Recherche Avancée

Thèse soutenue

Approche bayésienne de fusion d'informations pour la reconnaissance d'objets routiers : application au cas du piéton

FR  |  
EN
Auteur / Autrice : Estelle Ngako Pangop
Direction : Roland Chapuis
Type : Thèse de doctorat
Discipline(s) : Vision pour la robotique
Date : Soutenance en 2009
Etablissement(s) : Clermont-Ferrand 2

Résumé

FR

Afin de réduire le nombre d'accidents de la route, il est important de pouvoir détecter et reconnaître les obstacles dans toutes les conditions de trafic. Cette tâche s'avère cependant complexe car les véhicules équipés se déplacent à des vitesses potentiellement élevées en environnement extérieur, et avec des conditions d'éclairement non maîtrisées. De plus, les objets à reconnaître peuvent être de nature variée (piétons, cyclistes, ect. ). Cette thèse traite de la reconnaissance d'objets routiers par fusion de données multisensorielles. Nous proposons une architecture modulaire qui permet de séparer le coeur du système (le moteur de fusion) des traitements bas niveaux associés à chaque donnée capteur. Les informations extraites des modules de prétraitement sont combinées de façon asynchrone par le moteur de fusion dans le cadre bayésien. Pour ce faire, les informations hétérogènes provenant de chaque donnée capteur sont codées sous une forme homogène par des densités de probabilité représentant les différentes classes d'objet à reconnaître. Ainsi, la reconnaissance d'un obstacle revient à calculer récursivement sa probabilité d'appartenance à une classe d'objet. Ce calcul combine les vraisemblances obtenues à partir des densités de probalité définies précédemment et une probabilité a priori. L'idée qui sous-tend ce raisonnement est que l'association de l'observation courante d'un obstacle et sa connaissance passée aident à améliorer la connaissance sur sa classe d'appartenance. L'approche bayésienne est facile à mettre en oeuvre dès lors que l'on est capable de définir pour chaque type d'information discriminante les densités de probabilité associées à chaque classe d'objets. Ces densités de probabilité peuvent être déterminées soit par des apprentissages, soit grâce à des connaissances a priori sur les classes d'objet considérées. Toutefois, l'estimation récursive des probabilités pose le problème de corrélation des données, qui est difficile à résoudre. La littérature indique que l'indépendance statistique est souvent admise pour contourner le problème. Néanmoins, une telle hypothèse biaise les résulats de la reconnaissance des obstacles. Dans cette thèse, une approche originale et innovante est proposée pour tenir compte de la corrélation des données en modélisant les observations successives d'un même obstacle par un modèle autorégressif (AR). L'intérêt du modèle AR est qu'il permet de dériver la densité de probabilité des observations corrélées à partir des paramètres du modèle et de la densité de probabilité des observations non-corrélées. Nous avons appliqué cette approche pour la reconnaissance de piétons à l'aide d'une caméra et d'un lidar. Les obstacles sont détectés par agrégation des points lidar. Ensuite, une pré-classification, qui se base sur la taille des goupes de points obtenus, sépare les obstacles de type piétons des ''grands'' obstacles. Enfin, la classification finale a pour but de séparer les obstacles de type piéton en eux groupes : les piétons et les non-piétons. Pour cela, elle combine par l'approche bayésienne décrite ci-dessus la vitesse d'un obstacle (calculée à partir des impacts lidar) et un score qui traduit le degré de ressemblance dans une image de cet obstacle à un piéton. Les résultats expérimentaux, obtenus sur des séquuences enregistrées dans des conditions réelles d'utilisation du système, sont très satisfaisants et confirment la pertinence de notre approche par rapport à l'état de l'art