De la détection de changement à l’analyse du mouvement

Présentation au sujet: "De la détection de changement à l’analyse du mouvement"— Transcription de la présentation:

1 De la détection de changement à l’analyse du mouvement
Applications en télésurveillance et navigation autonome Antoine MANZANERA – ENSTA/LEI

2 Applications et enjeux (1)
Surveillance de zone Compression et Indexation (University of Surrey)

3 Applications et enjeux (2)
Navigation robotique Mouvement fluide (Ecole des Mines / CMM) Poursuite automatique

4 Quelle information extraire ?
structure Modèle non rigide Niveau conceptuel nombre position vitesse taille forme Modèle rigide alarme Carte binaire mobile/fixe Champ de déplacement Calculs bas niveau paramètres de mise en correspondance Quantité d’information

5 Détection – Estimation – Poursuite
DETECTION Certaine continuité temporelle Mouvement de la caméra nul ou très simple. Objectif : identifier dans chaque image les pixels appartenant à des objets mobiles Chapitre 1 ESTIMATION Continuité temporelle Plutôt « traiter après » Objectif : calculer le mouvement apparent (vitesse instantanée) de chaque pixel Chapitre 2 POURSUITE Discontinuité temporelle Plutôt « traiter avant » Objectif : apparier certaines structures spatiales pour chaque couple d’images. Chapitre 3

6 1 MOUVEMENT Détection PLAN DU CHAPITRE Introduction du problème
Observation & différenciation Régularisation spatiotemporelle

7 Introduction du problème
BUT : Associer à chaque pixel de I une étiquette binaire [fixe,mobile]… 1 …en fonction des changements temporels de I(x,y,t). Quelles variations temporelles ? Y(x,y,t) = | I(x,y,t) – I(x,y,t-1) | Y(x,y,t) = | I(x,y,t) – Iref(x,y,t) | Idéalement : Y = 0 pas de mvt Y > 0 mvt

8 Contraintes et difficultés
! CONTRAINTES (1) Camera fixe (2) Eclairement constant (1)’ Camera bougeant lentement (2)’ Variation d’éclairement basse fréquence (1)’’ Camera mobile avec mouvement compensé (Cf Chap. 2) (2)’’ Intensité lumineuse variable avec mise à l’échelle de l’histogramme ou même ! DIFFICULTES (1) Bruits de capteur (acquisition + numérisation) (2) Zones homogènes (Dluminance < t) seuil t > 0

9 Détection : méthode générique
(1) Calcul du changement temporel On calcule, pour chaque pixel, une ou plusieurs statistiques temporelles des niveaux de gris, ainsi que l’écart par rapport à ces statistiques. It Yt (2) Régularisation spatiotemporelle Êt On agrège spatialement les résultats de changement temporel afin d’obtenir des objets réguliers. Et (3) Sélection des objets On sélectionne les régions obtenues en fonction de critères morphologiques ou cinématiques.

10 Changement par gradient temporel
Ici l’observation correspond à une estimation du gradient temporel, discrétisé par une différence finie. Y(x,y,t) = | I(x,y,t) – I(x,y,t-1) | Avantages : simplicité de calcul grande adaptation aux variations de conditions de la scène Inconvénients : problème de l’ouverture Si Yt > S, alors Êt = 1 sinon Êt = 0 It Yt

11 Changement par gradient temporel
Problème de la détermination du seuil S It Yt Êt (S=3) Êt (S=9)

12 Estimation de fond statique
Ici l’observation correspond à un écart entre la valeur courante et la valeur de référence de la scène (le « fond » statique). Y(x,y,t) = | I(x,y,t) – Iref(x,y,t) | Le fond statique correspond à la valeur habituelle du fond, il est généralement calculé sous la forme d’une moyenne... Moyenne arithmétique sur les n dernières images : Très coûteux car nécessite de conserver en permanence n images consécutives en mémoire... Moyenne récursive (filtre exponentiel) : Nécessite seulement la moyenne et l’image courante... a, 0<a<1 est le paramètre d’oubli, (1/a a la dimension du temps) Si Yt > S, alors Êt = 1 sinon Êt = 0

13 Moyenne récursive Avantages :
réduction drastique du problème de l’ouverture Inconvénients : adaptation aux changements de conditions plus délicat Changement d’illumination (graduel, soudain,...) Mouvements parasites Mouvements de la caméra Changement de la nature du fond Comportement de la moyenne récursive au cours du temps pour 1 pixel donné (200 trames) correspondant au passage d’un objet mobile.

14 ...et pour un instant t fixé.
Moyenne récursive a = 0.125 a = It Mt Mt ...et pour un instant t fixé. Yt Yt

15 Moyenne récursive Pour des durées importantes, on retrouve le problème de l’ouverture, critique pour les mouvements radiaux : Par ailleurs, la détermination du seuil demeure critique…

16 Estimation gaussienne
Y(x,y,t) = | I(x,y,t) – Iref(x,y,t) | En chaque pixel, le niveau de gris est modélisé comme un signal aléatoire gaussien, qu’on peut entièrement caractériser par sa moyenne Mt et sa variance Vt. L’hypothèse gaussienne permet en outre d’adapter le seuil de binarisation à un nombre moyen de fausses alarmes. Si Yt > N.√Vt, alors Êt = 1 sinon Êt = 0 Wren et al 1997

17 Estimation multi-gaussienne
Adapté aux fonds multimodaux (rivières, écrans, drapeaux,...) Pour tout i  {0,..,K} : Pour chaque pixel, on calcule K modes i  {0,..,K}, qui sont partitionnés en « fond » F ou « non fond » NF. probabilité d’occurence Pour tout i  {0,..,K} : P(i) Si alors sinon V(i) Stauffer et Grimson 1999 niveau de gris 255 M(i)

18 Estimation Sigma-Delta
Si Mt < It alors Mt = Mt + 1; Si Mt > It alors Mt = Mt - 1; (1) (2) Yt = | It – Mt |; Si Vt < K.Dt alors Vt = Vt + 1; Si Vt > K.Dt alors Vt = Vt - 1; (3) Si Yt > Vt alors Dt = 1; sinon Dt = 0; (4) Comportement de la moyenne S-D au cours du temps pour 1 pixel donné (200 trames) correspondant au passage d’un objet mobile.

19 Estimation Sigma-Delta
It Mt Yt =|Mt – It| Vt (N = 2,normalisée) Êt

20 Estimation Sigma-Delta
Jeu d’instruction utile extrêmement réduit : Comparaison – Incrément – Différence Système de détection à base de rétine artificielle baseé sur l’estimation S-D Moyenne S-D converge vers la médiane temporelle : plus robuste. Extensible aux fonds complexes en adaptant les fréquence/phase des estimateurs S-D. Manzanera et Richefeu 2004

21 Sigma-Delta : rebouclage

22 Morphologie oublieuse
mt = aIt + (1-a)MIN(mt-1,It) Mt = aIt + (1-a)MAX(Mt-1,It) Dt = Mt - mt Comportement des opérateurs de morphologie oublieuse au cours du temps pour 1 pixel donné (200 trames) correspondant au passage d’un objet mobile.

23 Morphologie oublieuse
It Mt mt Le gradient morphologique oublieux Yt correspond à l’estimation récursive de l’amplitude de variation du niveau de gris dans les 1/a dernières trames. Cet opérateur est particulièrement adapté aux mouvements de faible amplitude (petits objets, lents). Yt = Mt – mt Richefeu et Manzanera 2004

24 Régularisation spatiotemporelle
Objectif : Exploiter les corrélations spatiales et temporelles entre pixels voisins – Obtenir des résultats plus réguliers. La régularisation spatiotemporelle utilise le résultat binaire de la détection temporelle Êt, ainsi que la valeur de « l’observation » Yt, pour calculer une étiquette régularisée Et. FILTRAGE MORPHOLOGIQUE : Souvent, la régularisation spatiotemporelle se réduit à l’application de filtres morphologiques binaires, qui calculent Et à partir de Êt, éventuellement de Êt-1, voire Êt+1. Filtres alternés séquentiels. Filtres majoritaires. Filtres connexes. REGULARISATION MARKOVIENNE : Basée sur un modèle probabiliste, calcule Et à partir de Yt, en utilisant un algorithme de relaxation initialisé par Êt.

25 Régularisation markovienne
Régularisation de problème mal posé Injection de connaissances a priori sur les données du problème MODELISATION PROBABILISTE La solution est la réalisation la plus probable d’un certain phénomène aléatoire Comment construire ce phénomène aléatoire ? → MODELISATION Comment obtenir des réalisations de ce phénomène → SIMULATION Comment obtenir la réalisation la plus probable ? → OPTIMISATION 3 questions :

26 Propriétés du modèle X : W → VS
Ens. des sites (pixels) Un champ aléatoire X sur S à valeur dans V est défini par : X : W → VS Univers probabiliste Ens. des valeurs (niveaux de gris) Notations : Pour ω  W, Xw : S → V réalisation d’un champ aléatoire. Pour s  S, Xs : Ws → V variable aléatoire au pixel s. Dans notre contexte de détection : V = {0,1} ({fixe,mobile}) S = Z3 ou Z2×N (espace-temps discret)

27 Topologie et système de voisinage
La donnée d’une topologie sur S détermine les relations de dépendances entre les variables aléatoires Xs Topologie sur S  Système de voisinage V V : S → P (S) tq, qq soit (s,r)  S2, s V (s) s V(r)  r V(s) Ex: x y t 6-connexité 8-connexité spatiale 2-connexité temporelle

28 Théorème de Hammersley-Clifford
Champs de Markov X : W → VS est un champ de Markov relativement au système de voisinage V ssi, pour tout s S, P(Xs = xs / Xr = xr ; r  s) = P(Xs = xs / Xr = xr ; r  V (s)) Théorème de Hammersley-Clifford J. Besag 1974 La densité de probabilité de X est une mesure de Gibbs P(X = x) = e-U(x) / Z avec Z = S e–U(y), et U(x) = S Vc(x) C est l’ensemble des cliques (sous-graphes complets) de V Vc(x) est une fonction dite potentiel qui ne dépend que des valeurs {xs}sc y VS c C On peut décrire un modèle de champ de Markov dans une topologie donnée en spécifiant les potentiels attachés à chaque clique. La donnée de la fonctionnelle d’énergie U permet de « prévoir » le comportement du champ aléatoire puisque la réalisation est d’autant plus probable que l’énergie est faible.

29 Modèle pour la détection de mouvement
bs bf bp Y avec (Modèle de Potts) avec Um(x) : énergie du modèle Ua(y,x) : énergie d’attache aux données

30 Sémantique du modèle Modélisation : et : On suppose :
avec Avec: a = moyenne de Y ; s2 = variance de Y Modélisation : On suppose : et : (caractère markovien de X) (modèle de bruit liant X et Y) L’énergie du modèle exprime une hypothèse de régularité. L’énergie d’adéquation assure un lien significatif entre le résultat de l’étiquetage et les données d’entrée. Critère bayesien du Maximum A Posteriori Alors : P.Bouthémy P.Lalande 1993

31 Simulation et chaînes de Markov
But : une fois le modèle défini, on souhaite générer des réalisations (échantillons) de ce modèle Principe : Construire une suite de champs aléatoires (Xn) nN, telle que Pour tout x VS, lim P(Xn = x) = P(x) avec P(x) = e -U(x) / Z n → + Une suite (Xn)n est une chaîne de Markov (d’ordre 1) ssi : P(Xn+1 = xn+1 / Xi = xi ; i  n) = P(Xn+1 = xn+1 / Xn = xn) Pour cela, on va construire une chaîne de Markov qui converge en loi vers P :

32 Algorithme de Metropolis Echantillonneur de Gibbs
Simulation Exemple : les deux algorithmes suivants… Algorithme de Metropolis Echantillonneur de Gibbs Soit X0 = x0 un état initial quelconque. Pour n  0, faire : Soit X0 = x0 un état initial quelconque. 1. Tirer un pixel s au hasard (Loi uniforme sur S). Pour n  0, faire : 2. Tirer une étiquette e au hasard (Loi uniforme sur V). 1. Tirer un pixel s au hasard (Loi uniforme sur S). On note : 2. Calculer les probabilités conditionnelles : 3. Calculer la différence : Si DU < 0, alors : 3. Effectuer un tirage de Xn+1 en fonction de cette loi. sinon : avec une probabilité e - DU avec une probabilité 1 - e - DU S. Geman & D. Geman 1984 N. Metropolis 1953 …produisent des chaînes de Markov qui converge en loi vers la mesure de Gibbs d’énergie U. J.L.Marroquín 1985

33 Optimisation But : Nous avons vu comment produire des échantillons de la loi qu’on a modélisée. On souhaite à présent obtenir la réalisation la plus probable. 1er cas : RELAXATION DETERMINISTE Supposons qu’on soit capable d’obtenir un état initial X0 = x0 qui constitue une instance crédible (= une réalisation pas trop improbable) du modèle de Gibbs qu’on a construit. Dans ce cas : MODELISATION SIMULATION OPTIMISATION Ex: ICM (Iterated Conditional Mode), avec x0 = seuillage de y

34 Algorithme de détection
ICM ALGORITHME ICM Yt-1 Yt Yt+1 Soit X0 = x0. Relaxation { Balayer l’ens.des pixels s  S, et pour tout s : { pour chaque valeur e  V, on note xe tel que xe(r) = x(r) si r  s et xe(s) = e. on prend : x(s) = arg min U(xe). } e V Êt-1 Êt Êt+1 ICM ICM ICM Et-1 Et Et+1 Algorithme de détection

35 ICM : résultats Algorithme complètement déterministe, s’apparente à une descente de gradient. Converge vers le premier minimum local de U rencontré. Correct si l’initialisation n’est pas trop loin du minimum global. I T X MeuObs.avi MeuLab.avi Meudon3.avi

36 L’algorithme ICM correspond à une descente de gradient local :
ICM et optimisation L’algorithme ICM correspond à une descente de gradient local : ICM U Un algorithme de descente de gradient appliqué à une fonction U converge vers le premier minimum global rencontré en aval de l’initialisation. Ce minimum n’est le minimum global de la fonction U que si U est convexe :

37 Recuit simulé 2d cas : RELAXATION STOCHASTIQUE
On passe par une étape de simulation, qui contient du tirage aléatoire. Problème : on a obtenu une convergence en loi, mais comment faire converger les réalisations ? Mesure de Gibbs d’énergie U et de température T : exp(-U(x)/T) ZT P(X=x) = avec ZT = S exp(-U(y)/T) y VS

38 (où mi est un minimum de U )
Recuit simulé PROPRIETE : 1 – Lorsque T → +, la mesure de Gibbs d’énergie U et de température T tend vers la probabilité uniforme sur VS. 1 – Lorsque T → 0, la mesure de Gibbs d’énergie U et de température T tend vers la probabilité uniforme sur l’ensemble {m1,…,mn} des minima de U. 1 (1) T  +∞ : card VS (1) (1) T  0 : quand T  0 : (2) T  0  T 8 (où mi est un minimum de U )

39 Recuit simulé : résultats
Application : algorithme de Metropolis en faisant décroître T vers 0. Inconvénient majeur : coût de calcul énorme. Mis en œuvre sur architectures parallèles… I T X Karlsruhe2.avi KarlObs.avi KarlLab.avi

40 Recuit simulé et optimisation
Par rapport à la descente de gradient, le principe de l’algorithme de recuit simulé est de pouvoir sortir de « puits » de minima locaux en permettant aléatoirement une augmentation de l’énergie, d’autant plus grande que la température est élevée : ICM U Recuit simulé U

41 Convergences ICM Recuit simulé

42 GNC et espaces d’échelle
3ème cas : RELAXATION DETERMINISTE GNC (Graduated Non Convexity) Principe : modéliser le problème par une hiérarchie de modèle de Gibbs {UZ}Z Par exemple, une hiérarchie de modèle de Gibbs peut être induite par une multi-résolution spatiotemporelle de la séquence d’images :

43 GNC et optimisation 3ème cas : RELAXATION DETERMINISTE GNC (Graduated Non Convexity) Principe : modéliser le problème par une hiérarchie de modèle de Gibbs {UZ}Z GNC U2 ICM U Enveloppe convexe Û U1 U0 A.Blake & A.Zisserman 1987

44 Conclusion Chapitre 1 CALCUL DU CHANGEMENT TEMPOREL
Gradient temporel Fond statique Moyenne récursive Mélange de gaussiennes Estimation S-D Morphologie oublieuse REGULARISATION SPATIOTEMPORELLE Filtrage morphologique Relaxation markovienne ICM Recuit simulé Modèles de Gibbs hiérarchiques

45 Bibliographie Chapitre 1
C. Wren et al 1997 « Pfinder: real-time tracking of the human body » IEEE Trans on Pattern Analysis and Machine Intelligence 19-7 pp C. Stauffer & W.E.L. Grimson 2000 « Learning patterns of activity using real-time tracking » IEEE Trans on Pattern Analysis and Machine Intelligence 22-8 pp A. Manzanera & J. Richefeu 2006 « A new motion detection algorithm based on S-D estimation » Pattern Recognition letters à paraître P.Bouthémy & P.Lalande 1993 « Recovering of moving object in an image sequence using local spatiotemporal contextual information » Optical engineering S. Geman & D. Geman 1984 « Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images » IEEE Transactions on Pattern Analysis and Machine Intelligence J.L.Marroquín 1985 « Probabilistic solution of inverse problems » PhD Thesis, MIT A.Blake & A.Zisserman 1987 « Visual reconstruction » MIT Press