Conclusion
Ce chapitre a présenté, la revue de la
littérature des techniques de détection du mouvement les plus
utilisées et les plus robustes. Une comparaison des méthodes
(voir tableau) est fournie au tableau 1. Dans le chapitre suivant nous
justifions le choix de méthodes de détection qui feront l'objet
d'implémentation. La bibliothèque OpenCv sera un atout avec
certaines de ses fonctions que nous jugeons utiles et indispensables pour tout
traitement d'image ; de la reconnaissance au suivi en passant par la
détection d'objet en mouvement qui est l'objet de notre étude.
26
Chapitre 3 : Choix de la méthode retenue et
modélisation
Il est impératif de faire un choix après une
étude comparative faite à l'état de l'art sur les
avantages et les inconvénients de chacune des approches
envisagées. Parmi toutes les méthodes étudiées et
comparées, peu d'entre elles respectent l'ensemble des exigences et des
besoins de l'objectif que nous avons fixé.
Dans ce qui suit, nous proposons une démarche nous
permettant de choisir les méthodes de détection les plus
adaptées à notre problème eu égard au contexte.
Les contraintes matérielles excluent l'utilisation
d'informations tridimensionnelles ou d'équipements d'imagerie
infrarouge. Pour ce qui est du flux optique, l'importante somme de calculs
nécessaire ainsi que l'interprétation difficile des
résultats générés nuisent à sa
sélection. Ensuite, grâce à leur faible complexité
et leur temps de traitement raisonnable, deux approches différentes sont
finalement sélectionnées, la SAP par modélisation
statistique (visibilité en 2D) et la détection de mouvement par
différence d'images consécutives. Cette dernière
méthode, quoique possédant un avantage certain sur le plan de
l'initialisation, souffre de certaines limitations du côté de la
classification, favorisant finalement la sélection de la méthode
par soustraction d'arrière-plan par modélisation statistique 2D
dans le spectre visible.
3.1.Soustraction d'arrière-plan par
modélisation statistique
La soustraction de l'arrière-plan permet de simplifier
le traitement ultérieur en localisant les régions
d'intérêt dans l'image. À partir d'un modèle de
l'environnement et d'une observation, on cherche à détecter ce
qui a changé. Pour notre application, les régions
d'intérêt sont les régions de l'image où il y a une
forte probabilité qu'il y ait une personne.
L'algorithme utilisé pour la soustraction de
l'arrière-plan par modélisation statistique comporte trois
étapes importantes : l'initialisation, l'extraction du mouvement
(avant-plan) et la mise à jour du modèle.
D'après les résultats présentés
lors de l'étude comparative dans l'état de l'art, il
apparaît clairement que le meilleur compromis entre la qualité de
la détection, le temps de calcul et la mémoire utilisée
sont obtenus avec des méthodes de soustraction de
27
l'arrière-plan simple. Nous avons choisi de
modéliser chaque pixel de l'arrière-plan par une densité
de probabilité Gaussienne.
3.1.1. Initialisation
La première étape consiste à
modéliser l'arrière-plan à partir des N
premières images (N 30) d'une
séquence vidéo. Une moyenne d'intensité est donc
calculée à partir de ces images pour chaque pixel et pour chacun
des canaux (R, G, B). La moyenne d'intensité d'un pixel donné se
résume alors à l'équation suivante :
~
Itc(X, Y) = ~ ~ ? ~~,~(~, ~)
~~~ (5)
Où Ii est la
ième image d'initialisation,
N la quantité d'images utilisées et
c le canal sélectionné.
L'étape suivante consiste à calculer un
écart-type o pour chaque pixel (et pour chaque
canal) afin d'être utilisé comme seuil de détection. Cette
opération nécessite habituellement le stockage des N
premières images. Or, une équation modifiée
permet de contourner cette contrainte de façon incrémentale et
ainsi réduire la consommation d'espace mémoire. Pour ce faire,
deux accumulateurs sont utilisés, soient S(x, y)
pour stocker la somme des intensités des pixels et
SC(x, y) pour emmagasiner la somme des carrés.
Les écarts-types peuvent alors être calculés à
l'aide de l'équation suivante.
~
o(x, ,,) = I (SCc(x,Y)
~ ~ - ~sc(x,Y)
~ ~ (6)
Par ailleurs, il est intéressant de remarquer que
S(x, y) peut être réutilisée pour
le calcul de la moyenne, ce qui évite des opérations
supplémentaires et superflues.
| 
