Approche monoculaire fondée sur la loi de Koschmieder Séquences vidéo de test

La méthode présentée au chapitre 2 a été testée sur trois séquences vidéo de plus de 150 images chacune. De façon à mettre en évidence les points forts de l’algorithme, chaque séquence présente une difficulté différente. Ainsi dans la première, le véhicule équipé suit deux voitures, double une des voitures tout en suivant l’autre dans un brouillard peu dense. La difficulté est double. Le brouillard est peu dense donc la mesure est sensible aux mouvements de la caméra et à la détermination de la ligne d’horizon. D’autre part, le suivi des véhicules implique de faire passer la bande de mesure entre ces derniers. Dans la seconde séquence, le véhicule équipé en croise deux autres en ligne droite sur une route dont la visibilité est fortement dégradée par un brouillard très dense. La difficulté est liée au croisement des véhicules et à la route qui possède peu d’indices visuels à cause de son état et de la densité du brouillard. Dans la troisième séquence, le véhicule est dans un virage dans un brouillard très dense. En outre, la route est bordée de chaque cˆoté par de hauts talus. Dans ce cas, le ciel ne se trouve pas dans l’axe du véhicule à cause des talus. Le brouillard très dense et le virage ont pour conséquence de confondre les deux éléments ciel et talus, ce qui est source d’erreur. Ces trois séquences sont chacune illustrées par trois images sur la figure 4.1.

Résultats 

La figure 4.2 montre les résultats du filtre de Canny-Deriche sur trois images représentatives des séquences présentées dans le paragraphe 4.1.1. Il est clair que plus le brouillard est dense, plus le nombre de contours détectés est faible. Sur ces images, on voit l’intérêt du seuillage par Hystérésis. Il n’y a que très peu de contours parasites détectés sur la chaussée. Hormis l’image en haut à droite, les contours ne sont pas fermés au niveau de l’horizon, permettant à la croissance de région de s’effectuer jusqu’en haut de l’image. Les résultats de la détection de la région d’intérêt sont présentés sur la figure 4.3. On peut y voir que l’algorithme de croissance de région ne détecte ni la route, ni le ciel dans sa globalité. Il détecte une zone suffisamment vaste sur la route et le ciel pour permettre la mesure de la variation de luminance. On peut également remarquer la manière dont la région se faufile entre les véhicules permettant de s’affranchir d’un masquage partiel de la route. Sur l’image en haut à droite, la croissance de région n’a pu être terminée à cause de la présence d’une voiture et d’un panneau routier bouchant l’horizon. Ainsi, la croissance de région ne peut pas s’effectuer car les hypothèses de la méthode exploitant la loi de Koschmieder ne sont pas remplies, ce qui constitue un point fort du système, qui sait dire s’il est opérant ou non. Finalement, sur la figure 4.4, on obtient le résultat final de la méthode. La bande de mesure est mise en place, permettant d’obtenir la ligne blanche horizontale représentative de la distance de visibilité. Un triangle, en haut à gauche de chaque image, permet de donner l’état du système. En blanc, le système est opérant, alors qu’en noir (image en haut à droite), le système est déclaré temporairement inopérant. La figure 4.5 présente l’évolution temporelle de la mesure de distance de visibilité sur les différentes séquences vidéos. En cas de brouillard faible, la distance mesurée est grande. Compte tenu de la surface couverte par un pixel à ces distances (voir paragraphe 2.1.3), la mesure varie assez fortement durant la séquence. Cependant, on pourrait très bien considérer qu’au delà d’une mesure de 250 m par exemple, la visibilité disponible pour le capteur caméra est suffisante et on pourrait donc écrêter la mesure à 250 m. En revanche, dans le brouillard dense, condition privilégiée de fonctionnement de la méthode, la mesure est stable.

Approche stéréoscopique fondée sur l’atténuation des contrastes

Présentation des séquences vidéo utilisées La méthode présentée au chapitre 3 a été testée de manière qualitative sur trois séquences vidéo. Chacune d’entre elles contient environ 1000 images. Dans la première séquence, le véhicule instrumenté suit un autre véhicule à différentes distances et s’arrête devant différents obstacles. La météo est bonne. La visibilité n’est limitée que par la végétation. Dans la seconde séquence vidéo, le véhicule instrumenté suit un autre véhicule. Celui-ci finit par s’éloigner et disparaˆıt progressivement à travers un épais brouillard diurne. L’effet de voile est très marqué sur cette séquence et la transition route ciel est très brutale. Dans la dernière séquence, le véhicule roule sur la piste à travers un épais brouillard à la tombée de la nuit. Les caméras fournissent une image relativement bruitée. Le véhicule instrumenté est seul sur la piste. Toutes ces séquences ont été enregistrées sur la même portion de la piste de Satory. Les séquences sont chacune illustrées par trois images sur la figure 4.6. Résultats Sur la figure 4.7, les résultats du calcul du contraste local sur les images entières sont représentés. En fait, comme cela est expliqué dans le paragraphe 3.5.2, le calcul n’est normalement pas effectué sur l’image entière pour gagner en temps de calcul. On voit clairement une baisse du contraste en fonction des conditions de visibilité. Comme nous l’avons montré précédemment, le calcul du contraste ne semble pas trop perturbé par le bruit du capteur. Les contours détectés semblent pertinents. Il est à noter que la méthode est plus sensible dans la troisième séquence, de nuit, que dans les deux autres. Ceci est dû principalement à la formule de contraste utilisée, plus sensible dans le bas de l’échelle de gris. Sur la figure 4.8, les résultats du calcul des cartes de disparité améliorées sont présentés. On voit en particulier que les objets verticaux et les objets au-dessus de la ligne d’horizon sont considérés comme obstacles et sont clairement mis en évidence. La disparité des points appartenant à la surface de la route est calculée et semble cohérente. On voit ici l’intérêt du calcul de la carte de disparité en deux passes, qui permet de s’assurer de la cohérence globale de la disparité des pixels appartenant à la surface de la route. Ainsi, les cartes de disparité ont la structure souhaitée : en ne tenant pas compte des pixels dits obstacles et en balayant l’image de haut en bas en partant de la ligne d’horizon, les pixels, dont la disparité est connue, sont de plus en plus proche du capteur. Cependant, comme nous l’avons déjà dit, il y a relativement peu de pixels dont la disparité est connue, du fait de l’utilisation d’une méthode stéréoscopique éparse. Sur la figure 4.9, le résultat final est représenté. Le voisinage le plus éloigné ayant un contraste supérieur à 5 %, sur lequel la disparité d’un pixel est connue, est peint en blanc. Le pixel, dont la disparité est connue, est identifié au moyen d’une croix noire à l’intérieur de ce voisinage blanc. Il faut remarquer qu’en présence d’un objet masquant temporairement la scène routière, l’algorithme parvient à s’affranchir du problème et à donner une solution cohérente. Par beau temps, on voit que la solution proposée est très proche de la ligne d’horizon. Ainsi, le nombre d’étapes de calcul du contraste est très restreint. Par conditions météorologiques dégradées, la solution proposée est plus basse dans l’image. Cependant, le nombre d’étapes de calcul du 103 Chapitre 4. Evaluation expérimentale des méthodes ´ contraste n’est pas plus élevé, car il y a peu de pixels dont la disparité est connue. Ainsi, quelles que soient les conditions de visibilité, on s’assure d’un temps de calcul relativement constant. Finalement, sur la figure 4.10, les courbes de mesure de la distance de visibilité mobilisée sont tracées pour les différentes séquences vidéo. Par beau temps, la résolution maximale du capteur stéréoscopique est atteinte. Par temps de brouillard, les mesures sont relativement stables, ce qui laisse penser que la méthode est efficace par conditions météorologiques dégradées. Dans les séquences de brouillard, les visibilités estimées semblent en accord avec l’impression visuelle que nous avons eue en capturant ces séquences.