Projet De Fin d'Etude

......................... 14 CHAPITRE III PRESENTATION DU SYSTEME D’INTERPRETATION DE VIDEO ........................................................................................................................... 15 3.1 Détection du Mouvement et Suivi Trame par Trame ........................................... 16 3.2 Combinaison de Multiples Caméras..................................................................... 16 3.3 Suivi à long terme des individus, groupe de personnes et la foule....................... 18 CHAPITRE IV REPARATION DES TRAJECTOIRES PAR CLUSTERING DE POINTS ......................................................................................................................... 19 4.1 Notre Approche .................................................................................................... 19 4.2 Caractéristiques d’une trajectoire ......................................................................... 20 4.3 Déterminer les Poids des Caractéristiques par l’Algorithme Génétique et l’Apprentissage........................................................................................................... 22 4.3.1 Mutation et Cross-Over pour l’Algorithme Génétique.................................. 23 4.3.2 Algorithme génétique .................................................................................... 26 4.4 Types de Zones Utilisées dans la Scène ............................................................... 27 4.5 Apprentissage des Zones ...................................................................................... 28 4.6 Calcul des Triplets de Zones ................................................................................ 30 4.7 Réparer les Trajectoires Perdues .......................................................................... 32 CHAPITRE V EXPERIMENTATION ET VALIDATION................................... 34 CHAPITRE VI CONCLUSION ET PERSPECTIVE ............................................ 39 REFERENCES ............................................................................................................... 41

1

LISTE DES FIGURES ET DE TABLEAU

Fig 2.1 Illustration de la différence d’images pour détecter le mobile......................... 11 Fig 2.2 Le cycle récursif de Kalman............................................................................. 12 Fig 3.1 Système d’interprétation de vidéo.................................................................... 15 Fig 3.2 Illustration du processus de combinaison de multiples caméras...................... 17 Fig 4.1. Illustration d’opérateur Mutation .................................................................... 25 Fig 4.2. Illustration d’opérateur ‘Cross-Over’.............................................................. 25 Fig 4.3. Les pas de réalisation d’algorithme génétique ................................................ 26 Fig 4.4 Description d’une ‘entry zone’......................................................................... 28 Fig 4.5 Description d’une ‘lost-found zone’ ................................................................ 28 Fig 4.6. Résultat de clustering des 8 ‘lost zones’ ......................................................... 29 Fig 4.7 Représentation des clusters par les polygones. ................................................ 30 Fig 4.8 Illustration de création d’un triplet de zones.................................................... 31 Fig 4.9 Illustration de l’algorithme de réparation des trajectoires................................ 33 Fig 5.1 Images capturées avant et après la fusion de la trajectoire à t = 711 s............ 37 Fig 5.2 Images capturées avant et après la fusion de la trajectoire à t = 903 s............. 38

Tableau 5.1 Statistique les donnés dans deux cas : appliquer et sans appliquer l’algorithme de réparation ............................................................................................ 36

2

REMERCIEMENTS

Avant de vous présenter ce rapport, je tiens à remercier tous ceux qui m’ont aidé pendant mon stage et mes études à l’IFI. Je voudrais en particulier remercier : - M. François Brémond, chercheur de l’équipe Pulsar, INRIA Sophia Antipolis, pour l’encadrement, l’aide, l’encouragement et la sympathie qu’il m’a donnés. Grâce à ses conseils, j’ai pu terminer et compléter mes travaux. - Mme Monique Thonnat, chef de l’équipe Pulsar, INRIA Sophia Antipolis, qui m’a donné beaucoup de conseils et de bonnes critiques sur mon travail. Grâce à ses remarques, mon travail est plus complet. - Etienne Corvée, ingénieur de l’équipe Pulsar, INRIA Sophia Antipolis, qui m’a aidé chaleureusement. Sans son aide, le stage n’aurait pas pu atteindre son terme à temps. Je remercie aussi tous les autres membres de l’équipe Pulsar pour leurs encouragements, leurs aides, leur sympathie et l’environnement de travail très chaleureux dans lequel j’ai travaillé. - LE Mélanie Nguyen My Linh, une amie vietnamienne, qui m’a aidé pendant mon séjour de six mois en France. Je voudrais aussi adresser mes sincères remerciements à tous les professeurs de l’IFI pour leurs enseignements et les cours intéressants qu’ils m’ont donné pendant ma scolarité à l’IFI. Je n’oublie pas de remercier aussi tous les personnels de l’IFI qui m’ont apporté leur aide. Depuis mes premiers jours dans cet institut, j'ai reçu beaucoup d'aides, de conseils et d'encouragements de mes amis, en particulier ceux de la promotion 12. Tout cela m’a permis de murir chaque jour. Je les remercie et je ne pourrais jamais oublier les souvenirs gais et tristes que j’ai passé avec eux durant ces deux ans à l’IFI. Je voudrais aussi remercier aussi les confrères de l’Université Privée Phu Xuan où je suis en train de travailler, qui m’ont donné les meilleures conditions pour que je puisse bien passer ma scolarité à l’IFI. Enfin, un grand merci à mes parents, mon frère, ma fiancée et les autres membres de ma famille de m’avoir énormément encouragé dans les moments les plus difficiles de ma scolarité à l’IFI. Chau Duc Phu Hue (Vietnam), automne 2008

3

RESUME

Cette mémoire présente une méthode pour améliorer n’importe quel algorithme de suivi basé sur l'apprentissage. La méthode proposée est divisée en deux phases : une phase de formation et une phase de test. Au cours de la phase de formation, les caractéristiques importantes des trajectoires sont extraites et qui sont ensuite utilisées pour calculer la valeur de fiabilité pour chaque trajectoire. Un algorithme génétique est utilisé pour déterminer l'importance (poids) de chaque caractéristique. Les positions auxquelles les objets sont souvent perdus et retrouvés et le suivi sont regroupées afin de construire l'ensemble des ‘lost zones’ et ‘found zones’ de la scène. Grâce à ces zones, on construit un ensemble de triplets de zones : ‘In/Out zone’ (zone où un objet peut entrer ou sortir de la scène), ‘lost zone’ et ‘found zone’. Chaque triplet de zones est «l’image» d’un chemin que les objets détectés suivent. Grâce à eux, pendant la phase de test, nous pouvons réparer les trajectoires perdues car ces trois zones déterminent les trajectoires plus fiables. Les avantages de notre approche sur l'état de l’art actuel sont que (i) Cette méthode n'est pas dépendante d’une scène prédéfinie, (ii) nous exploitons la sémantique de la scène et (iii) nous avons proposé une méthode pour filtrer les bruits grâce à ses valeurs de fiabilités. L’algorithme a été expérimenté dans le projet Européen CARETAKER (http://www.ist-caretaker.org) avec des vidéos capturées dans les stations de métro.

4

ABSTRACT

This report presents a method for improving any object tracking algorithm based on machine learning. The proposed method is divided into a training phase and a testing phase. During training phase, important trajectory features are extracted which are then used to calculate a confidence value of trajectory. A genetic algorithm is used to determine the importance (weight) of each feature to compute the confidence of object trajectories. The positions at which objects are usually lost and found are clustered in order to construct the set of ‘lost zones’ and ‘found zones’ in the scene. Using these zones, we construct a triplet set of zones i.e. 3 zones: zone ‘In/Out’ (zone where an object can enter or exit the scene), ‘lost zone’ and ‘found zone’. Each zone triplet defines a route that tracked objects undertake. Thanks to these triplets, during the testing phase, we can repair the erroneous trajectories according to which triplet they are most likely to belong to. The advantage of our approach over the existing state of the art approaches is that (i) this method does not dependent on a predefined contextual scene, (ii) we exploit the semantic of the scene and (iii) we have proposed a method to filter out noisy trajectories based on their confidence value. The method was experimented within the CARETAKER project (http://www.ist-caretaker.org) with videos captured in subway stations.

5

CHAPITRE I INTRODUCTION

1.1 Problématique Aujourd’hui, on peut trouver facilement des applications de la surveillance