Chapitre 5 :

Détection de Mouvement

Vision par Ordinateur

2021 - 2022 M. SID AHMED BERRABAH
M2 - MID514
 Détection de mouvement
2

But : Détecter les objets en mouvement dans une séquence

vidéo

06/12/2021
 Détection de mouvement
3

Contexte :
➢ Caméra Fixe
➢ Environnement non contrôlé
Fond et Objets :
➢ Fond (Background) : Scène fixe (mais pas forcément statique !)
➢ Objets (Foreground) : Objets mobiles (mais pas en permanence
!)

06/12/2021
 Cas simple : Caméra Fixe
4

Approche :

➢ maintenir un modèle du background

➢ Comparer la trame courante avec le background pour

localiser les objets (foreground) en mouvements

06/12/2021
 1. Simple soustraction de BG
5

⚫ Modèle du background est statique

⚫ Les pixels sont marqué comme Foreground (1) ou Background (0)

par un seuillage de la valeur absolue de la différence des intensités
entre la trame courante et le modèle du background.

06/12/2021
 1. Simple soustraction de BG
6

Remarques :
➢ La soustraction de background produit un résultat
raisonnable si les objets en mouvement ont une intensité
(couleur) suffisamment différentes du background

06/12/2021
 1. Simple soustraction de BG
7

Remarques :
➢ Les objets qui entrent dans la scène et s’arrêtent, continuent
à être détectés, ce qui rend difficile la détection des
nouveaux objets passants à côtés d’eux.

06/12/2021
 1. Simple soustraction de BG
8

Remarques :
➢ Si une partie de la scène qui était considérée comme
statique commence à bouger, deux changements seront
détectées par l’algorithme (l’objet et sa sosie) ;

06/12/2021
 1. Simple soustraction de BG
9

Remarques :
➢La soustraction du background est très sensitive au
changement de l’illumination et aux changements du
background (exemple le mouvement des feuilles des arbres
du au vent, le reflet de la lumière sur l’eau ou les voitures)

06/12/2021
 1. Simple soustraction de BG
10

Remarques :
➢ L’algorithme de la soustraction simple du background ne
support pas les mouvements de la caméra.

06/12/2021
 2. Simple gradient temporel
11

⚫ Le modèle du background est remplacé par l’image précédente

06/12/2021
 2. Simple gradient temporel
12

Avantages :

➢ Différence entre trames s’adapte rapidement aux changements

de luminance et mouvement de caméra.

➢ Les objets qui arrêtent de bouger ne sont plus détectés.

➢ Les objets stationnaires et qui commencent à bouger ne laissent

pas fantôme.

06/12/2021
 2. Simple gradient temporel
13

Inconvénients:
➢ Mais la différence entre trame ne détecte que les bordures pour
les objets de couleur uniforme. Donc très peu de pixels de
l’objet sont labellisés.
➢ C’est très difficile de détecter un objet qui se déplace vers ou
loin de la caméra.

06/12/2021
 2. Simple gradient temporel
14

Différence et échelle temporelle :

D(N) = || I(t) - I(t+N) ||

Quand on applique une différence entre trame, plus que les trames
sont séparées dans le temps, plus que la silhouette de l’objet en
mouvement est complète. Mais on obtient deux copies une à la
première position de l’objet et l’autre à sa position courante.
06/12/2021
 3. Différence entre trois trames
15

La remarque précédente est derrière la motivation pour

l’algorithme de différence de trois trames.

Où était l’objet et où il
est maintenant

où il est maintenant

Où il est maintenant et
où il sera
06/12/2021
 3. Différence entre trois trames
16

Le choix d’un bon taux de trame pour la différence de trois trames

dépend de la taille et de la vitesse de l’objet en mouvement.
Nbre de trames
ignorées

Celle la marche
bien pour la
personne

06/12/2021
 4. Soustraction de BG adaptative
17

L’image courante est ajoutée au modèle du background avec un paramètre α

(appelé paramètre d’oubli (learning rate)) : Bt = α It + (1 − α) Bt-1 ; α ∈] 0 , 1 [
➢ α = 0 est équivalent à une simple soustraction de background
➢ α = 1 est équivalent à une simple différence entre trames.

06/12/2021
 4. Soustraction de BG adaptative
18

Remarques :
• La soustraction de BG adaptative est mieux adaptée pour les
changements de l’illumination et du mouvement de la caméra

• Les petits objets rapide sont bien segmentés mais laissent

derrière des traces.

• Les objets qui arrêtent de bouger et les traces des objets qui
commencent à bouger disparaissent graduellement dans le BG

06/12/2021
 4. Soustraction de BG adaptative
19

Remarques :
• Les centres des grands et lents objets commencent aussi à
disparaissent dans le BG. Ceci peut être réglé par décroître le
paramètre de fusion α mais dans ce cas les objets qui s’arrêtent et les
traces des objets qui comment à bouger prennent plus de temps pour
disparaître dans le BG.

06/12/2021
5. Différence de trames avec Historique
20

⚫ Les images de mouvement sont combinées avec un terme de retard

linéaire. Connue aussi comme les images de l’histoire du mouvement
(Bobick & Davis).

06/12/2021
5. Différence de trames avec Historique
21

Remarques :
• Différence de trames avec historique est aussi adaptée pour les
changements de l’illumination et du mouvement de la caméra. Les
objets arrêtés / les traces des objets disparaissent dans le BG.

• Les traces laissés par les objets sont graduelles.

Le gradient des ses traces montre la direction de
l’objet dans l’image.

• Bien que les centres d'objets uniformément

colorés ne sont toujours pas détectés, les bords
d'attaque et de fuite sont élargis par la
décroissance linéaire, et il est plus facile de voir
l'objet dans son ensemble. 06/12/2021
 Comparaison
22

Soust BG Diff trames

Soust BG adaptative Diff trames avec his

06/12/2021
 Comparaison
23

Soust BG Diff trames

Soust BG adaptative Diff trames avec his

06/12/2021
 Comparaison
24

Soust BG Diff trames

Soust BG adaptative Diff trames avec his

06/12/2021
 Comparaison
25

Soust BG Diff trames

Soust BG adaptative Diff trames avec his

06/12/2021
 Comparaison
26

Soust BG Diff trames

Soust BG adaptative Diff trames avec his

06/12/2021
 Comparaison
27

Soust BG Diff trames

Soust BG adaptative Diff trames avec his

06/12/2021
 Limites des méthodes de base
28

⚫ Ne proposent pas une approche explicite pour le choix du

seuil.
⚫ Elles sont basées sur une seule valeur pour les pixels du
background et ne peuvent pas traiter les cas de distribution
multi-modale pour le background.

Exemple :

06/12/2021
Adaptative Gaussienne pour le Background
(Wren, Azarbayejani, Darrell, Pentland, 1997)

⚫ Correspond une seule Gaussienne (μ , σ) à

l’histogramme : Ceci correspond au PDF du BG
⚫ Le PDF du BG est adapté selon :

μt + 1 = α Ft + ( 1 − α ) μt
σ2t + 1 = α ( Ft − μt )2 + (1 − α) σ2t

⚫ Dans le test | F - μ | > Th, Th peut être choisi comme kσ

⚫ Ça ne traite pas le cas du background multi-modal
 Mixture de Gaussiennes pour le BG
(Stauffer and Grimson, 1999)

⚫ Mixture de Gaussiennes ( μi , σi , ωi ) à l’histogramme :

⚫ ça traite le cas du multi-modal pour le background mais :
➢ Le nombre des modes est prédéfini (généralement de 3 à 5)
⚫ Tous les poids ωi sont mis-à-jour à chaque nouvelle trame.
⚫ A chaque nouvelle trame, les gaussiennes qui correspondent à la
valeurs courante du pixel (distance < 2.5σi) auront leurs μi et σi sont
adaptées.
⚫ Les distributions sont classées selon leurs ωi / σi et les premiers
d’entre elles sont choisies comme BG.

06/12/2021
 Mixture de Gaussiennes pour le BG
(Stauffer and Grimson, 1999)

⚫ Exemple : de I. Pavlidis, V. Morellas, P. Tsiamyrtzis, and S. Harp, “Urban surveillance systems: from
the laboratory to the commercial world,” Proceedings of the IEEE, vol. 89, no. 10, pp. 1478 -1497,
2001

06/12/2021
Grouping Pixels into Blobs

⚫ Filtrer pour supprimer les pixels bruit (size filter

• Composante déconnectées(with gap spanning)

06/12/2021
Grouping Pixels into Blobs

06/12/2021
Blob séparer/fusionner

⚫ Quand deux objets passent tout près l’une de l’autre, ils sont
détectés comme un seul objet. Généralement, un objet devient
caché (occluded) par l’autre.
⚫ Un des problèmes à résoudre est de continuer à suivre
correctement chaque objet quand ils se séparent de nouveau. 06/12/2021
Association des données

⚫ La correspondance des blocs à travers les trames est basée sur la

similarité des caractéristiques des blocs.
⚫ Les caractéristiques les plus généralement utilisées : position,
taille/forme, vitesse, apparence.
⚫ Par exemple : la position, la taille et la forme peuvent être mesurées
en se basant sur le chevauchement (overlap) des blocs entourant
les objets

06/12/2021
Association des données

⚫ On suppose aussi généralement que les objets ont des vitesses

constantes

06/12/2021
Association des données

⚫ Information sur l’apparence : On utilise généralement la

corrélation entre les blocs à travers les trames

Extraction de blobs

Association des données par

une corrélation normalisée

Mise à jour du modèle de

l’apparence des blobs
06/12/2021
Méthodes pour le suivi des objets

⚫ Corrélation d’histogramme (modèle d’histogramme)

⚫ Meanshift tracking

⚫ Lucas Kanade Tracking

⚫ Kalman Filter tracking

⚫ Partical filter tracking

06/12/2021