Conclusion
Dans ce chapitre, nous avons rappelé les
différentes notions essentielles à la compréhension. Dans
ce que suit, nous allons faire l'état de l'art de méthode de
détection d'objet en mouvement.
15
Chapitre 2 : État de l'art
Dans ce présent chapitre, plusieurs méthodes de
détection de mouvement par vision numérique seront
présentées. Pour celles-ci, la performance varie en fonction du
temps de traitement et de la qualité des résultats produit.
À partir d'un modèle de l'environnement et d'une
observation ou d'une série d'observations successives, on cherche
à détecter et suivre ce qui a changé.
Il existe plusieurs méthodes dans la
littérature, faire une étude comparative détaillée
de toutes les au-delà du cadre de ce travail. Nous avons eu à
nous baser sur les méthodes les plus récentes de détection
de mouvement dans une séquence vidéo.
2.1.Détection par Différences entre deux
images consécutives
Elle représente une solution très
intéressante et peu complexe. Comme son nom l'indique, elle consiste
à soustraire une image acquise au temps tn
d'une autre au temps tn + k, où
k est habituellement égal à 1. On utilise des
méthodes qui calculent une différence temporelle, pixel par
pixel, entre deux ou trois images successives. On peut citer les travaux de
(Lipton et al., 1998) et de
(Huwer et Niemannqui.,
2000) qui traitent de la détection par différence d'images. La
valeur absolue de cette différence est seuillée pour
détecter les changements. Ensuite, les pixels " labellisés en
mouvement" sont regroupés en objets avec une analyse en composantes
connectées. Cette méthode présente l'avantage d'être
adaptée aux environnements dynamiques puisqu'elle n'est pas
influencée par les variations de luminosité mais ne permet pas de
récupérer tous les pixels de l'objet en mouvement.
Ainsi, l'image résultante sera vide si aucun mouvement
ne s'est produit pendant l'intervalle de temps observé car
l'intensité et la couleur des pixels seront presque identiques.
Par contre, si le mouvement a lieu dans le champ de vue, les
pixels frontières des objets en déplacement devraient changer
drastiquement de valeurs, révélant alors la présence
d'activité dans la scène. Cette technique nécessite
très peu de ressources, car aucun modèle n'est nécessaire.
Cela implique donc qu'il n'y a pas de phase d'initialisation obligatoire avec
une scène statique, ce qui procure une très grande
flexibilité d'utilisation. De plus, une opération de soustraction
d'images requiert très peu de puissance de calcul,
16
lui conférant un avantage supplémentaire.
Par ailleurs, les résultats obtenus par cette
méthode ne sont pas aussi précis que ceux
générés en utilisant un modèle statistique de
l'arrière-plan. En effet, certains traitements supplémentaires
sont nécessaires afin de déterminer la zone en mouvement (zone
intérieure et contours des objets en mouvement), car l'information
disponible ne concerne que les contours des régions en
déplacement.
| 
