4 Caractéristiques visuelles pour le suivi d’objets
La sélection des bonnes caractéristiques joue un rôle essentiel dans le suivi visuel. Généralement, les caractéristiques qui distinguent mieux entre les objets multiples et entre l’objet et l’arrière-plan sont les meilleures pour le suivi de l’objet. Ces caractéristiques ont pour objectif de décrire les propriétés visuelles de l’objet dans l’image. Certaines méthodes se basent sur un seul type de caractéristiques, et d’autres utilisent une combinaison pondérée de plusieurs types de caractéristiques pour améliorer les performances. Les détails des caractéristiques visuelles les plus connues dans la littérature, et surtout, les plus utilisées sont les suivants.
1.4.1 Caractéristique de couleur
Les couleurs sont une des caractéristiques les plus utilisées en représentation d’objets, et les plus intuitives pour décrire l’apparence d’un objet, car ils sont le repère le plus évident pour l’œil humain. La perception de la couleur par l’œil humain diffère de la perception par un ordinateur. Généralement, l’information couleur est représentée dans l’espace de couleur RGB. L’inconvénient majeur d’une telle représentation est sa forte corrélation entre les composantes couleurs et sa non- uniformité dans la perception faite par l’humain [41]. La transformation de l’information de l’espace RGB à un espace couleur différent a pour objectif de séparer l’information dans les canaux pertinents. Les espaces YUV, YIQ, et YCbCr, visent à isoler la composante de luminance dans le signal. Les espaces HSI, HLS et HSV, mettent l’accent sur la teinte et la saturation et les espaces de couleurs Luv, Lab offrent l’avantage de représenter la couleur dans un espace perceptif linéaire, au prix de transformations nonlinéaires. De nombreuses évaluations ont été faites pour évaluer les performances entre les différents espaces de couleur. Les espaces Lab et Luv sont des espaces de couleurs perceptuellement uniformes [42]. Tandis que, l’espace HSV est un espace de couleur approximativement uniforme. Cependant, ces espaces de couleurs sont sensibles au bruit. En résumé, il n’y a pas d’espace couleur idéal pour la représentation [21]. 1.4.2 Caractéristique de gradient Récemment, les caractéristiques de gradient ont été prouvées utiles dans la détection humaine. De nombreuses techniques consacrées à la recherche connexe ont été proposées. En générale, il existe deux catégories de caractéristiques de gradient [42]. Une catégorie principale des méthodes basées sur l’information de gradient consiste à utiliser la forme et le contour pour représenter les objets, tels que le corps humain. Cette information est extraite à partir de l’analyse spatiale de l’intensité lumineuse de l’image. Une propriété importante du gradient CHAPITRE 1. ETAT DE L’ART SUR LA DETECTION ET LE SUIVI D’OBJET 14 est sa sensibilité plus faible aux changements d’illumination comparée aux caractéristiques couleurs. Les contours issus du gradient sont exploités dans de nombreuses approches de suivi d’objet. L’algorithme Condensation [44] (Conditionnal density propagation) consiste à initialiser une courbe spline sur les contours, et un filtre à particules est utilisé pour mettre à jour les paramètres de la courbe paramétrée. Des techniques de minimisation d’énergie le long des contours des objets ont également été proposées pour suivre les objets sous certaines contraintes de régularisation (snakes et contours actifs [45]). Une autre catégorie principale est d’utiliser la statistique des gradients. Par exemple, dans [46], Lowe a introduit le descripteur SIFT (Scale Invariant Feature Transform) pour la reconnaissance d’objet, qui combine un détecteur et un descripteur invariants à l’échelle basés sur la distribution du gradient. Dalal et Triggs [31]. ont utilisé le descripteur histogramme d’orientations de gradient (HOG) pour entraîner le classifieur SVM, pour la détection des piétons. Le descripteur HOG est fondé sur le calcul des histogrammes locaux de chaque orientation des gradients normalisés d’une image sur une grille. Il a été utilisé en tant que caractéristique pour la construction de certains descripteurs [47].
[21] : Yilmaz, A., Javed, O., and Shah, M.: Object tracking: A survey, ACM Computing Surveys (CSUR), vol. 38, no. 4, p. 13 (2006).
[31] : Dalal, N. and Triggs, B.: Histograms of oriented gradients for human detection. IEEE International Conference on Computer Vision and Pattern Recognition 1, 886–893 (2005).
[41] : Paschos, G.: Perceptually uniform color spaces for color texture analysis: an empirical evaluation. IEEE Trans. Image Process. 10, 932–937 (2001).
[42] : Van, S. K., Gevers, T., Snoek, C.: Evaluation color descriptors for object and scene recognition. IEEE transactions on pattern analysis and machine intelligence, vol. 32, no. 9, (2010).
[44] : Isard, M., Blake, A.: Condensation, conditional density propagation for visual tracking. International journal of computer vision, vol. 29, no. 1, pages 5-28 (1998)
[45] : Fang, H., Kim, J.W., Jang, J.W.: A Fast Snake Algorithm for Tracking Multiple Objects. (2011).
[46] : Lowe, D.G.: Object recognition from local scale-invariant features. In Computer Vision, 1999. The Proceedings of the Seventh IEEE International Conference on, volume 2, pages 1150_1157. IEEE (1999).
[47] : Mikolajczyk, K., Schmid, C.: A performance evaluation of local descriptors. Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 27, no. 10, pp 1615-1630 (2005).
