M.Armingol. Modelbasedvehicledetectionforintelligentvehicles. InInternational SymposiumonIntelligentVehicles,pages572577,2004.[43] M. Dubuisson, S. Lakshmanan, and A. Jain. Vehicle segmentation and classication using deformabletemplates.IEEE Transactions on Pattern Analysis and Machine Intelligence, 18(3) :293308, Mars1996.1.2. VALIDATIONDESHYPOTH`ESES 36NiveauxdegrisLamethodedevalidationdeshypoth`esesdeMatthews[99]utiliselesniveauxdegrisdespixelsdelaROI. ChaqueROIestre-echantillonneeenunefenetrede20x20pixels,qui est ensuitediviseeen4x4vignettes, chacunedetaille5x5pixels. UneAnalyseenComposantesPrincipales(ACP)localepermetdestimerpourchacunedecesvignetteslescinqmeilleursvaleurspropresetvecteurspropres. Cederniervecteurdetaillecinqestutilisepourentranerunreseaumulti-couchesquiestimelafronti`eredeclassicationentrelaclassevehiculeetlaclasseroute.Wang[144] utiliseuneACPpour projeterdesregionsdelavoituredansdierentsespaces de representation. Cette etude consid`ere le cas dun syst`eme mobile de surveillanceutilisedanslesparkingspublics,quidetectentlesvehiculesstationnees,`apartirdeleursvues frontaleet arri`ere. Pour ladetection, aulieudutiliser uneapprocheconsiderantlensembledelimage, ilscherchent`atrouverlesregionslespluscaracteristiques, seloneux, dunevuearri`eredelavoiture: letoitetlesphares. Ilsdenissentquatreespacesderepresentationqui vontservirpourprojeterlesexemplesdapprentissageetclassierles images. Dans le premier espace toutes ces sous-regions sont projetees sans informationdesapositionspatiale.Touteslessous-regionssontegalementprojeteesdansunsecondespaceincluantuneinformationsurleurposition.Pourletroisi`emeespace,chaquesous-regionest projeteedans sonpropreespacecorrespondant avecuneinformationsur laposition. Laderni`ererepresentationutiliselanalyseencomposantsindependants(ICA)danslespaceresiduelpourdetecterlesvehicules.Lesvignettesresiduellessontcalculees`apartirdelavignetteoriginaleetcellereconstruiteaveclACP.Figure1.12Exemplesdesous-regions.[99] N. D. Matthews, P. E. An, D. Charnley, andC. J. Harris. Vehicledetectionandrecognitioningreyscaleimagery. Control EngineeringPractice,4(4):473479,Avril1996.[144] C.-C. WangandJ.-J. Lien. Automatic vehicle detectionusingstatistical approach. InAsianConferenceonComputerVision,volume3852,pages171182.Springer,2006.1.2. VALIDATIONDESHYPOTH`ESES 37SymetrieLesyst`emepresentedansletravail deKalinke[79] utilisentunreseauneuronal detypeDynamicNeural Network (DNN)qui estimelexistencedunaxedesymetriedansuneimage.Cereseaua eteentrane`apartirdimagesdevoituresdiviseesendeuxdemi-images. A chaque partie deux operateurs sont appliques pour obtenir le vecteur dentree aureseau : un ltre de Laplace, pour eliminer les pixels de texture similaire, et un operateurmonotone pondere, qui evalue la distribution des niveaux de gris des pixels. En combinantlasortiedureseauetunplandecorrespondancelianttouslespointsdelademi-imagegaucheauxpointsdelademi-imagedroite,ilsobtiennentuntauxdesimilariteentrelesdeuxmoitiesdelavignette.(a) (b)Figure1.13Detection`apartirdelasymetrie.(a)Extractiondesvignettesdelazonedinteret,(b)detectiondesaxesdesymetrie`apartirdelacourbedesymetrie.HistogrammesdeGradientOrientesLeshistogrammesdegradientsorientes(HoG)consistentenuneorganisationenhis-togramme des pixels dun voisinage selon leur orientation et ponderes par leur magnitude.[79] T. Kalinke and W. von Seelen.A neural network for symmetry-based object detection and tracking.InDAGM-Symposium,pages3744,1996.1.2. VALIDATIONDESHYPOTH`ESES 38Dansdestravauxrecents [35,157,58],lesHoGont eteutilises avecsucc`espourladetec-tiondepietons.Deplus,unclassieurdetypeSVM[35]ouunecombinaisondeSVMetAdaboost[157,58]estutilisepourobtenirledetecteur.Gepperth[57] utiliselescontoursorientespourconstruiredeshistogrammesdegra-dient oriente (HoG) quils appellent SetofOrientationEnergies(SOE). Une ROI fournieparletage de generation estdivisee enunnombre xe deregions rectangulaires (champsrecepteurs), o` uilscalculentlegradient. Lesorientationsdugradientsontensuitequan-tieespourprendredesvaleursenti`eresentre0et3. Parlasuite, lavaleurdechaquebindelhistogrammeduneregioncorrespond`alasommedesenergies(moduledugra-dient)despixelsdechaqueorientation(voirgure1.14). Laconcatenationdetousleshistogrammes de la grille represente lentree dun reseau neuronal multi-couches avec unecelluledesortie.Figure1.14ObtentionduHoGpourunchamprecepteur.OndelettesLadecompositionenondelettesrepresenteunautreespacedeparam`etrespopulaire-mentutiliseedanslacommunaute, etceci pourdeuxraisons: larepresentationmulti-echelles intrins`eque de celles-ci, ainsi que la possibilite, par selection des ondelettes, dob-tenir une reductionde lespace robuste. Les deuxfamilles des ondelettes courammentemployeessontcellesdeGaboretlesltresrectangulairesaussiappelesltresdeHaar.[35] Navneet Dalal and Bill Triggs. Histograms of oriented gradients for human detection. In ComputerVisionandPatternRecognition,volume2,pages886893,Juin2005.[157] Q.Zhu,M.-C.Yeh,K.-T.Cheng,andS.Avidan. Fasthumandetectionusingacascadeofhisto-gramsoforientedgradients. InIEEEInternational ConverenceonComputerVisionandPatternRecognition,pages14911498,Washington,DC,EtatsUnis,2006.[58] D. Geronimo, A. Lopez, D. Ponsa, andA.D. Sappa. Haar waveletsandedgeorientationhisto-grams for on-board pedestrian detection. In IberianConferenceonPatternRecognitionandImageAnalysis,pages418425,2007.[57] A. Gepperth, J. Edelbrunner, and T Bocher. Real-time detection and classication of cars in videosequences. InIEEEIntelligentVehiclesSymposium,pages625631,Juin2005.1.2. VALIDATIONDESHYPOTH`ESES 39Nous allons commencer pour analyser les travaux de Schneiderman [128] qui ont popu-larise les ondelettes pour la detection des objets : visages et voitures. Son syst`eme permetdedetecter ces objets `adierentes orientations enutilisant plusieurs mod`eles (chacundedie`auneorientation). Sonespacedeparam`etresestbasesurlutilisationdesonde-lettespourdecomposerlimageoriginaleensous-bandescorrespondant`alafrequenceet`alorientationdansunezonedecelle-ci. Pourdecomposeruneimageenondelettes, ilsutilisentdeuxltres:unpasse-basdordrecinqetunpasse-hautdordretrois.Imagepasse-hautpasse-bas22passe-hautpasse-baspasse-hautpasse-basFiltragehorizontal FiltrageverticalHLHHLHLL`_`_EEEEEEEEEEEEFigure1.15Decompositionenondelettes.Dans la premi`ere etape (voir gure 1.15), limage est ltree dans la direction horizontaleaveccesdeuxltres.Ensuite,lesdeuxsortiessontsous-echantillonneesparunfacteur2dans la meme direction. Ces signaux sont, `a leur tour, ltres avec les ltres precedents dansladirectionverticale.Ladecompositionnaleestcomposeedequatresous-bandes:LL,HL, LH et HH. La bande LL (passe-bas horizontal et vertical) est simplement une versiondeplusbasseresolutionenbassesfrequences. LabandeLH(passe-basdansladirectionhorizontaleetpasse-hautdanslavertical)representeleslignesetcontoursverticaux.Enformesimilaire, HLrepresentelescontourshorizontaux. Finalement, HHrepresentelescontours diagonaux. Lagure1.16montre unexemple deladecomposition enondelettespourlimagedunevoiture.Cesquatrebandessontlepremierniveaudeladecomposition. Lesniveauxsuivants[128] H. SchneidermanandT. Kanade. Astatistical methodfor3dobjectdetectionappliedtofacesandcars. InIEEEInternational ConferenceonComputerVisionandPatternRecognition,pages746751,2000.1.2. VALIDATIONDESHYPOTH`ESES 40HHHLLHLLFigure1.16Exemplededecompositionenondelettes`apartirdesltresdonnesparSchneiderman.sontobtenusenrepetantsurlabandeLL,ladecompositionprecedente.Dansleurrepre-sentation,ilsonttroisniveaux(voirgure1.17),donc10bandesautotal.Niveau3LHNiveau3HHNiveau3HLNiveau2LHNiveau2HHNiveau2HLN1LHN1HHN1HLN1LLFigure1.17Sous-bandesdeladecompositionenondelettes.Les descripteurs sont denis comme la valeur du coecient dans une sous-bande ainsiquedescombinaisonsdesvaleursentrelesbandes. Unefonctiondedensitedeprobabi-liteestcalculeepourchacun`apartirdesvaleurspresentesdanslabasedapprentissage.Sontainsi modeliseeslesdistributionsdesvaleursdanslesexemplespositifsetnegatifs.LalgorithmeAdaboostluipermetdechoisirlesdescripteurslesplusdiscriminantspourrealiserlaclassication.Wen[146] utiliseunedecomposition`acinqniveaux`apartirdesondelettesdeHaar.Pour une vignette de 32x32pixels, ils obtiennent unvecteur de descripteurs de 1024[146] X. Wen, H. Yuan, C. Yang, C. Song, B. Duan, andH. Zhao. Improvedhaar wavelet featureextraction approaches for vehicle detection. In IEEE Intelligent Transportation Systems Conference,pages10501053,Septembre2007.1.2. VALIDATIONDESHYPOTH`ESES 41elements, apr`esunltrage. Cevecteur est utilisepour entranerunclassieurdetypeSVM,quilemploiepourvaliderlexistencedunvehiculedansunefenetre.FiltresdeGaborLe syst`eme de detection de Cheng [27] a deux etapes : la premi`ere etape gen`ere des hy-poth`eses dans limage `a partir des segments horizontaux et verticaux `a dierentes echelles.Ensuite,ilsvalidentcesROIs`alaidedunvecteurdedescripteursdeGabor[132].Pourlapprentissage, une vignette est divisee en 9 sous-fenetres et pour chacune ils calculent lesquatremeilleursdescripteursdeGabor`alaidedunalgorithmededopage.Leclassieurnalestobtenu`apartirdunSVMquiestutilisepourtrouverlhyperplandeseparationentrelesexemplesdapprentissagepositifsetnegatifs.Le classieur introduit par Sun [132] est entrane `a laide dune approche appelee Evo-lutionary Gabor Filter Optimization (EGFO). La methode pour lextraction des primitivesconsiste`are-echantillonnerunevignetteo` usetrouveunvehiculedelabasedapprentis-sage, `a une taille xe de 64x64 pixels. La premi`ere etape consiste `a appliquer une fonctionlineairepourcorrigerlesdierencesdeluminanceetune egalisationdhistogrammepourrenforcerlecontraste.Ensuite, cettevignetteestsubdiviseeen9vignettessuperposeesde32x32pixels. LeFigure1.18RepresentationdesltresdeGaboretlesvignettespourlextractiondesprimitives.recouvrementprovoqueuneredondancequi permetdeltrerlebruitd u`alarri`ere-planautourduvehicule.LesltresdeGaborsontappliques`achaquevignette:(x, y) =12xye12( x22x+ y22y)e2jW xAvec : x = x cos +ysin, y= x sin +ycos, W, la frequence radiale, [0, ]. Unltreestenti`erementdeniaveclesquatreparam`etres:{, W, x, y}.[27] H. Cheng, N. Zheng, andC. Sun. Boostedgaborfeaturesappliedtovehicledetection. InIEEEInternational ConferenceonPatternRecognition,pages662666,2006.[132] Z.Sun,G.Bebis,andR.Miller. On-roadvehicledetectionusingevolutionarygaborlteroptimi-zation. IEEETransactionsonIntelligentTransportationSystems,6(2):125137,Juin2005.1.2. VALIDATIONDESHYPOTH`ESES 42Ilsutilisentunalgorithmegenetiquepourchoisirunensembledesltrespourobtenirlameilleurperformancepossible.LobjectifduAGestdeselectionnerlacombinaisondeparam`etresadequatepourchaqueltredelensemble.FiltresrectangulairesLes ltres rectangulaires ou ltres de Haar, donnent une information sur la distributiondes niveauxdegris entredeuxregions voisines dans limage. Nous allons envoir unedescriptionplusdetailleedanslechapitresuivant.Dans [112], Papageorgiouutilis