R. Babari, N. Hautière, E. Dumont et N. Paparoditis

Présentation au sujet: "R. Babari, N. Hautière, E. Dumont et N. Paparoditis"— Transcription de la présentation:

1 R. Babari, N. Hautière, E. Dumont et N. Paparoditis
Mesure robuste de la visibilité météorologique par caméra R. Babari, N. Hautière, E. Dumont et N. Paparoditis MajeStic Bordeaux 13 octobre 2010 à 11h35

2 II - Travaux antérieurs
I - Introduction II - Travaux antérieurs III- Démarches IV- Résultats V- Conclusion Plan Plan Introduction Contexte Objectifs Travaux antérieurs Physique de la visibilité Méthodes d’estimation Démarches et travaux réalisés Acquisitions d’images à Trappes Proposition d’une nouvelle méthode Résultats Comparaison des résultats Modèle empirique Conclusion Bilan Perspectives 20 minutes

3 II - Travaux antérieurs
I - Introduction II - Travaux antérieurs III- Démarches IV- Résultats V- Conclusion I-1 - Contexte Par temps de brouillard ou de brume, la visibilité est réduite. Elle représente une source de paralysie pour les transports. Les accidents sont plus nombreux et plus grave. Les stations météorologiques et les aéroports sont équipés d’instruments rares et coûteux pour mesurer la visibilité (8.000 € ). Le LCPC cherche à exploiter les caméras de vidéosurveillance qui équipent déjà le réseau routier pour estimer la visibilité et informer ses Usager des limitations de vitesses à respecter. Météo-France cherche à intégrer ses informations dans ses modèles de prévision. 1/18

4 II - Travaux antérieurs
I - Introduction II - Travaux antérieurs III- Démarches IV- Résultats V- Conclusion I-2 - Objectifs Mesurer la visibilité météorologique en développant des méthodes robustes permettant d’augmenter la portée et la précision de la mesure, Donner la précision de la mesure de la visibilité en fonction des caractéristiques des caméras et de la 3D de la scène (par simulation PROF E.Dumont), Améliorer la précision de la mesure sans avoir recours aux données météorologique de calibrage en utilisant : -Les cartes de profondeur et de texture de l’IGN autour des caméras (Col de la Fageole), -Les méthodes brevetés de mesure de la visibilité routière développées par N.Hautière, 2/18

5 3/18 I - Introduction II -Travaux antérieurs III- Démarches
IV- Résultats V- Conclusion II -1- Physique de la visibilité . La luminance de l’objet . Extinction atmosphérique . Voile atmosphérique 3/18

6 4/18 I - Introduction II -Travaux antérieurs III- Démarches
IV- Résultats V- Conclusion II -1- Physique de la visibilité Duntley a donné une loi d’atténuation du contraste dans l’image : VMet correspond à la plus grande distance pour laquelle un objet noir Lb=0 sur fond du ciel Lf de dimension convenable peut être reconnu avec un contraste C de 5%. VMet est mesurée : Par appareil optique (visibilimètre) Par caméra en faisant des hypothèses sur la distance d de la scène. Modèle 3d de la route, Présence de points d’intérêts dont on connaît la distance, Distribution uniforme de points 3d dans la scène. 4/18

7 Coût très élevé de l’ordre de 8.000€
I - Introduction II -Travaux antérieurs III- Démarches IV- Résultats V- Conclusion II -1- Physique de la visibilité Le transmissiomètre exploite l’extinction d’un rayon lumineux au cour de son trajet, Le diffusomètre mesure l’intensité lumineuse d’un faisceau lumineux envoyé par une source et rétro diffusée par l’atmosphère, Coût très élevé de l’ordre de 8.000€ 10% d’erreur de mesure sur une plage de 0- 50km 5/18

8 Visibilité routière : 0-400 m avec une précision de 10 %
I - Introduction II -Travaux antérieurs III- Démarches IV- Résultats V- Conclusion II -2- Méthodes d’estimation de jour par caméra Visibilité routière : m avec une précision de 10 % Visibilité sur plusieurs km : Corrélation entre des caractéristiques dans l’image et la VMet ( Aucune précision donnée ). N.Hautière : (projet SafeSpot) Point d’inflexion de luminance Marquages sur la route (C à 5%) USA : projet Clarus (FHWA-MIT) - Estimateurs (Image) - Décision Logique floue - Quatre classes de visibilité (Gradient appliqué à toute l’image) Allemagne : Karlsruhe - Caméra panoramique (Corrélation 0.7) (points d’intérêts sélectionnés manuellement) Hypothèses : - Route plane - Calibrage de la caméra 6/18

9 7/18 I - Introduction II -Travaux antérieurs III- Démarches
IV- Résultats V- Conclusion III -1- Acquisitions d’images à Trappes Site instrumenté de Météo-France à Trappes Visibilité (0 à 35km) Éclairement (0 à lux) Installation d'une caméra 640 x 480 8 bits/pixel Appariement des données météorologiques avec les images Fig : Des images avec différents conditions d’ éclairage, présence d'ombres et conditions nuageuses, Afin de valider les méthodes existantes et d’en proposer d'autres, nous avons collecté sur plusieurs mois, des données couplant images de caméras, donnée de visibilité et d'éclairement. En effet, nous avons instrumenté le site de Météo-France à Trappes avec un système d'acquisition et d'enregistrement d'images. Ensuite, nous avons fait l'appariement de ces images avec les données météorologiques (Visibilité et éclairement). La caméra est d'une qualité similaire à celles de vidéosurveillance : de résolution 640 x 480 et de dynamique 8 bits par pixel. Ces images sont prisent à une fréquence de 10 minutes durant plusieurs mois dans des conditions d'éclairement de 0 à lux et de visibilité allant de 80m à 50 km. Le gradient (Figure 1) indique la direction de la plus forte variation du clair au sombre. Pour chaque image de la scène prise de jour, nous calculons le gradient centré en chaque pixel. Nous associons donc la diminution du gradient dans l’image avec la diminution de la visibilité météorologique. Nous avons tracé la somme du module du gradient de Sobel dans toute l’image en fonction la visibilité météorologique (Figure 2). Nous remarquons une instabilité de la réponse. Celle ci est liée au changement d’éclairement qui affecte directement les valeurs de luminances et donc celles des gradients. Celle-ci est aussi liée aux différentes réflexions de la lumière du soleil sur les vitres ou sur d’autres surfaces lisses. Également, celle-ci liée aux ombres créés par la lumière du soleil qui se déplace dans la journée. Dans ce cas, le module du gradient de Sobel sur toute l’image ne pourra pas être un indicateur stable et reproductible de la mesure de la visibilité météorologique. Fig : Variation de la luminance et de la visibilité météorologique durant trois jours d’observation 7/18

10 I - Introduction II -Travaux antérieurs III- Démarches IV- Résultats V- Conclusion III -2- Proposition d’une nouvelle méthode Nous cherchons la corrélation entre le gradient dans l‘image et la distance de visibilité correspondante. Nous calculons le gradient de l’intensité centré en chaque pixel 8/18

11 I - Introduction II -Travaux antérieurs III- Démarches IV- Résultats V- Conclusion III -2- Proposition d’une nouvelle méthode Dans les zones lambertiennes de l’image, le gradient est invariant au changement d’illumination. Le gradient ne variera qu’en fonction des conditions de visibilité. 9/18

12 10/18 I - Introduction II -Travaux antérieurs III- Démarches
IV- Résultats V- Conclusion III -2- Proposition d’une nouvelle méthode Après avoir été confronté aux problèmes d’instabilité du gradient par rapport à l’éclairement, nous nous sommes intéressés à modéliser tout le processus des différentes réflexions dans la scène et de la diffusion atmosphérique. Nous avons donc démontré que dans les zones lambertiennes de la scène (Figure 3), le gradient dans l'image est une fonction linéaire de l'albédo de chacune de ces surfaces. Ici le gradient ne dépend que du type du matériau est donc sera indépendant des variations d'éclairement qui est la principale cause de l’instabilité du gradient. Dans ces zones (en rouge dans la figure 3) les gradients dans l'image ne varieront qu’en fonction des conditions de visibilité météorologique. Fig : Module du gradient de Sobel dans l’image : convolution de l’image avec la dérivée première de la gaussienne Fig : Probabilité pour que la surface soit lambertienne : présente la matrice des plus forte corrélation avec le changement d'éclairage global dans le temps. 10/18 Fig : Module du gradient de Sobel dans les surfaces lambertienne de l’image

13 11/18 I - Introduction II -Travaux antérieurs III- Démarches
IV- Résultats V- Conclusion IV -1- Comparaison Fig : Données entre le module du gradient de Sobel pris sur tout l’image et la visibilité Météorologique (dispersées) Fig : Données entre le module du gradient de Sobel pris sur les zones lambertiennes de l’image et la visibilité météorologique Dans les zones Lambertiennes de l’image ,le contraste est invariant au changement d’illumination. Le contraste ne sera lié qu’aux conditions de visibilité. L’amélioration que nous apportons permet d’avoir une estimation non dispersée et donc plus précise, plus stable en fonction des variations de l’éclairement et donc une mesure reproductible. Nous cherchons maintenant une fonction pour qui fais le lien entre l’information de l’image et celle de la visibilité => 2 approches 11/18

14 =? 12/18 I - Introduction II -Travaux antérieurs III- Démarches
IV- Résultats V- Conclusion IV -2- Modèle empirique =? Dans les zones Lambertiennes de l’image ,le contraste est invariant au changement d’illumination. Le contraste ne sera lié qu’aux conditions de visibilité. Application Brouillard Brume Qualité de l’air Corrélation Rang de visibilité 0-1 km 1-5 km 5-15 km R2 ΔV/V avant pondération 53 % 60 % 33 % 0.95 ΔV/V après pondération 25 % 26 % 48 % 0.90 12/18

15 Trappes (Météo-France)
I - Introduction II -Travaux antérieurs III- Démarches IV- Résultats V- Conclusion V -1-Bilan Base de données adaptée à nos besoins : Trappes (Météo-France) Conception d’un estimateur de visibilité robuste, basé sur la physique de la scène et calibré avec les données de visibilité Météo-France, 16/18

16 17/18 Améliorer la précision de l’estimation
I - Introduction II -Travaux antérieurs III- Démarches IV- Résultats V- Conclusion V -2-Perspectives Améliorer la précision de l’estimation Expression de l’erreur en fonction des caractéristiques interne et externes des caméra et de la scène. Conception d’un estimateur de visibilité robuste, basé sur des hypothèse et ne nécessite ni visibilimètres ni luminance mètre. Déploiement de la méthode : Méthode sans données météorologiques, Utilisation du modèle 3D d’une grande précision de la scène que fournira l’IGN, 17/18

17 Merci Questions Jusqu'où peut-on voir? I - Introduction
II -Travaux antérieurs III- Démarches IV- Résultats V- Conclusion Merci Questions TEXTE A partir de la segmentation basées sur le gradient dans l'image correspondante à des zones lambertiennes dans la scène, nous avons extrait les caractéristiques des images les plus stables par rapport aux changements des conditions d'éclairement et donc les plus indicateurs des variations de la visibilité. La somme de ces caractéristiques constituera un estimateur de visibilité. Dans une phase d'apprentissage, nous posons une fonction de réponse entre l'estimateur de la visibilité précédemment défini et les données de référence issues de visibilimètres. Nous cherchons donc à déterminer les paramètres de cette fonction de réponse. Pour ce faire, nous affinons ces paramètres en minimisant l'erreur quadratique entre la fonction de réponse et le nuage de point entre l'estimateur de la visibilité et les données terrains issues de visibilimètres. Dans un premier temps, nous avons posé un modèle empirique logarithmique. Nous avons pris le facteur de corrélation comme un indicateur de confiance. Ensuite, nous avons posé certaines hypothèses sur la 3d de la scène. En effet, pour l'hypothèse d'un monde plan, tel l'environnement routier, nous avons établi le lien entre l’estimateur de la visibilité issue de l’image et ce que devrait donner l’estimation de la visibilité. Ce lien est la fonction de réponse qui s’exprime en fonction d’un paramètre τ spécifique à chaque scène. L'incertitude est en fonction des caractéristiques internes de la caméra et de son positionnement dans l’environnement 3d. La figure 4 explicite l’ajustement de données (Estimateur de la visibilité issu de l’image en fonction des distances de visibilités météorologiques issu des visibilimètres) en bleu avec le modèle basé sur la 3d de la scène en noir. La limite supérieure et inférieure sont respectivement représentées en rouge et en magenta. Pour notre scène d’essai correspondante à τ = 950m, l’erreur est estimée à 15% de 0-1km, à 30% de 0-5km et au-delà l’estimation de la visibilité diverge et nécessite une scène dont le paramètre τ a des valeurs plus grandes. Pour avoir plus de précision à estimer les visibilités lointaines, nous devons avoir une scène contenant des objets visibles lointains. Plus précisément, la distance de visibilité météorologique se réduit donc au résultat de la fonction de transfert de la somme des gradients dans les zones lambertiennes de l’image. La mesure de la visibilité par caméra, est donc devenue automatique et indépendante des données météorologiques et de la phase d'apprentissage. Atterrissage d'un avion dans des conditions de faible visibilité. Photo par Eric Dunetz. Jusqu'où peut-on voir?