Professional Documents
Culture Documents
, y
c
= N yi
N
i
.
La vitesse qui se compose dx et dy, les distances (sur laxis X et laxis
Y) entre le centre de lobjet linstant t et le centre de lobjet linstant
t-1. Si lobjet apparat la premire fois, dx et dy sont gaux zro.
Il y a un problme que lon ne peut pas oublier de compter le nombre dobjet
mouvant dans limage courante et dtiqueter [2] pour chaque objet.
13
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
3.4. Suivi du mouvement
Le problme est le plus difficile la vido surveillance, comment on peut
savoir que deux objets dans deux images conscutives sont lui-mme quand il y a
plus un objet mouvant dans limage? Suivi un objet, c'est--dire, on trouve la
correspondance entre les objets dans limage courante et les objets dans limage
dernire pour conclure quils sont les mmes. Il y a beaucoup de mthodes
diffrentes pour suivre. Mais chaque mthode utilise les proprits diffrentes.
Dans notre cas, grce aux proprits que lon a dj extraire ci-dessus, je
reprsenterai quelques mthodes pour suivre du mouvement.
3.4.1. Comparaison de la taille et lhistogramme
Avec cette mthode, on utilise la taille, la vitesse et lhistogramme de lobjet.
On va comparer la taille dobjet linstant t avec la taille dobjet linstant t-1.
Cette mthode est simple et rapide. Mais elle nest pas lefficacit quand la vitesse
change, les objets groupent et sparent en groupe, ou le changement de la taille
dobjet est grand. Autre raison, les algorithmes pour dtecter du mouvement ont
toujours derreur. Donc, on a besoin dajouter son histogramme pour rsoudre ce
problme. Soit Oi(t) lobjet i linstant t, Oj(t-1) lobjet j linstant t-1, Bi(t) la
taille de i linstant t (le rectangle enveloppant), Bj(t-1) la taille et Vj(t-1) la
vitesse de j linstant t-1 [9] .
Si B
i
(t) (B
j
(t-1) + V
j
(t-1)) < seuil Alors O
i
(t) = O
j
(t-1)
Si non Oi(t) Oj(t-1)
Dans le cas, il y a plus dun objet satisfait, on va comparer ses histogrammes
pour trouver la correspondance. Voici, cest lalgorithme dans le cas il y a
plusieurs objets [4].
14
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
3.4.2. Le filtre de Kalman
Cette mthode est divise par deux tapes principales [2, 6, 11, 12]. Premire
tape, on utilise la position courante et la vitesse courante pour prvoir la position
dans limage suivante. Deuxime tape, partir de la position relle (la position
qui est plus proche de la position prvue de dernire tape) et de la position
prvue, on fera une correction pour avoir une position relative parce que, en relle,
il ny a aucun algorithme de traitement dimage qui est exact. Et nous utilisons
cette position pour prvoir la position pour limage suivante. Avec cette mthode,
on peut profiter le temps et rsoudre le problme que lobjet change soudain la
direction de mouvement. Mais, quand il y a plusieurs objets mouvants. Comment
on peut choisir la position relle sil y a des collisions entre les objets. Quand il y a
le changement de la direction de lobjet aprs la collision, le systme va se
tromper. Dans ce cas l, il faut mieux que comparent ses histogrammes pour
choisir exactement lobjet.
15
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
Voici, cest lalgorithme de filtre de Kalman
Source: cours de vision par ordinateur, Alain Boucher
3.4.3. Lobjet le plus proche
Dans cette manire, nous utilisons les proprits : La taille de lobjet, Le centre
de lobjet et la vitesse pour suivi des objets mouvants. Cette manire a aussi deux
tapes : prdiction de la nouvelle position dobjet et la recherche dobjet le plus
proche.
Premire tape, cette faon rutilise la premire tape de mthode de filtre
Kalman. C'est--dire, linstant t, nous utilisons la position dobjet et sa
vitesse pour prvoir la position dobjet linstant t+1.
Deuxime tape, soit un objet avec le centre C
t
linstant t, nous cherchons
tous les objet, linstant t-1, au tour de C une distance d (on appelle un
seuil). Sil ny a quun objet, cest lobjet que nous avons besoin de trouver.
Au contraire, il y a plusieurs objets, nous allons trouver lobjet qui a la
distance entre C
t-1
+ V
t-1
(le centre de prdiction de C
t-1
) et C
t
tre plus
proche. Dans le cas, il y a plusieurs objets qui satisfont cette condition.
C'est--dire, ils ont mme distance, nous devons comparer son histogramme
pour distinguer ces objets.
16
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
- Un autre problme, la taille dun objet linstant t contient deux ou trois
objets linstant t-1. C'est--dire le centre de prdiction des objets
linstant t-1 dedans le rectangle qui enveloppe lobjet linstant t. ce
problme est lintersection (grouper) entre les objets que nous allons
traiter dans la partie 3.4.4 ci-dessous.
- Au contraire, si lobjet ne satisfait pas de tous les cas ci-dessus. Nous
avons un nouvel objet qui apparat linstant t.
A la fin, parce que les algorithmes ont souvent lerreur, nous allons
utiliser un seul (si la position dobjet nest pas la porte) pour attendre
pendant une dure si lobjet napparat plus, nous concluons que lobjet
disparat.
Voici, cest le schma de cet algorithme :
17
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
Pour Oj dans I(t-1)
CHECK
FINIR
Lobjet suivant de I(t-1)
Oui
Non
Oj na pas de correspondance
La position dobjet nest pas la
porte
Nombre de trame que lobjet
disparit >=seul
Ajouter Oj dans lensemble de
lobjet courant
Lobjet finit (conclusion)
Si
Non
Non
Non
Si
Oui
3.4.4. Dtection de lintersection
Il y a encore un problme pour toutes les mthodes de suivi du mouvement que
jai prsent ci-dessus, cest lintersection des objets et comment nous savons quil
y a lintersection des objets? Dans cette partie, je propose une solution pour
rsoudre ce problme.
Pour la dtection de lintersection, ici, jutilise le point de centre de lobjet et la
taille de lobjet. Soit O
i
est un objet de limage linstant t. Si Oi na pas de
correspondance avec O
k
de lensemble des objets de limage linstant t-1 et le
centre de prdiction de O
p
linstant t-1 et le centre de prdiction de O
q
linstant
t-1 (par exemple, nous avons deux objets) sont les pixels de O
i
. Dans ce cas la,
nous concluons que O
p
et O
q
se groupent. Nous pouvons suivre ces objets en
18
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
groupe ou diviser en deux objets O
p
et O
q
. O
O
p
a les proprits de prdiction
de O
p
et O
q
a les proprits de prdiction de O
q
.
Le premier cas, si nous dcidons suivre O
p
et O
q
en groupe, nous devons
dtection de la sparation de O
p
et de O
q
en comparant son histogramme
aprs ces objets sparent.
Le deuxime cas, parce que nous suivrons O
p
et O
q
par deux objets
diffrents, donc nous ne devons pas dtecter la sparation aprs ces
objets sparent.
Figure 6 : illustration de la dtection de lintersection
Lobjet courant
3.5. Conclusion du mouvement
La dernire tape, quand il y a un lobjet (ou plusieurs) qui disparat ou il
stoppe dans une dure de temps assez grande. Nous avons besoin de conclure de
cet objet, de enregistrer les informations dans le fichier et de le supprimer dans la
mmoire. Dans notre cas, ( MICA) parce que nous avons besoin de surveiller
lobjet qui entre (ou sort) et quelle chambre il est entr (ou sorti). Donc, grce la
19
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
camra fixe, la position de porte et lhauteur de porte sont aussi fixes sur limage.
Quand un objet apparat (ou disparat) cte de la position dune porte. Nous
pouvons conclure quil apparat (ou disparat) de cette porte. Si lobjet va la fin
de couloir (loin de la camra), par exemple, nous disons quil sort le centre de
MICA.
Il y a neuf positions que nous intresserons : ce sont les positions des sept
portes, la fin de couloir, au dbut de couloir (la position de camra). Pour chaque
porte, nous conserver sa position et son hauteur.
Puisque nous devons surveiller tous les objets au couloir de centre MICA.
Mais, il y a les objets qui ne sont pas lhomme. Nous avons donc besoin de
classifier ces objets en groupes diffrents. Ici, je divise les objets mouvants que
nous avons surveills en trois groupes :
Les objets ont la position de commencement fixe davant ou la position
de terminaison fixe davant. C'est--dire, la position des portes ou la
fin de couloir.
Le mouvement de battant de porte. Ces objets ont la mme position du
commencement et du terminal. En plus, lhauteur des ces objets est
approximative lhauteur que nous avons fix pour chaque porte.
Le reste, les objets qui ont la position de commencement ou la position
de terminaison ne pas tre la position des portes.
4. Rsultat exprimental
Pour lexprimentation, jai dj crit un programme de vido surveillance qui
travaille dans le cas de centre MICA. La donne dentre est un fichier de vido
qui est film au centre MICA. Le format de fichier de vido est AVI. Jai utilis la
bibliothque LTI, cest une bibliothque de Open Source sur Internet, pour
traitement dimage JPG. Pour prendre limage JPG partir du flux vido, jai
20
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
utilis la bibliothque de traitement de vido du centre MICA. Le programme est
mis en application en utilisant le langage C++ et il marche sur le systme
dopratoire Linux. Le rsultat de ce programme est acceptable avec trois scnes
qui sont tourns au jour avec le soleil.
4.1. Dtection du mouvement
Avec cette partie, jutilise lalgorithme soustraction de limage de fond.
Limage de fond que jai choisit est la premire image dans le flux de vido. Pour
mettre jours limage de fond, jutilise la faon que jai propose ci-dessus, dans
la partie 3.1.3.
Voici, ce sont les rsultat avec les scnes diffrentes :
a) limage de fond b) le rsultat (couleur - trame 16
me
)
c) le rsultat (binaire - trame 16
me
) d) le rsultat (couleur - trame 19
me
)
21
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
22
e) le rsultat (binaire - trame 19
me
)
Figure 6 : le rsultat de la dtection du mouvement, scne 1.
a) le rsultat (couleur - trame 45
me
) b) le rsultat (binaire - trame 45
me
)
c) le rsultat (couleur - trame 59
me
) d) le rsultat (binaire - trame 59
me
)
Figure 7 : le rsultat de la dtection du mouvement, scne 2.
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
Avec l rsultat de la dtection du mouvement ci-dessus, jai utilis lrosion et
la dilatation deux fois pour supprimer les petits objets. En plus, pour limage
couleur, jai supprim les objets qui sont dehors la rgion 2 et ont la petite taille.
Le numro de trame est lordre de limage que je prends du flux vido. La valeur
de seuil est gale 20 pour toute la matrice de seuil S.
4.2. Suivi du mouvement
Pour suivi du mouvement, jai utilis lalgorithme de lobjet plus proche. Mais,
il y a un peu diffrence ici. Je nai utilis pas le centre de lobjet. Le point que jai
utilis est C = ((Pmin.x + Pmax.x)/2, Pmax.y) parce quil y a le grand
changement de la taille de lobjet, exactement cest lhauteur de lobjet, quand
lobjet mouvant (lhomme) ouvert ou ferme la porte. Voici, cest limage qui
illustrera ce problme.
a) trame 15
me
b) trame 16
me
Le point C
Donc, si nous utilisons le centre de lobjet, la distance entre le centre de
prdiction de lobjet linstant t = 15 et le centre de lobjet linstant t = 16 est
grande.
Voici, cest le rsultat de suivi du mouvement de mon programme :
23
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
24
a) trame 40
me
b)
trame 44
me
c) trame 50
me
d)
trame 54
me
e) trame 57
me
f)
trame 59
me
Figure 8 : Suivi du mouvement, la scne avec un objet mouvant.
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
25
a) trame 55
me
b)
trame 58
me
c) trame 62
me
d)
trame 65
me
e) trame 73
me
f)
trame 77
me
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
g) trame 79
me
h)
trame 80
me
Figure 9 : Suivi du mouvement, la scne avec plusieurs objets mouvants
Voir le rsultat dans la figure 9, nous trouvons que la trame 73
me
na pas le
premier objet (la couleur rouge). C'est--dire, cet objet a disparu au trame davant
la trame 73
me
. A la trame 77
me
lobjet avec la couleur rouge apparat, cependant
cet objet nest pas lobjet qui a disparu dans la trame 73
me
. Jai rutilis
alatoirement la couleur rouge de lobjet qui a disparu au trame davant le trame
73
me
pour lobjet qui apparat la trame 77
me
parce que le nombre de couleur qui
est utilis de montrer des objets diffrents est limite.
En plus, la trame 79
me
le troisime objet (la couleur bleu) a group en
deuxime objet (la couleur vert). Ce problme est lintersection entre les objets
mouvants, cependant, mon programme na trait pas bien.
4.3. Conclusion du mouvement
Selon lanalyse ci-dessus, la conclusion du mouvement nest pas difficile.
Nous navons besoin de conclure que la position de commencement de lobjet et la
position de la fin de lobjet. En plus, nous pouvons classifier ces objets en trois
groupes. Mais, mon programme na pas encore la fonction de classification des
objets. Voici, cest le rsultat de mon programme sur cette partie.
26
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
Avec la premire scne et la deuxime scne, le rsultat est trs bon. Mais,
dans la troisime scne, le programme conclut exactement deux objets qui apparat
la position 2 et 9. Le reste nest pas exacte parce quil y a beaucoup de
lintersection dans cette scne. Le numro 0 ici, c'est--dire la position de lobjet
est indfinie.
Voici, cest le numro de porte.
27
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
8
Porte 3,
Porte 2
Porte 1
9
28
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
5. Conclusions & Perspectives
Dans ce rapport, jai dj prsent les composants principaux et les mthodes
pour un systme de vido surveillance. Chaque application a une architecture
diffrente, dans le cas de ce TIPE, je proposais une architecture avec 5
composants : Dtection du mouvement, Localisation, Extraction des proprits,
Suivi du mouvement et Conclusion du mouvement. Je prsentais les mthodes et
les techniques pour rsoudre le problme pour chaque composant.
La partie de pratique, jai construit un programme pour tester ces mthodes.
Evidemment, ce nest pas toutes les mthodes pour chaque tape. Le rsultat nest
pas mal avec les scnes que le professeur ma donn. Aprs ralisation de
programme, il y a encore le problme que nous devrons continuer tudier comme :
dans la mthode de soustraction de limage de fond, quelle est la faon que nous
pouvons construire une bonne image de fond? En plus, si dans la premire image
du flux vido, il y a lobjet mouvant, donc, pendant combien de temps nous
pouvons obtenir limage de fond en utilisant la manire de mis jours limage de
fond?
Un autre problme, la dtection de lintersection des objets est trs difficile
dans le cas de centre MICA parce que la camra est fixe au dbut de couloir, les
objets se dplacent de loin de la camra proche de la camra ou de proche de la
camra loin de la camra. Donc, lintervalle de temps de lintersection des objets
est long. Cest pourquoi, il ny a pas seulement la difficult de dtection de
lintersection des objets mais aussi la difficult de suivi du mouvement. Tandis
que lintersection des objets a lieu souvent au petit couloir de centre MICA.
Dans lavenir, je voudrais rechercher la mthode pour rsoudre (dtection et
suivi) lintersection des objets dans ce cas, peut-tre ce sera un ad-hoc . Je
voudrais aussi tester mon programme avec les scnes qui sont tournes dans les
espaces diffrents comme : le soir, il pleut etc.
29
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
Rfrences
[1] Jean-Baptiste. La thse : Suivi vido de mouvements pour l'interaction, Juin
2005.
[2] Alain Boucher. Le cours de traitement dimage et de vision par ordinateur,
2006.
[3] Chi-Ming Ling. Motion Object Detection and Tracking Based on Adaptive
Background Subtraction. June 2004.
[4] Yiithan Dedeolu. Moving Object detection, Tracking and Classification for
Smart Video Surveillance. August, 2004.
[5] Rita Cucchiara, Costantino Grana, Massimo Piccardi, and Andrea Prati. Detecting
Moving Objects, Ghosts, and Shadows in Video Streams, OCTOBER 2003.
[6] Computer Vision - A modern Approach (chapter 18).
[7] Nils T Siebel. Design and Implementation of People Tracking Algorithms for
Visual Surveillance Applications. March 2003.
[8] Qi Zang and Reinhard Klette. Object Classification and Tracking in Video
Surveillance.
[9] Burkay Birant rten. Moving Object Identification and Event Recognition in Video
Surveillance system. July 2005.
[10] R. Cucchiara, C. Grana, A. Prati, R. Vezzani. A COMPUTER VISION SYSTEM
FOR IN-HOUSE VIDEO SURVEILLANCE.
[11] Wei Niu, Long Jiao, Dan Han, and Yuan-Fang Wang. Real-Time Multi-person
Tracking in Video Surveillance.
[12] James L. Crowley. Vision Par Ordinateur, Le Filtre de Kalman. dcembre
2000.
[13] Rita Cucchiara, Costantino Grana, Massimo Piccardi, Andrea Prati and G. Neri,
The Sakbot System for Moving Object Detaction and Tracking, chapter 12
30
Rapport final du Travail dIntrt Personnel Encadr Vido Surveillance
[14] Sung Wook Seol , Jee Hye Jang, Hyo Sung Kim, Chul Hun Lee, and Ki Gon
Nam. An Automatic Detection and Tracking System of Moving Objects Using
Double Difference based Motion Estimation. 2003.
[15] Akio Yoneyama, Chia H. Yeh and C. -C. Jay Kuo, Moving Cast Shadow
Elimination for Robust Vehicle Extraction based on 2D Joint Vehicle/Shadow
Models. Proceedings of the IEEE Conference on Advanced Video and Signal
Based Surveillance, 2003
31