Détection et reconnaissance des panonceaux

Les panonceaux sont des petits panneaux portant des indications précises. Ils sont généralement associés aux panneaux de prescriptions absolues (ex : limitation de vitesse) et aux panneaux de danger. Leur rôle dans ces cas consiste à déterminer exactement l’étendue de la zone ou alors le type de véhicule concerné par le panneau (Figure 56), voire la plage temporelle durant laquelle le panneau sera valide. Bien que la littérature n’en fasse pas mention, la détection et la reconnaissance des panneaux de limitation de vitesse n’est donc à elle seule pas suffisante pour être intégrée dans un système avancée d’aide à la conduite automobile. En effet, une limitation de vitesse peut être indiquée uniquement pour une certaine voie (la voie de sortie d’une autoroute), que pour un certain type de véhicule (les camions par exemple),… Cette information est généralement spécifiée par les panonceaux situés sous le panneau de limitation de vitesse (Figure 57). Le problème de la détection de ces petits panneaux réside dans le fait que, même s’ils se situent toujours au-dessous des panneaux, les panonceaux n’ont pas une taille constante / proportionnelle par rapport au panneau associé et que leur distance au panneau n’est pas normalisée. Il est donc impossible de faire une reconnaissance directe du panonceau par reconnaissance d’image (via réseau de neurone ou autre) sous le panneau de limitation détectée. Il est donc nécessaire de définir une zone de recherche sous les panneaux et de réaliser une détection de rectangle dans cette zone (Figure 58).

Là aussi, à l’instar de la détection de cercle pour les panneaux de limitation de vitesse, le fait que plusieurs rectangles soient détectés (avec des fausses détections / fausses alarmes) n’est pas un problème car elles seront invalidées ultérieurement par l’algorithme de reconnaissance. En revanche, la difficulté de la reconnaissance des panonceaux réside dans le fait qu’ils apparaissent trop peu souvent pour constituer une base d’apprentissage correcte pour entrainer un algorithme de reconnaissance d’image. Par exemple, sur l’ensemble de nos enregistrements vidéo nous avons repéré moins d’une cinquantaine de panonceaux directionnels différents. Pour enrichir la base d’exemples, des exemples artificiels ont été générés à partir des exemples réels en jouant sur les contrastes des images, sur les rotations et sur le bruit de sorte que les exemples générés ressemblent toujours à de vrais exemples et non à des exemples purement artificiels (Figure 65 et Figure 66). La reconnaissance est effectuée, comme pour les chiffres, via un réseau de neurones de type perceptron multi couche spécialement entrainé sur notre base d’exemples réels / semi-artificiels en utilisant notre outils d’apprentissage Levis (cf chapitre 5), les exemples négatifs sont quant à eux extraits de nos vidéos et sont donc des exemples réels. Ainsi, chaque rectangle détecté sous le panneau de limitation de vitesse est analysé par le réseau de neurone pour être reconnu ou invalidé comme panonceau directionnel (Figure 67) qui seul nous intéresse dans notre étude.

La topologie du réseau (nombre de neurones de la couche cachée, et taille de la couche d’entrée, et donc taille de l’image en entrée) a été trouvée par des tests réels (Tableau 2, Tableau 3 et Tableau 4). Il apparaît qu’on pourrait utiliser une topologie de 8×8 avec 12 neurones en entrée (qui offre un bon taux de classification pour un faible temps de calcul puisque peu de neurones) mais après des tests sur des vidéos (donc avec des cas réels d’utilisation) on obtient seulement 85% de bonne détection avec cette topologie alors qu’avec une image de 12×12 pixels en entrée et 12 neurones sur la couche cachée on obtient 93% de bonne détection. C’est donc cette dernière topologie (144 – 12 – 1) qui a été retenue après les tests réels sur vidéo. Comme pour les panonceaux, et bien que nécessaire à un système visuel complet, la littérature comporte peu de travaux concernant la détection et la reconnaissance des panneaux de fin de limitation de vitesse. Ces rares travaux, et comme le voudrait l’intuition, proposent 2 approches différentes afin de reconnaître ce type de panneau. La première approche consiste à reconnaître directement la globalité du panneau de fin de limitation de vitesse, i.e. d’utiliser l’image entière du panneau, issu du processus de segmentation (par contour de forme ou par couleur), dans un algorithme de classification / reconnaissance d’image (réseau de neurone, support vector machine,…) comme le font (Garcia, et al., 2006), (Broggi, et al., 2007) et (Maldonado-Bascón, et al., 2007). Il est à noter que ces approches incorporent directement la reconnaissance des panneaux de début de vitesse dans leur algorithme de reconnaissance et n’effectuent pas de traitement spécifique pour chaque type de panneau. Ainsi leur algorithme de classification se voit affublé de plusieurs sorties et doit réussir à discriminer un grand nombre de classes (i.e. types de panneau) ce qui peut poser problème quant à la pertinence de la discrimination sur plusieurs classes. La seconde approche, qui a été mise en œuvre seulement par (Caraffi, et al., 2008), consiste à détecter la bande noire présente sur ces panneaux. Cependant, cette technique mise en œuvre pour les panneaux italiens qui, comme les panneaux belges, ont une bande noire très marquée (quelque soit le type de fin de limitation), ne peut s’appliquer à tous les panneaux européens (Figure 70) et notamment aux panneaux français qui n’ont que de petits segments noirs peu présent dans l’image, pour le cas des panneaux de fin de limitation spécifique à une vitesse (Figure 68), segments qui seraient très difficilement détectable en cas réel (Figure 71).