Académique Documents
Professionnel Documents
Culture Documents
Détection de Mouvement
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 :
06/12/2021
1. Simple soustraction de BG
5
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
06/12/2021
2. Simple gradient temporel
12
Avantages :
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
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
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
Celle la marche
bien pour la
personne
06/12/2021
4. Soustraction de BG adaptative
17
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 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
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.
06/12/2021
Comparaison
23
06/12/2021
Comparaison
24
06/12/2021
Comparaison
25
06/12/2021
Comparaison
26
06/12/2021
Comparaison
27
06/12/2021
Limites des méthodes de base
28
Exemple :
06/12/2021
Adaptative Gaussienne pour le Background
(Wren, Azarbayejani, Darrell, Pentland, 1997)
μt + 1 = α Ft + ( 1 − α ) μt
σ2t + 1 = α ( Ft − μt )2 + (1 − α) σ2t
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
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
06/12/2021
Association des données
06/12/2021
Association des données
Extraction de blobs
⚫ Meanshift tracking
06/12/2021