====== Applications ====== [[philippe.foucher@developpement-durable.gouv.fr]] Laboratoire Régional des Ponts et Chaussées Imagerie-méthodes optiques -- prennent des stagéaires. ===== Plan ===== * Problématique * Détection de la signalisation * informations géométiques * Informations colorimétiques * Combinaison des deux * Reconnaissance de la signalisation Traitement d'images pour contrôler la signalisation et autres équipements sans chaque fois se déplacer. Indexations des 30k images pour indiquer celles qui contiennent des panneaux, etc. Reconnaissance automatique des panneaux, et où, et mesurer la taille. ===== Problématique ===== * Segmentation, filtrage -> régions et contours * Comment identifier un objet dans une image * ==== Exemple (1) ==== Analyse de scènes routières. Photo prise d'un véhicule tous les 5 metres. * Quels sont les objets présents dans l'image * panneaux * voitures * arbres * marquages * piétons * chaussées * Pour chaque objet, peut-on identifier le type autre problématique : évaluer le dépérissement de végétaux! ===== Reconnaissance d'objet ===== * Identifier les éléments caractéristiques de l'objet? -> méthodes d'extraction de caractéristiques * Donner une "étiquette" à l'objet en fonction de ces caractéristique? -> ressemblance, classification ===== Difficultés liées à l'environnement ===== * variations lumineuse, contrejour * occultations * scènes comlexes ===== Difficultés géométriques ===== * Variations dans le plan * translation * rotation * échelle * Distorsions : rond devient élliptique, par exemple (flêche sur un rond-point) Difficultés liées à l'objet : manufacturés, naturels ===== Contraintes éventuelles ===== * acquisition (jour/nuit, météo dégradée) * images (taille, couleur) * temps réel ===== Reconnaissance d'objets ===== ==== Caractéristiques (1) ==== * infinité de car à partir d'un objet en 2D * difficulté pour choisir les carac pertinentes (discriminationdes objets) * choix selon * contraintes de l'appli (temps réel, nombres d'objets) * objets à extraire (écriture, visages, applis spécifiques) * environnement (milieu contrôlé, naturel) * qualité des données (bruit, perturbations) * informations * géométiques * photométriques (couleur, etc.) * autres (texture, fractales...) === Critères géométriques === * Approches contour / régions * récupérer les contours ou les régions au préalable * * Familles de méthodes * descripteurs élémentaires : aire, périmetre, compacité, couverture, exentricité * topologie * transformées dans le domaine spectral (Fourier, ondelettes) * algorithmes de vote (Hough) * moments (Hu, Zernike, Legendre) * structurelles (Freeman) * modèles déformables * === Critères photométiques === * Sélection des pixels selon leur couleur * méthode de sélection * choix d'un espace colorimétrique * Prise en compte du voisinage (détection de contours...) * Regroupement en composantes connexes ==== Plan ==== * Détection de la signalisation * informations géométiques * * ==== L'objet dans l'image (2) ==== [[http://www1.securiteroutiere.gouv.fr/signaux|Site officiel des panneaux]] * Détection de marquages * forme (largeur) * couleur (gradient sombre-claire-sombre) ==== Quel est cet objet ? ==== * Panneau "limite de vitesse à 70" * Passage piéton ==== Décripteurs "élementaires" ==== * Périmètre / aire: limité, dépendant facteur d'échelle * Circularité : aire / périmètre 2 * Compacité = 4 pi x circularité)? 1 pour un disque * couverture : aire / aire rectangle exinscrit * Excentricité : de l'éllipse qui présente les memes moments d'ordre 2 que l'objet (0 pour un cercle, tend vers 1 pour une droite) * Autres (angles, rapport longueur largeur, ...) * Propriétés * Très simple * utilisée comme pré-filtres * application non-bijective ==== Topologie ==== * Nombre d'Euler * Dualité entre les connexités ==== Transformée de Hough - principe ==== * Paul Hough (1962) -> détection de droites * Principe : infinité de droites passant par un point -> variation angle θ * Accumulation de vote * Droite si accumulation dépasse seuil * comment déterminer ce seuil? * nombre de droites principales dans une image? * angle des droites entre elles? * direction du gradient -> réduction calcul * possibilité d'identifier d'autres formes * cercles, ellipses, courbes (expression analytique simple) * transformée de Hough généralisée pour formes plus compliquées (nombre de paramètres de plus en plus important) [[http://en.wikipedia.org/wiki/Hough_transform|]] ==== Transformée en symétrie radiale (Loy & Zelinsky 2003 ==== Direction du gradient vers un pixel "vote" à une distance variable r. Accumulation des votes. Prise en compte de l'amplitude du gradient. Par rapport à Hough, pas de détection de contours. Symétrie généralisée, transformée chinoise (Belaroussi) Détection de panneau circulaires prend une minute! Extension aux polygônes réguliers (Loy & Barnes, 2004) ==== Informations colorimétriques ==== * Séléction de la composante colorimétrique * Pixels rought, bleu, jaune et blanc/noir * Problèmes : variation de luminance * RVB sensible aux variations * travailler dans un autre espace colorimétrique * séléction par la couleur - rouge RVB normalié * critère de rouge en (R,G,B) - Dutilleux et Charbonnier, 2006 * r = R/(R+G+B) * R > alpha (G+B) ou R/(R+G+B)>alpha /(1+alpha) * R-max(G,B)>beta[max(G,B)-min(G-B)] * Chrominance rouge dominante -> pureté du rouge * faut fixer les alpha et beta * critère de bleu : B > alpha(R+G), pas de deuxième équation avec beta car panneaux bleus tendent vers "cyan" ou "magenta". * Utilisation de la couleur * très simple et rapide * choix des seuils (absolu / adaptaif) * Combinaison couleur / gémétrie Analyse des composantes connexes à partir du masque de rouge * taille >200 pixels et <0.05*taille de l'image * position (coin haut-droit) * couverture * excentricité Reconnaissance? * détection -> étape la plus dure * reconnaissance -> identification du type de panneaux * méthodes * corrélation * réseaux de neurones Identification par corrélation * ZNCC * modèles : 8 échelles différentes * évaluation systèmatique * non-robuste aux occultations -> reconnaissance robuste (Dahyot, 2001) * * Zero-mean Normalized Cross Correlation