Vehicules Intelligents Etude Et Developpement D'un Capteur Intelligent de Vision

V
ehicules Intelligents : Etude et d

eveloppement dun
capteur intelligent de vision pour lattelage virtuel
Mohamed Zayed
To cite this version:

Mohamed Zayed. Vehicules Intelligents : Etude et developpement dun capteur intelligent de
vision pour lattelage virtuel. domain other. Universite des Sciences et Technologie de Lille Lille I, 2005. French. <tel-00141213>
HAL Id: tel-00141213

https://tel.archives-ouvertes.fr/tel-00141213
Submitted on 12 Apr 2007
HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et `a la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.
THESE
Prsente lUniversit des Sciences et Technologies de Lille
En vue de lobtention du grade de
DOCTEUR DE LUNIVERSITE
Spcialit
Instrumentation et Analyses Avances
Par
Mohamed ZAYED
Vhicules Intelligents : Etude et dveloppement dun capteur

intelligent de vision pour lattelage virtuel
Soutenue publiquement le 12 juillet 2005 devant la commission d'examen :
Membres du jury :
Prsident :
M. F. CABESTAING
Matre de Confrences HDR, LAGIS, USTL.
Rapporteurs :
M. P. MARCHE
Professeur,
Ecole
Nationale
dIngnieurs de Bourges.
M. J M. THIRIET
Matre de Confrences HDR, CRAN Universit

Henri Poincar Nancy I.
Examinateurs : Mme M. BAYART

M. J. BOONAERT
Suprieure
Professeur, LAGIS, USTL (Directrice de Thse)

Matre de Confrences, GIP, Ecole des Mines de
Douai (Co-directeur de Thse)
Cette thse a t prpare dans le cadre dune collaboration entre le Laboratoire dAutomatique et
de Gnie Informatique et Signal de Lille et le Dpartement de Gnie Informatique et productique de lEcole des Mines
de Douai.
Remerciements
Ce travail a t effectu dans le cadre dune collaboration entre le Laboratoire

dAutomatique, Gnie Informatique & Signal LAGIS et le Dpartement Gnie
Informatique et Productique GIP de lEcole des Mines de Douai.
Je tiens remercier, Monsieur Philippe Hasbroucq, Directeur de dpartement GIP de
m'avoir accueilli dans son dpartement.
Je suis heureux dexprimer toute ma gratitude envers Madame Mireille Bayart,
Professeur PolytechLille et responsable de lquipe Sret de Fonctionnement des
Systmes Dynamiques qui ma fait confiance en me proposant ce sujet de thse, ainsi que
pour sa riche exprience scientifique dont elle ma fait profiter.
Jexprime ma vive reconnaissance Monsieur Jacques Boonaert, Matre de Confrences
lEcole des Mines de Douai, qui a co-dirig ce travail et qui la enrichi en instillant le got
de lapplication des cas rels. Quil trouve ici lexpression de ma gratitude pour la
confiance, les conseils et les suggestions aviss quil ma prodigus ainsi que pour ses
qualits scientifiques et humaines exceptionnelles dont il a fait preuve en co-dirigeant ce
travail.
Je remercie Monsieur Franois Cabestaing, Matre de Confrences HDR lUniversit
des Sciences et Technologies de Lille, pour lhonneur quil ma fait en acceptant de
prsider ce jury de soutenance de thse.
Je souhaite galement remercier, Messieurs Pierre March, Professeur lEcole
Nationale Suprieure dIngnieurs ENSI de Bourges et Jean-Marc Thiriet, Matre de
Confrences HDR au CRAN Universit Henry Poincar Nancy I, pour lhonneur quils mont
fait de juger ce travail en qualit de rapporteurs.
Je voudrais galement remercier, Monsieur Philippe Desodt, Professeur lEcole des
Mines de Douai et Responsable de lquipe SPI, pour mavoir accueilli aux sein de son
quipe toute la dure de ma thse.
Enfin, sans donner une liste exhaustive ou sans m'embarquer dans un rcit que seuls
les destinataires comprendraient, de peur d'en oublier, je tiens remercier particulirement,
tous le personnel de lquipe SPI du dpartement GIP, pour la bonne ambiance qui ont su
apporter tout au long de ma prsence au sein de lquipe et pour les qualits personnelles de
chacun et chacune.
Dans ces moments de remerciements, jai une pense particulire pour Monsieur
Daniel Manier, qui nous a quitter tout jamais en laissant aprs lui un norme vide !
Pour terminer, mes remerciements sadressent ma famille, mes parents qui mont
aid sur tous les plans et dont les mots ne sauront exprimer ma reconnaissance, et ma sur
et mon frre.
Sommaire
INTRODUCTION GENERALE ......................................................................................................................... 5
1.
CONTEXTE DE LA THSE ................................................................................................................... 5
2.
CADRE DE LA THSE........................................................................................................................... 6
3.
OBJECTIF DE LA THSE .................................................................................................................... 11
4.
PLAN DU MMOIRE ........................................................................................................................... 13
LES VEHICULES INTELLIGENTS : ETAT DE LART.............................................................................. 14

I.1.
INTRODUCTION .................................................................................................................................. 14
I.2.
LA CONDUITE AUTOMATISE DES VHICULES......................................................................... 17
I.2.1.
QUE FAUT-IL AMLIORER, LES VHICULES OU LES INFRASTRUCTURES ?............. 17
I.2.2.
QUELLES SONT LES EXIGENCES QUE DOIT SATISFAIRE UNE APPLICATION ITS ? 18
I.2.3
QUEL TYPE DE CAPTEURS UTILISER ? ............................................................................... 19
I.3.
LA VISION DANS LE DOMAINE DES VHICULES INTELLIGENTS........................................... 20
I.4.
LE SUIVI DE LA ROUTE..................................................................................................................... 22
I.4.1.
DTECTION DES MARQUAGES AU SOL ............................................................................. 22
I.4.2.
DTECTION DES OBSTACLES ............................................................................................... 25
I.5.
LES TENDANCES RELATIVES A LVOLUTION DES MATRIELS........................................... 29
I.6.
LES VHICULES PROTOTYPES........................................................................................................ 30
I.7.
CONCLUSION....................................................................................................................................... 31
LES CAPTEURS INTELLIGENTS.................................................................................................................. 33

II.1. INTRODUCTION .................................................................................................................................. 33
II.2. POURQUOI METTRE LINTELLIGENCE AU SEIN DES CAPTEURS ?......................................... 34
II.2.1.
LITINRAIRE DE LINFORMATION..................................................................................... 34
II.2.2.
CE QUON ATTEND DUN CAPTEUR INTELLIGENT......................................................... 36
II.3.3.
FONCTIONS ASSOCIES LINTELLIGENCE DES CAPTEURS ................................ 37
II.3.4.
FONCTIONS DE LINTELLIGENCE DANS LE TRAITEMENT DE LINFORMATION..... 39
II.3. LES APPROCHES DE RALISATION DES CAPTEURS INTELLIGENTS..................................... 39

II.4. MODLISATION DU CONCEPT DU CAPTEUR INTELLIGENT :.................................................. 40
II.5. LE CAPTEUR INTELLIGENT EN TANT QUQUIPEMENT INTELLIGENT ............................... 41
II.6. DOMAINES DAPPLICATIONS DES CAPTEURS INTELLIGENTS ............................................... 42
II.7. LA CONCEPTION DES CAPTEURS INTELLIGENTS ...................................................................... 43
II.7.1.
APPROCHE FONCTIONNELLE ............................................................................................... 43
II.7.1.1. LA DCOMPOSITION FONCTIONNELLE.......................................................................... 43

II.7.1.2. LA DCOMPOSITION PAR FLOTS DE DONNES............................................................ 44
II.7.2.
APPROCHE INFORMATIONNELLE ....................................................................................... 44
II.7.3.
APPROCHE COMPORTEMENTALE ....................................................................................... 45
II.7.4.
APPROCHE HYBRIDE .............................................................................................................. 46
II.7.5.
APPROCHE ORIENTE OBJET ............................................................................................... 46
II.8. LE CAPTEUR INTELLIGENT DDI LATTELAGE VIRTUEL ................................................. 47

II.8.1.
BESOINS SUPPLEMENTAIRES............................................................................................... 48
II.8.2.
SPCIFICATIONS DES BESOINS DU SYSTME DATTELAGE VIRTUEL ...................... 48
II.8.2.1. LES CONSOMMATEURS EXTERNES................................................................................. 49

II.8.2.2. LES SERVICES QUE DOIT FOURNIR LE SYSTME ........................................................ 50
II.8.3.
ARCHITECTURE OPRATINNELLE DU SYSTME DATTELAGE VIRTUEL ................ 63
II.9. CONCLUSION....................................................................................................................................... 65
APPLICATION : ATTELAGE VIRTUEL ...................................................................................................... 66
III.1. INTRODUCTION .................................................................................................................................. 66
III.2. LES CONTRAINTES ET LES EXIGENCES DE LAPPLICATION................................................... 68
III.2.1.
AU NIVEAU DE LAPPLICATION .......................................................................................... 68
III.2.2.
AU NIVEAU MATRIEL .......................................................................................................... 70
III.3. DCOMPOSITION FONCTIONNELLE DU CAPTEUR STROSCOPIQUE DVELOPP ......... 70

III.3.1.
ACQUISITION............................................................................................................................ 72
III.3.1.1. LES DISPOSITIFS DACQUISITION DIMAGES ............................................................... 73

III.3.1.2. LA TAILLE DU CAPTEUR.................................................................................................... 77
III.3.1.3 LE MODLE GOMTRIQUE DE LA CAMRA ............................................................... 77
III.3.1.4. CHAMPS DE VISION VOLUME DE TRAVAIL ............................................................... 86
III.3.2.
LE SYSTME DE STROVISION.......................................................................................... 89
III.3.2.1. UNE CONFIGURATION GOMETRIQUE PARTICULIERE ............................................. 89

III.3.2.2. DSCRIPTION DU SYSTME DE STROVISION MIS EN PLACE............................... 90
III.3.3.
LA CALIBRATION .................................................................................................................... 93
III.3.3.1. LA CALIBRATION PHOTOGRAMTRIQUE...................................................................... 95

III.3.3.2 LA CALIBRATION HYBRIDE .............................................................................................. 97
III.3.3.3. LAUTOCALIBRATION (SELF-CALIBRATION) ............................................................. 101
III.3.3.4 LA CALIBRATION DUN CAPTEUR STROSCOPIQUE ............................................. 108
III.3.4.
MISE EN UVRE DE LA CALIBRATION HYBRIDE ......................................................... 110
III.3.4.1. BINARISATION DE LIMAGE............................................................................................ 112

III.3.4.2. DTECTION DES RECTANGLES ET EXTRACTION DES COINS DE LA MIRE ......... 113
III.3.4.3. ORGANISATION DES COINS DTECTS........................................................................ 114
III.4.4.4. EVALUATION DES PERFORMANCES DE LA CALIBRATION DU SYSTME
STROSCOPIQUE.......................................................................................................... 116
III.3.5.
DTECTION DE LA PLAQUE DIMMATRICULATION..................................................... 128
III.3.5.1. LA SEGMENTATION STATISTIQUE ................................................................................ 129

III.3.4.2. RSULTATS EXPERIMENTAUX....................................................................................... 138
III.3.6.
LECTURE DE PLAQUE DIMMATRICULATION................................................................ 140
III.3.6.1. SEGMENTATION DES CARACTRES ............................................................................. 141

III.3.6.2. RECONNAISSANCE DES CARACTRES......................................................................... 146
III.3.6.3. EVALUATION DES PERFORMANCES DE LA PROCDURE DE LECTURE DE LA
PLAQUE................................................................................................................................. 155
III.3.7.
LALGORITHME DE TRACKING.......................................................................................... 156
III.3.7.1. INTERET DE LA DEMARCHE ........................................................................................... 156

III.3.7.2. LA DMARCHE GLOBALE................................................................................................ 156
III.3.7.3. MISE EN UVRE DU FILTRE............................................................................................ 159
III.3.8.
EXTRACTION DES INFORMATIONS NCESSAIRES AU SUIVI DU VHICULE ......... 160
III.3.8.1. LE MODE NORMAL DU FONCTIONNEMENT DU CAPTEUR STROSCOPIQUE... 161

III.3.5.2. LE MODE DU FONCTIONNEMENT DGRAD DU CAPTEUR STROSCOPIQUE. 174
III.4.CONCLUSION ................................................................................................................................. 186
CONCLUSION GNRALE .......................................................................................................................... 188
RFRENCES BIBLIOGRAPHIQUES........................................................................................................ 192
ANNEXE A........................................................................................................................................................ 205
A.
Lobjectif des camras .......................................................................................................................... 205

A.1.
Paramtres caractristiques dun objectif................................................................................... 205
A.1.1.
LA FOCALE : ........................................................................................................................ 205
A.1.2.
LE DIAPHRAGMME :.......................................................................................................... 205
A.1.3.
LE FOCUS : ........................................................................................................................... 206
A.2.
La Qualit dun objectif ............................................................................................................. 206
A.2.1.
LA QUALIT DU MATRIAU............................................................................................ 206
A.2.2.
LA RPONSE SPECTRALE................................................................................................. 206
A.2.3.
LA DISTORSION .................................................................................................................. 206
ANNEXE B ........................................................................................................................................................ 207

B.
Le transfert des images ......................................................................................................................... 207

B.1.
Le transfert numrique ............................................................................................................... 207
B.1.1.
LA NORME RS 422 OU EIA 422 ................................................................................... 207
B.1.2.
LA NORME RS 644 OU EIA 644 ................................................................................... 208
ANNEXE C........................................................................................................................................................ 209

C
Le modle de la distorsion des lentilles ................................................................................................ 209
ANNEXE D........................................................................................................................................................ 211

D.1. Le dtecteur de Harris........................................................................................................................... 211
ANNEXE E ........................................................................................................................................................ 213
E.1. Le calcul de la matrice fondamentale ................................................................................................... 213
ANNEXE F ........................................................................................................................................................ 215
F.1. Dtail de lextraction des paramtres intrinsques de la camra partir de la matrice fondamentale .. 215
F.2
Extraction des quations de Kruppa partir de la transformation pipolaire ....................................... 216
ANNEXE G........................................................................................................................................................ 221

G.1. Dimensions des plaques........................................................................................................................ 221
Introduction Gnrale
INTRODUCTION GENERALE
1.
CONTEXTE DE LA THESE
Si de nombreux aspects de notre vie sont devenus plus agrables grce l'utilisation de
technologies avances, il a fallu longtemps au secteur du transport pour combler son retard en
la matire. Aujourd'hui, ces progrs sont devenus incontournables. Les vhicules deviennent
de plus en plus srs, mais en contrepartie de plus en plus complexes; il est donc ncessaire
d'avoir recours l'automatisation pour prendre en charge les fonctions volues maintenant
disponibles. A cela se rajoute un trafic plus intense et un environnement plus dense. Il faut
pouvoir compter sur des systmes rapides et robustes pour prolonger la perception humaine.
Ces technologies, qui visent accrotre la scurit, le rendement et la commodit de la
conduite, sont actuellement en cours de conception et de dveloppement. Ces systmes
doivent fonctionner en troite collaboration avec le conducteur. Le concepteur d'un vhicule
intelligent doit intgrer des technologies et des systmes disparates pour crer une machine
cohrente qui complte efficacement le conducteur humain.
Ainsi, le pari des chercheurs et des constructeurs automobiles est le dveloppement dun
vhicule intelligent , utilisant les avances rcentes en lectronique et en informatique. Le
vhicule intelligent doit pouvoir :
-
Suivre la route,
Se tenir dans la file correcte,
Dtecter les pitons,
Grer les inter-distances avec les autres vhicules,
Adapter sa vitesse en fonction des conditions du trafic et des caractristiques de la

route,
Changer la file pour suivre les vhicules et viter les obstacles,
Trouver litinraire le plus court dans lenvironnement urbain,
Echanger les informations avec linfrastructure et les autres vhicules,
Etc !
Si le terme vhicule intelligent parat encore un peu prsomptueux, il traduit

cependant la part dj trs importante mais toujours croissante des systmes embarqus dans
les vhicules daujourdhui, puisque ceux-ci reprsentent environ 30% du cot total du
vhicule [Har.04].
Introduction Gnrale
Certains des systmes directement issus de travaux de laboratoire sont dsormais
disponibles sur les vhicules actuels. Parmi les plus clbres, nous pouvons citer linjection
lectronique, les airbag, lABS (Anti Bloking System), le rgulateur de vitesse ou encore le
systme daide la vision nocturne. Dautres dispositifs plus rcents sont en cours de tests et
concernent le concept des vhicules intelligents pour la ville appels communment
Cybercars .
Paralllement aux efforts consentis pour amliorer lagrment et la scurit des
vhicules, les recherches se concentrent sur les systmes visant accrotre le rendement et
les conditions de circulation propres aux infrastructures dj en place. Ainsi, de nombreuses
quipes de recherche travaillent sur le concept de train de vhicules, emprunt au monde
ferroviaire, et bas essentiellement sur la notion dattelage virtuel . Les buts poursuivis
sont, entre autres, loptimisation de la circulation routire et lamlioration de la scurit sur
les autoroutes et les rseaux secondaires. Les retombes conomiques potentielles sont
nombreuses, que ce soit au niveau des constructeurs automobiles quau niveau des nouveaux
services que lutilisation des technologies associes aux vhicules intelligents permet de
proposer aux usagers de la route.
Ceci explique en partie pourquoi lamlioration ou loptimisation de la circulation
routire sont des problmatiques qui ont t tudies depuis longtemps. La possibilit de crer
dsormais des systmes daide la conduite accessibles au plus grand nombre ne fait
quaccrotre lintrt que celles-ci suscitent auprs de nombreux chercheurs et de grands
constructeurs automobiles.
2.
CADRE DE LA THESE
Le travail prsent dans cette thse est le rsultat de la collaboration entre le

dpartement Gnie Informatique et Productique de lEcole des Mines de Douai (EMD GIP)
et le Laboratoire dAutomatique et Gnie Informatique et Signal (LAGIS). Il sinscrit dans le
cadre du programme AViVA ( Attelage Virtuel pour Vhicules Autonomes) du projet
AutoRIS ( Automatique pour la Route Intelligente et Sre ) men par le Groupement de
Recherche en Automatisation Intgre et Systmes Hommes-Machines (GRAISyHM). Ce
projet, soutenu par 10 Laboratoires et organismes de recherche de la Rgion Nord pas de
Calais ( EMD GIP, ERASM, ESTAS (INRETS), GEMTEX (ENSAIT), LASL (ULCO),
LABOGP (FSA Bethune), LAGIS (EC Lille et USTL), LAMIH (UVHC), LEOST
(INRETS)), concerne le dveloppement des concepts de routes et de vhicules intelligents
afin doptimiser la circulation routire, amliorer la scurit, prserver lenvironnement et
proposer de nouveaux services aux usagers.
Il sagit principalement de concevoir et de dvelopper des systmes embarqus pour
laide la conduite et / ou lautomatisation de certaines tches qui peuvent amliorer les
conditions de circulation. Pour laide la conduite, lobjectif est dassister le conducteur dans
des situations difficiles (dtection dobstacles, vision nocturne, rgulation de vitesse, etc)
6
Introduction Gnrale
ou encore dautomatiser la conduite pour effectuer des tches spcifiques (dont lattelage
virtuel est un exemple). Dautres entits de recherche visent dvelopper des systmes daide
la navigation. Lobjectif de laide la navigation est de proposer aux usagers des transports
intelligents (vhicules touristiques, bus, etc) une nouvelle gamme de services tels que les
informations en temps rel sur les itinraires, des informations touristiques, des services de
rservations de chambres dhtels ou encore tout service susceptible dintresser le
conducteur au cours de son dplacement.
Le travail prsent ici concerne laide la conduite. Nous nous sommes intresss plus
particulirement la perception de lenvironnement lavant du vhicule afin dextraire les
informations ncessaires la mise en uvre dun attelage virtuel pour vhicules autonomes.
Cette approche vise remplacer les liaisons matrielles caractrisant les attelages mcaniques
(dont un exemple est fourni dans la figure ci-dessous) par des chanes informationnelles : le
but est damliorer la fois la scurit et la flexibilit des vhicules en convoi.
T
Vhicule tracteur
yT
liaison
~ amortissement
~ raideur
Vhicule tract
Longueur en rgime
permanent
C
xT
Figure 1 :
Exemple de liaison physique simple.
Lquivalent virtuel de cette liaison doit donc exhiber des proprits fonctionnelles
quivalentes (la liste ci-dessous nvoquant que celles qui nous intressent le plus
directement) :
-
Assurer une certaine interdistance entre vhicules.
Amener le vhicule tract sur une trajectoire compatible avec un suivi correct du
tracteur . Par correct , on entend une trajectoire qui satisfasse les contraintes
lies la scurit et le confort des personnes transportes et des autres usagers de
la route, des matriels utiliss et des infrastructures.
Pouvoir spcifier le comportement dynamique de la liaison (par le biais par exemple

de paramtres similaires lamortissement et la raideur). Ces paramtres pouvant
tre adapts en ligne en fonction des conditions opratoires : conduite sur
autoroute, conduite en ville, etc.
7
Introduction Gnrale
-
Pouvoir adapter la distance intervhiculaire en fonction de ces mmes conditions

opratoires. Il est en effet clair quen fonction de la vitesse absolue des vhicules
impliqus dans la liaison, les distances de scurit doivent tre augmentes.
La mise en uvre dune telle liaison virtuelle suppose donc que le vhicule tract
soit capable par lui-mme dapprcier la position relative du vhicule tracteur ( en fait
la position relative en tant que telle, mais aussi lorientation et la vitesse relatives, aussi bien
linaire quangulaire). Lentit responsable (le pilote ) de la conduite du vhicule tract
doit donc, partir des grandeurs mesurables associes aux lments de lattelage, extraire des
informations exploitables et pertinentes, capables de le renseigner sur cette configuration
relative. A partir de celles-ci, compte tenu de lobjectif assign (distance intervhiculaire
principalement) et des paramtres de fonctionnement courant ( amortissement , erreur
admise, etc.) le pilote agit sur les organes permettant la manuvre du vhicule, savoir :
-
Le volant (angle de braquage).
Lacclrateur.
La commande de frein.
Linteraction entre les diffrents lments impliqus dans la mise en uvre dune liaison
virtuelle telle que nous venons de la dcrire est reprsente sur la figure suivante (figure 2).
objectifs
Paramtres de fonctionnement
Angle de braquage
Pilote
Action sur lacclrateur

Action sur les freins
Informations exploitables
capteurs
Figure 2 :
grandeurs mesurables
Vhicule
tract
Modification de la
Configuration rela-tive des vhicules
Distance,
orientation et
vitesses
relatives
Interactions entre les constituants de la liaison virtuelle.
On voit que ce pilote se trouve lintersection entre laspect perception de

lenvironnement et laspect commande du vhicule. Il est donc clair que la conception
dune liaison virtuelle mobilise les disciplines connexes ces deux domaines. Ainsi, comme
le montre la figure 3, lextraction des informations pertinentes partir des mesures recueillies
sur le systme sera du ressort de la partie perception , tandis que llaboration dune loi de
commande sappuyant sur ces donnes et tenant compte de lobjectif et des paramtres de
fonctionnement, est dvolue laspect commande du problme.
Introduction Gnrale
Figure 3 :
Organisation interne du pilote .
Le travail expos dans le prsent mmoire est relatif la partie perception de

lenvironnement . Il sagit pour nous de dfinir et de mettre au point un capteur permettant
de fournir les donnes ncessaires au contrleur pour piloter le vhicule tract .
Plusieurs approches peuvent alors tre adoptes, qui diffreront essentiellement par la
technologie des capteurs utiliss :
-
Technologie par mission-rception : Elle consiste utiliser des capteurs mettant

en uvre une technique base sur la rflexion dune onde mise par le capteur luimme. On peut ranger dans cette catgorie des dispositifs tels que les radars, sonars et
lidars.
Technologie par rception simple : Il sagit de capteurs exploitant un signal prsent

de faon naturelle et spontane dans lenvironnement. Les camras vidos sont
typiques de ce type de capteurs.
La technologie par mission-rception nimplique en gnral pas de traitements

complexes, grce la slectivit que procure les techniques employes, et les mesures
obtenues sont directes. Cependant, ds lors que des performances leves sont ncessaires,
cette technologie peut savrer chre et prsente dans tous les cas linconvnient majeur
dinterfrences entre capteurs du mme type, ds lors quils sont utiliss en grand nombre sur
une surface rduite (par exemple par des vhicules sur une route).
A contrario, les technologies par rception simple ncessitent des traitements
complexes afin dextraire linformation pertinente du bruit et ses performances sont
limites dans certaines situations (par exemple dans le brouillard ou lobscurit pour ce qui
concerne les capteurs dimages). En dpit de ces difficults, cette technologie prsente deux
avantages dterminants pour les transports intelligents.
Introduction Gnrale
Le premier dentre eux est le cot, qui reste faible comparativement la technologie par
mission-rception, ceci en partie grce aux rcentes avances techniques touchant les
dispositifs impliqus dans ce premier type de capteur.
Le second est directement li la nature de ces capteurs, qui les prserve de faon
intrinsque des interfrences entre dispositifs identiques. Cest en particulier pour ces deux
raisons que nous avons opt pour le dveloppement dun capteur par rception simple
rpondant des contraintes de cots strictes. Compte-tenu de la richesse des informations
quil est mme de procurer, celui-ci a pris la forme dun capteur de vision stroscopique, se
composant de deux camras et dune unit de traitement compact et conomique, que ce soit
financirement et nergtiquement.
La strovision est une technique qui utilise deux camras ou plus. Cette technique
ncessite des traitements complexes et sensible aux mouvements du vhicule et aux erreurs de
calibration. Dune manire gnrale, il est clair que toutes les techniques bases sur la vision
sont sensibles certaines conditions mtorologiques et dclairage (nuit, brouillard).
Nanmoins, la strovision prsente des avantages trs intressants (certains de ceux cits cidessous ne lui tant pas spcifiques):
Une quantit dinformations la fois trs importante et trs riche.

La possibilit de pouvoir sappliquer dune faon gnrique (sapplique tout
objet).
La reconstruction 3D sans requrir dinformations trs prcises sur la scne
observe.
Le Suivi des vhicules dans les courbes, l o le radar choue.
Une grande flexibilit, dans la mesure o un capteur de strovision permet
limplmentation des deux autres techniques en parallle (ce qui reprsente une
proprit intrinsque trs intressante).
La nature non intrusive de ce capteur (capteur passif), lui pargne les problmes
dinterfrences.
Le cot relativement modique dun systme de strovision bas sur des
composants standards le rend attractif en comparaison de capteurs actifs dots de
performances adaptes lapplication (radars, lidars, etc.)
Ces avantages font du capteur de strovision un outil de choix pour la perception de

lenvironnement du vhicule et justifie son emploi dans le cadre de notre projet. Malgr tout,
il est clair que son utilisation dans le domaine des transports nest pas sans poser certains
problmes.
10
Introduction Gnrale
Lobjectif principal du capteur stroscopique au sein de notre application est dextraire
linformation utile au contrle du vhicule (vitesse et distance relatives, orientation, etc)
partir du couple dimages pris au mme instant de deux points de vue diffrents.
Connaissant le modle de projection de chacune des deux camras, il sagit de calculer
les coordonnes 3D (par triangulation passive dans notre cas) dun ensemble de points
appartenant la scne observe partir de leurs projections sur les deux images. Pour y
parvenir, nous devons faire face aux problmes suivants :
Estimer le modle de projection de chacune des deux camras, cest dire calibrer
le capteur stroscopique.
Rsoudre le problme de la mise en correspondance. Ceci revient savoir associer
un pixel dans une image donne sa contrepartie dans lautre image,
correspondant la projection du mme point de la scne. Ce processus doit tre
effectu en respectant les contraintes temps rel et de fiabilit propre
lapplication envisage. Une technique de mise en correspondance efficace et
rapide est prsente dans [Zay.03a].
Effectuer la reconstruction tridimensionnelle. Les problmes potentiels sont
principalement lis la calibration du capteur stroscopique et la triangulation.
Ne drogeant pas aux autres techniques mettant en uvre une rception simple ,
lexploitation de la strovision dans le cadre des transports routiers ncessite la mise en place
dun certain nombre dalgorithmes de traitement et danalyse dimages fortement coupls
entre eux, devant tre la fois robustes et rpondre des contraintes temporelles strictes
(surtout pour des application telles que le suivi automatique de vhicules). Cest en particulier
lobjectif de cette thse que daboutir un systme efficace et cohrent permettant de
respecter de telles contraintes de performances et de cot, ceci grce lemploi de mthodes
adaptes aux conditions imposes par un usage routier et par lexploitation de matriel
compatible avec le prix de la voiture de monsieur tout-le-monde .
3.
OBJECTIF DE LA THESE
La technique fondamentale mise en uvre dans notre capteur, ( savoir la strovision)

est un processus qui, partir de deux ou plusieurs images dune mme scne prises de
positions diffrentes, permet de retrouver la structure 3D de la scne observe. La
reconstruction 3D dune scne est assure par lexploitation conjointe des proprits
colorimtriques de la scne et des caractristiques gomtriques des camras.
Dans son principe, lattelage virtuel repose sur la capacit du capteur dvelopp
fournir des informations concernant la position et lorientation du vhicule prcdant celui
auquel il est li. Si on dsigne par tracteur le vhicule auquel on souhaite satteler, le
capteur doit tre capable dexploiter une (voire des) entit(s) inhrente(s) au vhicule tracteur,
qui permettrait au besoin de le singulariser parmi des vhicules strictement identiques par
11
Introduction Gnrale
ailleurs. Le choix de cette entit est une problmatique en soi, puisque celle-ci doit exhiber
plusieurs proprits, savoir :
Cette entit doit tre prsente sur tous les vhicules tracteurs potentiels de faon
naturelle (ou plutt ds la sortie de lusine), puisque nous ne voulons pas modifier
lapparence de ceux-ci.
De faon (presque) antagoniste la proprit prcdente, lentit choisie doit prsenter
des variations de sorte pouvoir singulariser un vhicule prcis de faon univoque.
Le vhicule suiveur se trouvant ncessairement derrire le vhicule tracteur, lentit
choisie doit tre obligatoirement larrire du vhicule tracteur.
Elle doit tre facile distinguer de son environnement et doit prsenter des
proprits gomtriques similaires pour tous les vhicules, afin que les algorithmes
dvelopps soient gnriques tous les vhicules tracteurs potentiels.
Figure 4 :
Exemple de scne observe par le systme de localisation.
Les proprits nonces ci-dessus permettent de dresser une partie des spcifications de
notre capteur stroscopique, compte tenu de la ncessaire adquation devant exister entre
lentit dtecter et le couple algorithme / architecture afin de respecter nos contraintes de
temps de rponse et de robustesse. Les autres spcifications du capteur (dimensionnelles,
optiques, etc..) dcoulent directement des conditions dexploitation de celui-ci.
Dans cette thse, nous proposons donc un capteur stroscopique intelligent - de part sa
structure et lunit de traitement qui lui y associe - qui permet lextraction des informations
ncessaires la tche dattelage virtuel. Sa disposition gomtrique particulire lui permet
galement de proposer un fonctionnement adquat dans le cas de dfaillance dune seule
camra. Les lignes directrices de cette thse taient de proposer une solution matrielle bon
march, flexible et embarquable (compacit, disponibilit, basse consommation lectrique,
solidit, etc), mettant en uvre une solution logicielle modulaire, robuste et rapide,
accessible tous et permettant une volution continue en toute simplicit.
12
Introduction Gnrale
4.
PLAN DU MEMOIRE
Lorganisation retenue pour ce mmoire est la suivante : aprs une prsentation dtaille
de la problmatique de lattelage virtuel et la justification des choix effectus en matire de
capteurs, le chapitre 1 dresse ltat de lart des vhicules intelligents puis prsente les
approches les plus communment adoptes dans le cadre de cette thmatique, en insistant plus
particulirement sur la conduite automatique de vhicule . Il passe en revue les solutions
exprimentales les plus prometteuses et les prototypes dvelopps travers le monde. Les
exemples prsents ont pour point commun de sappuyer sur la vision par ordinateur afin de
percevoir lenvironnement du vhicule. Bien entendu, le panorama prsent na pas prtention
lexhaustivit car seules nont t retenues ici les approches juges les plus intressantes du
point de vue de notre problmatique.
Dans le chapitre 2, nous introduisons la notion de capteurs intelligents et prsentons
les diffrentes dfinitions la base de ce concept. Le caractre utile du capteur intelligent
passe ncessairement par lanalyse de lacheminement de linformation, raison pour laquelle
une attention particulire est accorde ce point. Nous prsentons ensuite les diffrentes
architectures de capteurs intelligents et le rle de lintelligence dans ces derniers. Nous
abordons galement les diffrentes mthodes permettant dintgrer cette intelligence au
capteur. Enfin, nous passerons en revue les approches de conception des capteurs intelligents
que nous mettrons en application pour identifier les diffrents services et fonctionnalits que
doit approprier le capteur stroscopique intelligent pour raliser la tche de lattelage virtuel.
Cest le chapitre 3 qui constitue le cur de ce travail, puisquil sintresse la
ralisation et la mise en uvre de capteur stroscopique intelligent destin permettre la
mise en oeuvre dun attelage virtuel. Lune des particularits de ce travail est de se baser
uniquement sur les caractristiques visuelles dun vhicule banal, sans quil soit ncessaire
dinstrumenter le vhicule suivi (le tracteur ). Une dmarche bien particulire sera dtaille
tout au long de ce chapitre. Les rsultats obtenus montrent la faisabilit et lefficacit dune
telle approche.
Nous dtaillerons les diffrentes phases de lextraction des informations ncessaires
lattelage virtuel, depuis lacquisition des images stro en passant par la calibration des
camras, la dtection de lentit dintrt, la certification de celle-ci, le suivie 2D et 3D et
pour finir lextraction des informations de position et dorientation intervhiculaire. Nous
prsentons par ailleurs dans ce chapitre une technique permettant le suivi du vhicule tracteur
avec une seule camra dans le but de pallier les dfaillances que peut subir notre systme au
cours de son fonctionnement.
13
Chapitre
LES VEHICULES INTELLIGENTS :
ETAT DE LART
ctuellement, lautomatisation de la conduite automobile est

sujette un grand intrt. En effet, ses potentialits sont nombreuses
et sduisantes, quil sagisse de loptimisation des infrastructures,
de lamlioration de la mobilit, de la minimisation des risques et du
temps de parcours et, par voie de consquence, de la consommation
dnergie.
Ce chapitre prsente les approches les plus communment utilises
dans le cadre de la thmatique vhicules intelligents , et plus
spcifiquement dans le contexte de la conduite automatique de
vhicule . Il passe en revue les solutions exprimentales les plus
prometteuses et les prototypes dvelopps travers le monde. Ceux-ci se
basent essentiellement sur des techniques dIntelligence Artificielle et sur
la Vision par ordinateur afin de percevoir lenvironnement du vhicule.
Nont t retenues ici que les approches juges les plus

intressantes du point de vue de notre problmatique. La fin du chapitre
est loccasion dvoquer les perspectives dvolution pour les dcennies
venir de ce domaine en constante mutation que constitue les
vhicules intelligents .
I.1. INTRODUCTION
u cours des dernires dcennies une grande importance a t donne aux systmes
de transport afin damliorer les conditions de scurit, doptimiser l'exploitation des
rseaux routiers, de diminuer la consommation d'nergie et de prserver
l'environnement.
Les efforts consentis pour rsoudre ces problmes ont ouvert un nouveau domaine de
recherche et d'application, savoir, la conduite automatise de vhicule, dans lequel des
nouvelles techniques sont exploites pour automatiser entirement ou partiellement les tches
14
Chapitre 1
Les vhicules Intelligents : Etat de lart
de la conduite.
Les diffrentes tches en question sont reprises dans la liste ci-dessous (qui na pas
prtention lexhaustivit) :
Suivre la route,
Se tenir dans la file correcte,
Se maintenir une distance sre des autres vhicules,
Dtecter les pitons,
Adapter la vitesse du vhicule en fonction des conditions de trafic et des
caractristiques de la route,
Changer de file pour suivre les vhicules et viter les obstacles,
Trouver l'itinraire le plus court vers une destination donne,
Se dplacer et stationner dans lenvironnement urbain.
L'intrt pour les technologies des systmes de transport intelligents (ITS) est apparu
depuis une vingtaine dannes quand le problme de la mobilit des personnes et des
marchandises commenait se poser avec une plus grande acuit, favorisant ainsi la
recherche de solutions alternatives.
Des institutions gouvernementales ont activ cette phase initiale de prospection au
moyen de divers projets impliquant un grand nombre dunits de recherche qui ont travaill
dans une voie cooprative afin de produire plusieurs prototypes et de mettre en uvre les
solutions pressenties, toutes bases sur des approches assez diffrentes les unes des autres.
En Europe, le projet PROMETHEUS1 a commenc cette tape exploratoire en 1986. Le
projet a impliqu plus de 13 constructeurs automobiles et plusieurs units de recherches
gouvernementales et universitaires de 19 pays europens. Dans ce cadre, un certain nombre
dapproches diffrentes des ITS2 ont t conues et mises en application.
Aux Etats-Unis la majeure partie des initiatives a t lance afin de traiter le problme
de la mobilit, impliquant plusieurs universits, centres de recherches et compagnies
automobiles. Aprs cette phase pilote, le gouvernement amricain a tabli le NAHSC3
[Bis.97] en 1995.
PROgraM for an European Traffic with Highest Efficiency and Unprecedented Safety
Intelligent Transportation Systems, comme indiqu prcdemment.
NAHSC: National Automated Highway System Consortium
15
Chapitre 1
Au Japon, o le problme de mobilit est beaucoup plus important, quelques prototypes

de vhicules ont t dvelopps dans le cadre de diffrents projets. A linstar de ce qui sest
produit aux USA, lAdvanced Cruise-Assist Highway System Research Association
(AHSRA) a t fonde en 1996 de manire impliquer un grand nombre d'industriels de
lautomobile et de centres de recherches [Tok.97], qui ont conjointement dvelopp
diffrentes approches relatives la conduite automatise de vhicule.
Nous pouvons galement citer le projet coopratif international ATLANTIC4 qui a
dbut en 2001, impliquant plusieurs laboratoires de recherches europens et Nord
Amricains. Ce projet se dcompose en 8 thmatiques5 de recherches distinctes sur les
systmes de transports intelligents [Gin.04].
Les rsultats principaux de cette premire tape se rsument dune part une analyse
profonde du problme et dautre part au dveloppement d'une tude de faisabilit,
indispensable la comprhension des exigences et des implications de ce quil est convenu
dappeler dornavant la technologie ITS .
Le domaine de lITS entame maintenant sa deuxime phase, quon peut caractriser par
une maturit dans ses approches et par lavnement de nouvelles possibilits technologiques
qui permettent le dveloppement des premiers produits exprimentaux. Un certain nombre de
prototypes de vhicules intelligents ont t conus, mis en oeuvre et tests sur route. La
conception de ces prototypes rsulte aussi bien de lanalyse critique des rsultats issus
directement de la recherche sous-jacente que de lapport dautres disciplines, parmi lesquelles
la Robotique, lIntelligence Artificielle, lInformatique, les Tlcommunications,
lAutomatique, le Traitement du Signal, pour ne citer que celles-ci.
Initialement, les dispositifs technologiques les plus adapts au problme de la perception
dans le cadre du problme pos (camras infrarouges, radars, sonars, etc.) taient drivs
dapplications militaires trs coteuses. Cependant, grce leffet conjugu de lengouement
croissant pour les applications ITS et du progrs de la production industrielle, la technologie
daujourdhui offre des capteurs et des systmes de traitement des prix trs comptitifs.
Pour valuer et comparer les diffrentes approches, ces prototypes de vhicules
automatiques sont quips d'un grand nombre de capteurs et de calculateurs.
LEurope, de son ct, finance depuis de nombreuses annes des projets sur
llectronique embarque et les vhicules intelligents. Aujourdhui, au-del des
dveloppements industriels potentiels pour laide la conduite ou la conduite automatise, la
vocation de ces projets est clairement de fdrer les recherches et les dveloppements des
diffrents acteurs europens. Parmi les diffrents projets en cours, Carsense [Lan.01] runit 12
ATLANTIC: A Thematic Long-term Approach to Networking for the Telematics and ITS Community
http://www.atlan-tic.net/
16
Chapitre 1
partenaires6 depuis janvier 2000 : Les constructeurs automobiles, des quipementiers et des
instituts de recherche. Lobjectif de ce projet est de proposer un systme daide la conduite
faible vitesse (de lordre de 30 km/h) aussi complet que possible, adapt des situations
complexes comme la conduite en ville. Le concept cl de ce systme repose sur les
performances de lensemble des capteurs quipant le vhicule : radars, lasers, camras,
capteurs ultrasons, etc.. . Le but est den extraire suffisamment dinformations pour bien
valuer lenvironnement du vhicule et tre capable de prendre une dcision tout en respectant
les contraintes temporelles imposes par ce type dapplication. Deux autres projets majeurs,
financs par la commission europenne ont dbut en 2001 pour une dure de trois ans :
CyberCars7 [Par.03] lanc en aot 2001 et CyberMove8 [Ram.04] lanc en dcembre 2001.
Les deux projets runissent treize partenaires9. Il convient par ailleurs de citer le projet
ARCOS10 [Arc.03] qui a dbut au mois de janvier 2002.
Comme nous lavons prcis au dbut de ce mmoire, dans le cadre de notre projet de
recherche sur les vhicules intelligents et les ITS, nous nous intressons plus particulirement
aux systmes bass sur la vision par ordinateur. Avant toute chose, il est ncessaire de revenir
de faon plus dtaille sur les motivations qui sont la base du dveloppement de tels
dispositifs, en prcisant quelles sont leurs particularits et les contraintes qui sy appliquent.
Une attention toute particulire sera consacre aux approches les plus reprsentatives ou au
moins les plus applicables , au problme de lattelage virtuel tel que nous lavons introduit.
Pour terminer, nous tenterons de tracer les grandes lignes des perspectives dvolution des
vhicules intelligents.
I.2. LA CONDUITE AUTOMATISEE DES VEHICULES

Avant dadopter une stratgie dautomatisation de la conduite, il est lgitime dexplorer
les diffrentes faons daborder le problme. Cest le but des sections qui suivent.
I.2.1. QUE
FAUT-IL
AMELIORER,
LES
VEHICULES
OU
LES
INFRASTRUCTURES ?
Lautomatisation de la conduite automobile peut se baser sur des modifications de la
structure routire ou (de faon non exclusive) sur des modifications des vhicules eux-mmes.
Selon les spcificits de lapplication, chacune de ces deux alternatives possde des avantages
Partenaires du projet Carsense : Autocruise, BMW, CRF, Thales, INRETS-LEOST, Renault, IBEO, Jena-Optronik, INRIA, LIVIC,
TRW Automotive, ENSMP.

7
Cybernetic technologies for the car in the city.
Cybernetic transportation systems for the cities.
Partenaires du projet CyberCars : INRIA (France), RUF (Danemark), FIAT research (Italie), Universit de Bristol (GB), FROG
Navigation Systems (Pays-bas), Yamaha (Japon), Robosoft (France), Technion (Isral), TNO (Pays-bas), Universit de Southampton (GB),
Serpentine (Suisse), Universit de Coimbra (Portugal), Autos et Energies (Suisse).
Partenaires du projet CyberMove : Les 13 partenaires cits ci-dessus ainsi que GEA (Suisse).
17
Chapitre 1
et des inconvnients. L'amlioration des infrastructures routires peut apporter des bnfices
aux types de transport bass sur des itinraires pr-dfinis, comme cest le cas pour les
transports en commun et la robotique industrielle (pour exemple la transitique base sur
un filoguidage ou un dispositif assimilable). Cependant, cette approche exige une organisation
et un entretien complexes et tendus qui peuvent devenir encombrants et extrmement chers
dans le cas des rseaux routiers de grandes dimensions. Une restructuration de
l'environnement ne peut tre raisonnablement applique qu un sous-ensemble rduit du
rseau routier (par exemple une route entirement automatise que seuls des vhicules
automatiques, publics ou privs, pourraient emprunter). Pour cette raison, les systmes qui se
raliseront court terme doivent pouvoir tirer profit des infrastructures dj existantes, ce qui
autorise de substantielles conomies en matire dinfrastructure en comparaison de la
premire solution voque. Par consquent, les travaux des chercheurs sorientent plus
essentiellement sur lamlioration des vhicules.
I.2.2. QUELLES SONT LES EXIGENCES QUE DOIT SATISFAIRE UNE

APPLICATION ITS ?
Comme tous les autres, les systmes de transport intelligents disposent de certaines
spcificits qui sont directement lies leur domaine dapplication. A ces spcificits
sassocient des contraintes particulires.
Ainsi, pour [Ber.00], n'importe quel systme embarqu pour une application ITS doit
satisfaire certaines exigences vitales :
Le systme final doit tre assez robuste pour s'adapter aux diffrents tats et
changements denvironnement, de route, de trafic, d'clairage, ainsi qu des
conditions mtorologiques variables.
Les systmes embarqus propres aux applications ITS sont des systmes de sret
critique pour lesquels un haut degr de fiabilit est exig. Par consquent, le projet
doit tre approfondi et rigoureux pendant toutes ses phases, de la spcification des
exigences la conception et la mise en oeuvre. Une phase intensive de mise
l'preuve et de validation est donc d'une importance capitale.
Afin de rendre la technologie ITS accessible au plus grand nombre, et par
consquent rendre cette dernire attractive pour les industriels du secteur, la
conception d'un quipement ITS doit intgrer ds le dpart des contraintes de cot
stricts11. Les dpenses de tout ordre (comme la consommation lectrique) doivent
tre tenues aussi basses que possible, puisque les performances du vhicule (quelles
soient techniques ou conomiques) ne doivent pas tre affectes ngativement par
l'utilisation du systme ITS.
11
Le cot du systme embarqu ne doit pas dpasser 10 % du prix de vhicule.
18
Chapitre 1
Le matriel et les capteurs du systme doivent tre compacts et discrets. Ils ne

doivent par ailleurs pas dtonner vis--vis du style du vhicule.
Enfin, puisque les systmes ITS doivent tre dclenchs et contrls par un
oprateur humain, ils ont besoin d'une interface homme-machine conviviale, simple,
ractive et efficace.
I.2.3 QUEL TYPE DE CAPTEURS UTILISER ?

Lensemble des capteurs utiliss dans le cadre de la Robotique Mobile dintrieur
(Indoor) ne sapplique pas avec le mme bonheur lorsquil sagit dquiper un systme ITS,
destin affronter le monde extrieur dans des conditions trs variables. Ainsi, les capteurs
tactiles et les capteurs acoustiques sont inappropris pour les applications impliquant des
vhicules moteur voluant vitesse leve [Ber.00], du fait de la proximit que ncessitent
les premiers et de la sensibilit au mouvement relatif lair qui affecte les seconds.
Les capteurs base de laser et les radars exploitent la rflexion dun signal mis par le
dispositif sur un obstacle. La mesure elle-mme repose principalement sur la dtermination
dun temps de vol ou par la caractrisation dune onde de battement (issu du produit entre
signal mis et signal rflchi). Etant lorigine du signal permettant la mesure, nous les
classifierons en tant que capteur par mission-rception . Leurs principaux inconvnients
sont la basse rsolution spatiale (en gnral) et leur temps dacquisition relativement
important.
Les capteurs bass sur la vision, ntant pas lorigine du signal permettant la mesure,
sont a contrario dfinis en tant que capteurs par mission simple et ont un avantage
intrinsque par rapport leurs homologues par mission rception qui est (par essence) la
facult dacqurir les donnes sans modifier l'environnement (capteur non intrusif).
Malheureusement, de par leur nature mme, les capteurs de vision sont davantage perturbs
que les radars par le brouillard, le manque ou lexcs de lumire, etc. En somme, mme si les
effets peuvent tre exacerbs ou, au contraire attnus, les capteurs de vision sont sensibles
aux mmes perturbations que la vision humaine elle-mme.
En outre, les capteurs par mission-rception possdent quelques particularits qui leurs
donnent des avantages sur la vision dans certaines applications spcifiques : ils effectuent
certaines mesures (comme celle du mouvement) d'une faon plus directe que la Vision en
exigeant moins de ressources en calcul car devant acqurir une quantit considrablement
infrieure de donnes pour parvenir lestimation voulue.
En dpit de ces indniables qualits, le problme principal des capteurs par missionrception est l'interfrence entre capteurs du mme type, qui peut devenir critique lorsquun
grand nombre de vhicules se dplacent simultanment dans le mme environnement (comme
dans le cas de vhicules automatiques roulant sur des autoroutes intelligentes.).
19
Chapitre 1
Il est clair quun tel problme ne se pose pas dans le cadre de l'utilisation de capteurs par
rception simple, tels que des camras. Ceci constitue donc un atout majeur pour lapplication
envisage.
Le tableau 1 regroupe de faon synthtique les forces et faiblesses de chacune de ces
deux familles de capteur :
Remarque : Evidemment, la vision naugmente pas ncessairement les capacits de dtection
au-del des possibilits humaines (en prsence dun important brouillard ou la nuit en
labsence dclairage spcifique, par exemple), mais elle peut par contre aider le conducteur
en cas de dfaillance (manque de concentration, fatigue, etc.)
Avantages
Les capteurs
Par
Emission
Mesures directes,
Exigent comparativement
Rception (dits ici
moins de
Interfrences entre les capteurs

du mme type.
ressources de calcul,
-
Actifs 12)
Inconvnients
Robustesse vis--vis de certaines

conditions
de
fonctionnement
dgrades.
Par
Rception
Trs peu (voire pas du tout) intrusifs.
Par
nature,
sensibles
aux
conditions dacquisition.
simple
d its
ici
Passifs 12)
Tableau I.1 :
Comparaison entre capteurs actifs 12 et capteurs passifs 12.
La nature non intrusive des capteurs passifs en gnral et la richesse que procure la
vision en particulier fait de cette dernire une approche incontournable dans le domaine des
vhicules intelligents.
I.3. LA VISION DANS LE DOMAINE DES VEHICULES

INTELLIGENTS
Des questions importantes doivent tre soigneusement traites durant la phase de
conception des systmes de vision ddis aux applications automobiles. Les paragraphes qui
suivent traitent de ces dernires :
12
G. Hash, entre autres, dfinit un capteur actif par sa facult produire une forme dnergie (en gnral sous forme lectrique) lorsquil
est excit par le signal mesurer, tandis quun capteur passif modifie certaines de ses caractristiques (par exemple sa rsistance) sous
linfluence de ce signal Ici, le terme actif dsigne des capteurs devant exciter leur environnement pour produire un signal
exploitable- alors que le terme passifs se rapporte des capteurs utilisant un signal spontanment disponible.
20
Chapitre 1

En premier lieu, les systmes ITS sont plus exigeants que dautres applications
en terme des contraintes temporelles (temps-rel). En effet, le temps de
rponse du systme se doit dtre en accord avec la vitesse de dplacement du
vhicule, qui peut tre leve. De faon antagoniste, les applications de Vision
ncessitent le traitement dun flux important de donnes. Le dfi que posent les
techniques de Vision artificielle dans le contexte de ce type dapplication est
donc dtre capable de traiter une grande quantit de donnes de faon fiable et
en temps-rel. Des architectures et des techniques spcifiques la satisfaction
de cette double contrainte sont, par consquent, un domaine de Recherche trs
actif [Cab.99, Har.04, Iss.04, Lab.04, Per.05].
Deuximement, dans le domaine de l'automobile, aucune supposition ne peut
tre faite sur les paramtres principaux (comme par exemple l'clairage de la
scne observe ou le contraste des tons) influant directement sur les
informations prises en compte par le capteur de vision. Par consquent, le
traitement ultrieur doit tre assez robuste pour s'adapter des conditions
environnementales diffrentes (comme le soleil, la pluie, le brouillard) et
leurs changements seffectuant avec des dynamiques trs variables, tels que les
transitions entre le soleil et l'ombre ou l'entre ou la sortie d'un tunnel.
Pour finir, d'autres problmes-cls, tels que la tolrance aux mouvements
propres du vhicule (par exemple roulis, tangage, etc.) et les drives dans la
calibration des camras, doivent aussi tre traits.
Les avances rcentes en informatique et dans les technologies des capteurs ont favoris
l'utilisation de la vision galement dans le domaine des vhicules intelligents. Les progrs du
matriel informatique, en particulier au niveau du degr d'intgration et de la diminution de la
tension d'alimentation, permettent de produire des machines de vision plus puissantes, moins
dispendieuses en nergie (et donc plus facilement embarquables ), des prix accessibles.
De nombreux autres facteurs13 doivent tre pris en compte lors de la conception et du
choix dun dispositif dacquisition dimages. Les choix peuvent se porter sur de la Vision
monoculaire (une seule camra), ou binoculaire (strovision), voire multiculaire
(approche multi camras). Dautres paramtres importants sont lis langle de prise de
vue, qui se doit dtre adapt lapplication envisage (surveillance globale des abords du
vhicule ou accostage, par exemple), de mme que la rsolution et la profondeur14 des images.
Les contraintes fixes doivent par ailleurs permettre de faire un choix entre lexploitation
dimages en couleurs ou en niveaux de gris.
13
Si nombreux que lnumration ci-dessous est ncessairement incomplte !
14
Profondeur signifie le nombre de bits par pixel
21
Chapitre 1
Au-del des considrations sur la structure du capteur et la nature des donnes retenues,
d'autres caractristiques, intrinsques au capteur, doivent tre prises en considration, tels que
le temps dintgration et la dynamique du capteur.
Conclusion : Bien que fortement exigeante et extrmement complexe analyser ; la richesse
des informations fournies par la Vision (dont il a t valu quelle constitue 90% des
donnes exploites par un conducteur dans sa tche de pilotage) en font un des moyens les
plus puissants pour percevoir lenvironnement et a, de ce fait, t largement utilise pour
traiter un grand nombre de problmes dans le domaine de la conduite automatique, [Cou.02,
Ste.02, Lab.02].
I.4. LE SUIVI DE LA ROUTE

Le suivi automatique de la route est sans doute lune des approches ayant suscit le plus
de travaux ces dernires dcennies. Sa mise en uvre repose sur deux modules
complmentaires assurant les tches suivantes :
-
La dtection des lignes sparant les diffrentes files de la chausse, la

modlisation de la route, la dtermination de la position relative du
vhicule par rapport la voie et l'analyse de la direction des autres
vhicules.
La dtection et la localisation des obstacles se trouvant ventuellement sur

la trajectoire actuelle du vhicule.
En effet, la dtection et la localisation des obstacles est une partie intgrante de la tche
du suivi automatique de la route. De ce fait, ces deux thmatiques de recherche dans le
domaine des transports intelligents se sont forgs une destine commune. Dans ce qui suit,
nous voquons plus en dtails la dtection des marquages au sol et la dtection des obstacles.
I.4.1. DETECTION DES MARQUAGES AU SOL

Dans la plupart des prototypes de vhicules intelligents dvelopps travers le monde,
le suivi de la route est divis en deux tapes, du type perception et action :
initialement, la position relative du vhicule est calcule par rapport la voie, et ensuite les
actionneurs le maintiennent dans la configuration correcte. Quelques exemples des stratgies
qui peuvent tre adoptes pour rsoudre le problme du contrle latral sont prsents dans
[Tay.99].
Cependant, certains des premiers systmes n'taient pas bass sur la dtection
prliminaire de la position du vhicule par rapport la route, mais dterminaient directement
les commandes des actionneurs (steering wheel angles) partir des images acquises. Ainsi,
22
Chapitre 1
dans le cadre du projet ALVINN15 [Joc.93a], le systme est bas sur une approche par rseaux
de neurones : il est capable de suivre la route aprs une phase danalyse dun grand nombre
d'images. Quoiquil en soit, la position des marquages sur la route tant utile dautres soussystmes de dispositifs comparables, la localisation de ceux-ci est de toute faon
gnralement excute.
Bien entendu, les systmes tels que ceux prcdemment cits ne sont pleinement
efficaces que lorsque les files sont matrialises par des lignes au sol. Dautres ralisations,
telles que le SCARF [Cri.91] et PVR16 III [Kim.95], ont t conues pour exploiter des routes
peu structures. Ces systmes sont bass sur l'utilisation de camras couleur et exploitent
lhypothse qu'une route est colore de faon homogne afin de dtecter celle-ci dans les
squences dimages.
Dans plusieurs cas, la dtection de la route est rduite la dtection de certaines
structures spcifiques cette dernire. Ces mthodes simplifient la dtection, mais doivent
nanmoins faire face deux problmes majeurs qui sont :
La prsence des ombres, qui produit de pseudo-objets sur la surface de la route
et en modifie localement la texture. La plupart des groupes de recherche font face
ce problme en utilisant des algorithmes de filtrage d'images trs sophistiqus
gnralement appliqus des images en niveau de gris. Dans de plus rares cas, des
images en couleur sont utilises. Le vhicule intelligent MOSFET17 [Mic.97] utilise
par exemple un algorithme de segmentation couleur maximisant le contraste entre le
marquage des lignes et la route.
Les marquages sur la route occults par dautres vhicules. Pour faire face ce
problme, certains systmes traitent seulement une rgion de la route o l'absence
d'autres vhicules peut tre raisonnablement suppose. Ainsi, les vhicules
intelligents LAKE et SAVE traitent la partie d'image correspondant aux 12 mtres
les plus proches devant le vhicule. Des travaux tels que [Cod.97] ont montr que
cette approche permet de manuvrer le vhicule sur les autoroutes sans risque.
Sappuyant sur une technique toute autre, le systme RALPH18 [Pom.96] rduit la
partie de l'image traite grce aux rsultats d'un module de dtection d'obstacle
base de radar. Le groupe de recherche du Laboratoire Rgional Des Ponts et
Chausses de Strasbourg exploite lhypothse qu'il doit toujours y avoir un contraste
chromatique entre la route et son environnement (ou les obstacles), au moins dans
15
ALVINN: Autonomous Land Vehicle In a Neural Net
16
SCARF: Supervised Classification Applied to Road Following
17
MOSFET: Michigan Off-road Sensor Fusing Experimental Testbed.
18
RALPH: Rapidly Adapting Lateral Position Handler
PVR: POSTECH Vehicle Road
23
Chapitre 1
une composante de couleur. En sappuyant sur cette hypothse, le concept de

saturation chromatique [Cha.98] est utilis pour sparer les composantes.
En raison des contraintes physiques et de continuit, le traitement de l'image entire peut
tre rduit l'analyse dune rgion d'intrt. C'est la stratgie gnralement adopte en
exploitant des connaissances a priori sur l'environnement de la route. Par exemple, le systme
dvelopp par le groupe de recherche de Robert Bosch GmbH [Gol.98] utilise un modle
dynamique de la route et du vhicule afin de dterminer la partie de la route o il est
susceptible de trouver les marquages au sol.
Lhypothse raliste dune largeur fixe de la route (en premire approximation) permet
de perfectionner le critre de recherche, en limitant cette dernire aux marquages presque
parallles. Le vhicule PVR III [Kim.95] utilise les rseaux de neurones et des algorithmes de
vision afin daccomplir cette tche. De faon analogue, le systme RALPH [Pom.96] traite la
partie de limage correspondant 20 70 m devant le vhicule. Leffet de perspective est
contrebalanc par calcul sur cette zone de limage, la courbure de la route est ensuite estime
en comparant cette zone un certain nombre de modles comportant des marquages
parallles.
La reconstruction gomtrique de la route est simplifie par des suppositions concernant
sa forme. Les groupes de recherche de lUniversitat der Bundeswehr [Lt.98] et DaimlerBenz [Fra.98] dtectent la route en se basant sur un modle spcifique: les marquages au sol
sont modliss sous la forme de clothodes19. Lavantage dune telle modlisation est que la
connaissance de deux paramtres est suffisante pour dfinir compltement la localisation du
marquage au sol et permet de dterminer dautres grandeurs telles que la compensation
latrale et langle de direction. Dautres groupes de recherche utilisent une reprsentation
polynomiale des marquages au sol. Ainsi, le vhicule intelligent MOSFET [Mic.97] exploite
pour ce faire des paraboles, une transformation simplifie de Hough tant ensuite employe
pour accomplir la procdure dadaptation.
Dautres systmes sappuient quant eux sur un modle gnrique de la route. Par
exemple, le systme ROMA [Tok.97] utilise une approche de la Vision base de contours.
Un modle dynamique permet le traitement de petites rgions en temps rel. Les contours
forms par des pixels qui ont une valeur de direction de gradient significative font lobjet
dune procdure de tracking (poursuite). Dune manire analogue, un modle triangulaire
gnrique de la route a t dvelopp pour le vhicule exprimental MOB-LAB par les
groupes de recherche de Universit Di Parma [Bro.95] et Istito ElectroTecnico Nazional
[Den.94] G.Ferraris.
La connaissance a priori des paramtres de calibration du systme de vision et certaines
hypothses sur ltat de la route (route plate en particulier) simplifient la mise en
19
Dans une clothode la courbure dpend linairement de la rfrence curviligne.
24
Chapitre 1
correspondance entre les points des images dune part et les points des images et leurs
coordonnes dans un repre li la scne observe dautre part.
Remarque: Pour dterminer la distance avec un obstacle ou encore la courbure de la
route, la grande partie des systmes prsents prcdemment supposent que la route devant le
vhicule est plate.
Le systme GOLD20 [Ber.98] implment sur le vhicule intelligent ARGO, ainsi que le
systme RALPH, exploitent lhypothse que la route est localement plane. La corrlation
temporelle entre les images successives est gnralement utilise pour valider le rsultat.
Hypothse
Avantages
-
Rgion dintrt
Inconvnients
Analyse temps-rel,
Le choix de la rgion dintrt est

critique.
Largeur de la route fixe
Amlioration
des
critres
de -
recherche,
-
Nest pas adapte des routes dont

la largeur est variable.
Robustesse
vis--vis
des
phnomnes de type ombres .
Forme de la route
Robustesse
par
rapport
aux -
ombres,
-
Simplification
Ncessit dune grande puissance

de calcul,
de
la
phase
de -
reconstruction de la gomtrie de la
Ncessite une bonne adquation

route relle / modle.
route,
-
connaissances a
priori de la route
surface / inclinaison
Les
Tableau I.1 :
Contrle simplifi.
Simplification
de
la
mise
en -
Les hypothses (par exemple, route
correspondance entre les pixels des
plate) ne sont en gnral satisfaites
images et les coordonnes relles
quen premire approximation,
(dtermination des distances avec -
la
les obstacles et de la courbure de la
stroscopique
route).
ncessaire.
recalibration
du
est
systme
souvent
Avantages et inconvnients des hypothses classiques faites dans le
cadre de la dtection de routes.
I.4.2. DETECTION DES OBSTACLES

Certains systmes limitent la dtection des obstacles la localisation des autres
vhicules, ils sappuient alors principalement sur la recherche de modles spcifiques dans
limage, procd qui peut tre utilement renforc par des considrations de forme et de
symtrie des objets recherchs (les vhicules).
20
GOLD: Generic Obstacle and Lane Detection.
25
Chapitre 1
Lalgorithme de dtection dobstacles dvelopp lUniversitat der Bundswehr [Lt.98]

se base sur la dtection des contours et la modlisation des obstacles ; le systme est capable
de dtecter et traquer jusqu 12 objets autour du vhicule. Les variables continuellement
mises jour et associes aux obstacles sont : la distance, la vitesse relative, lacclration
relative, la position latrale, la vitesse latrale et la taille.
Dans lexemple cit prcdemment, la dtection des obstacles exploite des modles
spcifiques, de ce fait le traitement dune seule image suffit, mais lapproche manque
defficacit dans le cas o lobstacle ne correspondrait pas suffisamment aux modles.
Une dfinition plus gnrale, qui compliquera videmment les algorithmes, considre
que tout objet se trouvant sur le chemin du vhicule est un obstacle. Autrement dit, toute
dformation de la route correspondra un obstacle potentiel. Dans ce cas, la dtection des
obstacles est rduite lidentification de lespace libre devant le vhicule :
Figure I.1 :
Les techniques de dtection utilises pour les diffrentes dfinitions des

obstacles considres[Ber.00].
Ladoption de cette dfinition exige lutilisation de techniques de dtection plus

complexes ; les plus connues sont :
Lanalyse de type flux optique.
Le traitement dimages non monoculaires.
Dans le premier cas plusieurs images sont acquises par le mme capteur des instants
diffrents. Dans le deuxime cas, plusieurs camras acquirent des images simultanment de
26
Chapitre 1
diffrents points de vue. En plus de leur complexit intrinsque cause par la quantit de
donnes traiter, ces techniques doivent tre suffisamment robustes vis--vis des
imprcisions, incertitudes et indterminations causes par le mouvement du vhicule et les
drives dans la phase de calibration des camras.
La technique du flux optique exige lanalyse dune squence de deux images au moins.
Un vecteur 2D des mouvements horizontaux et verticaux de chaque pixel est alors calcul
dans lespace image. Le rsultat est utilis pour estimer le mouvement. Certains systmes
extraient le dplacement directement de lodomtre ; les obstacles sont dtects en analysant
la diffrence entre les domaines de mouvements prdits et rels. Le systme ROMA [Kru.95]
intgre un module de dtection dobstacles qui est bas sur la technique du flux optique et sur
lanalyse des donnes fournies par un odomtre. De la mme faon, ASSET-2 21 est un
systme compltement temps rel pour la segmentation et la dtection des objets qui se
dplacent de faon autonome. Sa particularit essentielle rside dans le fait quil nexige pas
la calibration de la camra. Il traque les objets et il est capable de traiter correctement les
occultations des obstacles. Chaque nouvel objet automoteur qui entre dans la scne initie
automatiquement une nouvelle procdure de tracking . Initialement, ASSET-2 construit un
domaine de flux clairsem et segmente ensuite limage obtenue en rgions prsentant des
variations de flux homognes. La corrlation temporelle [Smi.95] est utilise pour filtrer le
rsultat, dont on amliore ainsi lexactitude.
En ce qui concerne le traitement des images non-monoculaires, ce dernier exige la mise
en correspondance des pixels des diffrentes images : deux images pour la strovision
binoculaire et trois dans le cas de la strovision trinoculaire. Lavantage danalyser des
stros images (deux ou trois images) au lieu dune squence dimages monoculaires se
rsume dans la possibilit de dtecter directement la prsence dobstacles (par exemple grce
lanalyse des disparits), ce qui nest pas possible pour la vision monoculaire. De plus, dans
des conditions limites o le vhicule et les obstacles ont des vitesses faibles ou nulles,
lapproche base de flux optique ne dtecte pas les obstacles, tandis que la strovision, elle,
nest pas prise en dfaut.
Le projet UTA22 du groupe de recherche Daimler-Benz visait dvelopper un systme
intelligent (Stop & go) lintrieur de la ville en adoptant la strovision pour extraire
linformation 3D en temps rel. Le prototype dvelopp [Fra.98] est par ailleurs capable de
reconnatre les signes du trafic, les balises de signalisation, les pitons, les passages protgs
et les lignes darrt.
Le groupe de recherche de MIT23, a dvelopp un systme de strovision pour la
dtection tridimensionnelle des routes et la visualisation du trafic, qui peut tout aussi bien tre
21
ASSET-2: A Scene Segementation Establishing Tracking v2
22
UTA: Urban Traffic Assistant.
23
MIT: Massachussetts Institute of Technology.
27
Chapitre 1
adapt d'autres applications. Le systme est capable de sparer les vhicules partiellement
chevauchs et de les distinguer depuis leurs ombres.
En outre, pour diminuer la complexit intrinsque de la strovision, des contraintes
spcifiques au domaine sont gnralement adoptes.
Dans le systme GOLD, la suppression de l'effet de perspective dans les images stro
[Bro.99a], permet d'obtenir deux images qui ne peuvent diffrer lune de lautre quen
prsence dun ou plusieurs obstacles ou si lhypothse de planit de la route nest pas
respecte. Dans le cas contraire, il sagit alors dun systme dtectant l'espace libre devant le
vhicule.
Dune faon similaire, lunit de recherche de lUniversit de Californie [Kol.95], a
dvelopp un algorithme qui rectifie l'image gauche en utilisant le point de vue de l'image
droite, dtectant ainsi les obstacles partir de lanalyse des disparits. Dans cette optique, un
filtre de Kalman est utilis pour suivre les obstacles.
Des algorithmes de dtection dobstacles plus rcents ont t dvelopps dernirement.
Nous pouvons citer titre dexemple lalgorithme de dtection dobstacles avec un
stroscope compos de deux camras matricielles dans le cadre du projet ARCOS [Lab.04]
ou encore la technique de dtection dobstacles rapide base sur un stroscope compos de
deux camras linaire (voir [Har.04]), ces techniques ont le mrite dexploiter uniquement les
proprits gomtriques de la projection de la scne sur les camras pour pouvoir dtecter un
obstacle.
Le tableau I.3 compare les points forts et les points faibles des diffrentes approches
relatives au problme de la dtection d'obstacles.
Les
approches
adoptes
Lanalyse dune seule
image
Avantages
-
des algorithmes simples,

traitement rapide,
pas
dinfluence
du
mouvement du vhicule.
Inconvnients
-
Flux optique
dtection gnrique des

objets,
permet le calcul du
dplacement et de la
vitesse
relative
des
obstacles.
28
perte dinformations
concernant la profondeur
des
scnes
si
des
suppositions spcifiques ne
sont pas faites,
naboutit pas si le
modle ne correspond pas.
traitements complexes,
sensible au mouvement du
vhicule et aux erreurs de
calibrage,
naboutit pas si le vhicule
ou lobstacle a une vitesse
nulle.
Chapitre 1
La strovision

-
dtection gnrique des

objets,
permet la reconstruction
3D.
traitements
complexes
(des
contraintes
spcifiques
peuvent
rduire la complexit),
sensible au mouvement du
vhicule et aux erreurs de
calibrage.
Tableau I.3 : Comparaison entre les diffrentes approches de dtection dobstacles.

Comme mentionn ci-dessus, diffrentes techniques ont t proposes dans la littrature
et values sur des prototypes afin de rsoudre le problme du suivi de route, mais seulement
quelques-unes d'entre elles fournissent une solution intgre, (comme par exemple la
dtection des routes et la dtection d'obstacle) justifiant la poursuite de recherches destines
lamlioration des rsultats et la mise au point des traitements plus rapides et plus efficaces.
I.5. LES TENDANCES RELATIVES A LEVOLUTION DES

MATERIELS
Dans les premires annes des applications ITS un grand nombre de solutions ont t
proposes et beaucoup dentre elles taient bases sur des matriels spcialiss. Ce choix tait
justifi par le fait que le matriel disponible sur le march un prix raisonnable n'tait pas
assez puissant pour pouvoir traiter les images en temps rel. Par exemple, les chercheurs de
l'Universitt Der Bundeswehr [Dic.95, Joc.93b, Joc.98, Bro.97] ont dvelopp leur propre
architecture du systme.
En plus du choix des capteurs appropris et du dveloppement des algorithmes
spcifiques, un grand pourcentage de cette premire tape de recherche tait consacr la
conception, la mise en oeuvre et aux essais des nouvelles plates-formes matrielles. En fait,
quand une nouvelle architecture d'ordinateur fait son apparition, il faut prendre en
considration non seulement le matriel et les aspects architecturaux (tel que le jeu
d'instructions, les intercommunications, les Entres / Sortie, etc.) mais aussi les solutions
logicielles applicables.
Ces dernires annes, l'volution technologique a tout chang: presque tous les groupes
de recherche utilisent des composants directement disponibles sur le march pour leurs
systmes.
Par exemple, le NavLab 5 (vhicule du Carnegie Mellon University) et ARGO (le
vhicule de Di Parma Universit) ont utilis des systmes bass sur des processeurs
universels. Grce la disponibilit des rseaux ultra-rapides, quelques solutions MIMD24 ont
24
MIMD: Multiple Instruction Multiple Data.
29
Chapitre 1
mme t explores. Ces dernires sont composes dun petit nombre de processeurs
performants et interconnects, comme dans le cas du vhicule VaMoRs-P [Lt.98] de
l'Universitt der Bundeswehr o lancien systme a t remplac par trois PCs (dual Pentium
II) connects via un rseau rapide bas sur Ethernet.
Les tendances actuelles [Ber.00], cependant, semblent converger vers une architecture
hybride, dans laquelle le processeur universel puissant est paul par du matriel
spcifique comme par exemple des cartes et des circuits intgrs mettant en oeuvre le calcul
de flux optique, l'appariement des formes, la convolution et des filtres morphologiques (liste
non-exhaustive).
De plus, quelques capacits SIMD25 sont maintenant transfres dans le jeu
d'instructions des dernires gnrations de CPUs, ceci afin de faciliter la mise en uvre dune
forme de paralllisme intrinsque au traitement de donnes visuelles et audio.
En conclusion, il est important de souligner que bien que les systmes de nouvelle gnration
soient tous bass sur du matriel du commerce, le dveloppement de matriel personnalis
n'a pas perdu sa signification. Au contraire, cette dmarche bnficie dun regain dintrt
pour ce qui touche la conception de systmes embarqus. Une fois que les prototypes
matriels et logiciels ont t conus, raliss et largement tests, leurs fonctionnalits doivent
ensuite tre intgres dans un systme embarqu optimis avant sa commercialisation. C'est
dans cette tape du projet que le dveloppement du matriel personnalis joue toujours un
rle fondamental, justifiant les dpenses quil entrane durant la phase de dveloppement par
les conomies quil assure lors de la mise en oeuvre.
I.6. LES VEHICULES PROTOTYPES

Plusieurs groupes de recherche sur les applications ITS ont intgr leurs approches et
solutions les plus prometteuses pour la conduite automatise dans des vhicules prototypes.
Plusieurs de ces rsultats exprimentaux ont t prsents et prouvs pendant des
vnements internationaux importants tels que la runion finale du projet PROMETHEUS
Paris (1994), la dmonstration de NAHSC San Diego, CA (aot 1997), et Automated
Vehicle Guidance Demo98 Rijnwoude, au Pays-Bas (juin 1998), ainsi que Demo99, OH
(juillet 1999) et dernirement la dmonstration du vhicule prototype de lcole des mines de
Paris [Ste.02], et du vhicule prototype du projet europen ARCOS [Lab.02], Versailles,
dans le cadre du Symposium des Vhicules Intelligents (juin 2002).
D'une faon gnrale, les vhicules prototypes ont subi plusieurs essais en
environnements contrls , tels que des pistes fermes. Mais, seulement dans certains cas,
des essais tendus ont t effectus sur la voie publique. On peut citer cet gard :
25
SIMD: Single Instruction Multiple Data.
30
Chapitre 1
Le prototype VaMP, qui a t test sur l'itinraire de Munich (Allemagne) vers

Odense (Danemark) [Mau.96] en 1995,
Le systme RALPH, a t test sur NavLab 5 par un voyage (No Hands Accross
America [Smi.95]) de Pittsburgh, PA, vers San Diego, CA en 1995.
Le vhicule ARGO , conduit par le systme GOLD pendant presque 2000 km sur
l'ensemble de l'Italie pendant le MilleMiglia in Automatico Tour [Bro.99a] en 1998.
Ces tests ont permis dexprimenter les vhicules dans diffrentes conditions et ils ont
mis en vidence leurs points forts et leurs points faibles. Les rsultats encourageants obtenus
par tous les groupes tmoignent de la maturit atteinte par la recherche dans ce domaine (voir,
[Bro.99b] pour plus de dtails).
I.7. CONCLUSION
Des conclusions communes peuvent tre tires des trois expriences dcrites : toutes ont
russi atteindre un pourcentage de conduite automatise assez lev. Des expriences plus
rcentes ont profit des dernires avances technologiques et ont utilis uniquement du
matriel du commerce.
Les principaux problmes rencontrs pendant les dmonstrations taient dus aux
rflexions de la lumire et aux conditions imparfaites pour l'acquisition d'images (par exemple
le fait que la route soit mouille, les brutales variations dillumination lors de lentre ou la
sortie dans les tunnels, la prsence des ombres des ponts ou autres infrastructures routires,
etc.).
Les rsultats prometteurs obtenus dans ces premires tapes de la recherche dans le
domaine des vhicules intelligents dmontrent qu'une pleine automatisation de trafic (au
moins sur des autoroutes ou des routes suffisamment structures) est techniquement faisable.
Nanmoins, au-del des problmes techniques, dautres aspects se doivent dtre
soigneusement pris en considration, comme par exemple les aspects lgaux lis la
responsabilit en cas de faute ou suite un comportement incorrect du systme, de mme que
linfluence de la conduite automatique sur les passagers humains.
Par consquent, une longue priode dessais approfondis doit prcder la mise
disposition de ces systmes sur le march. Un systme routier entirement automatis avec
des vhicules intelligents pratiquant lchange d'informations semble difficilement
envisageable avant une dizaine dannes.
Pour l'instant, l'automatisation complte sera limite aux infrastructures spciales,
comme dans le cadre de certaines applications industrielles ou de moyens de transports en
commun dtermins. Partant de l, la technologie des vhicules intelligents pourra tre
graduellement tendue d'autres secteurs de transport. On peut citer ce titre le transport de
31
Chapitre 1
marchandises par camions (vhicule onreux) o le cot du systme de conduite automatise

sera ngligeable par rapport celui du vhicule et du service fourni.
Finalement, une fois que la technologie sera matrise et que des algorithmes puissants
et fiables auront pass avec succs les preuves dune exprimentation en vraie grandeur, une
intgration massive de ces systmes sera pensable sur les vhicules privs, mais cela reste
encore un objectif pour le moyen terme. Dans cette optique, lapproche attelage virtuel ,
parce quelle cible un problme a priori moins vaste, permet dobtenir plus rapidement un
rsultat proche dune automatisation complte et fiable de lactivit de conduite automobile.
Qui plus est, cette facult de suivi automatique doit tre considre non pas comme
concurrente de lapproche traditionnelle , mais belle est bien comme complmentaire.
Investir dans cette voie conserve donc tout son sens.
La suite de ce mmoire prsente donc le capteur intelligent bas sur la vision que nous
avons dfini, dvelopp et mis au point dans le contexte de lattelage virtuel. Avant toute
chose, nous dveloppons dans le chapitre suivant la notion de capteur intelligent qui nous
permet de formaliser les diffrentes proprits quun tel dispositif se doit de prsenter.
32
Chapitre
LES CAPTEURS INTELLIGENTS
II
e chapitre introduit la notion de capteurs intelligent et prsente
les diffrentes dfinitions la base de ce concept. Le caractre
utile du capteur intelligent se manifeste clairement ds lors
quon sinteresse au cheminement de linformation. Dans cette
optique une attention particulire lui y accorde. Ensuite, nous
prsentons les diffrentes architectures de capteurs intelligents et le rle
de lintelligence dans ces derniers. Nous abordons galement les
diffrentes mthodes permettant dintgrer lintelligence au capteur et
les perspectives dvolution concernant ce domaine. Enfin, nous
passerons en revue les diffrentes approches de conception des capteurs
intelligents que nous mettrons en application pour identifier les diffrents
services et fonctionnalits que doit sapproprier le capteur
stroscopique intelligent pour contribuer la ralisation de lattelage
virtuel.
II.1. INTRODUCTION
intgration des fonctions de traitement du signal au sein mme des capteurs est
reprsentative de la notion de capteur intelligent . Les incessants progrs dans ce
domaine sont un archtype dinnovation technologique. Lincorporation des traitements
ddis au traitement du signal permet d'augmenter la flexibilit de conception des dispositifs
de perception (les capteurs) et de raliser de nouvelles fonctions complexes. Lautre
consquence est une rduction de la charge sur les units centrales de traitement et les
dispositifs de transmission de linformation obtenue, en distribuant les oprations dans les
systmes de mesure eux-mmes [Gia.86, Bri.86].
Les progrs rapides dans les technologies connexes la perception et la commande
impactent trs largement le domaine. Laccroissement de la puissance de calcul disponible et
lamlioration des capteurs, tant en performances quen cot, augmentent le nombre des
systmes automatiss, offrant par ailleurs une qualit de service accrue. Ces systmes
autorisent et soutiennent leur tour la progression des capteurs intelligents, alimentant une
sorte de cercle vertueux .
Les domaines d'application de la perception et de la commande se sont rapidement
diversifis. Les exemples typiques des domaines nouvellement dvelopps sont la Robotique,
la mesure environnementale et les secteurs biomdicaux. La diversit des applications de la
33
Chapitre2_______________________________________________Les Capteurs Intelligents

Robotique intelligente exige des capteurs trs avancs afin dgaler ou de dpasser la
perception naturelle des oprateurs humains. Le secteur biomdical et les systmes de
diagnostic sont prometteurs, compte tenu de lexistence dun fort besoin en la matire. Par
ailleurs, l'instrumentation environnementale employant des systmes de tldtection nous
informe des crises environnementales pouvant potentiellement frapper la Terre ou de
ltendue des dgts en cas de dsastre avr.
La ralisation de fonctions la fois utiles et attrayantes au sein de dispositifs avancs
reprsente le fruit de lmergence du concept des capteurs intelligents. Dans ce qui suit, nous
abordons les principes de fonctionnement de ces derniers.
II.2. POURQUOI METTRE LINTELLIGENCE AU SEIN DES

CAPTEURS ?
La rponse cette question passe ncessairement par lanalyse de lacheminement de
linformation entre les diffrents mondes (physique, informationnel intellectuel de
lhomme). Ceci nous permettra dtablir la problmatique associe aux capteurs
intelligents.
II.2.1.
LITINERAIRE DE LINFORMATION
Les concepts de mesures, de commande et de communication homme-machine

permettent de dresser un tableau densemble de ce quest un capteur intelligent. Dune faon
gnrale pour ce qui touche aux systmes de perception et de commande, linformation
circule non seulement entre les objets et les systmes de perception, mais aussi entre ces
entits et loprateur (communications homme-machine). Ce flux peut tre reprsent comme
une communication entre trois mondes diffrents, (voir Figure II.1). On peut facilement
comprendre qu'un change rgulier et efficace de l'information est essentiel et facilite
lexploitation du systme par lutilisateur [Yam.91]. Les trois mondes dont il est question plus
haut sont dfinis de la faon suivante:
1) Le monde physique reprsente les objets mesurables et contrlables. Les lois
naturelles dominent ce monde dans lequel la causalit est strictement tablie.
L'information est transmise en tant que signal physique.
2) Le monde logique reprsente le systme de traitement de l'information, de la mesure
et de la commande. Des rgles rationnelles rgnent sur ce monde dans lequel
l'information est dcrite par des codes logiques.
3) Le monde intellectuel humain c'est le monde mental interne du cerveau humain.
L'information est traduite en connaissances et concepts. Les lois dominant ce monde
restent tablir de faon formelle et sont lobjet dactives et nombreuses
recherches .
34

L'information dans le monde physique est extraite par des techniques de perception et
est transfre au monde logique. Elle y est alors traite selon les objectifs des systmes de
perception et de commande et est finalement interprte par l'homme au travers des interfaces
homme-machine, qui exhibent des donnes mesures et traites. De cette manire,
l'information est la fois achemine vers le monde intellectuel humain et formate pour
pouvoir sinsrer dans le cadre de la connaissance et des concepts de celui-ci. Ainsi, les
diffrentes informations obtenues sont structures et deviennent une partie de la
connaissance. A leur tour, ces connaissances peuvent sassembler en concepts qui peuvent
eux-mmes sagrger en domaines de la science et de la technologie.
Figure II.1 : Lchange de linformation entre les trois mondes.

Le comportement humain est gnralement bas sur l'information et la connaissance
pralablement acquise. Les intentions sont exprimes en tant que commandes et elles sont
transmises au systme par des actions travers les interfaces homme-machine. Le systme de
contrle logique rgule ses propres objets au travers dactionneurs dans le monde physique,
les actions entreprises tant bases sur la commande reue. Nous pouvons dtailler la chane
perception et contrle par un procd de type perception, identification, action et contrle
impliquant trois mondes diffrents dans lesquels lobjectif humain est atteint dans le monde
physique. Entre le monde physique et le monde logique, l'information schange entre les
systmes de perception et les systmes de contrle. Les capteurs et les actionneurs agissent
donc en tant qu'interfaces. Plus prcisment, les capteurs sont les dispositifs d'entre des
systmes de perception. Ils extraient l'information issue des objets du monde physique et
transmettent le signal correspondant.
Entre le monde logique et le monde humain, les communications sont assures par une
interface homme-machine. Un capteur intelligent permet de rapprocher la frontire entre
monde physique et monde logique de celle sparant monde logique et monde humain. Cela
signifie en pratique quune partie des traitements de l'information effectue gnralement
35

dans le monde logique est remplace par un traitement au sein du capteur lui-mme. Une
interface homme-machine intelligente comporte un systme dans lequel la frontire entre le
monde humain et le monde logique est dcale vers le monde humain. Ainsi, une partie de
lanalyse et de linterprtation des donnes fournie est effectue par linterface hommemachine elle-mme.
II.2.2. CE QUON ATTEND DUN CAPTEUR INTELLIGENT

Un capteur est dit intelligent lorsquil est capable dlaborer localement sa mesure, en
prenant ventuellement en compte les grandeurs dinfluence et en vrifiant la cohrence des
informations. Il est galement capable denvoyer sa mesure la demande ou de manire
systmatique destination du systme qui devra lexploiter. Linterface de communication
permet galement au capteur intelligent de recevoir les informations du systme ncessaires
llaboration de sa mesure et sa validation. Elle peut galement tre utilise dans les phases
de calibration et de mise en service de lquipement dans son environnement de travail ( pour
plus dinformation voir [Sta.94] ).
Les technologies associes aux capteurs ont volu au rythme des besoins. Il est ainsi
possible de dcrire les grands champs dinvestigation actuels et futurs associs aux capteurs
intelligents en dressant le panorama des attentes places dans ces derniers. Il est ainsi possible
de dgager les axes majeurs suivants :
(1) Nous pouvons percevoir les paramtres physiques dobjets dans leur tat normal avec
la fois une trs grande prcision et une grande sensibilit. Cependant, la dtection
des anomalies et des dysfonctionnements est assez peu dveloppe. La capacit
dtecter des dfauts et prvoir des dfaillances constitue une fonctionnalit de plus
en plus recherche.
(2) Les technologies de perception actuelles peuvent mesurer avec prcision des
quantits physiques ou chimiques en un seul point. Cependant, cette mesure se
complique ds lors que la ou les grandeurs quon cherche caractriser ne sont plus
localises mais rparties (que se soit spatialement ou temporellement) dans un
espace multidimensionnel, dont notre environnement fourni un bon exemple.
(3) Des grandeurs physiques lmentaires (masse, temprature, vitesse, etc. ) peuvent
tre mesures avec prcision et avec une trs grande sensibilit. Cependant, certaines
informations considres comme lmentaires du point de vue de la perception
humaine, comme par exemple le got ou lodeur, ncessitent la mise en uvre de
capteurs complexes auxquels doivent tre associs de traitements performants.
Les trois points abords ci-avant introduisent une problmatique commune qui est celle
de la dfinition de lobjet de la mesure. Si nous pouvons le dfinir clairement et tablir son
modle prcis, il est possible de lui associer un ensemble de grandeurs caractrisant son tat
sans ambigut et par consquent de choisir les capteurs les plus appropris la mesure de
36

celui-ci. La mise en uvre dune telle dmarche, classique dans le domaine de
lautomatisation des processus, savre dlicate mettre en uvre ds lors quest recherch
une certaine universalit du dispositif.
Dans ce contexte, cette approche systmatique issue de lAutomatique prsente
(dun point de vue purement pragmatique) des performances moindres que celles que ralise
quotidiennement chaque tre humain. Ainsi, notre exprience nous permet-elle de caractriser
ltat normal ou non dun objet familier ou de prvoir le dysfonctionnement de celui-ci grce
(entre autre) aux connaissances collectes sur ce dernier. Les hommes et les animaux peuvent
par ailleurs exploiter leurs capteurs naturels suivant plusieurs modes, permettant daboutir
une collecte et une interprtation des donnes en rapport avec la situation rencontre. Ainsi
sommes-nous capables de reconnatre une voix connue dans le brouhaha ou de tendre
loreille pour percevoir un son tnu dans un silence presque complet. Lune des forces du
systme de perception humain est sa facult exploiter conjointement et simultanment
plusieurs sortes de capteurs avec sa connaissance sensorielle , sans ncessiter de modle a
priori. Nous sommes donc capables de traiter des problmes de perception complexes grce
ces mcanismes de fusion entre capteurs et entre donnes capteur et connaissances.
Ces mcanismes reprsentent une approche performante pour les capteurs intelligents.
II.3.3. FONCTIONS
ASSOCIEES
LINTELLIGENCE
DES
CAPTEURS
Ce quil est convenu dappeler l'intelligence du capteur ralise un traitement
distribu des signaux dans la couche infrieure de la hirarchie du systme de perception. Le
rle de la fonction de traitement des signaux dans les capteurs intelligents peut tre rcapitul
comme suit :
1) Pallier les caractristiques fcheuses inhrentes au dispositif de la perception.
2) Amliorer la qualit du signal en vue de l'extraction des caractristiques utiles des
objets.
L'opration la plus connue pour pallier les caractristiques inhrentes au capteur est la
compensation. Elle consiste supprimer l'influence des variables indsirables sur le
mesurande. Pour amliorer la qualit du signal, divers traitements sont adopts afin dextraire
les caractristiques utiles. Les buts du traitement du signal sont d'liminer le bruit afin
dextraire la caractristique la moins bruite possible, cest - - dire la plus riche en
informations pertinentes compte tenu du phnomne caractriser.
Les techniques de traitement du signal utilisent gnralement les diffrences entre les
rponses dynamiques dues au signal utile dune part et au bruit dautre part. Elles sont
divises en trois types diffrents :
a) Le traitement dans le domaine frquentiel.
37

b) Le traitement dans le domaine temporel.
c) Les traitements dans le domaine spatial.
Ces traitements constituent une approche dynamique pour l'amlioration de la slectivit
du signal (Figure.II.2).
Figure II.2 : La classification des traitements du signal lis au capteur intelligent.

Larchtype du traitement de signal embarqu sur un capteur intelligent est le filtrage du
bruit en temps rel. Cette tche est effectue par des filtres passe-bas, passe-haut ou passebande dans le domaine frquentiel. Cette fonction peut tre prise en charge par des circuits
analogiques, bien quils noffrent pas la mme souplesse que leurs homologues numriques.
Tout aussi important que le filtrage frquentiel, le filtrage spatial dans le cadre du traitement
dimages permet par exemple de rendre les signaux visuels plus signifiants : Elimination
du bruit, calcul de valeurs moyennes (quivalent un filtrage passe bas), rehausse des
contours ou encore extraction dobjets dans limage traite.
Au passage, la quantit dinformations issues des capteurs d'images tant norme, le
traitement d'image basique devient une ncessit afin de rduire la charge de travail induite
sur les couches plus leves.
Nous pouvons rsumer les fonctions associes l'intelligence embarque sur les
capteurs en disant que la plus importante dentre elles est d'amliorer la slectivit du signal
des diffrents dispositifs de perception dans le monde physique. Ceci inclut les oprations
simples effectues sur les signaux de sortie des diffrents capteurs, telles que les traitements
basiques des donnes (filtrage, compensation, etc). Cependant, ceci n'inclut pas
l'optimisation des paramtres des dispositifs ou l'intgration des signaux issus des diffrents
capteurs, car ceci exige la connaissance des autres dispositifs de perception et dinformations
associes aux objets observs.
38
II.3.4. FONCTIONS DE LINTELLIGENCE DANS LE TRAITEMENT DE

LINFORMATION
Le rle de l'intelligence dans la couche mdiane est d'organiser les sorties multiples de
la couche basse et de produire des sorties intermdiaires. Le rle le plus important est
d'extraire les caractristiques essentielles de l'objet. Dans la couche mdiane du systme de
traitement, les signaux de sortie des multiples capteurs sont combins ou intgrs. Ainsi, les
lments extraits sont alors utiliss par lintelligence de la couche suprieure pour identifier la
situation. Ce traitement est effectu dans le monde logique.
Nous pouvons considrer l'intgration ou la fusion des signaux des capteurs comme une
architecture de base pour concevoir un systme de mesure intelligent adaptatif. Les signaux
du capteur pour les diffrents mesurandes sont combins dans la couche mdiane et les
rsultats fournissent une nouvelle information utile. L'ambigut ou l'imperfection du signal
d'un mesurande peut tre compense par un autre mesurande. Ce traitement cre une nouvelle
phase d'information.
Une autre fonction importante de la couche mdiane est ladaptation des paramtres des
capteurs afin doptimiser les performances du systme dans sa globalit. Cette adaptation est
conduite sur la base des caractristiques extraites et la connaissance a priori du signal trait.
La connaissance provient de la couche suprieure sous la forme dun algorithme
doptimisation.
II.3. LES APPROCHES DE REALISATION DES CAPTEURS

INTELLIGENTS
Selon Yamasaki [Yam.84], il y a trois approches diffrentes pour mettre en oeuvre
l'intelligence dun capteur (Figure. II.3).
1)
Intgration du capteur avec les ordinateurs, quivalente une intgration intelligente.
2)
Utilisation des matriaux fonctionnels spcifiques ou matriaux intelligents.
3)
Utilisation de structures gomtriques fonctionnelles quivalentes une structure

intelligente.
39
Figure II.3 : Trois approches diffrentes pour mettre en uvre lintelligence du capteur.
La premire approche est la plus rpandue. Un exemple typique de l'intgration
intelligente est lassociation de la fonction mesurer avec la fonction de traitement de
l'information. Cest clairement ce qui est ralis lorsque le dispositif de perception intgre un
microprocesseur. L'algorithme de traitement est dans ce cas programmable et peut tre
modifi ultrieurement (mise au point, adaptation, redesign , etc.).
Le traitement de l'information consiste en loptimisation, lextraction des simples
caractristiques, etc. Quelques oprations sont effectues en temps rel et en parallle avec
des circuits analogiques ou travers le rseau. Nous appelons une telle intgration un capteur
calculateur [Van.92].
Dans les deuxime et troisime approches, les proprits du capteur (lies au matriau
ou la structure suivant le cas) permettent elles seules de discriminer le signal utile du bruit.
La slectivit du signal est ainsi amliore.
Dans la deuxime approche plus particulirement, la combinaison unique des
caractristiques de lobjet et de celles du capteur contribue la ralisation dune slectivit
presque idale du signal. Dans la troisime approche, la fonction de traitement des signaux est
ralise par la structure gomtrique ou mcanique du capteur (cest le cas par exemple de
certains dispositifs optiques ou ultrasonores.).
II.4. MODELISATION
DU
CONCEPT
DU
CAPTEUR
INTELLIGENT :
Le dveloppement dun systme, dun produit, dun composant ou dun service, ou plus
exactement dune fourniture telle que la norme le dfinit [Afn.91], passe par la description
40

des activits complmentaires permettant, partir de lexpression du besoin initial, daboutir
une fourniture oprationnelle (dans notre cas un capteur).
Le cycle de dveloppement a t prsent de diffrentes manires. On trouve
principalement le cycle de dveloppement en cascade [Roy.70], le cycle de dveloppement
en V [Afn.96], le cycle de dveloppement en spirale [Boe.88] et le cycle de dveloppement
en X qui est une extension du cycle de dveloppement en V [Hod.91] et qui fait apparatre le
concept de rutilisation des composants matriels et logiciels.
II.5. LE CAPTEUR INTELLIGENT EN TANT QUEQUIPEMENT

INTELLIGENT
Les systmes dvelopps pour les transports intelligents sont en ralit des quipements
intelligents et font ainsi partie de lensemble des systmes temps-rel ractifs. Aprs une
dfinition des qualificatifs relatifs au systme tudi (i.e. temps-rel et ractif), on sattardera
sur les domaines dapplication plus particuliers des quipements intelligents.
1.
Temps-rel :
La dfinition de laspect temps-rel dun systme est un problme part entire,

compte-tenu du fait que cette notion est trs fortement couple la dynamique de celui-ci.
Le problme qui nous concerne ici est le suivant :
Suivant quels critres qualifions-nous un systme de temps rel ? Plusieurs points de
vue peuvent tre adopts. Le premier point de vue consiste qualifier tout systme dont les
donnes et les rsultats sont relatifs des vnements en cours de systme temps-rel .
Ceci revient dire que les informations collectes doivent encore avoir un rapport avec ltat
du systme au moment o celles-ci sont prises en compte. Nous aboutissons laphorisme
habituellement nonc dans les systmes temps-rel [Lem.99] :
Tout rsultat juste mais hors dlai est un rsultat faux
Le dlai dont il est question est fonction de la dynamique du processus pilot par le
systme qualifi de temps-rel. Ainsi plus celle-ci sera rapide, plus les contraintes tempsrel seront strictes et difficiles respecter matriellement. On peut avoir plusieurs ordres de
grandeurs du temps de rponse maximal tolr par rapport au processus considr :
De lordre de la milliseconde pour les systmes embarqus (avion, voiture,

missiles),
De lordre de la seconde pour les systmes de dtection dobstacles,
Jusqu plusieurs heures pour certains racteurs chimiques.
41

Dune faon gnrale, tout systme automatis et a plus forte raison tout quipement
intelligent se doit de respecter des contraintes de temps plus ou moins svres suivant le
domaine dapplication considr. Ces contraintes peuvent tre imposes dans le cahier des
charges ( par exemple en terme dchance maximale) ou non. Par ailleurs, les donnes
temporelles apparatront invitablement au cours du cycle de dveloppement ne serait-ce que
pour ordonner les diffrentes actions du systme automatis.
1.
Ractif :
Le terme de systme ractif a t introduit par [Har.85]. Un systme est dit ractif
lorsque son comportement dpend directement des informations quil change avec son
environnement. Ces informations arrivent au systme sous forme de stimuli. Un stimulus est
loccurrence dun vnement en provenance de lenvironnement, de lapplication vers le
systme. Cette occurrence est furtive, i.e, si elle nest pas traite et/ou mmorise linstant
de son occurrence, elle est perdue [Del.95]. Le systme doit alors ragir de manire
instantane pour pouvoir prendre en considration linformation contenue dans le stimulus.
La rapidit de la raction dans les systmes ractifs est un critre dterminant afin dassurer
un fonctionnement adquat et sr. De ce fait les systmes ractifs sont considrs comme
tant une classe particulire des systmes temps-rel . Le comportement ractif de tout
quipement intelligent est caractris suivant la nature de son environnement, vnements
discrets ou hybrides. Gnralement, les systmes automatiss intgrent les deux types de
comportement la fois.
II.6. DOMAINES
DAPPLICATIONS
DES
CAPTEURS
INTELLIGENTS
On dnombre quatre grands domaines dapplication dans lesquels les capteurs
intelligents sont plus particulirement usits :
Lindustrie manufacturire, caractrise par des contraintes temps-rel fortes et des
contraintes environnementales variables suivant le type dapplication.
Lindustrie des process continus , caractrise par des contraintes temps-rel plutt
faibles mais qui doit satisfaire des contraintes environnementales fortes (processus
chimiques, thermiques, ).
Les systmes embarqus, qui doivent galement satisfaire des contraintes temporelles
trs variables suivant les applications, mais des contraintes relatives lenvironnement
trs fortes,
Enfin, le tertiaire, qui est le plus souvent le moins contraignant tant au niveau tempsrel quenvironnemental.
42

Les deux premiers domaines dapplications concernent plus particulirement les
capteurs et les actionneurs intelligents. Les systmes embarqus sont similaires aux deux
prcdents et sont en plus assujettis des contraintes dencombrement et de consommation
nergtique trs fortes (espace disponible, poids, puissance, consommation, ). Le tertiaire
ne vise pas un type dapplications bien identifies, tout au contraire des trois premiers. En
effet, le tertiaire est trs vari. On peut y trouver par exemple tout ce qui concerne les
problmes de dtection utilitaire (incendie, intrusion, etc.).
II.7. LA CONCEPTION DES CAPTEURS INTELLIGENTS

La problmatique de base dans la conception des instruments intelligents en gnral et
des capteurs intelligents en particulier consiste identifier la meilleure technique pour le
dveloppement dun capteur adapt un problme donn.
En effet, le processus de dveloppement est troitement li lapproche adopte pour la
conception qui est son tour issue de la manire avec laquelle nous percevons les choses.
Gnralement, les approches de conception font partie de lun de ces trois points de vue :
FAIRE :
On modlise ici ce que le systme fait. Ce sont les approches orientes

fonctions ou traitements.
ETRE :
On modlise alors ce que le systme est. Ce sont les approches

orientes donnes.
DEVENIR : On modlise plutt ce que le systme devient. Ce sont les approches

orientes comportement ou tat.
Les points de vue abords ci-dessus sparment ne prsentent pas le seul point de vue
quon peut adopter pour la conception des quipements intelligents. Des approches dites
combines peuvent tre adoptes pour prendre en compte un maximum daspects de
lquipement intelligent. Dans ce qui suit, nous allons dcrire ce que recouvrent les termes
prcdemment introduits.
II.7.1. APPROCHE FONCTIONNELLE

Lapproche oriente fonctions sarticule autour de ce que fait lquipement sans
sintresser trs finement comment il le ralise exactement. Ce qui intresse le concepteur
cest la sortie dune bote noire . Ce point de vue laisse le choix au concepteur-ralisateur
dadopter la technologie la mieux adapte en terme de performances attendues et de cot.
II.7.1.1. LA DECOMPOSITION FONCTIONNELLE
Lide principale de cette approche est de dcomposer le problme de conception en
plusieurs fonctions, sous-fonctions et interfaces entre ces fonctions. On associe chaque
fonction dtermine un ou plusieurs traitements de bases. En effet, on se penche sur la
43

spcification des diffrents traitements et interfaces ncessaires pour rpondre aux exigences
du cahier des charges de lquipement en question (capteur, actionneur, etc.).
Nanmoins, il est difficile destimer si la spcification apporte recouvre tous les
aspects de ce que la nouvelle application doit faire, puisque lapproche par dcomposition
fonctionnelle noffre que peu de correspondances entre la fonctionnalit et le domaine
dapplication. De ce fait, la compltude du problme nest donc pas atteinte si on nglige
certaines parties qui napparaissent pas explicitement dans lnonc du cahier des charges.
Par exemple, le calcul de la vitesse relative ncessite deux types de donnes : la distance
relative et le temps. Pour pouvoir sassurer de la compltude de notre spcification, nous
devons soit dfinir une nouvelle fonction permettant de fournir la ou les donnes manquantes,
soit celles-ci doivent tre fournies par lenvironnement de lquipement intelligent : il faut
alors lexpliciter. Par consquent, la dcomposition fonctionnelle seule ne couvre pas tous les
aspects du problme traiter. Cest pour cette raison que celle-ci doit tre associe des
dcompositions par flots de donnes.
II.7.1.2.
LA DECOMPOSITION PAR FLOTS DE DONNEES
Cette approche, en complmentarit la dcomposition fonctionnelle, permet de

regrouper les flots de donnes et de contrle en entre et en sortie de lquipement intelligent
(capteur, actionneur, etc.).
Les raffinements successifs des diffrents traitements permettent dexprimer les
traitements en termes de flots de donnes. De ce fait, cette mthode exige quon ait une bonne
comprhension des traitements utiliss pour obtenir les diffrentes donnes ou des besoins en
terme de donnes de sorties relatifs aux traitements ainsi que les flots de contrle gnrs.
En effet, cette approche permet au concepteur ralisateur de reprsenter directement le
monde rel partir du cahier des charges. Ce dernier, comme le rvle la dcomposition
fonctionnelle, donne les diffrents flots de donnes demandes gnrs par la spcification en
fonctions. Ces fonctions sont des traitements qui transforment et consomment des donnes,
elles-mmes issues dautres fonctions. Par consquent, cette approche ncessite une bonne
analyse des flots de donnes de la part du concepteur et du demandeur de service.
La dcomposition fonctionnelle par flots de donnes est la base de plusieurs langages
de conception trs connus tels que : S.A (Structured Analysis) et son extension aux systmes
temps-rels incluant des problmes temporels dans la spcification ralise par Ward
(S.A.R.T) [War.86, Hat.90].
II.7.2. APPROCHE INFORMATIONNELLE

Cette approche incite sintresser ce quest lquipement, dans son ensemble et, en
particulier, ses proprits intrinsques. Lquipement est alors dcrit minutieusement. Cette
particularit de lapproche oriente donne implique quon sintresse au type dquipement
et la technologie utilise, i.e. comment est ralis ce que lquipement fait. Cette mthode
44

permet de modliser tous les aspects lis linformation. On y retrouve par exemple les
diagrammes entits-relations dfinies par Peter Chen : Objet + attributs + Relations, voir
[Che.76]. Ces types de diagrammes sont particulirement utiliss pour structurer des systmes
dinformation de grande taille. Ainsi, tous les langages de description formelle appartiennent
la catgorie des approches orientes donnes.
Nanmoins, les informations ainsi modlises ne traitent pas certains concepts comme
le service, en termes de comportement et de structure, de liens gnralisation-spcialisation et
de composs-composants. Ainsi, les approches orientes donnes ne suffisent pas en ellesmme lentire conception dun quipement intelligent mais elles restent incontournables
pour prendre en charge laspect informationnel attach celui-ci.
II.7.3.
APPROCHE COMPORTEMENTALE
Les approches orientes comportement sintressent plus la dynamique du systme et

son volution dans le temps qu son tat statique qui est plus reprsent par les approches
orientes fonctions (ou traitements). Ainsi, il est courant de joindre au modle obtenu soit par
une approche oriente donnes soit par une approche oriente fonctions, un modle de
comportement dynamique . En effet, les approches orientes comportement sappuient sur
le modle dvelopp par lune des deux approches prcdentes afin de dterminer les
changements du systme dans le temps, puisque le comportement du systme est troitement
li ce quil fait et/ou sur quoi il le fait.
Parmi les approches orientes comportement les plus connues, on trouve :
-
Approches par systmes de transitions,
Approches par Rseaux de Petri,
Approches par GRAFCET,
StateCharts,
Langages asynchrones : ELECTRE,
Il existe un nombre important de langages permettant dtudier le comportement

dynamique des systmes sans autant pouvoir exclure une analyse statique pralable afin
de modliser correctement le comportement. La multitude dapproches sexplique par le fait
quil existe plusieurs moyens daborder le comportement dun systme : les notions de
squencement de tches, paralllisme, dexclusion, de premption, de synchronisation, etc.
ne sont pas toutes prises en charge par les modles proposs. Pour plus de dtail sur les
diffrentes approches orientes comportement, le lecteur peut se rfrer [Lem.99].
45
II.7.4.
APPROCHE HYBRIDE
La constatation dominante lors de lanalyse des diffrentes approches introduites plus

haut, nous laisse penser quune seule approche nest pas suffisante pour prendre en compte
tous les aspects dun systme : Donnes, traitements, et comportement.
De ce fait, la combinaison des diffrentes approches peut apporter un plus considrable
la tche de conception dun capteur intelligent. On trouve principalement des mthodes qui
allient la fois le ct Donnes et le ct Fonctions car elles permettent davoir une
bonne vision du systme tant au point de vue fonctionnel quau point de vue structurel. Parmi
les approches hybrides les plus connues, la mthode S.A.D.T (Structured Analysis and
Design Technique) utilise des actigrammes inspirs dune reprsentation par flots de donnes
et de lanalyse structure [Igl.88, Geh.94].
Afin dapporter une vision incluant laspect comportemental aux aspects donnes et
traitements, les approches orientes objets ont fait leur apparition dans la modlisation.
II.7.5. APPROCHE ORIENTEE OBJET

Cette approche vise dcomposer le systme concevoir en objets interagissant les uns
avec les autres. Lapport principal de cette mthode est son adquation avec les proprits
intrinsques lies tout objet, puisque celui-ci se dfinit par des informations le caractrisant,
un fonctionnement et galement un comportement. Le concept de lapproche oriente objet se
base sur trois principes fondamentaux [Aub.91] :
a)
ABSTRACTION : Chaque objet dispose dun tat relatif ses attributs et dun
ensemble doprations qui fournissent des services aux autres objets qui sont
clients de lobjet.
b)
ENCAPSULATION : Lencapsulation dun objet permet de sparer ses

aspects externes, accessibles aux autres objets, de ses aspects internes
concernant limplmentation et donc gnralement invisibles aux autres objets.
c)
HERITAGE : Lhritage est le mcanisme qui dfinit entre les classes une
relation dans laquelle une classe partage la structure ou le comportement dfini
dans une ou plusieurs classes. La relation dhritage organise
hirarchiquement les classes en graphe dhritage et permet dhriter dune ou
de plusieurs classes la fois [Lut.97].
Afin dutiliser pleinement les capacits du concept objet, une nouvelle gnration des
langages de programmation a t dveloppe. On peut citer parmi eux les plus connus :
SmallTalk, C++, CLOS ou Eiffel, Java, et dernirement le C#. Il existe galement un certain
nombre de mthodes utilises pour la conception. Parmi elles, on peut citer les mthodes,
O.O.A. (Object Oriented Analysis) [Coa.91], la mthode H.O.O.D (Hierarchical Object
Oriented Design) [Esa.89], la mthode O.M.T (Object Modeling Technique), et dernirement
46

U.M.L (Unified Modelisation Language) [Boo.00]. Linconvnient principal de la
modlisation objet est sa difficult dintgration sur des composants lectroniques par
exemple.
Les techniques de modlisation sont nombreuses. Malheureusement, la plupart dentre
elles nont quune vision partielle du domaine, voire deux aspects du systme. Pour prendre
un systme en son entier il faut utiliser plusieurs approches, quil faut adapter les unes aux
autres.
II.8.
LE CAPTEUR INTELLIGENT DEDIE A LATTELAGE

VIRTUEL
Le systme de lattelage virtuel tel quil a t introduit, est un quipement daide la

conduite permettant au conducteur de suivre automatiquement un vhicule, que nous
appelons ici tracteur , le long dun trajet. Quand le vhicule suiveur se trouve derrire le
vhicule tracteur, le conducteur peut engager le systme dattelage virtuel. Le cahier des
charges dcrivant le problme de lattelage virtuel se partage en plusieurs points :
-
La vitesse du vhicule est contrle par une action sur un potentiomtre (la commande
dacclration dans notre cas) qui commande la puissance fournie au moteur
lectrique.
La consigne de vitesse du systme dattelage est la grandeur rglante permettant

dassujettir la distance intervhiculaire une consigne impose par les conditions
dutilisation.
La distance intervhiculaire est dtermine par un systme de vision stroscopique.
Quand le systme dattelage virtuel est engag, le conducteur doit rester, tout
instant, matre de son vhicule. Il peut ainsi engager des actions qui modifient la
vitesse de son vhicule. Il peut le faire de deux manires diffrentes en ce qui
concerne la vitesse : en agissant sur lacclrateur ou le frein.
- En appuyant sur lacclrateur, la vitesse du vhicule augmente et le systme
dattelage virtuel est dsactiv.
- En appuyant sur le frein, le systme de lattelage est dsactiv galement.
Dans les deux cas prcdents, le conducteur peut activer le systme dattelage
virtuel pour suivre le vhicule se trouvant devant lui et sur la mme ligne, tout
moment en appuyant par exemple sur un bouton de type Rengager .
Les besoins du systme dattelage virtuel ont t ici poss en quelques lignes. Il sagit
essentiellement du besoin du conducteur du vhicule. Des attentes supplmentaires sont
exposes dans ce qui suit.
47
II.8.1.
BESOINS SUPPLEMENTAIRES
Le conducteur possde plusieurs autres besoins que nous allons dfinir ci-dessous. Ces
besoins ne sont pas directement en rapport avec le problme de lattelage virtuel mais peuvent
interfrer avec lui.
-
A la mise en service et la demande ultrieure du conducteur, une procdure de

calibration des camras (du capteur stroscopique) dtermine les paramtres
intrinsques et extrinsques du systme de vision. Cette procdure permet au systme
dexprimer la relation qui relie le capteur au monde extrieur (son environnement).
Le conducteur peut enregistrer les paramtres issus de la calibration pour une

utilisation ultrieure, ainsi une procdure de vrification de lexactitude de ces
paramtres est lance avant une utilisation effective.
De la mme manire, le conducteur peut fixer la distance minimum qui doit sparer
son vhicule du vhicule tracteur pour les faibles vitesses (dans les embouteillages par
exemple) une alarme peut ainsi tre dclenche automatiquement si la distance nest
pas respecte, le systme de lattelage fournissant de cette faon un autre service
daide la conduite.
Une alarme doit signaler la dfaillance du systme au cas o un problme survient au

niveau matriel ou logiciel.
Ces quatre fonctionnalits supplmentaires sont-elles aussi prendre en compte lors de la

spcification des besoins.
Cette prsentation en langage naturel du cahier des charges nest videmment pas
complte. Dune part, les informations ne sont pas formalises ce qui les rend difficiles
exploiter en ltat et dautre part, les informations relatives aux aspects comportementaux ne
sont pas prises en compte. Ces informations ntant pas connues a priori, elles seront dfinir
au cours de ltude.
II.8.2.
SPECIFICATIONS DES BESOINS DU SYSTEME DATTELAGE

VIRTUEL
Dans le but de bien cerner le systme dattelage virtuel en tant ququipement devant
fournir diffrents services, nous allons expliciter rigoureusement les diffrents besoins des
utilisateurs en accord avec ce qui a t exprim prcdemment. Nous commenons tous
dabord par dterminer les diffrents consommateurs externes du systme dattelage virtuel et
nous dterminons ensuite les diffrents services que doit fournir le systme pour satisfaire les
besoins des consommateurs ainsi que ceux ncessaires son propre fonctionnement. Cette
dmarche de spcification est base sur le modle externe dvelopp au L.A.I.L26 [Sta.94,
26
L.A.I.L: Laboratoire dAutomatique et dInformatique Industrielle de Lille
48

Geh.94, Bay.95, Lem.99] et qui sinspire de la mthode S.A.D.T27 (combinaison dune
approche oriente donne et dune approche oriente fonctions) laquelle on ajoute la partie
des problmes temporels et comportementaux que lapplication fait ressortir.
II.8.2.1.
LES CONSOMMATEURS EXTERNES
On recense trois grands consommateurs : le superviseur (le conducteur humain), ce que

nous appellerons le moteur 28et le volant (la direction), qui reprsentent lenvironnement
physique de lensemble Systme dattelage virtuel .
Les besoins exprims par ces trois consommateurs sont les suivant, ils sont classs selon
leur importance par rapport au systme dattelage :
Services Indispensables
-
la calibration des camras Calibration,
la Commande Manuelle du Vhicule CMV,
la Commande Automatique du Vhicule CAV (en agissant sur le frein, acclrateur et

volant),
lestimation de la distance relative entre le vhicule suiveur et le vhicule tracteur

Distance_Relative,
lestimation de la direction relative du vhicule tracteur par rapport au vhicule

suiveur Direction_Relative
lestimation de la Vitesse Relative du vhicule tracteur par rapport au vhicule suiveur

VR,
Services Optionnels
-
le calcul de la distance parcourue, en utilisant le systme dattelage virtuel

Distance_Parcourue,
le calcul de la Vitesse Moyenne sur un parcours VM,
Les fonctions de consommation associes chacun des consommateurs sont alors les
suivantes :
f c ( Conducteur ) = { Distance_Parcourue, VR, VM, Distance_Relative}
f c ( Moteur )
f c (Volant )
= {Calibration, CMV, CAV }

= { Direction_Relative}
27
S.A.D.T : Structured Analysis and Design Technique
28
Au sens puissance motrice laquelle contribuent galement les freins.
49

II.8.2.2.
LES SERVICES QUE DOIT FOURNIR LE SYSTEME
On a recens galement les besoins en termes de services, que nous dsignons de la

faon suivante :
- Calibration,
- Commande_Manuelle,
- Commande_Automatique,
- Elaboration_Distance,
- Elaboration_Distance_Relative,
- Elaboration_Direction_Relative,
- Elaboration_Vitesse_Relative,
- Elaboration_Vitesse_Moyenne,
- Saisie_Vitesse_Max,
- Saisie_Distance_Min,
- Dtection_Entit_Accrochage
- Suivi_Entit_Accrochage
La description de chaque service exprim est ensuite dtaille et nous prsentons
schmatiquement chacun dentre eux sous forme de botes SADT selon un modle classique
[Igl.88, Geh.94]. Dans ce qui suit, nous indiquerons exclusivement les ressources impliques
directement dans lattelage virtuel. Cette description ne concerne donc pas les ressources
ncessaires au bon fonctionnement du vhicule (batterie, moteur, roues, etc.). Par ailleurs,
les traitements spcifiques aux services dfinis ici seront dtaills dans le troisime chapitre
de ce mmoire.
1.
Service Calibration
Ce service permet dextraire les paramtres intrinsques et extrinsques des camras

utilises par le capteur stroscopique et de dfinir la gomtrie du capteur. Il doit sexcuter
au commencement de toute utilisation du systme dattelage virtuel ou suite une
modification affectant lune des camras. Ce service sarrte lorsquon lui signale que le
nombre dimages ncessaires pour la calibration a t pris. Cet vnement dclenche alors la
mise jour du paramtre Calib_Params.
Ce service a donc besoin dun compteur du nombre dimages acquises et dune donne
Stop_Calib_IMAGES qui devra indiquer que le nombre dimages talons ncessaire la
calibration a t pris. Au niveau des conditions dactivations, il faut que le systme dattelage
soit valid, cette donne sera fournie par loprateur via la variable boolenne Attelage_ON,
et le service sera activ sur la requte Start_Calib au libre choix de loprateur.
50

Dun point de vue comportemental, la non-dtection dune mire de calibration dans les
images acquises implique labandon du service. Le processeur est ici une ressource partage
et vitale.
Attelage_ON
Start_Calib
IMAGES
Calib_OK
Calibration
Stop_Calib_IMAGES
Mire_Params
Calib_Params
Camras; Mire de
Calibration; P rocesseur
Figure II.4 : Service Calibration.

Entres : (IMAGES, Stop_Calib_IMAGES)
Sorties : (Calib_Params ; Calib_OK)
Paramtres : Mire_Params
Ressources : Camras ; Mire de Calibration ; Processeur.
Conditions dactivation : Attelage_ON & Start_Calib
Mthode : Calibration du capteur stroscopique , voir chapitre 3.
Priorit : 1
Temps dexcution au plus tt : 0
Priodicit : Non
Premptabilit : Oui
2.
Service Commande_Manuelle
Ce service est le service primordial au vhicule. On supposera dailleurs quil ne tombe

que trs rarement en panne. Ce service permet de donner la commande CMV en appuyant sur
lacclrateur et/ou sur le frein. Il possde ainsi deux entres ACC et FREIN qui indiquent
respectivement la position de lacclrateur et du frein. Ces deux donnes sont fournies par le
mme acteur : le conducteur. Ce service nest pas paramtrable en cours de fonctionnement.
Au niveau des conditions dactivation, ce service est actif ds que le moteur est en
marche. Donc, la condition dactivation est caractrise par une donne boolenne unique que
nous nommons M_E_M qui sera videmment fournie par le moteur. Les deux ressources
essentielles et vitales ce service sont les pdales dacclrateur et de frein : Ped_ACC et
Ped_FREIN. Dun point de vue comportemental, ce service est assujetti la position relative
de lacclrateur et/ou du frein. Il est donc toujours actif tant que le moteur est en marche et
ne dpend que du processeur. Il en rsulte que ce service nest ni priodique ni premptif.
51

M_E_M
ACC
Commande_Manuelle
CMV
FREIN
Ped_ACC; Ped_FREIN
Figure II.5 : Service Commande Manuelle.

Entres : (ACC, FREIN)
Sorties : (CMV)
Paramtres : 0
Ressources: (Ped_ACC ; Ped_FREIN)
Conditions dactivation : M_E_M
Mthode : Commande directe par rapport la position des pdales
Priorit : 1
Priodicit : Non
Premptabilit : Non
3.
Service Elaboration_Distance
Ce service permet dlaborer la distance D que le vhicule a parcourue depuis sa mise

en service. Il na besoin pour son fonctionnement que dune seule entre : les donnes
fournies par le capteur de distance (codeur incrmental associ aux roues, par exemple). Sa
condition dactivation est que le suivi est en cours de fonctionnement. Cette condition sera
symbolise par la variable boolenne Suivi_En_Cours_OK.
Ce service a un comportement non priodique : dans le cas de lexploitation dun codeur
incrmental la mise jour de la variable distance D dpend uniquement du nombre
dimpulsions prises en compte lorsque le systme dattelage est dans le mode suivi .
Labsence du capteur de distance sur le vhicule rend le service indisponible et le processeur
est la ressource partage qui sert mettre jour la distance parcourue Distance_Parcourue.
52

M_E_M
Suivi_En_Cours_OK
Attelage_ON
Distance_Parcourue
D
laboration_Distance
Distance_OK
Capteur_Distance ;
Processeur
Figure II.6 : Service Elaboration de la Distance

Entres : ( D )
Sorties : ( Distance_Parcourue ; Distance_OK )
Paramtres : 0
Ressources : (Capteur_Distance ; Processeur)
Conditions dactivation : M_E_M & Suivi_En_Cours_OK & Attelage_ON
Mthode : Comptage Mise jour
Priorit : 4
Priodicit : Non
Premptabilit : Oui
4.
Service Elaboration_Distance_Relative
Ce service est un service primordial de la spcification puisque cest sur lui que repose
pratiquement tout le problme de lattelage virtuel. Ce service a besoin en entre des
coordonnes 2D dun point caractristique (au moins) du vhicule tracteur sur les deux
camras 2D_Entit_Coord_Camera1, 2D_Entit_Coord_Camera2 , et des paramtres
de calibration du systme de strovision issu de la calibration Calib_Params. Au niveau des
conditions dactivation, on dnombre deux conditions ncessaires, la premire est que le
systme de strovision doit avoir t calibr, la seconde est que lentit suivie doit tre
galement dtecte. Ces conditions sont reprsentes par deux variables boolennes nommes
respectivement Calib_OK et Entit_Dtecte. Le service est activ sur la requte
Attelage_ON au libre choix du conducteur. Dun point de vue comportemental, labsence des
informations issues des camras implique labandon immdiat de ce service. Nanmoins une
version dgrade de celui-ci est envisageable si on dispose des connaissances a priori sur la
cible associe au vhicule tracteur et des images issues dune seule camra. Le processeur est
ici une ressource partage vitale.
53

M_E_M Attelage_ON
Calib_OK
Entit_Dtecte_OK
2D_Entit_Coord_Camera1
laboration_Distance
_Relative
Distance_Relative
Calib_Params
Processeur
Figure II.7 : Service Elaboration de la Distance Relative

Entres : ( 2D_Entit_Coord_Camera1 ; 2D_Entit_Cood_Camera2 )
Sorties : ( Distance_Relative )
Paramtres : Calib_Params
Ressources : ( Processeur )
Conditions dactivation : M_E_M & Attelage_ON & Calib_OK & Entit_Dtecte_OK
Mthode : Reconstruction tridimensionnelle, Calcul Mise jour
Priorit : 2
Priodicit : Non
Premptabilit : Oui
5.
Service Elaboration_Vitesse_Relative
Ce service est aussi un service primordial de la spcification puisquil fournit une

information directement lie la mise en place du suivi. Dun point de vue fonctionnel, le
service
Elaboration_Vitesse_Relative
ressemble
beaucoup
au
service
Elaboration_Distance_Relative, puisquils ont les mmes ressources et les mmes
conditions dactivation. Ils diffrent au point de vue des entres et du comportement.
Le calcul de la vitesse relative reprsente lvolution temporelle de la distance relative.
La distance relative est la sortie du service prcdent. Il faut cependant une base de temps qui
sera caractrise par une date destimation estampille horaire correspondant la date
laquelle le vhicule tracteur se trouvait la distance estime (dtection de lentit suivie).
Cette estampille horaire doit tre fournie par lenvironnement du systme dattelage
virtuel (horloge de lunit de traitement par exemple).
Dun point de vue comportemental, la procdure dlaboration de la vitesse relative se
fait lorsquune nouvelle estimation de la distance relative est disponible. Labsence dune des
ressources ncessaires pour le service de llaboration de la distance relative rend
54

indisponible ce dernier. Le processeur reprsente la seule ressource vitale puisquil permet de
mettre jour la vitesse relative chaque estimation de la distance relative.
M_E_M Calib_OK
Entit_Dtecte_OK
Attelage_ON
Distance_Relative (k)
T (k)
laboration_Vitesse
_Relative
Vitesse_Relative
Processeur
Figure II.8 : Service Elaboration de la Vitesse Relative

Entres : ( Distance_Relative(k) ; T(k))
Sorties : ( Vitesse_Relative )
Paramtres : 0
Ressources : ( Processeur)
Conditions dactivation : M_E_M & Calib_OK & Entit_Dtecte_OK & Attelage_ON
Mthode : Calcul Mise jour
Priorit : 2
Priodicit : Oui
Premptabilit : Oui
6.
Service Commande_Automatique
Le service de la commande automatique du vhicule possde des similarits avec le

service Commande_Manuelle. Ce service est actif lorsquune demande dattelage a t faite
par la requte du conducteur Attelage_ON et ceci tant que lattelage nest pas dsactiv par le
conducteur ou cause de la perte complte de la cible suivie.
Pour donner la consigne de la commande automatique du vhicule (constitue par une
consigne de vitesse et une consigne de direction) ce service a besoin de : la vitesse actuelle du
vhicule V, et de la vitesse, la distance et la direction relatives entre les deux vhicules. Au
niveau des conditions dactivation, il existe des conditions dutilisation ncessaires
lactivation du service : il faut que le moteur soit en marche M_E_M, que la pdale de frein
ne soit pas presse (FREIN = 0) , la pdale dacclration non plus (ACC = 0) et que le
service suivi de lentit, ait t effectu correctement Suivi_En_Cours_OK. Il y a ensuite
deux manires dactiver le service : partir de la requte Attelage_ON ou partir de la
55

requte ReEngager avec la condition supplmentaire que la calibration soit encore valide
(Calib_OK). Les deux requtes Attelage_ON et ReEngager sont toutes deux fournies par le
conducteur. De plus, on dfinit un vnement qui force labandon immdiat du service :
Attelage_OFF.
M_E_M Calib_OK
FREIN ACC
Entit_Dtecte_OK
Suivi_En_Cours_OK
[Attelage_ON V ReEngager]
Vitesse_Relative
Distance_Relative
Direction_Relative
V
Consigne_Vitesse_Rgule
Commande_
Automatique
Consigne_Direction_Rgule
Distance_Scurit_Params
Camras; Capteur_Vitesse;
Processeur
Figure II.9 : Service Elaboration de la Commande Automatique.

Entres : ( Vitesse_Relative ; Distance_Relative ; Direction_Relative ; V)
Sorties : ( Consigne_Vitesse_Relative ; Consigne_Direction_Rgule )
Ressources : (Camras ; Processeur)
Conditions dactivation : M_E_M & FREIN & ACC & Entit_Dtecte_OK &
Suivi_En_Cours_OK & [Attelage_ON || ReEngager]
Priorit : 3
Priodicit : Oui
Premptabilit : Oui
7.
Service Elaboration_Vitesse_Moyenne
Ce service propose au conducteur la vitesse moyenne VM sur un trajet o il a utilis le

systme dattelage virtuel. Ainsi, ce service a besoin de deux donnes principales qui sont la
distance parcourue D et le temps de parcours. Le temps coul depuis le dbut du trajet peut
tre dduit en utilisant la date et lheure courante Date_Heure ainsi que celle correspondant
au dbut du trajet. Les entres du service sont alors les donnes D et Date_Heure.
56

Les conditions dactivation du service sont assez simples : il faut que le moteur soit en
marche, lattelage soit en cours, que le service laboration de la distance soit fonctionnel et
que le conducteur demande la vitesse moyenne. La requte de demande de vitesse moyenne
est nomme DVM son acteur associ tant le conducteur. Le comportement du service est
alors asynchrone dclench sur demande du conducteur. Il a besoin de plusieurs ressources :
le processeur qui est une ressource partage et lhorloge systme qui fournit lobjet
Date_Heure et qui constitue une ressource vitale.
M_E_M
Suivi_En_Cours
Distance_OK
Attelage_ON DVM
laboration_Vitesse_
Moyenne
VM
Date_Heure
Horloge Systmes ;
Processeur
Figure II.10 : Service Elaboration de la Vitesse Moyenne.

Entres : ( D ; Date_Heure )
Sorties : ( VM )
Paramtres :
Ressources : (Horloge systme ; Processeur)
Conditions dactivation : M_E_M & Suivi_En_Cours & Distance_OK & Attelage_ON &
DVM
Priorit : 4
Priodicit : Non
Premptabilit : Oui
8.
Service Saisie_Vitesse_Maximum
Ce service est associ la prise en compte de la commande automatique de la vitesse

ds lapparition de la requte Attelage_ON. Ce service a pour but de mmoriser la vitesse
maximum et de la fournir son consommateur, le service Commande_Automatique.
Le service Saisie_Vitesse_Maximum a besoin quune seule entre V pour obtenir ses
sorties Consigne_Vitesse_Maximum et Consigne_Vitesse_OK et il nest pas paramtrable.
57

Ce service nenregistre la vitesse maximum que si celle-ci est infrieure 90 km/h. Le fait
que la vitesse soit infrieure 90 km/h est explicit par la variable boolenne
Consigne_Vitesse_OK.
En ce qui concerne le comportement, ce service est prsent ds et tant que le systme
dattelage est mis en marche Attelage_ON et influence la vitesse du suivi du vhicule
puisque celle-ci ne pourra pas dpasser Consigne_Vitesse_Maximum. Pour cette raison, ce
service nest ni priodique ni premptif par rapport au processeur. Ce service est interrompu
ds que Attelage_OFF apparat.
Attelage_ON
Consigne_Vitesse_Max
V
Saisie_Vitesse_Max
Consigne_Vitesse_OK
Processeur
Figure II.11 : Service de la Saisie de la Vitesse Maximum.

Entres : ( V )
Sorties : ( Consigne_Vitesse_Max ; Consigne_Vitesse_OK )
Paramtres : 0
Ressources : (Processeur)
Conditions dactivation : Attelage_ON
Mthode : Enregistrement
Priorit : 2
Priodicit : Non
Premptabilit : Non
9.
Service Saisie_Distance_Minimum
Ce service comme, celui de la saisie de la vitesse maximum, est associ la prise en

compte de la commande automatique de la vitesse ds lapparition de la requte
Attelage_ON. Ce service a pour objectif de mmoriser la distance minimum qui doit sparer
le tracteur de son suiveur et de la fournir son consommateur, le service
Commande_Automatique.
Le service Saisie_Distance_Minimum na besoin que dune seule entre D pour obtenir
ses sorties Distance_Relative_Minimum et Distance_Relative_OK et il nest pas
58

paramtrable. Le fait que la distance minimum respecte la distance de scurit minimum est
explicit par la variable boolenne Distance_ Relative_OK.
Du point de vue comportement, ce service est prsent ds et tant que le systme
dattelage virtuel est en marche Attelage_ON et influence Distance_Relative puisque celleci ne pourra pas tre infrieure Distance_Minimum. Pour cette raison, ce service nest ni
priodique ni premptif par rapport au processeur. Ce service est interrompu ds que
Attelage_OFF apparat.
Attelage_ON
Distance_Relative_Min
D
Saisie_Distance_Min
Distance_Relative_OK
Processeur
Figure II.12 :
Service de la Saisie de la Distance Minimum
Entres : ( D )
Sorties : ( Consigne_Relative_Min ; Distance_Relative_OK )
Paramtres : 0
Conditions dactivation : Attelage_ON
Mthode : Enregistrement
Priorit : 2
Priodicit : Non
Premptabilit : Non
10.
Service Elaboration_Direction_Relative
Ce service est un service primordial de la spcification puisquil reprsente, comme le

service dlaboration de la vitesse relative et de la distance relative, un maillon trs important
dans la chane des services que doit fournir le systme afin de mener bien sa tche
principale qui est lattelage automatique. Ce service a besoin en entre des coordonnes 2D
dun point caractristique du vhicule tracteur sur les deux camras
2D_Entit_Coord_Camera1, 2D_Entit_Coord_Camera2 , et des paramtres de
calibration du systme de strovision issus de la calibration Calib_Params. Au niveau des
conditions dactivation, on dnombre deux conditions ncessaires : la premire est que le
59

systme de strovision doit avoir t calibr, la seconde est que lentit suivie doit tre
galement dtecte. Ces conditions sont prsentes par deux variables boolennes nommes
respectivement Calib_OK et Entit_Dtecte, le service est activ sur la requte
Attelage_ON au libre choix du conducteur. Dun point de vue comportemental, labsence des
informations issues des camras implique labandon immdiat de ce service. Le processeur
est ici une ressource partage vitale.
Compte-tenu de la similarit des entres de ce service et du prcdent et de la
complmentarit des informations fournies, ces deux services peuvent tre regroups sous le
nom dun mme service quon appellera la reconstruction 3D.
M_E_M Calib_OK
Entit_Dtecte_OK
Attelage_ON
laboration_Direction
_Relative
Direction_Relative
Calib_Params
Processeur
Figure II.13 :
Service Elaboration de la Direction Relative.
Entres : ( 2D_Entit_Coord_Camera1 ; 2D_Entit_Cood_Camera2 )

Sorties : ( Distance_Relative )
Conditions dactivation : M_E_M & Attelage_ON & Calib_OK & Entit_Dtecte_OK
Mthode : Reconstruction tridimensionnelle, Calcul Mise jour
Priorit : 2
Priodicit : Non
Premptabilit : Oui
11.
Service Dtection_Entit_Accrochage
Ce service est trs important pour la suite des traitements, puisque ses sorties
reprsentes respectivement par : les coordonnes 2D des points caractristiques de lentit
daccrochage 2D_Entit_Camra_Coord et une valeur boolenne indiquant la russite de
lopration de la dtection Entit_Dtecte_OK, seront consommes par les services
60

dlaboration de la distance et de la direction relatives, qui reprsentent leur tour le cur du
capteur stroscopique ddi la tche de lattelage virtuel.
Le service Dtection de lentit daccrochage Dtection_Entit_Accrochage a besoin
dune seule entre qui est lImage et est activable sous les conditions que le systme
dattelage Attelage_ON et le moteur M_E_M sont tous deux affirms. Ce service nexige
pas que la calibration du capteur stroscopique soit faite puisque les traitements effectus au
sein de ce service sont du ressort du traitement dimages pur et non de la vision par
ordinateur. Par ailleurs, ce service est paramtrable selon les proprits gomtriques et
colorimtriques de lentit dtecter.
Dun point de vue comportemental, labsence de limage issue de la camra (dfaillance
de camra connecte au service) implique labandon du service. Le processeur est ici une
ressource partage et vitale.
Attelage_ON
2D_Entit_Camera_Coord
Image
Dtection_Entit_
Accrochage
2D_Entit__Camera_ Coord_Sui
Entit_Params
Entit_Dtecte_OK
Camras ; Processeur
Figure II.14 :
Service de Dtection de lEntit dAccrochage.
Entres : ( Image )
Sorties : ( 2D_Entit_Camera_Coord ; Entit_Dtecte_OK )
Paramtres : Entit_Params
Ressources : (Camras ; Processeur)
Conditions dactivation : M_E_M & Attelage_ON
Mthode : Traitement dimages, Calcul Mise jour
Priorit : 2
Priodicit : Non
Premptabilit : Oui
12.
Service Suivi_Entit_Accrochage
Ce service est aussi trs important pour la suite des traitements, puisque ses sorties
reprsentes respectivement par : la prdiction des coordonnes 2D suivantes des points
61

caractristiques de lentit daccrochage (2D_Entit_Camra_Coord_Sui) et une valeur
boolenne indiquant que le suivi 2D de lentit est bien en cours (Suivi_En_Cours_OK),
seront consommes par les services Dtection de lentit daccrochage et Elaboration de
la vitesse et la distance relatives ainsi que la commande automatique du vhicule qui sont
les services principaux du systme de lattelage virtuel.
Le service Suivi de lentit daccrochage Suivi_Entit_Accrochage na besoin
quedune seule entre qui est 2D_Entit_Camera_Coord_Act et ncessite pour son
activation que le systme dattelage Attelage_ON et le moteur M_E_M soient tous deux mis
en marche, que la calibration ait bien t effectue (Calib_OK) et que lentit daccrochage
ait bien t dtecte (Entit_Dtecte_OK). Par ailleurs, ce service est paramtrable selon le
modle du dplacement du vhicule tracteur. Le processeur reprsente pour ce service une
ressource partage et vitale.
M_E_M Calib_OK
Entit_Dtecte_OK
Attelage_ON
2D_Entit__Camera_ Coord_Act
Suivi_Entit_
Accrochage
Suivi_En_Cours_OK
Dplacement_Params
Processeur
Figure II.15 :
Service du Suivi de lEntit dAccrochage
Entres : ( 2D_Entit_Camera_Coord_Act )
Sorties : ( 2D_Entit_Camera_Coord_Sui ; Suivi_En_Cours_OK )
Paramtres : Dplacement_Params
Conditions dactivation : M_E_M & Calib_OK & Entit_Dtecte_OK & Attelage_ON
Priorit : 2
Priodicit : Non
Premptabilit : Oui
62
II.8.3.
ARCHITECTURE
OPERATIONNELLE
DU
SYSTEME
DATTELAGE VIRTUEL
Dans la partie ci-dessus nous avons dtaill les diffrents services qui constituent un
systme dattelage virtuel dans sa globalit et cela sans sparer la partie capteur de la partie
actionneur (autrement dit, le pilote comme il a t soulign dans lintroduction). La figure
II.16 reprsente larchitecture oprationnelle complte du systme dattelage virtuel, tout en
mettant en vidence la partie capteur de la partie actionneur du systme global.
En effet, le schma ci-dessous fait apparatre justement deux blocs indpendants, le
premier a besoin en entre principalement des images et fournit en sortie une estimation de la
distance intervhiculaire, le cap et la vitesse relative. Le second bloc quant lui rccupre en
entre les sorties du bloc prcdent pour pouvoir gnrer la commande du vhicule
automatis en loccurrence le vhicule suiveur. Linterconnexion des deux systme tel que
lon peut voir sur la figure II.16 constitue le systme final qui a pour but lattelage virtuel.
Dans le cadre de cette thse nous nous sommes intresss particulirement la mise en
place et le dveloppement de la partie capteur , reprsente par un capteur stroscopique
dont le but est de percevoir lenvironnement du vhicule suiveur et fournir en consquence
la distance intervhiculaire, le cap et la vitesse relative qui sont des informations ncessaires
pour lautomatisation de la conduite du vhicule qui est lobjet dune autre thse en cours au
sein de notre laboratoire (voir, [Tou.04])
63
Chapitre2________________________________________________________________________________________Les Capteurs Intelligents

Interface
Interface Homme-Machine
Homme-Machine
Attelage_ON,
Attelage_ON, Start_Calib,
Start_Calib,
ReEngager,
ReEngager, DVM
DVM
Moteur
Moteur
M_E_M
M_E_M
Attelage_ON
Attelage_ON
Calib_OK
Calib_OK
Entit_Dtecte_OK
Entit_Dtecte_OK
2D_Entit_Coord_Camera
2D_Entit_Coord_Camera
11
Images
2D_Entit_Coord_Camer
a2
a2
laboration_Distance
laboration_Distance
_Relative
_Relative
Distance_Relative
Distance_Relative
Calib_Param
Calib_Param
ss
M_E_M
M_E_M
Suivi_En_Cours
Suivi_En_Cours
Distance_OK
Distance_OK
Attelage_ON
Attelage_ONDVM
DVM
Processeur
Processeur
Attelage_ON
Attelage_ON
Start_Calib
Start_Calib
Stop_Calib_IMAGE
Stop_Calib_IMAGE
SS
IMAGES
IMAGES
Calibration
Calibration
Mire_Params
Mire_Params
Attelage_ON
Attelage_ON
V
V
Saisie_Vitesse_Max
Distance_Relative
Distance_Relative
(k)
(k)
Calib_Param
Calib_Param
ss
TT(k)
(k)
laboration_Vitesse
laboration_Vitesse
_Relative
_Relative
Vitesse_Relativ
Vitesse_Relativ
ee
Horloge
HorlogeSystmes
Systmes;;
Processeur
Processeur
2D_Entit__Camera_
2D_Entit__Camera_ Coord_Sui
Coord_Sui
Distance_Relative_
Distance_Relative_
Min
Min
Dtection_Entit_
Dtection_Entit_
Accrochage
Accrochage
Entit_Param
Entit_Param
ss
2D_Entit_Coord_Came
2D_Entit_Coord_Came
ra
ra
a1
a1
2D_Entit_Coord_Came
2D_Entit_Coord_Came
ra2
ra2
Consigne_Vitesse_Rgul
Consigne_Vitesse_Rgul
ee
Commande_
Commande_
Automatique
Automatique
Vitesse_Max
Vitesse_Max
M_E_M
M_E_M
Suivi_En_Cours_OK
Suivi_En_Cours_OK
Attelage_ON
Attelage_ON
_Relative
_Relative
Direction_Relative
Direction_Relative
VV
Consigne_Direction_Rgul
Consigne_Direction_Rgul
e
e
Distance_Scurit_Para
Distance_Scurit_Para
ms
ms
Camras;
Camras;Capteur_Vitesse;
Capteur_Vitesse;
Processeur
Processeur
Distance_Parcourue
Distance_Parcourue
DD
VM
VM
Vitesse_Relative
Vitesse_Relative
M_E_M
M_E_M Calib_OK
Calib_OK
Entit_Dtecte_OK
Entit_Dtecte_OK
Attelage_ON
Attelage_ON
Attelage_ON
Attelage_ON
Imag
Imag
ee
Saisie_Distance_Min
M_E_M
M_E_MCalib_OK
Calib_OK
FREIN
FREINACC
ACC
Entit_Dtecte_OK
Entit_Dtecte_OK
Suivi_En_Cours_OK
Suivi_En_Cours_OK
[Attelage_ON
[Attelage_ONVV
Rengager]
Rengager]
VM
VM
Distance_Relativ
Distance_Relativ
ee
Direction_Relative
Direction_Relative
Processeur;
Processeur; clavier
clavier
D
D
laboration_Vitesse_
laboration_Vitesse_
Moyenne
Moyenne
Date_Heure
Date_Heure
Processeur;
Processeur;Horloge
Horloge
Systme
Systme
Vitesse_OK
Vitesse_OK
Attelage_ON
Attelage_ON
DD
Camras;
Camras; Mire
Mire de
de
Calibration;
Calibration; PProcesseur
rocesseur
Vitesse_Max
Vitesse_Max
Oprateur humain
M_E_M
M_E_M Calib_OK
Calib_OK
Entit_Dtecte_OK
Entit_Dtecte_OK
Attelage_ON
Attelage_ON
Calib_O
Calib_O
K
K
Distance_Parcourue
Distance_Parcourue
laboration_Distance
laboration_Distance
Calib_Params
Calib_Params
Distance_OK
Distance_OK
Entit_Dtecte_OK
Entit_Dtecte_OK
Processeur
Processeur
Capteur_Distance
Capteur_Distance;;
Processeur
Processeur
Camras
Camras ;; Processeur
Processeur
M_E_M
M_E_MCalib_OK
Calib_OK
Entit_Dtecte_OK
Entit_Dtecte_OK
Attelage_ON
Attelage_ON
Processeur;
Processeur; clavier
clavier
2D_Entit__Camera_
2D_Entit__Camera_Coord_Act
Coord_Act
Suivi_Entit_
Suivi_Entit_
Accrochage
Accrochage
2D_Entit__Camera_
2D_Entit__Camera_
Coord_Sui
Coord_Sui
Suivi_En_Cours_OK
Suivi_En_Cours_OK
Dplacement_Param
Dplacement_Param
ss
Processeur
Processeur
M_E_M
M_E_M
ACC
ACC
Commande_Manuelle
Commande_Manuelle
CMV
CMV
FREIN
FREIN
Ped_ACC;
Ped_ACC;Ped_FREIN
Ped_FREIN
Clavier
Ped_Acc
Ped_Frein
Figure II.16 :
Processeur
Processeur
Camras
Camras
Mire
Mire de
de Calibration
Calibration
Horloge
Horloge Systme
Systme
Odomtre
Odomtre
Tachymtre
Tachymtre
Architecture Oprationnelle globale du Systme dattelage virtuel

64
Sortie
Sortie
Sortie
Sortie
Capteur
Capteurde
de vision
vision
Du
DuPilote
Pilote
II.9.
CONCLUSION
Dans ce chapitre nous avons donn une vision assez globale de ce qui est un capteur et
avons prcis les diffrentes architectures associes un systme de mesure intelligent.
Diffrentes approches relatives la ralisation de tels systmes en adquation avec leurs
fonctions ont t prsentes.
Dans un deuxime temps, nous avons abord la problmatique de la modlisation du
concept du capteur dit intelligent et les diffrents domaines dapplications qui lui sont
associs. Les diffrentes approches de conception des capteurs intelligents ont t galement
introduites.
Enfin, nous avons spcifi les besoins du capteur intelligent ddi la problmatique de
lattelage virtuel, ce qui nous a permis de mettre en vidence les diffrents services et
fonctionnalits que celui-ci se doit de fournir. Cette spcification nous permettra par la suite
de mettre en place les traitements spcifiques aux services identifis dans ce chapitre.
Dans ce qui suit nous allons aborder les problmatiques lies la ralisation des
services un un et mettre en place des algorithmes des domaines conjoints du traitement
dimages et de la vision par ordinateur afin de mener bien la tche principale de notre
capteur stroscopique intelligent, qui consiste fournir les informations ncessaires pour
effectuer lattelage virtuel.
Le troisime chapitre a pour rle de dcrire en dtail le travail qui en a dcoul tout au
long de cette thse, dans le but de mettre en uvre un capteur stroscopique intelligent ddi
la tche de lattelage virtuel.
65
Chapitre
APPLICATION : ATTELAGE
III
VIRTUEL
e chapitre sintresse la ralisation et la mise en uvre

dun capteur stroscopique intelligent ddi lattelage virtuel, se
basant uniquement sur les caractristiques dun vhicule banal, le
vhicule suivi ne ncessitant pas dtre instrument. Les rsultats
obtenus montrent la faisabilit et lefficacit dune telle approche.
III.1.
INTRODUCTION
omme nous lavons voqu dans le premier chapitre, lengouement constat

depuis maintenant une vingtaine dannes relativement aux systmes de transport
intelligents (ou I.T.S) trouve sa source aux multiples problmes que pose le transport
des biens et des personnes. Les champs dinvestigations fleurissent mesure quapparaissent
les technologies disposant du potentiel suffisant pour les explorer. Ainsi, les quipements qui
furent parmi les premiers tre expriments (camras infrarouges, radars, capteurs
ultrasonores, etc.) furent-ils directement emprunts des applications militaires extrmement
coteuses. Cependant, grce aux progrs remarquables accomplis au niveau des procds de
fabrication de ces matriels, nous assistons actuellement lmergence de capteurs et de
systmes de traitement la fois bon march et performants [Ber.98].
Cest donc sur la base de ces nouvelles possibilits que se dessine lavenir de la
technologie automobile, en particulier en matire de contrle automatique, dont les bnfices
attendus sont varis : utilisation plus rationnelle des infrastructures dj en place, amlioration
de la mobilit, minimisation des risques, meilleure matrise des dures de transport,
conomies dnergie, etc. Le chapitre 1 a t loccasion de dcrire plusieurs approches
exploitant lintelligence artificielle et une trs vaste varit de capteurs, dans le but daboutir
un vhicule compltement autonome en matire de conduite. Mme si les rsultats obtenus
sont prometteurs, il nen reste pas moins que les performances de ces systmes ncessitent
dtre encore renforces, ne serait-ce que parce quaucun dentre eux natteint 100 % de
temps de conduite en automatique. Tous requirent donc, un moment o un autre (ne pas
savoir lequel tant dj en soi un problme), la prsence dun oprateur humain. Comme nous
avons dj pu le prciser, lapproche attelage virtuel dveloppe ici se veut
complmentaire plus qualternative la conduite automatique. Ces travaux sinscrivent dans
le cadre du projet de recherche rgional AutoRIS (Automatique pour la Route Intelligente et
Sre) et plus exactement au sein du programme AViVA (Attelage Virtuel pour Vhicules
66
Chapitre 3
Application : Attelage Virtuel
Autonomes). Rappelons que lobjectif dAViVA est de permettre terme la formation de

train de vhicules , dont seul celui de tte aurait besoin dtre activement conduit. La
liaison entre les diffrents vhicules constitutifs de cet attelage doit tre immatrielle , cest
dire ne sappuyant que sur des mesures issues de diffrents capteurs et des lois de
commande appropries. Les bnfices possibles de la technique dattelage virtuel sont
nombreux. Pour commencer, cette notion de "trains virtuels routiers" quelle autorise pourrait
permettre d'associer une "cohrence" de trafic habituellement propre au rseau ferroviaire
une souplesse d'utilisation qui a fait le succs du transport routier. Parmi les points les plus
prcis que nous pouvons citer, l'attelage virtuel conduit une optimisation des infrastructures
car (potentiellement) les vhicules pourraient se suivre de plus prs. Ceci parce qu'entre autres
choses, un systme automatis prsente par rapport un oprateur humain un "degr de
vigilance" constant. Les amliorations induites peuvent aussi porter sur la consommation (de
par l'exploitation de lois de commandes performantes et la structure mme de "train"). Un
impact positif sur l'environnement est lui aussi envisager, ne serait-ce que comme retombes
de la rationalisation de la gestion de l'infrastructure routire et de la matrise de la
consommation d'nergie.
Comme nous lavons expliqu dans lintroduction gnrale de ce mmoire, la
problmatique de lattelage virtuel se ramne asservir un vhicule en distance et en cap par
rapport celui qui le prcde. Lune des originalits de ce travail est de tenter dy parvenir en
prenant la vision pour seule source de donnes extroceptives. Lasservissement proprement
dit peut se concevoir de deux points de vue diffrent, savoir :
-
Un asservissement en situation : Dans ce cas, les donnes capteur (ici la vision)

servent positionner la cible ( savoir, le vhicule tracteur) dans lespace du travail.
Cette position relative et les informations qui laccompagnent (inter distance,
orientation et vitesse) sont utilises pour calculer la commande appliquer au
vhicule tract. Cette approche est encore parfois appele Asservissement visuel 3D.
Asservissement visuel 2D : La configuration relative obtenir entre vhicule tracteur

et vhicule tract est exprime directement sous la forme de mesures observer. On
prcise en fait la faon dont le vhicule tracteur doit tre vu. Loriginalit de cette
approche est quelle ne ncessite pas de repasser dans lespace de travail, les
commandes appliquer au systme se dduisant de lcart entre informations
visuelles de consigne et informations visuelles observes au travers de la matrice
dinteraction associe au systme.
Dans la mesure o les informations 3D sont par ailleurs ncessaires, cest au travers
dune approche de type Asservissement Visuel 3D que lquipe a entrepris de traiter le
problme. Cependant, quelle que soit lapproche choisie, la premire tape consiste extraire
au sein des informations visuelles des primitives permettant de mener bien la tche
dasservissement. Cest ce problme, ainsi qu celui de la localisation 3D partir des
informations visuelles que sattachent les sections qui vont suivre. Comme nous lavons
indiqu, le point daccroche visuel est ici la plaque dimmatriculation puisque celle-ci est
67
Chapitre 3
une entit inhrente aux vhicules. La premire partie a pour objectif de prciser les
diffrentes contraintes pesant sur le choix des lments constitutifs de notre capteur
stroscopique. Ces contraintes (tant matrielles quapplicatives) ayant t poses et les
composants du systme dimensionns en consquence, nous prsentons ensuite notre mthode
de dtection de la plaque dimmatriculation. Des rsultats exprimentaux montrant lefficacit
de notre algorithme de dtection sont prsents. Dans la seconde partie, nous dcrivons un
filtre de Kalman destin effectuer un tracking de la plaque dimmatriculation dans une
squence dimages, ceci afin daugmenter les performances du systme en matire de temps
de rponse. La troisime partie de ce chapitre traite de la localisation de la plaque dans
lespace Euclidien tridimensionnel. Lapproche monoculaire (une seule camra) est
particulirement dtaille, compte-tenu de son importance lors du fonctionnement en mode
dgrad. Des rsultats exprimentaux permettent enfin de dresser un bilan des capacits
oprationnelles du systme mis en uvre. Ce chapitre se termine par une brve description
des travaux venir.
III.2.
LES
CONTRAINTES
ET
LES
EXIGENCES
DE
LAPPLICATION
III.2.1.
AU NIVEAU DE LAPPLICATION
Lnumration des contraintes pesant sur notre systme ncessite que soient rappels les
principes de lattelage virtuel bas vision dans le cas simple ou lattelage ne comporte que
deux vhicules. Le terme bas vision signifie simplement ici que nous nous basons
uniquement sur des proprits visuelles intrinsques et sur les positions et vitesses relatives
des deux vhicules pour mener bien la tche de conduite.
Ainsi, si nous considrons deux vhicules nomms respectivement Tracteur et
Suiveur , le vhicule Tracteur est conduit par un oprateur humain, tandis que le vhicule
Suiveur suit automatiquement le vhicule Tracteur, comme sous lemprise dune liaison
mcanique, alors que cette dernire est en fait ralise au travers de mesures et dune loi de
commande (justifiant lappellation dAttelage virtuel ).
Pour que le vhicule suiveur puisse suivre effectivement le vhicule tracteur, celui-ci
doit disposer en temps rel des informations suivantes :
-
Linterdistance entre le vhicule Tracteur et le vhicule Suiveur.
La vitesse relative entre le vhicule Tracteur et le vhicule Suiveur.
La diffrence de cap entre le vhicule Tracteur et le vhicule Suiveur.
68
Chapitre 3
(a)
(b)
Figure III.1 : Les informations ncessaires pour effectuer lattelage virtuel (a) Schma
descriptif de la tche de lattelage virtuel (b) La projection des vhicules, tracteur et suiveur
sur le plan OXY
Comme nous lavons voqu dj dans le chapitre 1, afin de pouvoir estimer les
informations ncessaires la tche dattelage, les donnes visuelles utilises cet effet
doivent prsenter certaines proprits :
-
Etre ncessairement prsentes dans le cadre de la mission "habituelle" du systme,

autrement dit, prsentes dans la scne observe.
Etre lies au vhicule tracteur mais indpendantes des disparits sappliquant aux
vhicules. On peut considrer ce niveau, tous les lments visibles de larrire du
vhicule, savoir, phares, plaque, calandre, feux arrires, etc.
Pouvoir tre extraites en un temps compatible la nature temps rel de la tche, ce qui
prsuppose une forme gomtrique simple ou encore, une couleur particulirement
discriminante par rapport lenvironnement (phares allums, feux stop ou plaque).
Certes, les proprits cites ci-dessus sont ncessaires pour toute entit qui doit tre
utilise en tant quobjet dcrivant la trajectoire du vhicule tracteur, mais savrent
insuffisantes pour des raisons de scurit. En effet, ces proprits ne permettent pas de faire la
diffrence entre le vhicule suivi et les autres vhicules. Pour cette raison, la primitive
suivre doit prsenter aussi les particularits suivantes :
69
Chapitre 3
Prsenter une forme et des caractristiques suffisamment robustes pour tre

dtectable mme dans des conditions de fonctionnement perturbes (brouillard
raisonnable , pluie, etc.).
Prsenter des aspects spcifiques au vhicule suivre. De ce point de vue, les

inscriptions portes par la plaque dimmatriculation sont toutes indiques puisquelles
permettent de distinguer le vhicule suivi parmi les autres, mme au sein dun mme
modle de mme coloris.
Lentit qui correspond le mieux aux exigences prcdemment formules est de loin la
plaque dimmatriculation du vhicule tracteur.
Le capteur que nous avons dvelopp a donc pour objectif de localiser en temps rel
limage de la plaque dimmatriculation du vhicule tracteur, de certifier ces donnes
partir des inscriptions portes par la plaque et dexploiter ces informations pour estimer les
grandeurs requises par la loi de commande.
III.2.2.
AU NIVEAU MATERIEL
Outre le fait que les choix technologiques doivent permettre limplmentation des
traitements rpondant aux besoins de lapplication, les matriels choisis doivent par ailleurs
respecter un certain nombre de contraintes, savoir :
-
Avoir le moins dimpact possible sur le vhicule suivi (do le choix de la vision,
comme voqu prcdemment).
Avoir un cot global ne dpassant pas 10% du cot du vhicule. Notre approche a
consist exploiter du matriel grand-public , autant que faire se pouvait
(Webcams modifies, Camscopes, PC standard).
Ces contraintes ayant t poses, nous passons maintenant lanalyse fonctionnelle de notre
systme.
III.3.
DECOMPOSITION FONCTIONNELLE DU CAPTEUR

STEREOSCOPIQUE DEVELOPPE
Le capteur que nous avons mis en place est constitu dune unit dacquisition dimages
(deux camras couleurs facilement interchangeables) et dune unit de traitement et de
communication (un PC standard). La conception modulaire de l'application permet de
s'affranchir des disparits prsentes entre les diffrents types de capteurs possibles pour
l'information visuelle. Ainsi, chaque type de camra est associ une interface logicielle
respectant des normes bien dfinies et fournissant une vision abstraite du matriel aux autres
entits impliques dans le traitement global. A titre d'exemple, il est possible d'utiliser
indiffremment des Webcams bases sur les interfaces USB 1.1 ou 2.0 ou des camras
exploitant le protocole IEEE1394 ou tout autre matriel pour lequel un filtre logiciel est
disponible.
70
Chapitre 3
Cette configuration est facilement extensible lutilisation dune carte dacquisition

dimages spcifique, puisque celle-ci seffectuera juste par lajout dun composant logiciel
(un filtre) qui va jouer le rle dinterface, entre les outils logiciels dj dvelopps et le
matriel en question.
Le dclenchement ou larrt du systme se fait sous la responsabilit dun oprateur
humain. Il acquiert et traite les images en temps-rel ( temps de rponse du systme infrieur
100 ms ) afin dextraire les paramtres ncessaires la loi de commande, savoir :
linterdistance ainsi que la vitesse et les orientations relatives. Aprs une phase de calibration
au dmarrage du systme, la srie de traitements typiquement appliqus chaque image est :
-
Acquisition
Extraction de zones dintrt (zones de limage o la prsence de la plaque est

probable, compte-tenu des caractristiques de celle-ci, des mouvements relatifs
estims du vhicule tracteur et des mouvements propres du vhicule suiveur).
Extraction et classification des caractres de la plaque dimmatriculation.
Mise en correspondance et calcul des coordonnes 3D des points caractristiques de la

plaque, permettant de calculer la position relative du vhicule tracteur par rapport au
vhicule tract.La figure III.2 prsente une dcomposition fonctionnelle du capteur
stroscopique dvelopp. Daprs ce qui prcde, son fonctionnement peut tre scind en
trois oprations distinctes, qui sont :
LAcquisition des images gauches et droites.

La Calibration du capteur.
Les Traitements spcifiques lapplication.
71
Chapitre 3
Figure III.2 :
Dcomposition fonctionnelle du capteur stroscopique mis en place.
Les sections qui suivent dtaillent les oprations ainsi ralises et justifient les choix
effectus en matire dimplantation.
III.3.1.
ACQUISITION
Lacquisition des images est lopration consistant transformer lnergie photonique,

issue de la partie du monde rel observe par le dispositif, en une nergie lectrique qui (aprs
quantification) sera stocke sous forme dimages et accessible via le programme
72
Chapitre 3
dapplication. Le module qui permet deffectuer lopration dacquisition dimages peut tre
dcompos en plusieurs sections : loptique, le capteur, le transfert des donnes, les entres
associes lordinateur (Figure III.3).
Figure III.3 :
Dcomposition du module dacquisition dimages.
Dans le cadre de cette thse, nous nous sommes intresss exclusivement aux capteurs
de type CCD et CMOS.
III.3.1.1.
LES DISPOSITIFS DACQUISITION DIMAGES
L'utilisation des camras CCD dans le domaine de la vision par ordinateur (pour les
mesures tridimensionnelles) est prdominante. Cependant, en raison de certaines particularits
(par exemple la possibilit dun accs individuel aux pixels de la matrice, la courbe
caractristique du capteur en lui-mme) des capteurs CMOS de la mme rsolution ont t
employs dans d'autres domaines (Interfromtrie, holographie digitale, ). Les capteurs
CMOS actuels sont-ils applicables des systmes stroscopiques vocation gnraliste ?
Afin dapporter des lments de rponse, la section suivante dresse un comparatif entre
les caractristiques principales de lune et lautre de ces deux technologies et dcrit leur
influence sur les mesures issues de la vision [Zay.04a].
A)
TECHNOLOGIE CMOS CONTRE TECHNOLOGIE CCD
Quils sagisse des capteurs CCD ou CMOS, tous deux sont fabriqus dans des
fonderies de silicium et sont constitus la base des mmes matriaux (le silicium, l'oxyde de
silicone, le polysilicium, etc.). Cependant les capteurs CCD profitent de trois dcennies
dexprience qui ont permis de dvelopper des processus optimiss pour les dispositifs
dacquisition dimages. En consquence, ces capteurs prsentent aujourd'hui d'excellentes
caractristiques grce des taux de bruits extrmement bas, des courants dobscurit trs
73
Chapitre 3
faibles, un facteur de rendement et un facteur de remplissage trs levs [Bla.01]. La suite

fournit quelques explications sur la signification de ces diffrents paramtres qui constituent
les aspects techniques guidant le choix dun capteur spcifique.
1)
LES ASPECTS TECHNIQUES
Dans ce qui suit, nous dtaillons donc la signification de paramtres pertinents dans la
caractrisation dun capteur destin lacquisition dimages.
a)
Le courant dobscurit et le bruit
Le courant dobscurit rsulte principalement de l'nergie thermique rpartie dans le

treillis de silicium. Ainsi, indpendamment de la lumire projete sur les capteurs, des
porteurs de charge ngatifs apparaissent alatoirement au fil du temps [Mag.03].
L'occurrence, tant spatiale que temporelle, de ce phnomne connu sous le nom du "bruit du
courant dobscurit" peut tre dcrite en termes statistiques. Les fluctuations quil implique
sont par nature prsente mme en labsence de lumire. En pratique, ce courant
dobscurit ne prsente un rel problme que pour les temps dexposition relativement longs
(de l'ordre de quelques secondes).
b)
Le bruit du modle
Au contraire des capteurs CCD, les capteurs CMOS sont des capteurs pixels actifs o
chaque pixel possde son propre nud de dtection et son propre amplificateur [Jan.02a,
Jan.02b, Eas.00]. cause de la dispersion paramtrique affectant la fabrication de chacun de
ces composants pendant le processus industriel, les valeurs des niveaux du gris varient du
pixel en pixel, mme sous un clairage homogne. Ce "bruit de modle" correspondant au
capteur peut tre mesur une fois pour toutes pour les diffrentes valeurs possibles des
niveaux du gris. Ainsi, ces donnes pourront tre stockes par exemple dans une matrice et
pourrons ensuite tre employes pour la correction des intensits des pixels [Hel.03]. En
outre, la rduction du bruit du modle est possible par la mthode dite de corrlation du
double chantillon dont on trouve les dtails dans [Jan.02b, Kav.00].
c)
Lefficacit quantique
L'efficacit quantique (EQ) est la mesure de l'efficacit d'un capteur produire une
charge lectronique en fonction de lnergie lumineuse incidente.

L'efficacit quantique est dfinie physiquement par un pourcentage reprsentant le
nombre d'lectrons emmagasins sur le nombre des photons incidents sur une zone du
capteur totalement sensible la lumire. Pour les capteurs CCD et CMOS, l'efficacit
quantique est excellente sur lensemble du domaine visible (400 - 700 nm)[Bla.01].
Cependant, les capteurs CMOS sont gnralement moins sensibles dans le domaine du bleu
(300 - 400 nm) que leurs homologues CCD.
74
Chapitre 3
d)
Le facteur de remplissage
Le facteur de remplissage est dfini comme tant la proportion de la partie sensible

la lumire par rapport la surface totale du pixel, et dtermine aussi la sensibilit maximale.
En raison de leur architecture et de leur mode d'exploitation, le facteur de remplissage des
capteurs CCD transfert de trame complte est proche de 100 %. En revanche, le facteur de
remplissage des capteurs CCD transfert de trames entrelaces et des capteurs CMOS est de
lordre de 30%. Il convient d'attirer l'attention du lecteur ce niveau qu'il est possible
d'augmenter le facteur de remplissage des capteurs CMOS en diminuant la surface occupe
par le transistor sur chaque pixel.
e)
La consommation dnergie
Les camras CCD ncessitent de nombreux circuits additionnels (par exemple des
conditionneurs de signaux, des amplificateurs, etc.) autour du capteur proprement dit. Par
contre, la technologie standard des capteurs CMOS permet l'intgration de diffrentes
fonctions ( horloge, contrle des temps d'exposition, etc.) sur la mme puce de silicium. Par
consquent, les capteurs CMOS consomment beaucoup moins d'nergie (au moins 10 fois
moins) que leurs homologues utilisant des matrices CCD.
2)
LES ASPECTS ECONOMIQUES
En raison de la large utilisation de la technologie CMOS pour les nombreux types de

circuits intgrs, ces puces profitent de l'industrialisation grande chelle qui diminue
considrablement la densit des dfauts et les dpenses de production. Des rendements plus
importants et des taux de rebut trs faibles font de la technologie CMOS une technologie
moins coteuse que celle associe aux capteurs CCD pour l'acquisition des images. Des
composants moins nombreux, une taille plus rduite et une fiabilit plus importante du produit
final constituent des sources dconomies non ngligeables pour les fabricants et les
acqureurs de ce type de dispositifs.
Ainsi, en dpit des indniables performances que prsentent les matrices CCD dans le
domaine de lacquisition dimage, il est clair que les capteurs CMOS exhibent des avantages
intrinsques d'une grande importance : une basse consommation lectrique, capacit
d'intgration, accs alatoire aux pixels, etc.
Par ailleurs, la technologie CMOS profite, elle aussi, des travaux qui ont t mens
initialement dans le domaine des capteurs CCD. Ainsi, plusieurs techniques sont maintenant
appliques la technologie CMOS, comme par exemple les micro-lentilles, permettant de
pallier le faible facteur de remplissage [Lab.03].
Le tableau ci-dessous rcapitule les points forts et les points faibles de chacune de ces
deux technologies de capteurs dans le domaine de lacquisition dimages :
75
Chapitre 3
Technologies
La technologie CCD
La technologie CMOS
Caractristiques
Le courant dobscurit et le
bruit
prsent
prsent
Moins sensible car impliquant Un problme intrinsque la

moins de composants
technologie CMOS.
Le bruit du modle
Excellente
Lefficacit quantique
Excellente,
comparativement
moindre dans le bleu
Le facteur de remplissage
Relativement
faible
(30%)
Proche de 100 % pour transfert compte tenu des lments
de trame complte
associs au pixel lui mme
(ampli).
Consommation dnergie
Consommation
relativement Consommation trs faible du
importante des indispensables lintgration de toutes les
circuits priphriques.
fonctions sur le mme silicium.
Le cot
Tableau III.1 :
Cot relativement lev.
Une technologie low cost

profitant dconomies dchelle.
Rcapitulation des caractristiques des technologies CCD et CMOS.
Comme indiqu, le but de lacquisition dimages est donc de convertir une vue du
monde rel en une image numrique. Une image numrique est reprsente par un ensemble
de points de coordonnes (x, y ) et dintensit lumineuse v . Le passage dun signal analogique
un signal numrique voque incontestablement les deux oprations clefs dans le traitement
du signal que sont lchantillonnage et la quantification [Mat.00].
La bande passante du systme est limite par la rsolution des images utilises dune
part et la priode dacquisition des images dautre part. Il est par consquent ncessaire de
restreindre le domaine frquentiel des phnomnes observs de sorte pouvoir conserver un
compromis acceptable entre rsolution spatiale et rsolution temporelle . Lopration
de quantification consiste diviser la dynamique du signal analogique en un certain nombre
dintervalles et affecter la mme valeur toute intensit contenue dans un intervalle donn.
Gnralement, la grille de quantification est linaire , cest dire que la largeur des
intervalles est constante et le nombre dintervalles est cod sur k bits (gnralement k = 8 ou
12 ). A noter quune image au sens informatique du terme a subi deux oprations de
quantification, savoir une quantification au niveau de chaque pixel, mais aussi une
quantification spatiale , induite par lutilisation dune matrice CCD ou CMOS.
Dans ce qui suit, nous allons aborder quelques concepts clefs de lacquisition dimages :
76
Chapitre 3
III.3.1.2. LA TAILLE DU CAPTEUR

La taille des capteurs du type CCD ou CMOS est habituellement spcifie en pouce .
On parle de quart de pouce , de demi-pouce , etc. A vrai dire, ces dimensions ne
correspondent rien du point de vue physique. Il sagit en fait dquivalence avec la
diagonale des capteurs des camras tube [Mat.00]. Le tableau suivant donne les dimensions
du capteur en fonction de sa dnomination.
Taille du
capteur
1/6
Horizontale
(mm)
Verticale
(mm)
Diagonale
(mm)
2.4
1.8
3.0
3.2
2.4
4.0
4.8
3.6
6.0
6.4
4.8
8.0
8.8
6.6
11.0
12.6
9.5
15.8
1/4
1/3
1/2
2/3
1
Tableau III.2 :
Tailles des capteurs CCD ou CMOS
La taille du capteur (ou plus exactement ses dimensions) permettent de calculer le

champ de vision dune camra en fonction de la focale de lobjectif utilis.
III.3.1.3
LE MODELE GEOMETRIQUE DE LA CAMERA
Dans notre contexte, un modle est une formulation mathmatique qui rend compte du
comportement dun dispositif physique donn en utilisant un ensemble dquations. La
modlisation dune camra consiste ici exprimer le lien entre les points de limage forme
par la camra avec les points de la scne observe, ceci en fonction de paramtres inhrents
la camra elle-mme (paramtres intrinsques) et de la configuration relative camra / scne
(paramtres extrinsques). Plusieurs modles de camras peuvent tre adopts selon la
prcision requise [Ito.91]. Les plus simples sont bass sur des transformations linaires et ne
tiennent pas compte des distorsions dues aux imperfections des objectifs. A linverse, certains
modles non-linaires modlisent les lentilles des camras avec prcision [Wen.92].
Le modle de camra le plus simple est celui propos par Hall [Hal.82]. Lide
principale de ce modle est de trouver une relation entre tout point 3D de la scne et sa
projection 2D sur le plan rtine de la camra. Cette relation peut tre exprime sous forme
matricielle de la faon suivante:
77
Chapitre 3

su p11

sv = p 21
s p
31
avec : ( X m
p13
p 23
p33
X
p14 m
Y
p 24 m
Z
p34 m
1
(3.1)
Z m 1) les coordonnes homognes dun point de la scne dans le repre

T
3D du monde et (su
Ym
p12
p 22
p32
sv s ) les coordonnes homognes de la projection de ce point

T
sur le plan image, exprimes par rapport au repre image.

Cette relation permet donc dassocier tout point Pm de la scne, dfini grce ses
coordonnes dans le repre 3D du monde, sa projection PI exprime en coordonnes pixel
dans le repre image. La matrice 3 4 exprimant cette relation est fonction de paramtres
intrinsques, lis la gomtrie propre de la camra, et de paramtres extrinsques exprimant
la relation entre la position de la camra et le repre de la scne ( appel aussi repre du
monde).
De nombreux chercheurs se sont penchs sur la modlisation des camras. Nous
pouvons citer Aloimonos, qui a dfini une hirarchie des modles de camras, incluant mme
les para-perspectives [Alo.90]. Mundy et Zisserman [Mun.92] ont gnralis cette approche,
au travers de la camra affine. Faugeras a mis en vidence les proprits de la camra
projective [Fau.93]. Plus de dtails concernant le modle linear pushbroom camera
peuvent tre retrouvs dans [Gup.97], et la camra 2D est explique dans [Qua.97b].
Le modle gomtrique de la camra le plus utilis est le modle Stnope. Celui-ci
modlise une camra finie, cest dire une camra dont le centre de projection est bien
dtermin dans lespace Euclidien, contrairement la camra affine (son centre de projection
est linfini). Pour plus dinformation voir [Har. 03]. Cest ce modle que nous allons
dtailler dans ce qui suit.
A)
LE MODELE A STENOPEE
La camra est un outil de projection de lespace 3D (lespace de lobjet) vers lespace

image 2D. Autrement dit, cet outil nous permet de rsumer linformation contenue dans
lespace 3D dans un espace 2D reprsent par limage, au prix bien entendu de certaines
pertes.
Les entits gomtriques constitutives du modle Stnope le plus simple sont :
-
Un centre de projection C des points de lespace vers un plan. Ce centre de

projection est aussi considr comme lorigine du repre euclidien.
Un plan une distance Z = f , qui est appel aussi le plan image ou le plan
focal.
78
Chapitre 3
-

Un systme daxes dfini par rapport au centre de projection et au plan image.
Les deux premiers vecteurs de base sont en effet tel quavec le point C, ils
dfinissent un plan parallle au plan image. Le tridre associ ce repre est
direct.
Dans le cadre du modle Stnope, la projection p dun point P ( X

lespace sur le plan image I est dfinie par
{p} = (CP ) I
Z ) de
(voir Figure III.4). Par
triangulation, nous pouvons dduire facilement les coordonnes de p en fonction des

coordonnes 3D de P :
Figure III.4 :
(X
Z)U f X
fY
(3.2)
Gomtrie du modle Stnope de la camra. C est le centre optique et O le
point principal.
Cette transformation est une projection de lespace Euclidien tridimensionnel 3 vers
lespace bidimensionnel 2 . Dans ce cas, le centre de projection est appel centre de la

camra ou encore le centre optique. La ligne passant par le centre optique et perpendiculaire
au plan image est appele laxe optique de la camra, et le point o laxe optique coupe le
plan image est appel, le point principal. Par ailleurs, le plan parallle au plan image, et
contenant le centre de projection est communment appel le plan principal.
La relation tablie prcdemment peut tre exprime linairement en exploitant les
coordonnes homognes du point de lespace et de sa projection. Cest ainsi que nous
aboutissons facilement :
79
Chapitre 3

fX f

fY = 0
Z 0

Avec ( X
0
f
0
X
0 0
Y
0 0
Z
1 0
1
(3.3)
Z 1) les coordonnes homognes du point P de lespace Euclidien

T
tridimensionnel li la camra et
( fX
fY
Z)
les coordonnes homognes de sa
projection p sur le plan rtine de la camra, autrement dit, lespace image 2D. En notant Pr
la matrice de projection de la camra, nous pouvons crire le systme dquations (3.3) sous
forme condense :
p = Pr P
(3.4)
Les quations proposes jusqu prsent sont encore un peu trop simples pour tre
ralistes. En effet, lquation (3.4) suppose que lorigine des coordonnes de limage se
trouve au point principal (la projection du centre optique sur le plan de limage). En pratique,
lorigine des coordonnes de limage se situe dans le coin suprieur gauche de limage
(Figure III.5):
Figure III.5 :
Les coordonnes image (u , v ) et les coordonnes camra ( X , Y )
introduire les coordonnes (u 0
w0 ) du point principal par rapport au repre de limage,
Pour que nous puissions effectuer le changement de repre appropri, nous devons
v0
ainsi les coordonnes du point p dans le repre image sexprimeront de la manire suivante :
80
Chapitre 3
u f

v =0
w 0

X
0
Y
0
Z
0
1
u0
v0
1
0
f
0
(3.5)
Cependant, le systme dquations (3.5) suppose que les coordonnes image sont des
coordonnes euclidiennes qui ont le mme facteur dchelle sur les deux directions. Or, dans
le cas des capteurs CCD ou CMOS, les pixels de la camra sont rarement carrs. Si les
coordonnes image sont mesures en pixels, nous seront obligs dintroduire des facteurs
dchelle diffrents pour chaque direction. Ainsi, le systme dquations (3.5) scrira:
u f ku

v = 0
w 0

u0
v0
1
0
f kv
0
X
0
Y
0
Z
0
1
(3.6)
O, k u et k v reprsentent respectivement les facteurs dchelle sur laxe des

abscisses et des ordonnes. Ils reprsentent physiquement la densit en pixel dans
une direction donne (verticale ou horizontale).
Le systme dquations (3.6) exprime les coordonnes homognes 2D dun pixel sur
limage en fonction des coordonnes homognes du point 3D appartenant la scne observe,
par rapport au repre de la camra.
1)
LES PARAMETRES INTRINSEQUES
modle gomtrique de la camra, soit la relation entre les coordonnes camra ( X
Z)
En dveloppant le systme dquations (3.6), nous pouvons crire les quations du
du point P et les coordonnes image (u v ) du point p (sa projection):
u = u 0 + k u f
v = v0 + k v f
X
Z
Y
Z
(3.7)
En effet la matrice :
u
Ic = 0
0
u0
v0
1
0
0
Reprsente une application linaire de lespace projectif vers le plan projectif exprimant
la transformation perspective :
81
Chapitre 3
X

u

Y
v = Ic
Z
w

s

Ce modle comporte quatre paramtres : u = k u f , v = k v f , u 0 et v 0 . Ce sont ces

paramtres qui vont tre dtermins via la phase de calibration. Notons que la distance focale
ne peut tre calcule explicitement.
En introduisant maintenant des coordonnes camra sans dimension telles que :
Xc = X
Yc = Y
Z
Z
Zc = 1
Nous pouvons crire explicitement, la relation entre les coordonnes image et les
coordonnes camra :
u = u X c + u 0
v = v Yc + v 0
(3.8)
ou sous forme matricielle :

Xc
u
u

v = C Yc avec C = 0
1
0
1

v
0
u0
v0
1
La matrice C est appele matrice des paramtres intrinsques de la camra et reprsente

une transformation projective qui permet de calculer les coordonnes image dune projection
en sachant les coordonnes du point 3D de la scne par rapport au repre Euclidien de la
camra (rappelons en effet que, jusqu prsent, nous avons suppos que celui-ci tait aussi le
repre du monde).
2)
LES PARAMETRES EXTRINSEQUES
Lhypothse de confusion entre le repres du monde et le repre de la camra ne peut

plus tre faite ds lors que sont envisages des applications o cette dernire est mobile. Un
modle raliste exige donc la prise en compte de paramtres extrinsques, permettant
dexprimer la transformation euclidienne entre le repre du monde (repre de la scne
82
Chapitre 3
observe) et le repre de la camra (voir Figure III.6). Cette transformation peut tre
dcompose en une matrice de rotation R et un vecteur de translation T :
X r11 r12 r13 X m t x

Y = r21 r22 r23 Ym + t y
Z r
r33 Z m t z
32
'31**r(
m
**
)
(3.9)
La transformation rigide correspondante (rotation et translation) peut scrire sous la

forme dune translation homogne [Hor.96] :
R t
(3.10)
A =
0 1
Figure III.6 :
La transformation euclidienne entre le repre de la scne et le repre de la

camra.
La matrice reprsentant cette transformation rigide (compose de 3 rotations et de 3

translations) correspond linfluence des paramtres extrinsques. La matrice inverse
exprimant les mouvements de la camra par rapport la scne est donne par lexpression
suivante :
RT
A = T
03
1
3)
RT T
LA MATRICE DE PROJECTION
83
(3.11)
Chapitre 3
En combinant les quations (3.6) et (3.10) nous obtenons les quations de projection
pour une camra avec des paramtres intrinsques spcifiques et une position et une
orientation donnes :
u u

v = 0
1 0

v
0
u0
v0
1
Xm
T Ym
1 Z m
0
R
0 T
0
0 3
(3.12)
Ceci nous permet donc de dfinir une matrice de projection 3 4 dun point de lespace
Euclidien 3D de la scne, exprim dans le repre du monde, en un point de limage, exprim
dans le repre 2D attach celle-ci :

0 u0 0
u
R
P = 0 v v0 0 T
0 0 3
0
0
1
'**(**
)
C
(3.13)
Avec : C : matrice 3 3 des paramtres intrinsques de la camra.
R : matrice de rotation 3 3 .
T : vecteur de translation 3 1 .
A laide des quations (3.1) et (3.13), nous pouvons extraire les paramtres intrinsques
et extrinsques en fonction des coefficients de la matrice de projection (3.1), et cela en tenant
compte de lorthogonalit de la matrice de rotation :
u 0 = P3 P1
v0 = P3 P2
R2 =
T
T
u = P1 P1 ( P3 P1 ) 2
T
v = P2 P2 ( P3 P2 ) 2
T
R1 =
u
1
( P1 u 0 P3 )
v
1
R3 = P3
tx =
ty =
u
1
v
1
t z = p34
( P2 v0 P3 )
( p14 u 0 p34 )
(3.14)
( p 24 v0 p34 )
avec Pi : les trois premires colonnes de la ligne i de la matrice de projection

3 4 exprime dans lquation (3.1).
Ri : la ligne i de la matrice de rotation R .

4)
INTERPRETATION GEOMETRIQUE DE LA MATRICE DE PROJECTION

84
Chapitre 3
Soient p1 , p 2 , p3 et p 4 les colonnes de la matrice de projection P de la camra. Ceux-ci
sont des vecteurs 3 1 qui reprsentent des points image bien particuliers. Les trois premiers
vecteurs reprsentent les images par la matrice de projection des vecteurs supports des axes
X m ,Ym et Z m du repre du monde. Ils correspondent aux coordonnes des points de fuite
(0
0 1 0 ) et sa projection en utilisant le relation (3.1) donne le vecteur p3 . Le vecteur
(vanishing points). Par exemple, la direction de laxe Z m est reprsente par le vecteur
T
p 4 , quant lui, reprsente limage de lorigine du repre du monde.
Dans le mme ordre dide, les lignes de la matrice de projection de la camra sont des
vecteurs 1 4 permettant de retrouver des plans bien particuliers. La troisime ligne permet
ainsi de retrouver le plan principal (le plan parallle au plan image et qui passe par le centre
de projection de la camra). Les deux premires lignes permettent de retrouver les deux autres
plans dfinis par le centre optique et les vecteurs de base pris distincts deux deux. Le lecteur
intress par des informations complmentaires se rapportera avec profit [Har.03].
5)
MODELISATION DE LA DISTORSION
Le modle Stnope (modle linaire ) de la camra dcrit relativement bien le

processus de formation d'image pour la plupart des camras. Cependant, quand un modle de
camra extrmement prcis est exig ou quand des objectifs exotiques (du type
fisheye ) ou de bas de gamme (du type de ceux utiliss sur certaines WebCam) sont
utiliss, des effets supplmentaires doivent tre pris en considration. En effet, lalignement
suppos (voire fondateur pour le modle Stnope ! ) entre le centre de projection, le
point de la scne et sa projection sur limage nest pas toujours vrifie. Ceci est d
principalement aux proprits du systme optique. La dviation la plus perceptible est
gnralement celle due la distorsion radiale. Pour remdier ce type de distorsion, nous
devons corriger les positions des pixels de telle manire que ces derniers aient les
coordonnes quils auraient d avoir dans le cadre dune projection linaire parfaite (voir
Figure III.5). Pour de plus amples explications sur ce sujet voir [Wil.94]. En tenant compte de
ces imperfections de projection, les quations (3.8) scrivent sous la forme suivante :
u = u X c + u 0 + u
(3.15)
v = v Yc + v0 + v
Dans cette expression, nous voyons apparatre les deux termes u et v modlisant la
distorsion radiale. Ces termes sont gnralement non linaires (voir [Hor.96, Fau.93, Har.03]).
Les nombreuses tudes menes sur ce sujet ont montr que lestimation du premier coefficient
de la distorsion radiale est suffisante dans la plupart des cas [Tsa.87]. Les relations
correspondantes sont alors :
u = k1 r 2 (u u 0 )
2
v = k1 r (v v0 )
85
(3.16)
Chapitre 3

avec, r 2 = (u u 0 ) + (v v 0 )
2
Un tel modle de camra contient cinq paramtres intrinsques ( u , v , u0 , v0 et k1 )

estimer au lieu des quatre paramtres du modle parfaitement linaire.
III.3.1.4. CHAMPS DE VISION VOLUME DE TRAVAIL
Le champ de vision donne le volume de la scne qui peut tre observ par la camra. Il
se calcule en fonction des dimensions du capteur (horizontale et verticale), de la distance
focale de lobjectif et des angles de vue. Lexploitation des notions de champ de vision et de
volume de travail seffectue souvent suivant deux cas, qui sont :
1er Cas :
Dans ce premier cas, nous considrons que :
-
La camra est connue, donc les dimensions du capteur sont aussi connues.
Lobjectif est connu, donc on connat la distance focale.
On cherche alors la taille dun objet une certaine distance D ou vu sous un angle ,
en utilisant les formules suivantes (voir figure III.7) :
Taille de lobjet :
TObjet = (Tcapteur D ) f
Langle de vue : = arctan(Tcapteur / f )
Figure III.7 :
(3.17)
(3.18)
Le calcul du champ de vision
2me Cas :
Dans ce deuxime cas, nous considrons que :
86
Chapitre 3
Lobjet est connu, donc la taille de ce dernier est aussi connue.
La distance D entre la camra est lobjet est galement connue.
On cherche alors dimensionner lensemble du systme camra + objectif

permettant de visionner cet objet pleine chelle.
Dans la plupart des cas, on connat galement la taille du capteur, puisque la camra
existe dj. De la figure III.7, nous pouvons dduire facilement la focale qui permet davoir
pleine chelle un objet de taille connue Tobjet la distance D . Ainsi, la focale f est donne
par:
f = (Tcapteur D ) Tobjet
(3.19)
Ce type de raisonnements gomtrique trs simples va nous permettre de dimensionner

le champ visuel de notre systme de strovision (deux camras, dans notre cas) et la distance
minimale requise pour que la plaque dimmatriculation soit totalement visible par les deux
camras en mme temps.
Parmi les systmes dacquisition connectables, nous disposons de deux camscopes
identiques (Samsung VP-D80), quip dun capteur CCD de taille 1 / 6 et dun objectif dont
la distance focale peut varier de 2.7 27mm . Pour des raisons qui seront dtailles par aprs,
les camscopes ont t disposs de sorte ce que leurs axes optiques soient sensiblement
parallles et distants de 300mm , tandis que les plans rtines des deux camras sont supposs
confondus. La disposition du capteur en fonctionnement normal est telle que le plan dfini par
les deux axes optiques soit parallle la chausse. Le systme conu doit nous permettre de
visualiser une plaque dimmatriculation franaise, dune hauteur de 100mm et dune largeur
de 510mm , des distances raisonnables.
87
Chapitre 3
Figure III.8 : Schma reprsentant la projection du systme de strovision et la scne

observe (la plaque dimmatriculation) sur le plan de la chausse.
Comme le montre la Figure III.8, nous pouvons exprimer la distance qui spare lobjet
observ (en loccurrence la plaque dimmatriculation) du systme de strovision en fonction
de la distance focale f (suppose constamment commune aux deux camras) :
Dmin =
(L
plaque
+ b)
Lcapteur
(3.20)
Le tableau ci-dessous indique la distance minimale partir de laquelle la plaque

dimmatriculation sera visible pour les deux camras, pour diffrentes valeurs de la distance
focale :
Distance
focale (mm)
Distance minimum requise (mm)
2025
2700
10
3375
88
Chapitre 3
12
4050
16
5400
25
8437.5
Tableau III.3 : Distance minimum respecter pour que la plaque soit compltement visible
par les deux camras.
Le calcul de la distance minimum Dmin , dont les rsultats sont repris dans le tableau
III.3, suppose que le plan de la plaque dimmatriculation est parallle au plan contenant les
rtines des deux camras du capteur de strovision, comme lindique la figure III.8.
III.3.2.
LE SYSTEME DE STEREOVISION
La localisation dun point dans lespace tridimensionnel exige que celui-ci soit au moins
observ de deux points de vue diffrents. Cette exigence est satisfaite en utilisant deux
camras ou en dplaant une seule camra effectuant deux prises de vue conscutives, toutes
choses gales par ailleurs. Bien sr, il faudra connatre suivant le cas la position relative des
deux camras ou le dplacement effectu entre les deux images. Compte tenu de lapplication,
le systme de strovision est plus appropri pour effectuer des mesures directes et rapides.
III.3.2.1. UNE CONFIGURATION GEOMETRIQUE PARTICULIERE
Dans une configuration quelconque dun systme de strovision, lexploitation de la
gomtrie pipolaire29 impose de calculer pour chaque point dune image lquation de la
droite pipolaire correspondante dans lautre image. Cependant, il existe une configuration
particulire intressante permettant de saffranchir de ce calcul. En effet, lorsque les deux
camras sont disposes de telle manire que leurs axes optiques soient parallles et que la
droite reliant les centres optiques soit confondue avec leurs axes horizontaux (axe des x ), les
droites pipolaires conjugues sont confondues et les deux pipoles sont linfini (voir, figure
III.9).
29
Cest la gomtrie qui relie les points dune image du systme stro son correspondant dans lautre image.
89
Chapitre 3
Figure III.9 : Configuration particulire dun systme de strovision.

Les droites pipolaires jouent un rle primordial dans la vision stroscopique. Comme
nous lavons dj voqu, cette gomtrie permet en particulier de restreindre la zone de
recherche du correspondant dun pixel donn la droite pipolaire correspondante.
La configuration dcrite ci-dessus permet ainsi de simplifier grandement les expressions
mathmatiques de ces droites. La configuration de la figure III.9 peut tre aussi obtenue
analytiquement partir dune configuration quelconque en effectuant une rectification
pipolaire [Har.00]. Celle-ci consiste appliquer aux images une transformation linaire en
coordonnes projectives, de faon obtenir une paire dimages stroscopiques coplanaires,
parallles la droite passant par les centres de projection des deux camras et dont les axes
des abscisses sont confondus. Notons au passage que cette opration accrot videmment le
temps de calculs !
III.3.2.2. DESCRIPTION DU SYSTEME DE STEREOVISION MIS EN PLACE
La description de notre systme fait appel au modle de camra Stnope. Le systme
de strovision que nous avons battis se compose de deux camras, places dans la
configuration particulire dcrite sur la figure III.9. La relation liant les images des deux
camras est dcrite par une matrice dhomographie 3 3 appele matrice fondamentale .
Cette matrice dispose de plusieurs proprits importantes [Har.00, For.03, Tru.98], parmi
lesquelles la plus utile pour notre application se trouve tre :
90
Chapitre 3
m'T Fm = 0
(3.21)
Lquation (3.21) dcrit en effet la relation reliant les coordonnes homognes du point
m' appartenant limage de droite, aux coordonnes homognes de son correspondant m
dans limage de gauche. Dans notre cas particulier, la matrice fondamentale aura la forme
suivante :
0 0 0
F = 0 0 1
0 1 0
(3.22)
Cette matrice fondamentale dcrit galement la gomtrie pipolaire de notre systme

de strovision. Lanalyse de cette forme homographique spciale permet de conclure que
nimporte quel point appartenant limage de gauche aura un correspondant, le cas chant,
sur limage droite dont lordonne sera identique celle du point de limage de gauche.
Lexpression (3.22) de la matrice fondamentale est obtenue dans le cas o les plans rtine des
deux camras se dduisent lun de lautre grce une simple translation le long de laxe des x
(voir figure III.9).
La phase nous permettant de calculer la matrice fondamentale exploite la mthode des
moindres des mdianes des carrs [Zay.03b]. La comparaison entre valeurs relles et
thoriques des coefficients de la matrice fondamentale permet de vrifier a posteriori que le
positionnement des camras entre elles est bien conforme ce que dcrit la figure III.9.
Figure. III.10 : Description de la gomtrie du systme de vision.
91
Chapitre 3
On rappelle qutant donn le modle Stnope dune camra, la relation entre les
coordonnes de la projection du point P sur limage et ses coordonnes dans le repre de la
scne (le repre du monde) sexprimera par :
x u 0 u0 0

Rg
0
0
y
=
v
v
0

T
s 0 0 1 0 0
'**
*(***
)
X
Tg Y

1 Z

1
(3.23)
x ' u 0 u0 0

Rd
'
0
0
y
v
=
v
0

T
s ' 0 0 1 0 0
'**
*(***
)
X
Td Y

1 Z

1
(3.24)
A'
Avec:
-
(x
s ) et ( x '
T
y ' s ')
les coordonnes homognes de la projection du
point P sur limage de gauche et limage droite respectivement.

-
u , v : dfinis comme suit; u =
f
f
et v = .
ku
kv
o k u et k v : la largeur et la hauteur du pixel, respectivement.

-
R g et Rd : les matrices de rotation entre la rfrence de la scne et les camras gauche
et droite, respectivement.
(X
Z 1) : les coordonnes homognes du point P par rapport la rfrence

T
de la scne.
-
Tg , Td : les vecteurs de translation, exprimant la transformation en terme de translation
entre la rfrence de la scne et les rfrences des camras gauche et droite,

respectivement.
-
A, A' : les matrices des projections perspectives. Elles expriment la transformation
entre le repre des cameras et celui des images.

Dans notre cas, nous utilisons deux cameras identiques. Il est ainsi lgitime de
considrer que A A' ( cette hypothse a au demeurant t vrifie exprimentalement).
Daprs la Figure III.7, les transformations respectives entre la rfrence de la scne et
les rfrences des camras peuvent tre exprimes par des rotations autour de laxe des X et
une translation au long de laxe des X . Ainsi, les matrices de rotation et les vecteurs de
translations sexpriment de la manire suivante :
92
Chapitre 3

0
1
R = Rg = Rd = 0 cos
0 sin
b
2

Tg = 0
0

III.3.3.
(3.26)
sin (3.25)
cos
0
b
2

Td = 0
0

(3.27)
LA CALIBRATION
Aprs la description dun modle de camra suffisamment gnrique pour

lapplication envisage, il importe de savoir de quelle faon il est possible daccder aux
valeurs des paramtres du modle. Cest le rle de la phase de calibration. Il sagit dune
tape ncessaire dans le domaine de la vision par ordinateur tridimensionnelle, ceci afin de
pouvoir extraire linformation 3D partir des images 2D. Plusieurs travaux ont t effectus
dans ce sens. La phase instigatrice revient la communaut de la photogrammtrie [Bro.71,
Fai.75], et cest un peu plus tard que le domaine de la vision par ordinateur apporta sa pierre
ldifice.
Dans la mesure o notre application ncessite la connaissance dinformations mtriques
tridimensionnelles suffisamment prcises, la calibration des camras composant le systme de
strovision est dune importance primordiale. La technique de calibration mise en uvre au
niveau de ce capteur se doit de satisfaire un certain nombre dexigences, dont les principales
sont la flexibilit et la prcision.
Rappelons que notre objectif est daboutir un attelage virtuel dont la seule source de
donnes extroceptives est constitue par notre systme de vision. Sachant que la technique
de calibration employe conditionnera directement la prcision des mesures obtenues, il est
clair que celle-ci doit tre choisie avec un soin tout particulier. La technique adopte par la
plupart des groupes de recherches dans le domaine des transports intelligents consiste, jusqu
prsent, utiliser une mire peinte sur la chausse. Les coordonnes tridimensionnelles de
certains points caractristiques (gnralement extraits la main) sont connues avec prcision
par rapport une rfrence lie au monde. Il sagit donc dune technique base sur la
calibration photogramtrique. Cette mthode souffre dun rel manque de flexibilit, puisque
la calibration est base sur une mire tridimensionnelle non transportable ! Ainsi, la calibration
ne peut tre effectue qu un endroit bien prcis. Des techniques de mise jour dynamique
des paramtres de calibration ont t proposes dans [Bro.99b].
Nous pouvons distinguer trois techniques principales de calibration :
93
Chapitre 3
La calibration photogramtrique (appele galement la calibration classique): La

calibration de la camra est effectue en observant un objet ( mire ) de calibration
dont la gomtrie dans lespace euclidien est connue avec une bonne prcision. Cette
mthode permet daboutir une calibration trs fine. La mire de calibration se
compose gnralement de deux ou trois plans orthogonaux entre eux, supportant un
ensemble de points facilement et prcisment reprables. Une alternative (qui se
ramne toutefois au procd dcrit ici) consiste utiliser un mme plan quon dplace
dune faon connue avec prcision entre chaque prise de vue [Tsa.87].
La calibration hybride : La technique propose dans cette catgorie ncessite

lutilisation dune mire plane dont les coordonnes bidimensionnelles de certain
points caractristiques sont connues, base sur les homographies dfinissant les
transformations entre les plans de la mire (dans ses diffrentes positions successives)
et le plan de la camra (ou des camras) calibrer [Zha.00]. La camra ou la mire
peuvent tre dplaces et il nest pas ncessaire de connatre a priori les dplacements
relatifs effectus. Cette approche se situe entre la calibration photogramtrique et
lauto calibration puisque la connaissance pralable de certaines informations
dimensionnelles relatives la mire est requise et que cette mthode utilise par ailleurs
des proprits de la gomtrie projective elles-aussi exploites par lauto calibration.
Lauto calibration : Les techniques associes cette catgorie ne ncessitent

lutilisation daucune mire de calibration, elle se base essentiellment sur la gomtrie
pipolaire (matrice fondamentale et matrice essentielle). Lide consiste dplacer la
camra dans une scne statique. La rigidit de la scne fournit gnralement deux
contraintes [Luo.92, May.92] sur les paramtres intrinsques de la camra. Si les
images sont prises avec la mme camra (dont on suppose les paramtres intrinsques
fixes), la mise en correspondance entre trois images est suffisante pour extraire les
paramtres intrinsques et extrinsques [Luo.97, Har.94]. Malgr la flexibilit de cette
approche, celle-ci manque encore de maturit. Vu le nombre de paramtres estimer,
on nobtient pas toujours des rsultats fiables [Bou.98].
Les calibrations photogramtrique et hybride prsentent de meilleurs rsultats en terme de

robustesse comparativement aux techniques dauto calibration. En effet, les techniques dauto
calibration proposes jusqu prsent sont adaptes aux problmatiques des systmes de
vision actifs dont les paramtres des camras varient continuellement mais ne conviennent pas
aux systmes qui exigent une prcision importante des informations mtriques (la majorit de
ces techniques supposent labsence de distorsions optiques ou supposent connatre les
coordonnes de la projection du centre optique).
Pour les raisons cites ci-dessus, nous nous sommes plutt orients vers la calibration
hybride puisque cette technique, moins prcise que la calibration photogramtrique, fournit
nanmoins un compromis tout fait valable entre la prcision et la flexibilit, rpondant ainsi
aux exigences que nous nous tions fixes.
94
Chapitre 3
Dans ce qui suit, nous allons mettre en avant les fondements thoriques de chacune des
mthodes cites ci-avant. Une attention particulire sera accorde la technique de la
calibration hybride.
III.3.3.1.
LA CALIBRATION PHOTOGRAMETRIQUE
A partir de lquation (3.1), nous pouvons crire les coordonnes image de la projection
dun point de la scne, en fonction de ses coordonnes par rapport au repre euclidien
tridimensionnel du monde, de la manire suivante :
u =
v =
p11 X m + p12Ym + p13 Z m + p14

p31 X m + p32Ym + p33 Z m + p34
p 21 X m + p 22Ym + p 23 Z m + p 24
p31 X m + p32Ym + p33 Z m + p34
(3.28)
projection de la camra C et le point image (u v ) , dans le repre de la scne. Cette droite
Notons que le systme dquations (3.28) dcrit la droite passant par le centre de
correspond donc la droite (Cp ) de la Figure III.4. On lappelle galement la droite de vue
T
associe un point image de coordonnes (u v ) .

T
Les quations de (3.28) peuvent se rcrire sous la forme dune combinaison linaire
de pij , reliant les coordonnes dun point de la scne de coordonnes homognes
( X mi
Ymi
Z mi 1) aux coordonnes homognes image de sa projection (u i

T
vi 1) sous
T
la forme suivante :
X m i p11 + Ym i p12 + Z m i p13 + p14 u i X m i p 31 u i Ym i p32 u i Z m i p33 = u i p 34
X m i p 21 + Ym i p 22 + Z m i p 23 + p 24 vi X m i p31 vi Ym i p32 vi Z m i p33 = vi p 34
(3.29)
Nous obtenons ainsi 2n quations pour n points. Pour pouvoir dterminer les
composantes de la matrice de projection, nous devons disposer dau moins 11 quations. Par
consquent, il nous faut connatre la position 3D de 6 points de la scne et de leurs projections
respectives sur limage. Etant donns n points de la scne, nous obtenons un systme
dquations que nous pouvons exprimer sous forme matricielle (les indices reprsentent les
dimensions des matrices ou des vecteurs) :
K 2 n11 x 11 = u 2 n (3.30)
La solution de ce systme dquations linaires, ventuellement surabondantes, peut
sexprimer au sens des moindres carrs sous la forme classique suivante :
x 11 = K + u 2n (3.31)
95
Chapitre 3

Avec, x 11 le vecteur de dimension 11 1 contenant les composantes de la
matrice de projection un facteur dchelle prs.
K + la matrice pseudo inverse de dimension 2n 11 de la matrice K telle que :
K + = (K T K) -1 K T .
u 2 n le vecteur de dimension 2n contenant les coordonnes image des

projections des points de la scne utiliss pour la construction du systme
dquations.
Comme nous lavons voqu, la calibration photogramtrique ncessite lutilisation
dune mire de calibration supportant des points dont les coordonnes sont connues avec une
grande prcision dans le repre euclidien de la scne. Il est alors possible de calculer
directement la matrice de projection en utilisant lquation (3.31). Les quations (3.14) sont
quant elles exploites pour lextraction explicite des paramtres de la camra.
La technique de calibration dcrite ci-dessus est par nature adapte un modle linaire
de la camra (modle Stnope parfait), ne tenant pas compte des distorsions. Ce modle
simple est adopt comme une premire approche par plusieurs chercheurs (Hall [Hal.82],
Toscani-Faugeras [Fau.86, Tos.87] et Ito [Ito.91]).
Si lon souhaite tenir compte des distorsions lies loptique des camras (dans le but
par exemple dobtenir un jeu de paramtres plus robuste pour le modle), il est ncessaire
dadopter les quations (3.15), ce qui conduit :
r11 X mi + r12Ymi + r13 Z mi + t x
u
u
(
)
k1 r 2 (u i u 0 ) = 0
i
u
0
r31 X mi + r32Ymi + r33 Z mi + t z
(v v ) r21 X mi + r22Ymi + r23 Z mi + t x k r 2 (v v ) = 0

u
i
0
1
0
i
r31 X mi + r32Ymi + r33 Z mi + t z
(3.32)
Le systme dquations (3.32) est non linaire. Sa rsolution implique donc la mise en
uvre de techniques doptimisation non-linaire, telle que la mthode de Newton-Raphson ou
celle de Levenberg-Marquardt [Pre.88]. Comme cest souvent le cas, les rsultats produits par
ces algorithmes dpendent essentiellement du choix des valeurs initiales des paramtres.
En la matire, une des solutions consiste valuer les paramtres (sauf k1 ) avec une des
techniques linaires cites ci-dessus et utiliser les rsultats obtenus comme valeurs initiales.
La littrature fournit plusieurs mthodes utilisant la calibration photogramtrique non linaire,
telle que celle de Tsai [Tsa.87] (ne tenant compte que de la distorsion radiale) ou encore celle
de Weng [Wen.92] qui inclut dans son modle diffrents types de distorsions. Une tude
comparative entre ces techniques de calibration peut tre trouve dans [Sal.02].
96
Chapitre 3
III.3.3.2
LA CALIBRATION HYBRIDE
Lapproche propose ici se situe entre la calibration photogramtrique et lauto

calibration, du fait quon utilise des informations mtriques 2D au lieu des informations
mtriques 3D. Par ailleurs, les fondements thoriques mme de lauto calibration apparaissent
clairement dans la formulation de la calibration hybride (au travers de la notion dimage du
cne absolu). Les proprits essentielles de cette approche sont sa flexibilit par rapport
lapproche photogramtrique, et sa robustesse relativement lauto calibration [Zha.00].
A)
LHOMOGRAPHIE ENTRE LE PLAN DE LA MIRE ET SON IMAGE
Le point de dpart de cette approche rside dans la dfinition de la transformation

(homographie) entre le plan de la mire et son image. Supposons que la mire se situe
initialement Z = 0 dans le repre de la scne. Soit alors ri , la ime colonne de la matrice de
rotation R . Le systme dquations (3.12) peut ainsi scrire de la manire suivante:
u u

v = 0
1 0

v
0
u0
v0
1
0
r
0 1
0
0
r2
0
r3
0
Xm
u u 0 u 0 0
X
r1 r2 T m
T Ym
Ym (3.33)
v = 0 v v 0 0
1 0
0
0
1
****) 1
1 1 '0**0**1*(0*
Il est donc possible de travailler avec le point P = [X m
Ym 1] , compte-tenu de la
T
contrainte Z = 0 . Par ailleurs, un point P de la mire est reli son image p par
lhomographie H :
u 0 u 0
s p = HP avec H = 0 v v 0 (r1
0
0 1
'**(
**
)
r2
T)
(3.34)
La matrice dhomographie H est une matrice (3 3) dfinie un facteur dchelle prs.

B)
LES CONTRAINTES SUR LES PARAMETRES INTRINSEQUES
Ayant limage dune mire plane, plusieurs mthodes permettent destimer

lhomographie introduite dans ce qui prcde. Parmi ces mthodes nous en prsentons une
base sur un critre de maximum de ressemblance. En effet, dun point de vue pratique, un
point Pi de la scne et son image pi sur le plan de la rtine de la camra ne satisferont pas en
toute rigueur lquation (3.34), cause du bruit affectant les points dintrt extraits de
limage. Il est commode en lespce de supposer que les pi sont affects par un bruit Gaussien
de moyenne nulle et de matrice de covariance pi . Lestimation au maximum de
ressemblance de H est alors obtenue par la minimisation de la fonction suivante :
97
Chapitre 3
( pi p i )T p1 ( pi p i ),
i
Avec p i =
1
T
h3 Pi
(3.35)
h1T Pi
me
T et hi la i ligne de H .
h
P
2 i
En pratique, on suppose simplement que pi = 2 I , avec I est la matrice identit.

Cette hypothse est raisonnable si les points sont extraits de faon indpendante et en
appliquant toujours la mme procdure. Dans ce cas, le problme ci-dessus devient un
problme des moindres carrs non-linaire, c.--d., min i pi p i . La minimisation non2
linaire peut tre conduite en appliquant lalgorithme de Levenberg-Marquardt [Pre.88,

Mor.77]. Cette procdure exige au demeurant une estimation initiale des coefficients de H ,
estimation qui peut tre obtenue de la manire suivante :
Estimation initiale des coefficients de H :
Soit h , un vecteur contenant les coefficients de la matrice dHomographie H . A partir
de lquation (3.34) on obtient :
~
~
P T 0 T uP T
T ~T
~ h=0
vP T
P
'0***
(***
)
(3.36)
Si on dispose de n paires de points mis en correspondance entre la mire et son image,

on obtient un systme dquations du type L h = 0 , avec L une matrice 2n 9 . Puisque h est
dfinie un facteur dchelle prs, la solution de ce systme dquations est le vecteur
singulier de droite de L , associ la plus petite valeur singulire ou, dune faon quivalente,
le vecteur propre associ la plus petite valeur propre de la matrice LT L .
Remarque : La matrice L contient des valeurs constantes gales 1, alors que dautres
coefficients sont en pixels ou encore en coordonnes associes la scne, voire en une
combinaison de ces deux types de donnes. Pour cette raison, la matrice L est mal
conditionne numriquement. Des rsultats plus stables sont obtenus en appliquant une
normalisation des donnes (voir, [Har.95]) avant dentamer la procdure dcrite ci-dessus.
Nous supposons dans ce qui suit que la matrice de lhomographie H = [h1
calcule partir de (3.34) :
(h1
h2
u 0 u 0
h3 ) = 0 v v0 (r1
0
0 1
'**(
**
)
C
98
r2
r3 )
(3.37)
h2
h3 ] est
Chapitre 3

o reprsente un scalaire arbitraire.
En prenant en considration le fait que r1 et r2 sont orthogonaux, il vient:

h1T (C 1 ) T (C 1 )h2 = 0
(3.38)
T
h1T (C 1 ) T (C 1 )h1 = h21
(C 1 )T (C 1 )h2 (3.39)
Les quations (3.38) et (3.39) sont les contraintes de base sur les paramtres
intrinsques, partir dune seule homographie. Notons au passage que (C 1 ) T (C 1 ) dcrit

limage du cne absolu [Luo.97,Pol.99].
C)
EXTRACTION DES PARAMETRES INTRINSEQUES ET EXTRINSEQUES

Dans ce qui suit, nous allons dcrire la mthode qui permet lextraction des paramtres
de calibration. Posons B = (C 1 ) T (C 1 ) , on aura donc :
B11
B = B21
B31
B12
B22
B32
1
2
B13 u
B23 = 0
B33
u 0
u2
v0
2
(3.40)
v
u 0 v0
+
+ 1
u2 v2
v2
1
v2
v0
u0
2
u
Notons que la matrice B est une matrice symtrique dfinie par un vecteur de
dimension (6 1) :
b = [B11
B12
B22
B13
B33 ] (3.41)
T
B23
Soit le ime vecteur colonne de H , tel que: hi = [hi1 , hi 2 , hi 3 ] . Nous aurons donc:
T
hiT Bh j = vijT b (3.42)
Avec, vij = hi1 h j1 , hi1 h j 2 + hi 2 h j1 , hi 2 h j 2 , hi 3 h j1 + hi1 h j 3 , hi 3 h j 2 + hi 2 h j 3 , hi 3 h j 3
En adoptant lcriture ci-dessus et partir des quations (3.38) et (3.39), nous aurons :
v12T
(v v )T b = 0
22
11
(3.43)
Si nous observons n images de la mire (plane par hypothse), nous obtiendrons n

quations du type de (3.68). Nous aurons un systme dquations de la forme V b = 0 , avec V
une matrice 2 n 6 . Si n 3 , le systme a une solution unique et gnrale dans le cas des cinq
99
Chapitre 3
inconnues (cest dire cinq paramtres intrinsques au lieu de quatre30). Si n 2 , le systme

dquations a une solution unique en imposant une contrainte additionnelle, qui consiste ici
supposer que les axes de limage sont orthogonaux. Par contre, si on ne possde quune seule
image ( n = 1 ), on ne peut rsoudre le systme dquations que pour deux variables seulement,
en loccurrence u 0 et v0 31.
La solution du systme dquations obtenue partir des images de la mire et de
lexpression (3.43) est le vecteur propre deV T V = 0 , associ la plus petite valeur propre ou,
dune faon quivalente, le vecteur singulier de droite associ la plus petite valeur singulire
de V .
En utilisant, les quations (3.40) et (3.43) nous pouvons maintenant estimer les
paramtres intrinsques de la camra. La matrice B est estime un facteur dchelle prs
puisque, B = (C 1 )T (C 1 ) , avec un scalaire arbitraire. Donc, les paramtres intrinsques

sont donns par :
B23
v0 =
B22
B132
= B33 + v0 B23
B11
(3.44)
u =
B
11
v =
B22
u = B13
0
B11
Il convient de noter que pour ces expressions, nous avons suppos que les axes de
limage taient orthogonaux (ce qui est tout fait lgitime dun point de vue pratique).
Cependant, une solution tenant compte du cinquime paramtre intrinsque est dcrite dans
larticle de Zhang [Zha.00].
Les paramtres intrinsques ayant t estim, les paramtres extrinsques associs
chaque image se calculent en exploitant (3.34) de la faon suivante :
30
Si on suppose que les axes de limage ne sont pas tout fait orthogonaux.
31
Dans ce cas, on suppose que
u0 et v0 se trouvent dans le centre de limage, et que les axes de limage sont orthogonaux.
100
Chapitre 3

r1 = C 1 h1
1
r2 = C h2
r3 = r1 r2
(3.45)
1
t = C h3
1
1
= 1 = 1
C h1
C h2
Du fait de linfluence de diffrents bruits, la matrice de rotation

calcule R = (r1 r2 r3 ) ne satisfera pas en toute rigueur les proprits des matrices de
rotation. Toutefois, il est possible destimer une meilleure matrice de rotation depuis une
matrice 3 3 (pour plus dinformation ce sujet voir [Gol.96]).
La calibration hybride permet de prendre en compte plus facilement les diffrentes
distorsions, du fait de lutilisation dune mire.
Pour terminer, ZhangYou Zhang [Zha.00] propose lestimation dun critre de
maximum de ressemblance en tenant compte de tous les paramtres, ceci afin daffiner les
rsultats obtenus. Ceci nous conduirait un problme doptimisation non linaire, quon
pourrait rsoudre en adoptant lalgorithme de Levenberg-Marquardt [Mor.77].
Remarque: Cette technique de calibration dgnre dans le cas o la mire effectuerait

une translation pure. Cette dgnrescence est due essentiellement au fait que les quations
(3.38) et (3.39) sont issues des proprits de la matrice de rotation. Si R1 = R2 , la deuxime
image ne gnre aucune contrainte supplmentaire !
III.3.3.3.
LAUTOCALIBRATION (SELF-CALIBRATION)
Le but de lauto calibration est dlaborer une mthode qui permette de calibrer un
systme de vision en exploitant les images acquises par ce systme pendant la ralisation de
sa tche habituelle. Cette technique exige que la camra (ou le systme stro) subisse une
srie de dplacements dans une scne rigide et que nous soyons en mesure d'tablir les
correspondances entre les points dans les images acquises par la camra aux diffrentes
positions. Le problme est donc didentifier les points dans chacune des images qui
reprsentent les diffrentes projections dun mme point de la scne sur la rtine de la camra.
Comme cette technique nexploite aucune information mtrique a priori, les paramtres
extrinsques sont extraits un facteur dchelle prs, et ne permettent ultrieurement quune
reconstruction projective. Dans le cas dun systme stroscopique, cela ne prsente pas un
problme, dans la mesure o cette information est suffisante pour dterminer la gomtrie
pipolaire et effectuer la reconstruction 3D un facteur dchelle prs. Malgr tout, cette
information mtrique peut tre extraite simplement en exploitant un objet de la scne dont la
taille est connue. En ce qui concerne sa mise en uvre effective, lauto calibration peut tre
dcompose en six tapes distinctes [Luo.93] :
101
Chapitre 3
A)
EXTRACTION DES POINTS DINTERET
Puisque lauto calibration implique la facult de pouvoir isoler et dtecter des points
particuliers dans chaque image de la squence (les points dintrt , principalement des
coins ) nous donnons ici les trois grandes catgories dalgorithmes permettant daccomplir
cette tche :
a)
Les filtres non-linaires, tels que le dtecteur de coins SUSAN propos par Smith
[Smi.92]. Lavantage de ce filtre est sa relative insensibilit aux bruits du fait quil
nutilise pas la drive de limage.
b)
Les mthodes bases sur les courbures, telle que la mthode de Kitchen et
Rosenfelds [Kit.82]. Cette dernire mthode ncessite lextraction pralable des
contours avant de dtecter les coins , dtermins daprs la courbure des
contours.
c)
Les mthodes bases sur les variations dintensit pixel. La mise en application
typique de cette classe dalgorithme est fournie par la mthode de Harris et
Stephens [Har.88] qui dtecte les coins en analysant les valeurs propres dune
matrice construite localement autour de chaque pixel partir de lintensit de ses
voisins.
Les deux premires catgories prsentent linconvnient dune certaine

complexit des calculs qui influence significativement leur temps dexcution
(relativement long). A linverse, le dtecteur de Harris32 et Stephens prsente
lavantage dun temps dexcution assez bref vu la technique adopte par ce filtre
(voir annexe). Schmid et al. [Sch.98] ont compar plusieurs dtecteurs de primitives
dintrt et ils concluent que le dtecteur de Harris semble prsenter la meilleure
rputation (cest dire quil fournit des rsultats assez peu sensibles la rotation,
la rsolution de limage et lillumination) tout en exploitant une quantit
dinformation plus leve (constitu par le voisinage des points dintrt extraits).
B)
LA MISE EN CORRESPONDANCE DES POINTS DINTERET
Aprs, la phase dextraction des points dintrt dans une image aborde ci-dessus. Le
problme qui se pose maintenant est de mettre en correspondance chacun de ces points
dintrt dans une image donne avec leurs homologues dans toutes les autres images. Cette
mise en correspondance des pixels dintrt se base essentiellement sur le calcul dun
critre de corrlation entre deux voisinages afin de mesurer la similitude entre ces deux
rgions. Plusieurs formulations de ces coefficients de corrlations, entre une partie dune
image source et une partie dune image destination , peuvent tre adoptes pour
mesurer la similitude entre les pixels dintrt [Alh.98] :
32
Ce dtecteur est connu aussi sous le nom de dtecteur de Plessey.
102
Chapitre 3
C1 (u , v, d u , d v ) =
2
( I s (u + i, v + j ) I d (u + d u + i, v + d v + j ))
( i , j )F
2
( I s (u + i, v + j ) )
( i , j )F
C 2 (u, v, d u , d v ) =
( I s (u + i, v + j ) I d (u + d u + i, v + d v + j ))
( i , j )F
2
( I s (u + i, v + j ) )
( i , j )F
C 3 (u , v, d u , d v ) =
2
( I d (u + d u + i, v + d v + j ))
( i , j )F
2
( I d (u + d u + i, v + d v + j ) )
( i , j )F
( I s (u + i, v + j ) I s (u , v)) ( I d (u + d u + i, v + d v + j ) I d (u + d u , v + d v ))
( i , j )F
I s (u + i, v + j ) I s (u , v)
( i , j )F
C 4 (u, v, d u , d v ) =
I d (u + d u + i, v + d v + j ) I d (u + d u , v + d v )
( i , j )F
[I
g (u + i , v + j ) I g (u , v )
( i , j )F
pixel (u v ) .
I s (u , v) et I d (u, v) , les intensits des images source et de destination, la position du

T
F , la fentre de la corrlation de dimension (2n + 1) (2m + 1) centre autour du pixel
(u
v ) . On a n i n et m j m .
T
d u et d v respectivement les dcalages horizontaux et verticaux, par rapport limage

de destination.
I s (u , v) et I d (u , v) , les moyennes des intensits des images source et destination sur
la fentre F .
C ( x, y, d u , d v ) , la valeur du critre de corrlation au pixel de coordonnes (u v )

pour une disparit d = (d u
d v ).
Les critres C1 et C 3 utilisent la diffrence entre les niveaux de gris des images, et
doivent tre minimiss par rapport la disparit; par ailleurs, les critres C 2 et C 4 multiplient
les niveaux de gris des deux images et doivent tre maximiss par rapport la disparit.
Le critre C 4 ( x, y, d u , d v ) produit gnralement des rsultats nettement suprieurs par
rapport aux autres (moins de faux appariements). Il sagit en effet dun critre normalis
qui se montre de ce fait plus robuste vis--vis des changements dclairage.
C)
I d (u + d u + i, v + d v + j ) I d (u + d u , v + d v )
avec :
( I g (u + i, v + j ) I g ( x, y ))( I d (u + d x + i, y + d y + j ) I d (u + d u , v + d v ))
( i , j )F
( i , j )F
DETERMINATION DE LA MATRICE FONDAMENTALE
Nous avons dcrit des outils nous permettant disoler des points dintrt dans une
image et dassocier dans une certaine mesure ces points particuliers dune image lautre. La
question est maintenant de savoir quel type dinformation il est possible den tirer dans le
103
Chapitre 3
contexte de lauto calibration. Cest ce titre que la matrice fondamentale joue un rle trs
important.
En effet, la plupart des algorithmes bass sur les points des images noncalibres
[Pol.99, Stu.97], ncessitent la matrice fondamentale en tant que donne primordiale. Cette
matrice reprsente la seule alternative aux matrices de projection, afin de relier entre elles les
diffrentes vues de la scne. Dans ce qui suit nous allons prsenter brivement le concept de
la matrice fondamentale et les diffrents algorithmes qui permettent de lextraire.
1)
LA GEOMETRIE EPIPOLAIRE
La gomtrie pipolaire est la gomtrie projective intrinsque entre deux vues [Har.99].
Elle est indpendante de la structure de la scne et nest influence que par les paramtres
intrinsques des camras et leurs positions relatives. Dans le cas dun systme stroscopique,
la gomtrie pipolaire dcrit essentiellement la gomtrie dintersection des plans forms par
les centres optiques des deux camras et les points observs de la scne avec les plans des
images. Dans le cas dune camra unique se dplaant, la gomtrie pipolaire se rapporte
lintersection des plans forms par les points observs et les positions conscutives du centre
optique dune part, et les plans images conscutifs dautre part.
Figure III.11 : La gomtrie pipolaire dcrivant la correspondance entre deux images dun
point de la scne.
Soit un point P de la scne observ par un capteur stroscopique (ou un point P dune
scne rigide observe par une camra de deux points de vue conscutifs diffrents), p est sa
projection sur limage de la camra de gauche (ou sur la premire image) et p ' sur limage de
la camra droite (ou sur la seconde image). Il est clair que P , C et C ' forment un plan
(appel le plan pipolaire, voir Figure III.6). Cette construction simple facilite normment la
mise en correspondance entre les images des points observs. En effet, le correspondant dun
point p appartenant la premire image appartiendra forcment la ligne pipolaire dfinie
par lintersection entre le plan pipolaire et le plan image de la deuxime camra. Par
104
Chapitre 3
consquent, lorsquon cherche pour un point p de limage de gauche (ou de la premire

image) un correspondant dans limage de droite (ou dans la seconde image), on peut limiter
cette recherche le long de la ligne pipolaire correspondante l ' au lieu de chercher dans toute
limage.
La relation entre la reprsentation projective du point p et sa ligne pipolaire l ' p est
projectivement linaire, du fait que les relations entre p et C , P dune part, et C, P et sa
projection l' p dautre part sont toutes les deux projectives linaires. La matrice F de
dimensions 3 3 qui dcrit cette correspondance est la matrice fondamentale.
Essayant maintenant dexprimer la contrainte pipolaire en utilisant cette matrice

fondamentale, dans le cas des camras non-calibres. Pour un point donn p dans la premire
image, la reprsentation projective l' p de sa ligne pipolaire dans la deuxime image peut tre
crite sous la forme suivante :
l p' = Fp (3.46)
Puisque le point p ' , correspondant de p , appartient par dfinition la ligne l ' p , nous
obtenons :
p'T Fp = 0
(3.47)
La matrice fondamentale est un concept cl, qui encapsule linformation gomtrique

qui relie deux images ou plus. Lestimation de la matrice fondamentale peut tre faite en
ayant un certain nombre de correspondances entre les deux images. On peut constater, partir
de lquation (3.47), que chacune des paires mise en correspondance fournit une contrainte
linaire sur F . Ainsi, la matrice fondamentale peut tre estime partir de 8 paires
indpendantes. Cependant, telle quelle est dfinie, F a seulement sept degrs de libert.
Algbriquement, F a neuf coefficients un facteur dchelle prs, mais la condition du rang
2 impose la contrainte additionnelle Det ( F ) = 0 . Ainsi, F peut tre calcul partir de sept
paires mises en correspondance et de la contrainte du rang. Par ailleurs, comme la dernire
contrainte est cubique, il y aura gnralement trois solutions possibles. Pour une estimation
correcte, quelques prcautions doivent tre prises [Har.00]. Pour les dtails du calcul de la
matrice fondamentale (voir annexe).
D)
DETERMINATION DES PARAMETRES INTRINSEQUES DE LA CAMERA
Rappelons que dans le cas dune camra en dplacement dans une scne rigide, la
matrice fondamentale rsulte de linfluence des paramtres intrinsques et des dplacements
effectus entre les vues. A chaque paire de vues on peut donc associer une matrice
fondamentale. Si toutes diffrent du fait quelles rsultent de dplacements diffrents, les
paramtres intrinsques nont pas chang, par hypothse. Ainsi, une fois que la camra a
105
Chapitre 3
effectu au moins trois dplacements, il est possible de dterminer ses paramtres intrinsques
partir des matrices fondamentales. Si on suppose de plus quon a seulement quatre
paramtres intrinsques (ce qui est raliste du fait de lorthogonalit de la matrice du capteur
de vision) deux dplacements seront suffisants. Le lecteur interss aux dtailles dextraction
des paramtres intrinsques peut se rfrer lannexe F.
E)
DETERMINATION
DES
PARAMETRES
EXTRINSEQUES
LIES
AUX
MOUVEMENTS DES CAMERAS

Si lon sen rfre la calibration photogramtrique, rappelons quon travaille dans un
repre li au monde, en utilisant une mire 3D prsente dans lenvironnement de la camra. On
suppose dores et dj connatre les coordonnes de certains points de rfrence (appartenant
cette mire) relativement un repre li cette mire de calibration. Dans ce contexte, les
paramtres extrinsques reprsentent le dplacement permettant de passer de ce repre celui
de la camra. A linverse, on nutilise pas de mire 3D lors dune auto calibration. Par
consquent, tous les calculs se font par rapport au repre de la camra (par exemple, celui de
la camra gauche pour un systme de strovision ou le repre li la premire position de la
camra pour un dispositif de prise de vue unique se dplaant dans une scne rigide). Dans le
cadre de cette approche, les paramtres extrinsques dcrivent le dplacement entre la
premire et la deuxime camra ou entre la premire et la deuxime position de prise de vue,
suivant le cas. Il est intressant de rappeler, qu ce niveau, on ne possde pas dinformations
mtriques sur la scne observe. Par consquent, le dplacement est calcul un facteur
dchelle prs. Nanmoins, il a t dmontr [Pol.99, Stu.97] que la reconstruction mtrique
(entendu par ces auteurs comme le rapport entre les longueurs et les angles entre les droites)
est faisable partir de la connaissance des dimensions dun objet de la scne.
Toujours dans le contexte de lauto calibration, nous supposons que nous disposons des
paramtres intrinsques C de la camra. A partir des quations (3.47), on aura :
E = C T F C (3.48)
Par ailleurs, nous avons (voir annexe) :
E =TR
(3.49)
o R etT sont respectivement la matrice de rotation et le vecteur de translation

qui dfinissent le dplacement entre les deux camras.
En utilisant la dcomposition en valeurs singulires [Pre.88], nous aurons :
E = UDV
r 0 0
avec, D = 0 s 0
0 0 q
106
(3.50)
Chapitre 3
Huang et Faugeras [Hua.89] ont dmontr que la matrice essentielle E doit avoir deux
valeurs singulires non-nulles et gales, et une troisime valeur singulire gale 0. Hartley
[Har.99] a dmontr cette proprit autrement. Les valeurs obtenues en pratique peuvent
sloigner de ces valeurs thoriques du fait des imperfections des mesures, des calculs
numriques et des erreurs de modlisation. Une faon de pallier ces problmes consiste
mettre la valeur de q zro et remplacer les valeurs de r et s par leur moyenne. Ceci donne
pour D :
r + s
2
D= 0
r+s
2
0
(3.51)
La matrice essentielle peut encore scrire :
E = U D G Z V T (3.52)
avec :
0 1 0
G = 1 0 0
0 0 1
et
0 1 0
Z = 1 0 0
0 0 0
De lquation (3.52) et du fait que E = T R , la matrice de rotation R et le vecteur de

translation T peuvent tre calculs grce :
R = UGV T
(3.53)
T
[T] = VZV
Avec [T] , la matrice antisymtrique construite partir du vecteur de

translation T .
En adoptant la mthode dcrite ci-dessus, on peut calculer R1 et T1 pour la premire
camra partir de la matrice fondamentale F11 . De la mme faon, on peut calculer R2 et
T2 associs la deuxime camra partir de la matrice fondamentale F22 . Cependant, il reste
calculer la matrice de rotation R21 et le vecteur de translation T21 du dplacement entre la

premire et la seconde camra. Etant donn quon dispose des paramtres intrinsques des
deux camras C et C ' , on peut facilement calculer la matrice essentielle E 21 = C 'T F21C .
Ainsi, R21 et T21 se calculent partir de E 21 de la mme manire que ( R1 , T1 ) et ( R2 , T2 ) .
107
Chapitre 3
III.3.3.4
LA CALIBRATION DUN CAPTEUR STEREOSCOPIQUE
La calibration dun capteur stroscopique consiste principalement dterminer une

matrice de rotation Rs et un vecteur de translation Ts exprimant la transformation entre le
repre de la camra gauche et celui de la camra droite, comme reprsent sur la Figure III.8.
Figure III.12 :
Les transformations rigides dans le cas dun capteur stroscopique
Comme le suggre la figure prcdente, une dmarche valable consiste calibrer dans
un premier temps chacune des deux camras sparment. Ainsi, nous disposons des
paramtres intrinsques et extrinsques des deux camras. Dans une seconde, il suffit de
dterminer la transformation qui relie les repres des deux camras, cest dire de dterminer
Rs et Ts .
La mthode applique pour y parvenir est la suivante : soit P un point de la scne
observ par les deux cameras. En supposant que nous disposons des transformations reliant le
repre de la scne celui associ chacune des deux camras, le point P sera positionn dans
le repre de la camra gauche ( Pg ) et dans celui de la camra droite ( Pd ) suivant:
Pg = R g P + Tg
Pd = Rd P + Td
(3.54)
Avec :
-
R g et Rd : Les matrices de rotation entre le repre de la scne et les repres des

cameras gauche et droite, respectivement.
Tg et Td : Les vecteurs de translation entre le repre de la scne et les repres des

camras gauche et droite, respectivement.
108
Chapitre 3
En substituant dans (3.54), nous pouvons exprimer les coordonnes du point P de la

scne dans la rfrence de la camra gauche grce :
Pg = R s Pd + Ts (3.55)
T
R s = Rd R gT
ayant pos
T
Ts = Tg R s Td
Lquation (3.55) nous permettra dexprimer les coordonnes dun point connu dans le
repre dune camra dans le repre de lautre, ce qui est primordial pour la localisation
tridimensionnelle.
Dans le cas particulier de la configuration gomtrique de notre capteur stroscopique
(plans rtine des deux camras confondus, perpendiculaires au plan dfini par les deux axes
optiques et perpendiculaire au plan de la route) la matrice de rotation Rs et le vecteur de
translation Ts correspondant sexprimeront thoriquement de la faon suivante :
1 0 0
Rs = 0 1 0 (3.56)
0 0 1
Ts = (b 0 0) (3.57)
T
Les expressions de (3.56) et (3.57) refltent le fait que les origines des repres des deux
camras du stroscope appartiennent au mme plan, se trouvent des distances gales de la
chausse et ont la mme orientation. Ainsi, le dplacement permettant daller de lune
lautre se rduit un dplacement le long de laxe des X (voir la Figure III.7).
La flexibilit de la technique de la calibration hybride est due essentiellement la mire
utilise pour la calibration. En effet, lutilisation dune mire 2D (mire plane) permet une
grande mobilit et le choix des motifs constituant cette dernire procure un degr de libert
supplmentaire. En ce qui nous concerne, lutilisation dun damier dont les dimensions sont
connues nous permet deffectuer la calibration en ligne avec une grande souplesse
dutilisation, sans intervention humaine autre que celle consistant lancer la procdure et
dplacer la mire devant le systme de vision. En effet, comme nous aurons loccasion de le
prciser, lextraction des points caractristiques (les coins, dans ce cas de figure) et le calcul
du modle correspondant se feront automatiquement.
Lobjectif des paragraphes qui suivent consiste dcrire la procdure que nous avons
mise en uvre pour calibrer le capteur stroscopique. Une premire partie se consacrera
une tape dinitialisation ncessaire une mise uvre efficace de la calibration, savoir ici
lextraction des points caractristiques de la mire de calibration. La seconde partie traitera de
109
Chapitre 3
la phase de calibration stroscopique proprement dite. Le processus global de calibration qui

dcoule de notre mthode a t soumis une batterie de tests, dont les rsultats sont prsents
et discuts la fin de cette section.
III.3.4.
MISE EN UVRE DE LA CALIBRATION HYBRIDE
Le cur de la mthode repose sur lexploitation dune mire 2D dont les coordonnes de
certains points caractristiques sont connues par rapport un rfrentiel bidimensionnel li
cette mire. Afin de pouvoir calibrer le systme, la mire doit tre observe de diffrents points
de vue et avec des orientations diffrentes (des simples translations sont insuffisantes, comme
indiqu prcdemment). Dans ce cas, les axes du repre li la mire sont choisis de telle sorte
que Z = 0 pour tout point appartenant au plan de cette dernire ( voir, la figure III.13).
Figure III.13 : Les tapes ncessaires la mise en uvre de la calibration hybride.

En ce qui concerne les motifs ports par la mire, plusieurs types sont envisageables dans
ce cas de figure. Il apparat toutefois plus judicieux de privilgier ceux permettant une
extraction des points caractristiques aise et rapide raliser (de sorte pouvoir seffectuer
en temps rel). Dans cette optique, le damier (noir et blanc) prsente des proprits
intrinsques trs intressantes, puisque la disposition gomtrique et colorimtrique des
rectangles constituant la mire permettent de la distinguer facilement dans une scne, quelle
que soit sa complexit (hormis bien entendu le cas dun environnement comportant lui aussi
dautres damiers). La section qui suit dtaille la faon dont les points caractristiques sont
extraits de la mire de calibration ainsi constitue.
A)
DETECTION DE LA MIRE DE CALIBRATION ET LEXTRACTION DE SES

POINTS CARACTERISTIQUES
110
Chapitre 3
Le but principal de cette tape est dextraire les points caractristiques de limage de la
mire sur le plan rtine de la camra pour pouvoir les associer leurs correspondants sur le
damier, dont les coordonnes sont exprimes dans le rfrentiel li la mire ( nous avons
choisi le point haut gauche comme tant lorigine de la mire (0 0 0) ). En matire de
T
points caractristiques, ceux-ci seront constitus par les coins des carrs constituant le damier
de la mire.
Lextraction de ces coins peut tre conduite a priori de trois manires diffrentes,
savoir :
-
Extraction manuelle
Extraction semi-automatique
Extraction automatique
Lextraction manuelle consiste laisser le soin un oprateur humain didentifier les

coins de la mire de calibration (par exemple en cliquant sur les coins en question). Du point
de vue de la machine, cette technique nexige aucun traitement mais demande beaucoup
deffort de la part de loprateur, tout en tant trs lente et fastidieuse raliser vu le nombre
de coins que contient une mire et le nombre dimages ncessaires pour la calibration !
Cependant, cette technique manuelle permet lextraction de linformation ncessaire quelle
que soit la disposition de la mire (elle nest pas contrainte par des limites de traitement
numrique ou algorithmique, compte tenu des performances naturelles du cerveau humain par
rapport une tche aussi simple).
Lextraction semi-automatique consiste, quant elle, extraire un certain nombre trs
limit des coins de la mire. Les autres seront extraits dune manire automatique en se basant
sur les points de rfrence extraits prcdemment et en exploitant la connaissance pralable de
la gomtrie de la mire utilise. Cette technique nexige pas de traitements trs labors et est
moins prenante que la prcdente vis--vis de loprateur, mais mobilise cependant
lattention de ce dernier pendant un temps non-ngligeable et requiert de sa part un certain
niveau dexpertise (quels points de rfrence choisir et dans quel ordre ?), ce qui constitue
un handicap.
Enfin, lextraction automatique de coins nexige pas dintervention de loprateur autre
que celle consistant prsenter la mire au systme et prsente donc une trs grande flexibilit
ainsi quune rapidit ingalable pour ce qui touche lextraction des coins. Cependant, cette
approche ncessite limplication invitable de techniques de traitement dimage et
lexploitation dun algorithme spcifique cette tche, dont les performances doivent tre au
minimum comparables celles de loprateur humain.
En ce qui nous concerne, nous avons opt pour cette dernire approche afin de pouvoir
bnficier de la flexibilit quelle fournit. Les tapes mises en uvre pour dtecter et extraire
les coins caractristiques de la mire sont :
111
Chapitre 3
1. La binarisation partir de limage en niveaux de gris.

2. La dtection des rectangles dans limage binaire.
3. Lextraction les coins.
4. Lorganisation des coins dtects (en prenant comme rfrence le coin suprieur
gauche du damier) afin deffectuer la mise en correspondance point de limage / point
de la mire.
Dans ce qui suit nous allons dtailler ces tapes dans lordre o elles sont cites.
Chacune dentre elles sera illustre par des rsultats exprimentaux.
III.3.4.1.
BINARISATION DE LIMAGE
Etant donn que les images acquises par les camras du capteur stroscopique sont des
images en couleurs (R, G, B ) , la premire tape de la binarisation consiste convertir lespace
de reprsentation de ces images en niveaux de gris (256 niveaux). La binarisation consiste
rduire davantage lespace de reprsentation, tel que chaque pixel soit reprsent soit par un
0 , soit par un 1. Cette reprsentation est intressante, dans la mesure o le damier contient
des rectangles blancs et des rectangles noirs et une telle reprsentation binaire permettra de
distinguer clairement les rectangles du damier. A cette fin, nous procdons au calcul du seuil
de binarisation tel que :
Si I (i, j ) > S bin alors :
Sinon, B (i, j ) = 0
B (i, j ) = 1
Avec : I (i, j ) : la valeur en niveau de gris du pixel de coordonnes (i, j ) .
S bin : le seuil de binarisation compris, entre 0 et 255 .

B (i, j )
: la valeur du pixel de coordonnes (i, j ) dans limage binaire.
Le calcul du seuil de binarisation proprement dit peut se faire de diffrentes manires.

Dans des scnes o la dynamique de la luminance est contrle, une valeur fixe telle que 128
permet de diffrencier clairement le blanc du noir dans une image. A linverse, les scnes
extrieures posent un certain nombre de problmes engendrs particulirement par la
dynamique du capteur vis vis des changements brusques de la lumire. Pour contourner
cette difficult, nous procdons au calcul dynamique du seuil de binarisation en nous basant
sur la rpartition des niveaux de gris dans limage. Le but principal de cette opration est de
mettre en exergue les proprits colorimtriques du damier afin de prparer limage pour des
traitements ultrieurs. Lide est que le seuil de binarisation doit faire apparatre clairement
les rectangles constituant le damier et cela quelle que soit la plage des niveaux de gris utilise
pour la prsentation du contenu de limage.
112
Chapitre 3
Pour y parvenir, nous procdons au calcul de lhistogramme de limage en niveaux de

gris. Lanalyse de cet histogramme fait apparatre particulirement deux pics qui se situent
gnralement de part et dautre de la valeur mdiane des niveaux de gris (la valeur 128 ), nous
appelons ces deux pics le pic blanc et le pic noir respectivement. Le seuil de binarisation
choisi est la valeur du niveau de gris correspondant au minimum global entre ces deux pics.
Figure III.14 :
Exemples dimages de la mire de calibration et des histogrammes utiliss
pour calculer les seuils de binarisation.

La figure III.14, prsente quelques images et les histogrammes correspondants, ainsi que
les rsultats obtenus aprs seuillage. Le seuillage des images en adoptant la technique dcrite
prcdemment fait apparatre clairement les rectangles constituant le damier.
III.3.4.2.
DETECTION DES RECTANGLES ET EXTRACTION DES COINS DE LA

MIRE
Suite ltape de la binarisation, il sagit maintenant de dtecter les rectangles du

damier avant de procder la phase dextraction des coins. En effet, nous aurions pu avoir
recours directement une technique dextraction des coins, telle que celle de Harris et
Stephans [Har.88], mais ce procd ne nous permettrait pas de diffrencier les coins qui
appartiennent au damier de ceux qui appartiennent aux autres objets de la scne. Mme si la
prise en considration de certaines contraintes (comme les distances sparant les diffrents
coins) amliore les rsultats, cela reste toutefois insuffisant. Nous avons donc plutt prfr
113
Chapitre 3
lextraction des coins travers la dtection des rectangles (seuls les coins de ces dernires
entits nous intressent).
Figure III.15 : Dtection des rectangles et extraction des coins dintrt de limage binarise
Pour y aboutir, nous commenons par lapplication dune rosion morphologique
[Par.96b]. Celle-ci est bnfique dans la mesure o elle permet la sparation des diffrentes
formes et facilite ainsi la tche de la dtection des rectangles constituant le damier. La
deuxime tape consiste dtecter et extraire les contours de limage; les contours ouverts
ou les petits primtres seront systmatiquement rejets. Une approximation polynomiale des
contours savre gnralement ncessaire [Dou.73, Her.92] afin de pallier les imperfections
de la binarisation et de lextraction. Ainsi, les contours reprsentant les rectangles tant
classs de haut en bas et de gauche droite selon leur apparition dans limage, ltape
suivante consistera dtecter les points des rectangles qui sont les plus proches les uns des
autres et qui correspondent aux coins aprs dilatation. En effet, chaque coin dans limage
originale sera clat en deux coins aprs dilatation. Par consquent, les coordonnes du coin
original est la moyenne des coordonnes des deux points les plus proches entre deux
rectangles adjacents (voir la Figure III.15).
III.3.4.3.
ORGANISATION DES COINS DETECTES
Aprs avoir dtect les coins lissue de ltape prcdente, la phase suivante consiste
organiser les coins dtects par rapport lorigine dun rfrentiel donn, de telle manire
114
Chapitre 3
quon puisse mettre en correspondance les coordonnes images des coins et leurs coordonnes
par rapport au rfrentiel 2D du monde dune part (Figure III.13), et afin de pouvoir mettre en
correspondance les coordonnes images issues des images de la mire prises diffrentes
positions.
Figure III.16 :
Quatre images du damier 7 9 utilis comme mire de calibration
effectuant une rotation autour de laxe des Z de la mire ; les coins sont ordonns de la gauche
vers la droite et de haut vers le bas dans le repre de la mire.
Lorganisation des points caractristiques se fait en calculant la distance de ceux-ci par
rapport lorigine du rfrentiel de limage de la mire (le coin suprieur droit de la mire
(Figure III.16 (image 1)), de sorte que les coordonnes image des coins soient tries de droite
gauche et de haut en bas (selon la Figure III.16).
Pour pouvoir ordonner les coins de la mire correctement nous devons donc procder au
calcul des coordonnes des lignes verticales et horizontales matrialises par les diffrents
coins de limage de la mire. Ceci permettra de distinguer laxe des x de celui des y . Par
ailleurs, le produit vectoriel entre ces deux axes permettra de dterminer lequel des quatre
coins extrmes de limage de la mire est la projection de lorigine de cette dernire sur
115
Chapitre 3
limage (qui est, rappelons le, le coin suprieur gauche du damier) comme le montre la figure
III.13.
III.4.4.4.
EVALUATION DES PERFORMANCES DE LA CALIBRATION DU

SYSTEME STEREOSCOPIQUE
Afin dvaluer les performances et dtablir les conditions dutilisation optimum de la

technique de calibration que nous utilisons ( savoir la calibration hybride) nous avons
procd des expriences sur des donnes simules. Il est clair que la calibration avec des
donnes synthtiques nous permet davoir une ide prcise sur les performances potentielles
de la technique, en autorisant la comparaison entre les paramtres estims et ceux utiliss pour
gnrer les images de la mire (constituant les paramtres de la simulation).
Pour valuer linfluence du bruit sur les points images des points de la mire, nous avons
simul un capteur stroscopique dont la configuration gomtrique correspond parfaitement
celle du systme de strovision utilis en ralit, observant n = 13 images dune mire
constitue de 80 points de contrle distribus rgulirement, espacs de 50 units (lunit
tant gale un millimtre). Cette disposition est reprsente sur la figure III.17.
Figure III.17 :
Trois paires dimages synthtiques gauche et droite de la mire 8 10
observes par le capteur stroscopique simul.
Les paramtres intrinsques et les coefficients de distorsion (on ne considre ici que les
distorsions radiale et tangentielle ) des deux camras sont donns dans le Tableau III.4.
Camra gauche
Camra droite
Tableau III.4 :
u0
v0
k1
k2
p1
p2
286
286
286
286
1200
1200
1200
1200
0.1
0.1
0.01
0.01
0.01
0.01
0.01
0.01
Paramtres intrinsques et paramtres de distorsion radiale des deux
camras simules.
116
Chapitre 3
Pour chaque point de vue, lorientation de la mire (le damier) par rapport la camra
gauche, est reprsente par les angles dEuler en degrs. Sa position est reprsente par un
vecteur 3D en millimtres (voir le Tableau III.5). Les rotations et les translations reliant les
deux camras du capteur stroscopique simul sont prcises dans le Tableau III.6.
Rotations en degr
Tx
Ty
Tz
Vue - 1
-400
-400
4600
Vue - 2
30
-400
-600
4700
Vue - 3
30
230
400
4800
Vue - 4
30
500
-340
4900
Vue - 5
30
30
30
210
20
5000
Vue - 6
-20
15
10
-60
-370
5100
Vue - 7
-43
11
53
42
5200
Vue - 8
12
90
-120
5300
Vue - 9
-6
23
45
260
-80
5400
Vue - 10
45
45
45
-350
-500
5500
TableauIII.5 :
Translations en millimtre
Les paramtres extrinsques reliant les vues la camra gauche.
Rotations en degr
Tx
Ty
Tz
400
Tableau III.6 :
Translations en millimtre
La position et lorientation relatives des deux camras (cette
configuration correspond la configuration particulire dcrite dans III.3.2.2)

Au dpart les paramtres usits pour la gnration des images synthtiques sont utiliss
afin destimer lerreur entre les paramtres estims et les paramtres rels dune part et afin
destimer lcart type des paramtres calculs sur plusieurs procdures de calibrations
successives dautre part. Lvaluation de la prcision de la technique de calibration mise
lpreuve se base essentiellement sur lexamen des paramtres intrinsques et extrinsques
dlivrs par la mthode, plus prcisment sur les valeurs dfinissant la matrice de rotation et
le vecteur de translation stro.
Nous allons commencer par lvaluation de linfluence du nombre de points de la mire
sur la qualit de la calibration. Ensuite, nous allons nous pencher sur linfluence du nombre
117
Chapitre 3
dimages utilises et, enfin, nous valuerons linfluence du bruit. Lanalyse portera aussi bien
sur les paramtres intrinsques que sur les paramtres extrinsques.
A)
INFLUENCE DU NOMBRE DE POINTS DE LA MIRE
Pour valuer linfluence du nombre de points de contrle (les coins du damier) sur
lestimation des paramtres de calibration, nous avons effectu une centaine de calibrations en
utilisant chaque fois des mires constitues respectivement de 15, 24, 35, 48, 63, 80, 99, 120,
143, 168, 195 et 224 points de contrle.
118
Chapitre 3
Figure III.18 :
Erreurs relatives sur les paramtres estims aprs 300 calibrations (avec un
bruit ajout aux coordonnes des points de contrle de moyenne nulle et dcart type
= 0.01 ). La simulation porte sur la camra gauche. La grandeur en abscisse est le nombre
de points de contrle du damier utilis pour la calibration.

Nous pouvons constater que lestimation des paramtres intrinsques de la camra
( u , v ) est la moins sensible au nombre de points utiliss pour la calibration, tandis que les
coefficients de distorsion et les coordonnes image du centre de projection le sont davantage.
Nous pouvons constater galement que linfluence du nombre de points utiliss pour la
calibration est plus importante sur lestimation du coefficient de distorsion radiale k 2 . Dune
faon gnrale, les erreurs relatives destimation des paramtres intrinsques se stabilisent
partir du moment o on calibre avec une mire qui contient plus de 80 points de contrle. Il
semble par ailleurs inutile daller nettement plus loin dans le nombre de points de rfrence,
compte tenu du faible accroissement de la prcision obtenue en contrepartie.
119
Chapitre 3
Dans ce qui suit, nous allons valuer linfluence du nombre de points de la mire de
calibration sur lestimation des paramtres extrinsques de la tte stro, savoir les angles
dorientation du repre de la camra droite par rapport la camra gauche et la position du
repre de la camra droite relativement la camra gauche.
Figure III.19 : Ecartstypes sur lerreur destimation des paramtres extrinsques du capteur
stroscopique (angles dorientations et positions relatives entre les deux repres camra) en
fonction du nombre de points de contrle de la mire utilise pour la calibration.
La Figure III.19 reprsente les carts-types sur les erreurs destimation associes aux
paramtres extrinsques du capteur stroscopique en fonction du nombre de coins de la mire
de calibration. On saperoit que les carts-types relatifs aux erreurs dorientation relatives
sont faibles dune manire gnrale, tandis que les carts-types associs aux erreurs de
positionnement relatif sont plus importants. Quoiquil en soit, les carts-types de toutes les
120
Chapitre 3
erreurs dcroissent avec laugmentation du nombre de points de contrle de la mire de

calibration. Cette tendance dcroissante est plus perceptible sur la coordonne relative en Z et
les orientations relatives autour de X et Y , respectivement. L encore, la diminution de
lerreur nest plus rellement significative ds lors quon dpasse les 80 points de contrle.
Les graphiques ci-dessus montrent dune faon indiscutable linfluence du nombre de
points de contrle sur la qualit des estimations des paramtres intrinsques et extrinsques. Il
apparat clairement que le choix dutiliser une mire comportant approximativement 80 coins
parat judicieux puisque linfluence bnfique du nombre de points est nettement moins forte
au-del de cette valeur.
B)
INFLUENCE DU NOMBRE DIMAGES UTILISEES POUR LA CALIBRATION
Pour valuer linfluence du nombre dimages de la mire utilis pour la calibration, nous
avons calibr le systme simul en utilisant de 2 20 images en incrmentant le nombre
dimages utilises chaque itration de la mthode (deux images tant le nombre dimages
minimum utiliser pour effectuer la calibration hybride). La Figure III.15 reprsente les
rsultats issus de ces expriences. Les deux premiers graphiques reprsentent les erreurs
relatives commises sur ( u , v ) et (u 0 , v0 ) respectivement. Cette erreur relative a t estime
en utilisant la moyenne des erreurs issues de 300 calculs de calibration, pour un cart type de
bruit fixe.
121
Chapitre 3
122
Chapitre 3
Figure III.20 : Evolution des erreurs relatives sur lestimation des paramtres intrinsques
de la camra gauche en fonction du nombre dimages utilises pour la calibration.
Lerreur relative commise sur lestimation des paramtres intrinsques varie en raison
inverse du nombre dimages utilises pour la ralisation de la calibration. Cependant, cette
dcroissance nest plus rellement significative ds lors quon atteint 13 images. Les erreurs
relatives obtenues lors de ces expriences sont trs faibles, du fait quon a fix lcart type de
bruit appliqu au point de contrle 0.01 (le but de ces expriences tait avant tout de
montrer linfluence du nombre dimages utilises pour la calibration sur la qualit de cette
dernire).
Il est noter que linfluence du nombre dimages est plus visible sur lestimation du
coefficient de distorsion radiale k 2 . Cette erreur peut en effet atteindre 13 % de la valeur
relle du coefficient lorsquil nest fait usage que de deux images.
123
Chapitre 3
Figure III.21 : Ecartstypes des erreurs destimation des paramtres extrinsques du

capteur stroscopique (angles dorientations et positions relatives) en fonction du nombre
dimages utilises pour effectuer la calibration.
La Figure III.21 reprsente lvolution des carts-types des erreurs relatives
lestimation des paramtres extrinsques du capteur stroscopique en fonction du nombre
dimages utilises lors de la calibration. L aussi, on saperoit que les carts-types des
erreurs dorientation et de positionnement dcroissent en fonction de laugmentation du
nombre dimages. Cette tendance est plus marque sur la coordonne relative en Z et les
orientations relatives autour de X et Y , respectivement. La dcroissance de lcarttype de
lerreur nest plus significative ds lors quon calibre avec plus de 13 images. Il est
124
Chapitre 3
intressant de souligner ici que linfluence du nombre dimages est plus significative que celle
du nombre de points de contrle de la mire. En effet, une augmentation du nombre dimages
permet une estimation plus prcise de la matrice de rotation et du vecteur de translation
stro. La raison en est que laugmentation du nombre dimages ( condition quelles
correspondent bien des positions et orientation diffrentes du damier) gnre une
augmentation des contraintes sur les paramtres extrinsques et permet ainsi une meilleure
estimation.
Les graphiques ci-dessus illustrent clairement linfluence du nombre dimages de la
mire sur la qualit de lestimation des paramtres intrinsques et extrinsques. Dune faon
similaire ce qui se passe pour le nombre de points de contrle, le nombre dimages cesse
davoir une influence bnfique rellement tangible ds lors que celui-ci dpasse un certain
seuil (treize images dans notre cas).
C)
INFLUENCE DU BRUIT SUR LES POINTS DE LA MIRE SUR LESTIMATION
DES PARAMETRES
Afin destimer linfluence du bruit sur les points de contrle de la mire (les coins) et, par
voie de consquence, sur lestimation des paramtres issus de la calibration, nous avons
contamin les points de contrle avec un bruit gaussien, centr et dcart type variable.
Pour chaque valeur de lcart-type nous avons effectu 300 calibrations conscutives. Les
rsultats obtenus (synthtiss par la figure III.22) indiquent que lerreur relative destimation
sur les paramtres intrinsques
( ,
u
, u 0 , v0 ) crot linairement avec laugmentation de
lcart type du bruit, pour le domaine de bruit explor.
125
Chapitre 3
Figure III.22 : Evolution de lerreur relative sur lestimation des paramtres de calibration
(donnes moyennes issues de 300 calibrations ) de la camra gauche, en fonction du niveau de
bruit appliqu aux positions des projections des points de contrle de la mire.
La Figure III.22 montre les rsultats obtenus pour lestimation des huit paramtres
intrinsques de la camra gauche (la camra droite donne des rsultats similaires). Les
graphiques ci-dessus permettent de constater que les erreurs relatives sur ( u , v ) sont faibles
puisquelles ne dpassent pas les 5 % des valeurs relles pour un cart type de bruit allant
jusqu 2 pixels. Ce mme bruit a plus dinfluence sur lestimation des coordonnes images
(u 0
v0 )T du centre de projection, mais reste toutefois acceptable pour un bruit de 1 pixel
(erreur commise infrieure 1 0% des valeurs relles). Le graphique relatif aux coefficients
de distorsion nest pas repris ici puisque celui-ci exhibe les mmes tendances que celles
observes pour les autres paramtres intrinsques (les mmes constats sont, bien entendu,
valables pour la camra droite).
126
Chapitre 3
Figure III.23 :
Ecartstypes des erreurs relatives lestimation des paramtres
extrinsques du capteur stroscopique (angles dorientations et positions relatives) en
fonction de lcart type du bruit ajout la position de la projection des points de contrle sur
limage.
La figure III.23 permet de constater que les carts-types des erreurs destimation de
lorientation et de la position relatives sont linairement dpendants (au moins quand lcart
type du bruit est entre 0 et 2 pixels) de lcart type du bruit ajout aux points utiliss pour la
calibration.
Dune manire gnrale, lvaluation du comportement de la calibration hybride vis
vis des diffrents paramtres influenant son estimation des paramtres intrinsques et
extrinsques, nous a permis dtablir les conditions optimum dutilisation de cette technique
127
Chapitre 3
de calibration. En effet, la mire de calibration doit contenir au moins 80 points de contrle

(pas beaucoup plus, car le faible apport de prcision qui en dcoulerait serait coteux en terme
de temps de calcul) et la calibration doit seffectuer avec treize images ou un peu plus
(comme dans le cas des points de contrle, prendre trop dimages serait cependant un luxe
inutile dans notre cas). Par ailleurs, comme toute autre technique de calibration, le bruit sur
lextraction des points de contrle utiliss diminue la prcision de lestimation. Pour cette
raison, nous optons pour lutilisation dune mire dont les cases arborent une taille dans
limage suffisante, ce qui pour notre application conduit utiliser des cases dau moins 50
mm de cot.
III.3.5.
DETECTION DE LA PLAQUE DIMMATRICULATION
De faon traditionnelle, un systme de reconnaissance de plaques dimmatriculations se

compose des lments suivants :
-
Un module de dtection de la plaque,
Un module de segmentation des caractres,
Un module de reconnaissance de caractres.
Parmi ces modules, le plus important est celui ddi la dtection de la plaque ( la
fiabilit du processus mis en uvre par ce dernier affectera bien entendu celle du systme tout
entier). Pour que cette procdure dextraction soit rapide, efficace et prcise, nous devons
faire face plusieurs difficults dcoulant de la nature dynamique des scnes observes et des
variations des conditions de prise de vue (clairage, transparence du milieu, etc.).
Plusieurs entits de recherche ont abord la problmatique de la dtection des plaques
dimmatriculation en utilisant des techniques diverses et varies [Abe.96, Kim.02a, Gra.99].
Parmi celles-ci, on citera les oprations morphologiques [Hsi.02], lextraction des contours
[Par.96a], la combinaison et lanalyse des gradients [Kim.02b], la classification par rseaux
de neurones [Lee.94], la quantification vectorielle [Rov.99], etc. Linconvnient principal de
la majeure partie de ces techniques est le temps de calcul quelles requirent. Qui plus est, si
la problmatique de la dtection de la plaque minralogique des vhicules partir des camras
fixes a t abondamment traite dans la littrature [Kwa.02, Hsi.02, Jun.01], celle-ci est plus
difficile aborder partir des camras embarques.
Dans notre cas, le temps de rponse prsente une contrainte critique, puisque la
dtection de la plaque doit tre effectue en temps rel sous peine de collision.
Cest lune des raisons qui nous a fait choisir la plaque dimmatriculation comme
point dattache visuel , puisque les calculs peuvent tre acclrs grce aux attributs
particuliers cette dernire qui la distinguent des autres objets (hormis, abstraction faite de son
contenu, des autres plaques ) dans lenvironnement du vhicule.
128
Chapitre 3
La plaque dans notre cas est de couleur Jaune , de forme rectangulaire et son plan
est plus au moins perpendiculaire celui de la route. Ainsi, ces particularits simplifient
normment le processus de dtection de la plaque, qui se rsumera la recherche dun
rectangle jaune de proportion connue dans une image. La Figure III.24 dtaille les oprations
que nous avons mises en uvre aboutir une telle dtection :
Figure III.24 : La procdure de la dtection de la plaque dimmatriculation du vhicule suivi.

Le but des sections qui suivent est donc deffectuer la description des diffrentes tapes
ncessaires la localisation de la plaque dimmatriculation dans limage. En premier lieu,
nous introduisons une technique de segmentation statistique renforce par des heuristiques
adaptes aux difficults intrinsques au domaine du traitement dimages. La problmatique du
suivi de la plaque dimmatriculation tracking fera lobjet dune partie ultrieure.
III.3.5.1. LA SEGMENTATION STATISTIQUE
A)
POSITION DU PROBLEME
Diffrentes techniques de segmentation dimages couleur sont prsentes dans la

littrature. Beaucoup dentre elles sappuient uniquement sur lhypothse de cohrence
colorimtrique des rgions constituant limage. Cest le cas des mthodes de comparaison
dhistogrammes couleurs, de clustering et de comparaison de moments statistiques (voir
129
Chapitre 3
[Gev.01, Fun.95, Kan.96, Str.95]). Certaines mthodes plus avances prennent galement en
compte la relation spatiale entre les pixels, ce qui revient exploiter la cohrence spatiale
forme de lobjet en plus de lattribut couleur afin de mener bien la segmentation. Il faut
ici souligner que le but principal de ces techniques est de sparer les diffrentes classes de
pixels constituant une image sans connaissance a priori de ces classes (on cherche davantage
distinguer qu classifier).
Le problme considr ici est lgrement diffrent, dans la mesure o on dispose dune
connaissance pralable de la couleur de la plaque minralogique dun vhicule, couleur qui
constituera la classe cible . On se basera sur cette couleur pour trouver, un un, les pixels
de la plaque. Ces rsultats seront renforcs par lexploitation de contraintes gomtriques
associes la forme suppose de la plaque dimmatriculation.
B)
1.
LA DECISION STATISTIQUE
ESPACE DE PRESENTATION
Lun des principaux problmes qui se pose dans ce cas de figure consiste sparer la
couleur plaque des autres couleurs constituant limage. Malheureusement, cette couleur
plaque nest pas bien dfinie, au sens o elle nest pas unique (dispersion suivant les
modles) et que sa perception dpend bien videmment des conditions de prise de vue.
Autrement dit, elle correspond un sous espace de lespace tridimensionnel des couleurs
RVB.
On se place dans un espace statistique correspondant aux paramtres sur lesquels
seffectuera la dcision, savoir, lespace RVB . La problmatique du choix de lespace de
reprsentation des couleurs a fait lobjet de nombreux travaux de recherche (voir [Van.00]).
Le choix de lespace de reprsentation RVB dans notre cas se justifie par les exigences
temporelles strictes de lapplication. Le cot, en terme de temps de calcul, de passage un
autre espace hypothquerait en effet le caractre temps rel de lapplication.
Notre problme est dassocier un point de lespace statistique une classe. Dans notre
cas lespace des couleurs se compose de deux sous ensembles : la couleur plaque et les
autres couleurs. Nous faisons ici lhypothse que la rpartition de la couleur plaque est
gaussienne, ce qui procure des outils intressants dun point de vue pratique et qui met
disposition un certain nombre doutils mathmatiques prouvs [Pos.87].
En premier lieu, nous commenons par reprsenter les individus dans lespace RVB,
puis, nous dcomposons lunivers statistique en rgions caractrises chacune par un centre et
une rpartition. Ce partitionnement tant effectu, chaque individu appartient un seul sousensemble, ce dernier dfinissant la classe laquelle lindividu a t attribu.
2.
LE PRINCIPE DE BASE
130
Chapitre 3
Soit un individu x , appartenant lespace statistique des couleurs. Nous posons : i , la
classe dindice i ; P ' (i ) , la probabilit a priori de la classe i ; P' (i x) , la probabilit de
x sachant i ; f ( x ) la densit de probabilit a priori de x ; f ' ( x i ) la densit a posteriori de

x.
La loi Bayessienne sexprime de la faon suivante (voir [Pos.87]) :
f '( x) = P '(i ) f ( x i )
P '(i x) =
(3.58)
P '(i ) f ( x i )
(3.59)
f ( x)
La rgle dassociation dun individu x lune des classes est alors donne par :
P' ( i x) = max( P' ( j x))

j
,
P' ( i x) 1 a
P ' ( i x) = max( P ' ( j x))

j
,
P
'
(
x
)
< 1 a
alors x i
alors rejet d' ambiguit
Le rejet dambigut correspond au cas o les classes seraient trop proches les unes des
autres pour que la dcision soit faite convenablement. La limite de proximit des M classes
est ajuste par le cot de rejet en ambigut a , dont la valeur doit tre estime en prenant en
compte les considrations suivantes :
( M + 1) max( P '(i x)) 1

max( P '( x)) < 1 a
i
(3.60)
Ce qui se traduit par lingalit suivante :

a<
M
M +1
(3.61)
Cette technique permet de dcider entre un nombre connu de classes. Cependant,

lunivers statistique peut dcrire beaucoup plus de classes que ncessaire33. De ce fait, il
apparat bien peu rentable de dcrire exhaustivement toutes les classes ds lors que seules
quelques-unes dentre elles nous intressent en pratique. Dans ce contexte, il est intressant
dintroduire une classe dite de rejet de distance 0 , qui nous permet de dcider quune
33
Celles quon veut identifier.
131
Chapitre 3
classe nappartient aucune des classes dcrites prcdemment, refltant ainsi la position de
lindividu sur lequel porte la dcision dans lunivers statistique. Pour introduire la classe de
rejet de distance, il va falloir fixer la probabilit a priori de la classe 0 . Nous pourrons alors
crire :
P (i ) = (1 P(0 )) P '(i )
(3.62)
Les calculs de la densit de probabilit a priori f (x ) et de la probabilit P( i x)
doivent bien sr se faire aprs lintroduction de la classe de rejet en distance 0 , puisquils

dpendent de P( i ).
3.
DETERMINATION DES LOIS
Nous dterminons les probabilits a priori P ( i ) et les densits de probabilit a
posteriori f ( x i ) (y compris celle de rejet en distance) sous hypothse gaussienne. Il nous
faut donc estimer les paramtres des lois normales N (, ) , qui seront caractrises par leurs
deux premiers moments (la moyenne et matrice de covariance ). Posons donc :
f ( x i ) N (i , i )
(3.63)
O, i et i sont respectivement la moyenne et la matrice de covariance associes la
classe i .
Lapproche adopte ncessite un ensemble dapprentissage. Le nombre dexemples par

classe doit tre reprsentatif de la probabilit a priori de la classe, puisque cest partir de son
cardinal que nous allons calculer P ( ) , reprsentant lestimation de P ( ) . En effet, nous
i
aurons :
card (i )
P (i ) =
card ()
(3.64)
Reprsente lunivers probabilis.
Lhypothse gaussienne permet lestimation directe par calcul de la moyenne et de la

matrice de covariance. En labsence dinformation a priori, la classe de rejet de distance est
suppose suivre une loi uniforme.
4.
MISE EN UVRE DE LA DECISION STATISTIQUE
Nous disposons de tous les lments ncessaires pour mettre en oeuvre un test
statistique. Rappelons que ce dernier est cens, au final, rpondre la question suivante : le
pixel prsent (dans lespace RVB) peut-il correspondre la plaque dimmatriculation ?
132
Chapitre 3
Laspect binaire de la rponse cette question permet de mettre en uvre un artifice

destin pallier la lenteur de la dcision statistique. En effet, nous procdons au calcul
pralable de toutes les possibilits de dcisions : tant donn un triplet (R,V , B ) , on lui associe
un boolen indiquant si oui ou non la combinaison prsente correspond au jaune plaque
tel que lensemble dapprentissage a permis de le dfinir. De cette faon, la prise de dcision
revient adresser un lment dun tableau tridimensionnel, ce qui savre extrmement
rapide.
Bien quelle ncessite de facto la sparation des phases dapprentissage et
dexploitation, cette faon de procder nous permet de satisfaire les contraintes temps-rel
de lapplication, cest--dire 10 HZ sur des images de taille 640 480 avec un PIII cadenc
1GHZ.
C)
DETECTION DE LA COULEUR JAUNE PAR LINTRODUCTION DUNE

NOUVELLE DIMENSION
Le problme que nous traitons ici consiste partionner lespace RVB de sorte
caractriser la couleur jaune plaque . La mthode dcrite prcdemment opre cette
partition partir des informations issues dun procd assimilable une phase
dapprentissage. Les rsultats obtenus sont par consquent fortement tributaires de celui-ci,
mme si lhypothse gaussienne offre une certaine robustesse . Certes, lutilisation dun
ensemble dapprentissage plus consquent et plus reprsentatif amliore les rsultats de
dtection, mais la collecte et la mise en forme de celui-ci se rvle tre une tche de longue
haleine !
Pour cette raison, nous avons t amen tenter deffectuer cette partition de lespace
RGB non-plus directement partir dun ensemble dapprentissage, mais au travers dune
approche analytique permettant de dfinir la couleur jaune plaque . Lide principale dans
ce cas de figure tait de dfinir une dimension , quon appellera J (pour la couleur jaune),
de telle manire que cette nouvelle dimension soit une fonction permettant de quantifier
directement le caractre Jaune Plaque dun pixel pris dans lespace RVB.
Contraintes imposes la fonction J :
La fonction de la couleur Jaune J doit tre une fonction de lespace de
base RGB , autrement dit, J = f ( R, G , B ) .
La fonction de la couleur Jaune J doit implicitement avoir un maximum global
pour la couleur jaune pure, autrement dit, J prsente un maximum
lorsque R = 255 , V = 255 et B = 0 .
Dveloppement :
133
Chapitre 3
Les deux contraintes exprimes ci-dessus peuvent tre vrifies par un nombre illimit de
fonctions, parmi lesquelles se trouve:
( R + 1) (V + 1)
J ( R,V , B) = log
2
( B + 1)
(3.65)
En plus de vrifier les contraintes qui ont t imposes, la fonction (3.65) prsente une
proprit trs importante notre sens qui est de sannuler pour le Blanc ( trs peu de chose
prs) et le Noir (exactement). La figure suivante reprsente les graphiques de lvolution de
J ( R, V , B ) en fonction de ( R, V ) pour des valeurs de B constantes (Cette volution est
similaire pour toutes les autres valeurs de B ).
Figure III.25 : Graphique de la fonction J en fonction du vert et du rouge pour une valeur
constante du bleu (coupe dans la plan B = cste ).
134
Chapitre 3
De la Figure III.25, on saperoit que la fonction J ( R, V , B ) est monotone et croissante

sur toute coupe dans les plans R et dans les plans G ; ses valeurs sont plus importantes pour
les petites valeurs du bleu et des valeurs plus importantes du vert et du rouge. Nous constatons
galement que le minimum de cette fonction concide avec un bleu pur (cest dire : R = 0 ,
V = 0 et B = 255 ). Par ailleurs, le noir et le blanc sont tous les deux gaux 0 ( presque
en ce qui concerne le blanc mais avec une trs bonne approximation). Les proprits de la
nouvelle dimension dfinie par la fonction J ( R, V , B ) nous permettront de diffrentier
facilement entre le jaune et les autres couleurs en binarisant limage par rapport un seuil
calcul partir de la projection de limage dans le nouvel espace colorimtrique. Ainsi, nous
allons pouvoir bnficier dune grande flexibilit de dtection du jaune quelles que soient les
conditions dclairage (pas besoin dun apprentissage a priori), puisque cela revient un
seuillage de limage de J (le jaune correspond aux valeurs leves de J ). Il est vrai quen
utilisant cette technique de dtection nous perdons en prcision mais par contre nous gagnons
en terme dadaptabilit dynamique aux conditions dacquisition, ce qui est apprciable dans
une application telle que la notre. Nanmoins, le calcul dun tel changement despace
augmente considrablement les temps dexcution de notre systme de vision. Dans ce qui
suit nous prsentons lartifice qui nous a permis de faire face ce dsagrment.
1.
MISE EN UVRE DU CHANGEMENT DESPACE
Lassociation dun point (une couleur) de lespace RGB dans le nouvel espace
reprsentatif de la couleur jaune ncessite normalement le calcul de la fonction J. Ce
calcul, rpt pour chaque triplet associ tout pixel de limage, exigerait un temps de calcul
considrable, dautant plus que la fonction en question est une fonction logarithmique. La
solution que nous avons retenue pour pallier ce problme consiste calculer a priori les
valeurs de J pour chaque triplet ( R, V , B ) et les sauvegarder dans un fichier binaire comme
nous lavons fait pour la dcision statistique. En effectuant cette opration, nous avons pu
diviser le temps ncessaire au changement despace par un facteur cent avec un pentium III
cadenc 1 GHz , puisque laccs aux lments dun tableau est de loin plus rapide (de lordre
de 109 s ) par rapport au calcul dune fonction logarithmique.
D)
OPERATION MORPHOLOGIQUES COMPLEMENTAIRES
Les deux techniques de segmentation de limage prsentes ci-dessus ntant pas

parfaites, limage issue de cette tape est bruite (en particulier, les zones dtectes ne sont
pas ncessairement homognes) ; il nous a donc sembl intressant de faire appel une
opration de morphologie mathmatique classique, savoir un close (voir [Par. 96b]), afin
daugmenter la cohrence de la dtection.
Ainsi, aprs avoir dtect les pixels qui appartiennent au sous-ensemble de lespace
RGB reprsentant la couleur distinctive de la plaque dimmatriculation, nous procdons une
extraction des composantes connexes. Cette tape nous permet disoler les diffrentes rgions
constituant limage issue du test statistique. Par consquent, nous passons du niveau le plus
135
Chapitre 3
bas de linformation contenue dans une image pixel , un niveau rgion plus haut
auquel nous pouvons associer des attributs. La prochaine tape consiste trouver la plaque
parmi les primitives dtectes.
E)
VERIFICATIONS GEOMETRIQUES
Une fois que nous obtenons les diffrentes rgions candidates, nous slectionnons celles
qui ont une taille, une position et une orientation acceptable par rapport la gomtrie
standard dune plaque dimmatriculation. Pour exprimer ces diffrentes valeurs, nous
avons tabli une analogie avec une distribution Gaussienne 2D. La plaque est alors associe
une ellipse, laquelle nous faisons correspondre la distribution Gaussienne 2D. En
consquence, les attributs associes la rgion dtecte, sont :
La position (le centre de gravit de la rgion).

La taille (calcule partir de la matrice de covariance).
Linclinaison (obtenue grce aux vecteurs propres de la matrice de covariance).
Ces attributs nous permettront de construire les rectangles, qui entourent au mieux ces
rgions et qui seront les plus reprsentatifs de la gomtrie dune plaque minralogique.
La distorsion affectant limage de la plaque est due essentiellement la projection
projective de la scne sur le plan de la camra, qui son tour dpend de lorientation relative
du plan de la plaque par rapport celui de la camra. Par consquent, le rapport de la
largeur L de limage de la plaque sur sa hauteur H reflte sa disposition dans la scne
observe. Les conditions dutilisation de notre algorithme (circulation routire normale),
autorisent des hypothses ralistes quant laspect de la plaque dans limage. Ainsi, le
rectangle contenant celle-ci ne doit pas prsenter une forte inclinaison, ni un trop fort
crasement dans les deux directions (horizontale et verticale).
Cette relative conservation des proportions de la plaque est exploite pour distinguer
celle-ci des autres objets qui peuvent exhiber les mmes proprits colorimtriques, mais des
attributs morphologiques assez diffrents. Les contraintes gomtriques sexpriment comme
suit :
S R min < R = < S R max

L
I plaque < SIm ax
(3.66)
Avec, R : Le rapport hauteur sur largeur de la plaque.

I plaque : Linclinaison du rectangle limitant la plaque.
[ S R min , S R max ] : Lintervalle tolrable du rapport R identifiant une plaque.
136
Chapitre 3
S Im ax : Le seuil maximal de linclinaison permise.

Nous exploitons ici la technique des composantes connexes [Par.96b] pour distinguer les
diffrentes rgions dtectes par la segmentation couleur (quelle soit statistique ou issue de
lapplication de la fonction J). Nous liminons ensuite celles qui occupent des surfaces juges
trop petites ou trs grandes. La dtection des contours des diffrentes rgions et
lapproximation polygonale de ceux-ci [Dou.73] nous permettront dliminer les rgions dont
la forme nest pas rectangulaire.
Il est cependant clair que la projection gomtrique ne conserve pas les proprits
angulaires des objets projets (limage dun rectangle telle quune plaque dimmatriculation
naura pas forcment des angles droits), et ceci mme dans le cas dune simple translation. A
plus forte raison, le changement dorientation du vhicule tracteur provoquera quant lui une
dformation angulaire assez nette (voir, Figure III.26).
Figure III.26 : Exemples de dformations angulaires de la plaque dimmatriculation dues au

processus de formation de limage
Pour remdier ce problme, il nous faut faire preuve dune certaine tolrance vis--vis
des dformations appliques aux objets dtects, nous acceptons ainsi la dtection de formes
gomtriques proches des rectangles, dans la mesure o langle entre deux lignes adjacentes
est compris dans lintervalle ] 3 2 3[ .
Il faut noter quon peut trouver plusieurs plaques sur une image. Lheuristique
permettant de rsoudre ce problme consiste prendre en compte la plaque occupant la
surface la plus importante (un primtre plus important), du fait que celle-ci sera en principe
la plus proche du vhicule suiveur. La solution ce cas de figure sera affine plus loin en
prenant en compte limmatriculation du vhicule. Autrement dit, cest la lecture de la
plaque dimmatriculation qui nous permettra de distinguer de faon univoque le vhicule
suivi parmi les autres.
137
Chapitre 3
III.3.4.2. RESULTATS EXPERIMENTAUX

Lefficacit et la robustesse de la phase de la dtection de la plaque dimmatriculation
ont t values sur des images relles (voir Figure III.27).
Le taux de bonnes dtections est de 80% , pour la segmentation statistique et de 95%
pour la technique de seuillage sur la nouvelle dimension J . Lensemble de test utilis pour
lvaluation des performances est compos dune centaine dimages et na, comme il se doit,
pas t utilis pour lapprentissage. Ces expriences montrent les points forts (rapidit) ainsi
que les limites (sensibilit lensemble dapprentissage et au choix des seuils de dtection).
En ce qui concerne la dcision statistique, un ensemble dapprentissage plus tendu permettra
damliorer considrablement les rsultats obtenus.
138
Chapitre 3
Figure III.27 :
Echantillon de lensemble des images de test utilises pour valuer les
performances de chacune des deux techniques de dtection de la plaque dimmatriculation.
Les pixels de couleur blanche des images binaires reprsentent les pixels appartenant la
plaque, celle-ci est encadre en vert sur limage en couleurs, les images barres reprsentent
celles o la plaque na pas t dtecte.
139
Chapitre 3
La Figure III.27 donne un aperu des rsultats obtenus lors de lapplication de chacune
des deux techniques dcrites ci-dessus. Nous constatons que la plaque est dtecte
convenablement dans la plupart des cas par les deux approches. Nanmoins, la dtection avec
la deuxime technique apparat plus adapte dans certains cas (en prsence dombres portes
notamment, comme sur la figure III.27 (6)). Les plaques dans la septime et la huitime
images ntaient pas dtectes et ceci pour deux raisons diffrentes. En effet, la plaque de
limage 7 prsente des caractristiques gomtriques diffrentes que celles prise en charge
par notre algorithme, tandis que la plaque de limage 8 est partiellement cache, ce qui
entrave lopration de dtection du rectangle contenant la plaque. Dans ces deux derniers cas
la dfaillance de la dtection est due des causes gomtriques et non pas une erreur de
classification des pixels.
En effet, la binarisation de limage avec la technique de la segmentation statistique
donne de bons rsultats sur des images dont la couleur faisait effectivement partie de
lensemble dapprentissage. Les rsultats se dgradent par contre assez facilement ds lors
quon loigne de celui-ci. La rponse binaire issue du classificateur reprsente ici un
inconvnient. Nanmoins, cette technique a le mrite dtre trs prcise dans la dtection du
jaune dj appris et ne prsente que de faibles fausses dtections. Un autre point fort de la
dcision statistique est lvolutivit qui permet daugmenter ses performances en utilisant de
larges ensembles dapprentissage au cours du cycle de vie du systme de dtection.
A contrario, la binarisation de limage obtenue au travers de la fonction J permet davoir

dassez bons rsultats quelles que soient les conditions de prises de vue. Autrement dit, cette
technique prsente un caractre de robustesse assez important par rapport aux changements
brusques dclairage puisque le calcul dynamique dun seuil de binarisation offre la
possibilit de prendre en charge des cas de figures plus variables. Nanmoins, nous avons
constat exprimentalement que les seuils de dtection de la plaque ne changent pas ou peu
durant une squence dimages relles prise en continu. Gnralement la valeur du seuil de J
est suprieure 0 , sauf dans des cas o lclairage change fortement la couleur de la plaque.
Dans ce cas, le seuil est ngatif mais reste toujours proche de 0 . Comme dhabitude avec ce
type de techniques, la seule relle difficult de mise en oeuvre rside dans le choix des seuils
de dtection qui restent difficiles dfinir dans certains cas de figure.
III.3.6.
LECTURE DE PLAQUE DIMMATRICULATION
Les oprations qui vont suivre correspondent ce qui se passe lissue dune phase de
dtection russie de la plaque dimmatriculation. Nous disposons ainsi dune image de cette
dernire et nous allons entreprendre lextraction de linformation smantique de celleci,
qui correspond au code dimmatriculation du vhicule suivi. Cette tape renforce les tapes de
dtection et du suivi de la plaque dans la mesure o elle permet de rpondre la question,
somme toute primordiale, suivante :
Est-ce que nous suivons toujours le mme vhicule ?
140
Chapitre 3
La rponse cette question est fondamentale, puisquelle permet dviter des situations
de faux tracking qui savrent catastrophique vu la criticit de lapplication et les effets
irrversibles dune telle dfaillance
Pour parvenir lire le code dimmatriculation , plusieurs techniques de
reconnaissance de caractres sont envisageables (par exemple : reconnaissance statistique,
template matching, rseaux de neurones tel quexpliqu dans [Par.96b]). En ce qui nous
concerne, nous avons opts pour lutilisation dun rseau de neurone bas sur lalgorithme de
rtropropagation [Jod.94]. La Figure III.28, situe les tapes correspondantes au sein du
processus de reconnaissance de la plaque :
Figure III.28 : Synoptique du systme de reconnaissance du code dimmatriculation du

vhicule suivi.
La phase de la lecture sera donc dcompose en deux tapes distinctes qui sont :
-
la segmentation des caractres.
la reconnaissance des caractres proprement dite.

Dans ce qui suit, nous allons traiter en dtails chacune de ces deux tapes.
III.3.6.1. SEGMENTATION DES CARACTERES

Lopration dcrite ici consiste extraire les caractres contenus dans la forme
polygonale (plus au moins rectangulaire) dlimitant la plaque dimmatriculation. On notera
que la reconnaissance des caractres dans le cadre dapplications lies la bureautique est
une tche aise raliser, en particulier grce laisance avec laquelle les formes peuvent tre
extraites grce des caractres faciles distinguer du fond du document.
141
Chapitre 3
A linverse, la nature de lapplication considre ici pose de nombreuses difficults lors

de cette phase dextraction de caractres, en particulier :
-
Eclairage non contrl (variations lumineuses intempestives et difficilement

prvisibles).
Position de la camra par rapport la plaque (distance, angle de vue).
Variation de la taille des caractres.
Prsence dinformations parasites, du bruit essentiellement (des taches, des

rivets, etc.).
La Figure III.29, montre quelques exemples des plaques dimmatriculation sur

lesquelles lextraction des caractres doit seffectuer. On peut constater une grande variation
dclairage, de taille et de couleurs entre ces dernires.
Figure III.29:
Exemple des plaques dimmatriculation sur lesquelles lextraction des
caractres doit seffectuer.
La figure ci-dessous donne une ide plus prcise des tapes ncessaires lextraction
des caractres de la plaque dimmatriculation.
Figure III.30 : synoptique du processus dextraction des caractres de la plaque

dimmatriculation.
142
Chapitre 3
La premire tape consiste convertir limage issue de la phase de dtection (image de

la plaque en couleur) en une image en niveau de gris en appliquant la formule de changement
despace de reprsentation suivante :
G (i, j ) = 0.212671 R (i, j ) + 0.715160 V (i, j ) + 0.072169 B (i, j )
(3.67)
Avec,
-
G (i, j ) : Le niveau de gris du pixel dindices (i, j ) qui reprsente en ralit la
luminance.
-
R (i, j ) , V (i, j ) , B (i, j ) : Reprsentent le triplet rouge, vert et bleu qui dfinissent la
couleur du pixel dindices (i, j ) dans limage en couleur.

Il est noter que le temps ncessaire au changement despace de prsentation ( RVB en
niveaux de gris) sera videmment dautant plus petit que la taille de limage considre dans
ce cas sera rduite. Comme nous utilisons des rectangles dlimitant de faon assez stricte
les plaques dimmatriculation, dont la surface est relativement faible par rapport celle de
limage complte, ce temps de conversion est en pratique ngligeable.
A)
BINARISATION DE LIMAGE
La binarisation consiste transformer limage en niveaux de gris en une image binaire,

dans le but de sparer les caractres inscrits sur la plaque du fond de celle-ci. Bien que la
plaque minralogique ait t conue dans le but didentifier les vhicules, les caractres ne
sont pas ncessairement aussi visibles quils devraient ltre ! Pour cette raison des difficults
didentification doivent tre surmontes.
Pour parvenir binariser limage, nous devrons procder un seuillage. La premire
difficult consiste ainsi trouver un seuil qui nous procure un maximum de sparabilit tout
en prservant linformation utile, savoir le code didentification du vhicule. La premire
ide qui vient lesprit est de fixer un seuil unique pour toutes les images (par exemple : 128),
puisque la plaque est cense tre suffisamment contraste par construction. Cependant, les
expriences nous ont montrs que les variations lumineuses rendent inefficaces des approches
aussi simplistes.
Pour remdier cette premire difficult, nous exploitons un algorithme de binarisation
seuillage dynamique. La mthode consiste en premier lieu construire un histogramme
partir de limage en niveau de gris de la plaque dimmatriculation(voir, Figure III.31).
143
Chapitre 3
Figure III.31 : Exemples des plaques dimmatriculation en niveaux de gris binariser, avec
leurs histogrammes respectifs.
Lanalyse des histogrammes de ces dernires nous dvoile lexistence de deux pics trs
visibles (sauf pour la Figure III.31- (3) ). Cela est du la structure de la plaque qui prsente
des caractres sombres sur fond clair. Partant de ces constatations, le seuil optimum de
binaristaion dans le cas qui nous proccupe sera le niveau de gris correspondant au minimum
compris entre les deux pics globaux de lhistogramme de limage de la plaque. Par ailleurs,
pour pallier les problmes dclairage nous utilisons une proprit intrinsque de la plaque
dimmatriculation, lie au pourcentage de la surface quoccupe le code didentification par
rapport la surface globale. Daprs nos exprimentations, les pixels appartenant aux
caractres (pixels en noir) aprs binarisation doivent occuper entre 20 et 30 % de la surface
totale de la plaque dimmatriculation.
B)
ELIMINATION DU BRUIT
La mise en uvre de la technique dcrite ci-dessus nous a permis de sparer avec une
grande prcision les pixels des caractres du fond de la plaque. Malgr tout, quelques pixels
de la plaque ne seront pas affects lentit correcte (caractre ou fond), lapparition de ces
pixels indsirables est due essentiellement :
-
Ltat de propret de la plaque (une plaque sale ou macule risque de gnrer

un bruit important).
La prsence dun bruit important sur le capteur lui-mme (camra de mauvaise

qualit).
La prsence dune ventuelle bordure autour de la plaque.
La liste ci-dessus nest pas exhaustive. Elle permet cependant dillustrer les types de
bruit auxquels il est possible dtre confront. Ainsi, les deux premiers prsentent un caractre
alatoire et assez localis, au sens o un faible pourcentage de pixels est affect. La technique
mise en uvre pour lliminer repose principalement sur lexploitation doprations
morphologiques, comme une dilatation. Le dernier cas, bien quassez spcifique, est assez
frquent en pratique. Dans la mesure o il est plus au moins structur et spatialement
discernable, nous y remdions par lintermdiaire doprations logiques avec un masque (en
144
Chapitre 3
loccurrence une image) spcialement conu cet effet. Lopration logique effectue peut
sexprimer suivant:
I r = I p or M (3.68)
Avec,
-
I r : limage rsultat.
I p : limage de la plaque aprs binarisation.
M : le masque dlimination des bordures (voir figure III.32).
Figure III.32 : Masque dlimination des pixels de la bordure de la plaque. Les

exprimentations ont donn ` = 0.05 L et h = 0.05 H .
La Figure III.33 donne quelques exemples de rsultats de binarisation avant et aprs
lapplication des techniques ddies llimination des deux types de bruits voqus
prcdemment :
FigureIII.33 : Images prsentant les plaques dimmatriculation binarises avant et aprs

llimination du bruit.
La dernire tape consiste projeter les pixels qui sont censs reprsenter les
caractres du code didentification du vhicule la fois verticalement et horizontalement. En
fait de projection, il sagit plutt deffectuer , par ligne et par colonne, le cumul des pixels
supposs correspondre aux caractres. Cette projection nous permet de trouver les lignes
verticales et horizontales qui dlimitent au mieux les caractres en dtectant les passages entre
les zones denses en pixels . Lintersection entre les lignes horizontales dune part et les lignes
145
Chapitre 3
verticales dautres part, dlimitera exactement les rgions dintrt, savoir les zones
contenant les caractres. Chaque rgion contenant potentiellement un caractre est ainsi
extraite sous forme dimagettes en slectionnant les rgions dintrt une une. Au dpart,
les imagettes sont de tailles diffrentes. Nous procdons alors une normalisation de leurs
tailles respectives afin de pouvoir les soumettre un traitement gnrique . La Figure cidessous illustre la procdure mise en uvre et permet de se faire une ide des rsultats issus
de cette tape clef.
Figure III.34 : Extraction des caractres de limage binarise et normalisation de leur taille.
Aprs avoir effectu lextraction des caractres constituant le code didentification du
vhicule suivi, nous dcrivons dans la section suivante la technique neuronale utilise dans le
cadre de ces travaux pour la lecture des caractres.
III.3.6.2. RECONNAISSANCE DES CARACTERES
Comme nous lavons prcis lors de lintroduction de la problmatique de la lecture de
la plaque dimmatriculation, la technique que nous avons utilise pour la reconnaissance des
caractres est btie autour dun rseau de neurones mis en place et entran pour cette
reconnaissance de forme spcifique.
Un neurone artificiel est un algorithme ou dispositif physique qui incorpore un
modle mathmatique inspir du comportement des neurones biologiques. Dans le cadre de la
description simplifie du neurone biologique, celui-ci accumule les signaux reus des autres
neurones. Si la somme de laccumulation de ces signaux est suprieure certain seuil, le
neurone concern transmet son tour son propre signal aux autres neurones.
146
Chapitre 3
Figure III.35 : Modle du neurone artificiel (le perceptron). Les connections des entres au
neurone sont pondres par les poids w j . La valeur de sortie du neurone est note O .
De faon gnrale, nimporte quel modle mathmatique se basant sur lutilisation
dentres multiples afin de produire une seule sortie peut tre exploite pour la reconnaissance
des formes. Ces modles sont la base du neurone artificiel. Qui plus est, si linfluence de
chaque entre peut tre modifie, le modle correspondant supportera lapprentissage.
Lutilisation des rseaux de neurones artificiels pour la reconnaissance date du dbut de
leur dveloppement. Le perceptron de Rosenblatt, est le premier rseau de neurones qui
reprsentait une modlisation simple du systme visuel [Ros.58]. Cependant, les limitations
de ce premier systme neuronal furent vite atteintes. Minsky et Papert [Min.69] publirent des
travaux mettant en exergue quelques limitations thoriques du Perceptron, notamment
l'impossibilit de traiter des problmes des sparations non linaires ou de connexit.
Larrive de lalgorithme de rtropropagation dans les annes 80, a lev ce type de limitations
et permis lexplosion des rseaux de type perceptrons multicouches (PMC). Ces derniers,
bass sur lalgorithme de rtropropagation, sont actuellement les plus utiliss et reprsentent
des extensions des modles historiques que sont le Perceptron et Madaline [Ros.56].
Cest justement un PMC que nous avons utilis afin de mener bien la phase
didentification de la plaque dimmatriculation. Ce choix a t principalement bas sur le fait
que ces rseaux, une fois leur apprentissage effectu, ont un temps de traitement bien plus
rapide que les autres architectures envisageables (par exemple RBF) pour traiter ce mme
problme [Lec.98]. De ce point de vue, un PMC rpond donc mieux que dautre aux
contraintes temporelles qui psent sur notre application.
Dans le dtail, notre rseau sappuie sur une structure de type feed-forward (voir
figure III.37). Le rseau dispose dune couche dentre, dune couche cache et dune couche
de sortie. Les neurones de la couche dentre reoivent les composantes du vecteur descriptif
de la forme reconnatre (en loccurrence ici : les caractres). La couche cache permet la
ralisation de lopration de classification. En pratique, nous nous sommes contents de onze
147
Chapitre 3
neurones sur la couche de sortie dans la mesure o nous avons jug que la reconnaissance des
chiffres inscrits sur une plaque, combine leurs emplacements respectifs dans la chane de
caractres du code didentification, est suffisante pour enlever lambigut sur identit du
vhicule suivi. La mthode dapprentissage utilise est une mthode dite supervise. En effet,
pendant la phase dapprentissage exploitant lalgorithme de rtropropagation du gradient
[Rum86], ladaptation des diffrents poids synaptiques du rseau seffectue grce la
connaissance a priori de la rponse que doit fournir le rseau pour chacune des entres
prsentes.
La rtropropagation est une procdure mathmatique qui commence par valuer lerreur
la sortie du rseau neuronal et la propage ensuite dans le sens inverse du flux
informationnel normal (qui va habituellement de la couche dentre vers le couche de sortie).
La contribution de chaque neurone lerreur commise est value et les poids synaptiques du
rseau sont ajusts de sorte minimiser cette dernire.
Lapprentissage supervis permet la dtermination de lerreur produite sur la couche de
sortie en comparant la rponse du rseau avec la rponse (vecteur de sortie) dsire pour un
lment donn de lensemble dapprentissage. Lerreur est donne par :
E=
1 N
2
(D j O j )
j
=
1
2
(3.69)
Avec,
-
D j : la composante dindice j du vecteur de sortie dsir D .
O j : la composante dindice j vecteur de sortie du rseau O .
148
Chapitre 3
Figure III.36 :
Architecture du perceptron multicouches.
Lquation (3.70) exprime lerreur de la couche de sortie. Grce un calcul diffrentiel

(voir, [Lec.87]), on peut exprimer lerreur la sortie de chaque neurone, partir des erreurs
de la couche prcdente. Supposons un neurone dindice j dune couche dindice i , lerreur au
niveau de ce neurone est exprime ainsi :
E ij = O ij wkji +1 E ki +1
(3.70)
Avec,
wkj : poids de la connexion entre le neurone j de la couche i et le neurone k de
la couche i 1 .
O ij : sortie du neurone j de la couche i .
Lerreur ainsi exprime, les poids peuvent tre modifis selon la rgle suivante :
W jli = E ij Oli 1 = O ij wkji +1 E ki +1Oli 1 (3.71)
k
149
Chapitre 3
Avec,
: Le coefficient dapprentissage.
Lajout dun terme de lissage permet damliorer lalgorithme prcdent. En effet, les
variations instantanes des poids provoquent linstabilit du rseau, lajout dun terme appel
le momentum permet de conserver une certaine dynamique de la modification prcdente
et ainsi prserver la stabilit du rseau.
W jli = E ij Oli 1 + W jli 1
(3.72)
Plusieurs rgles dapprentissage ont t proposes. Lamlioration de la convergence en

constitue le but principal, il sagit principalement de :
-
Sassurer que le rseau converge effectivement vers un minimum lors de

lapprentissage [Bab.89].
Amliorer la rapidit de la convergence [Mas.92].
Lutilisation du rseau en classification est base sur la construction dune fonction

discriminante grce une phase dapprentissage. La classification ainsi effectue est une
classification par sparation ; le rseau gnrant les frontires sparant les diffrentes classes
(dans notre cas les chiffres).
A)
CONSTRUCTION DU CLASSIFFIEUR DES CHIFFRES
Notre PMC comporte L C neurones sur sa couche dentre, avec L et C les

dimensions en pixels (nombre de lignes et de colonnes respectivement) des imagettes binaires
des caractres normaliss reconnatre. Lactivit dun neurone de coordonne q (tel que
q = i + ( j L) ) de la couche dentre correspond alors au niveau binaire du pixel de
coordonnes (i, j ) de limagette en cours danalyse. La couche de sortie contient autant de

neurones quil y a de caractres classifier, savoir dix chiffres et un neurone de plus pour
les imagettes qui ne reprsentent pas des chiffres. Ainsi, le neurone de la couche de sortie
produisant la valeur la plus grande et suffisamment proche de lunit dtermine la classe
laquelle sera associe limagette prsente lentre du rseau. Une seule couche cache est
1
exploite. Celle-ci utilise la classique fonction sigmode f ( x) =
pour fonction
1 + ex
dactivation. Le nombre de neurones constituant cette couche cache est la racine carre du
produit du nombre des neurones de la couche dentre par le nombre des neurones de la
couche de sortie [She.90], cette organisation permettant une convergence plus rapide du
rseau.
150
Chapitre 3
Figure III.37 : Architecture du rseau de neurones utilis pour la reconnaissance des chiffres
et exemple de fonctionnement : Limage du chiffre 1 active la sortie deux (O2 ) .
Comme nous lavons dj prcis, lopration dapprentissage du rseau est effectue de
manire supervise. Dans le dtail, pour chaque vecteur modle M = (m0 m1 ... m LC ) de
la base dapprentissage, nous associons un neurone k de la couche de sortie, de telle manire
que nous construisons le vecteur de sortie dsir. Schmatiquement, lapprentissage modifie
les poids de connexion du neurone k avec la couche cache par les composantes du vecteur
dapprentissage.
En phase de reconnaissance, si un vecteur X est identique au vecteur M appris et
mmoris dans les coefficients synaptiques (les poids W ), la sortie du neurone k sera
maximale. Nous pouvons ainsi estimer le degr de similitude entre le modle prsent et le
modle appris.
Etant donn le cadre de notre application, nous avons volontairement limit le nombre
de classes 11, puisque dune part, la majorit des caractres composant le code
dimmatriculation est constitu (en gnral) par des chiffres et, comme nous lavons prcis,
la prise en compte de la position de ces chiffres dans le code dimmatriculation rajoute
suffisamment de contraintes pour ter toute ambigut en pratique. Ce choix impose un
nombre de 10 neurones dans la couche de sortie, tel que lactivation des neurones de j = 1
151
Chapitre 3
10 reprsente respectivement les chiffres de 0 9 et ltat o tous les neurones de sortie sont
dsactivs indique quil sagit dun autre caractre quun chiffre.
En ce qui concerne la taille de la couche dentre, celle-ci doit respecter un compromis
entre la qualit de la reconnaissance et la taille du rseau. En effet, chaque neurone de cette
couche est associ une composante du vecteur classifier. Il sagit donc de choisir le
vecteur le plus petit possible afin daboutir larchitecture de rseau la plus rduite possible et
ainsi diminuer considrablement le temps dapprentissage et le temps de traitement en
exploitation. Cependant, il sagit de choisir une taille minimale permettant de conserver
suffisamment dinformations pour distinguer correctement toutes les classes.
A.1.
Dtermination de la taille de la couche dentre
Pour dterminer la taille optimale de la couche dentre du rseau, nous avons procd
une tude des performances et du comportement de ce dernier en fonction de la taille des
imagettes. Le problme de classification des caractres considr ici consiste distinguer les
diffrentes classes pour un vecteur dentre de dimension bien connue. Cette dimension
influence invitablement la qualit de la reconnaissance. Ainsi, une taille trop rduite du
modle prsent lentre du rseau ne prodigue pas assez dinformations pour sparer
convenablement les diffrents chiffres. A linverse, si la rsolution est trop importante, le
classifieur peut dterminer prcisment les diffrentes classes mais exigera un temps de
traitement plus important. Ltude des performances de cinq diffrents rseaux dont la taille
de la couche dentre varie de 6 10 14 18 nous a permis de dgager un bon compromis.
Pour cela, nous avons fait varier la hauteur et la largeur des imagettes du modle
identifier de 10 18 et de 6 14 avec un pas de 2. On a ainsi labor les cinq bases
dapprentissage qui ne diffrent que par la rsolution des modles qui les composent. Afin de
limiter les causes des mauvais fonctionnements et dvaluer le plus correctement possible les
performances des diffrents rseaux correspondants, nous avons gard les mmes paramtres
pour tous (taux dapprentissage, ) et la mme procdure dextraction des caractres (dcrite
plus haut).
Lvaluation des performances des cinq rseaux consiste tudier, lors de la phase
dapprentissage, lvolution de lerreur sur la base dapprentissage, du taux de reconnaissance
et du temps de traitement. Nous avons choisi de ne pas tenir compte du temps dapprentissage
puisque cette opration seffectue hors ligne et ninfluence par consquent pas les
performances temporelles du systme en exploitation. Cela nempche pas de prciser que
laugmentation du nombre des neurones de la couche dentre du rseau augmente
considrablement le temps dapprentissage, comme on peut sen douter.
152
Chapitre 3
Figure III.38 : Evolution de lerreur dapprentissage en fonction du nombre ditrations,

pour diffrentes tailles de la couche dentre.
La Figure III.38 traduit, lvolution de lerreur sur la base dapprentissage en fonction
du nombre ditrations lors de la phase dapprentissage. Malgr que les erreurs continuent
leur dcroissance, nous avons limit lapprentissage une erreur gale 10 4 . Lanalyse du
graphique de la Figure III.38 dvoile le lien existant entre la taille du rseau et le nombre
ditrations ncessaires pour converger vers la mme erreur. En effet, laugmentation de la
taille de la couche dentre impliquera forcment une diminution du nombre ditrations
ncessaires pour lapprentissage.
Afin, dvaluer le taux de reconnaissance des cinq rseaux de neurones, nous avons
procd lidentification dun ensemble de test constitu de 184 imagettes pour chaque taille
de couche dentre du rseau. Le tableau suivant montre les taux de reconnaissance pour
chaque taille de rseau :
153
Chapitre 3
Taille de la couche
Nombre total de
60 (6 10)
lensemble de test
Vrai
Faux
reconnaissance
(8 12)
184
147
37
79.86 %
(10 14)
184
152
32
82.6 %
(12 16)
184
152
32
82.6 %
(14 18)
184
153
31
83.15 %
184
158
26
85.86 %
dentre (neurones)
96
140
192
252
Tableau III.7:
Reconnaissance
Taux de
Les taux de reconnaissance obtenus sur 184 imagettes pour les diffrentes
tailles de la couche dentre du rseau.

Lexamen du tableau prcdent montre que les taux de reconnaissance sont proches les
uns des autres. Ce critre ne constituant pas une caractristique discriminante, le choix de la
taille de couche dentre sera dtermin grce aux performances temporelles des diffrents
rseaux tests. Afin dvaluer les temps de traitement des cinq rseaux de la manire la plus
proche possible des conditions dexploitation, nous avons mesur le temps ncessaire la
reconnaissance dun caractre, 10 fois conscutives pour chacune des 2660 imagettes
constituant lensemble de test. Le temps de traitement retenu est la moyenne des temps de
traitement mesurs. Le tableau III.8 prsente les rsultats obtenus ainsi que le temps
ncessaire pour construire et initialiser le rseau pour une taille donne :
0.86
Le temps ncessaire pour le

chargement et linitialisation
du rseau (ms)
46.49
(10 14)
1.88
90.93
3.36
175.44
(14 18)
5.28
294.96
8.31
465.42
Taille de la couche
dentre (neurones)
60 (6 10)
96
140
192
252
(8 12)
(12 16)
Le temps de traitement
par imagette (ms)
Tableau III.8 : Temps de traitement, de construction et dinitialisation, ncessaires pour

chacune des tailles de rseau testes (avec un pentium III cadenc 1GHz).
Comme on pouvait sy attendre, il apparat clairement sur le tableau ci-dessus que la
taille de la couche dentre fait augmenter considrablement le temps de traitement ncessaire
pour la reconnaissance des formes. Les deux derniers rseaux ncessitent un temps de calcul
trs important. A des fins de comparaison, le deuxime rseau identifiera quatre caractres
154
Chapitre 3
contre un seul pour le cinquime rseau dans un mme laps de temps. Compte-tenu des
contraintes temporelles associes lattelage virtuel, lutilisation des rseaux 4 et 5 poserait
problme, en particulier si on se rappelle quune plaque dimmatriculation contient en
pratique au moins six caractres identifier.
Par consquent, le choix se restreint entre les trois premires configurations. Vue la
diffrence des taux de reconnaissance en faveur du deuxime et du troisime rseau, nous
avons opt pour lutilisation dune couche dentre constitue de 96 neurones, correspondant
des caractres organiss sous la forme de matrices 8 12 .
III.3.6.3. EVALUATION DES PERFORMANCES DE LA PROCEDURE DE LECTURE
DE LA PLAQUE
Lvaluation des performances globales de la procdure de lecture de la plaque,
savoir la chane de traitement que constitue les procdures dextraction et de reconnaissance
de caractres (voir Figure III.28 ), ncessite la ralisation dexpriences sur des images de
plaques relles. Nous avons ainsi effectu plusieurs tests sur des images de plaques
dimmatriculation. La Figure III.39 montre quelques exemples de rsultats obtenus.
Figure III.39 : Quelques exemples issus de la procdure de lecture des plaques

dimmatriculation (le symbole X signifie que le caractre identifi ne reprsente pas un
chiffre).
Nous avons pu constater que cette procdure de lecture de plaque minralogique est
efficace dans la majorit des cas et prsente une certaine robustesse en ce qui concerne les
inclinaisons de la plaque (voir, Figure III.39 image 7 du haut vers le bas). Cependant,
certains problmes peuvent se poser lors de la diffrentiation de caractres
morphologiquement proches tels que le D et le 0 ou le B et le 8 , problmes que peuvent
155
Chapitre 3
justement accentuer certaines orientations. (voir la 4me image de la Figure III.39). Pour
pallier ce dfaut, certaines heuristiques peuvent tre employes. Ainsi, pour une plaque
franaise, le troisime caractre de la droite vers la gauche ne peut pas prsenter un chiffre.
III.3.7.
LALGORITHME DE TRACKING
III.3.7.1. INTERET DE LA DEMARCHE

Lapproche dveloppe dans la partie prcdente nous permet de dtecter la plaque
minralogique du vhicule tracteur en traitant lensemble de limage, ce qui est coteux en
terme de temps de calcul. La mise en uvre de notre systme dattelage virtuel repose sur la
robustesse et la rapidit de lalgorithme de tracking destin suivre en temps-rel la
plaque dimmatriculation.
Pour diminuer le temps consacr la dtection de la plaque, nous proposons une
technique de suivi qui nous permet deffectuer des prdictions sur la future position de la
plaque au sein de la prochaine image acquise. Nous rduisons de cette faon
considrablement la zone de recherche (appele la rgion dintrt ) dans laquelle la
procdure de dtection de la plaque seffectuera. La technique consiste estimer la position
du centre de la plaque dans limage suivante, en utilisant un filtre de Kalman [Wel.95], bas
sur un modle simple du dplacement du vhicule. Le tout prend en compte les bruits
(supposs ici gaussiens) engendrs dans les phases prcdentes.
III.3.7.2. LA DEMARCHE GLOBALE
Comme indiqu, la dmarche retenue ici consiste tenter de prvoir la position du
centre de la plaque dans la prochaine image. Nous considrons ici le mouvement apparent du
pixel correspondant dans le champ de la camra. Compte-tenu de lapplication envisage
(attelage virtuel entre deux vhicules), les principales grandeurs dinfluence affectant ce
mouvement apparent sont a priori les suivants :
-
Trajectoire du vhicule tracteur .
Trajectoire du vhicule suiveur .
Mouvements verticaux des caisses de chacun de ces deux vhicules par rapport
leurs chssis respectifs.
Variation des paramtres de la camra (extrinsques ou intrinsques).
Cette liste (forcment incomplte) montre que les causes possibles de ce mouvement
sont pour le moins trs nombreuses et que leur prise en compte exhaustive ncessiterait des
capteurs supplmentaires et des traitements ventuellement complexes, qui compliqueraient
lobtention dun algorithme prsentant des caractristiques temps-rel tout en restant
relativement gnraliste (au sens o il serait applicable en ltat tout type de vhicule).
156
Chapitre 3
On prend ici le parti de ne sappuyer que sur les seules images conscutives de la scne
observe pour effectuer le tracking . Compte-tenu de la modlisation effectue, rien
nempchera par la suite la prise en compte de capteurs supplmentaires pour affiner
lestimation. Lalgorithme dtaill ci-aprs, exploitant le formalisme du filtrage de Kalman
[Wel.95], repose sur les hypothses suivantes :
-
(A) le mouvement dun pixel dans limage, sur un intervalle de temps suffisamment
petit, peut tre considr comme uniformment acclr.
(B) Pour un pixel donn, les dplacements en abscisse et en ordonne sont

indpendants.
Cette hypothse dcoule des suivantes :
(1) Lacquisition des images est effectue avec une frquence respectant le thorme
de Shanon relativement la dynamique des phnomnes observs (une frquence
dchantillonnage de 10 Hz respecte cette contrainte dans le cadre dune conduite
normale ).
(2) La trajectoire apparente dun pixel dans limage est continue, drivable et de
drive continue.
(3) Lerreur de linarisation commise est faible.
Les quations donnes ci-aprs correspondent la mise en uvre du filtre dans une
direction donne (en abscisse, ou en ordonne). Lhypothse (B) impliquant le dcouplage
des mouvements suivant les axes u et v , la trajectoire complte du pixel sera prdite
grce la mise en uvre de deux filtres (un pour chacune des deux directions).
A)
LE MODELE CINEMATIQUE DU DEPLACEMENT DES PIXELS
Notre modle sappuie sur le fait que le mouvement apparent des pixels de la plaque le
long dune courte squence est uniformment acclr, et que les mouvements horizontaux et
verticaux sont indpendants. Dans ce qui suit, nous dcrivons les calculs appliqus pour
lestimation de lvolution des abscisses seulement (lvolution des ordonnes seffectuant de
la mme manire).
Ainsi, lvolution de labscisse u peut tre modlise par un double intgrateur
prenant pour entre lacclration apparente (z ) . La fonction de transfert discrte
correspondante peut tre crite comme suit :
Te
T
U ( z)
H u ( z) =
=
= 2 e
2
( z ) ( z 1)
z 2z + 1
2
Avec Te est la priode dchantillonnage.
157
(3.73)
Chapitre 3
Selon (3.73), les chantillons {u k }0 k N de labscisse du pixel considr peuvent tre
calculs depuis les valeurs de lacclration
{ }
0l N
grce la rcurrence suivante :
u k +1 = 2u k u k 1 + Te k 1
2
(3.74)
Bien que lacclration soit cense tre constante, au moins sur un certain horizon, il est
commode par la suite de la considrer plutt comme lentement variable , ce qui peut se
traduire par :
k +1 = k + k , Avec k trs petit par rapport k .
Lide consiste alors prendre en considration lacclration courante en tant que

composante du vecteur dtat estimer, ce qui nous permettra davoir une ide de ses
variations et de les intgrer la prdiction ultrieure. Ainsi, le vecteur dtat considr
sexprimera ainsi :
X k = [u k
u k 1 k ]
(3.75)
Lvolution du vecteur dtat dans ce cas est assujettie la relation suivante :

2
u k +1 2 1 Te
0 Xk
X k +1 = u k = 1 0

k +1 0 0
1
'*
*(**
)
(3.76)
Lobservation correspond ici labscisse du pixel et lquation correspondante prsente

la forme suivante :
Yk = u k = [1 0 0] X k
'*(*
)
(3.77)
Lquation (3.76) sert de base la construction dune prdiction, note X k +1 / k :
X k +1 / k = F X k* / k
B)
(3.78)
LES EQUATIONS DU FILTRE DE KALMAN
Les quations tablies ci-dessus nous ont permis dimplmenter un filtre de Kalman. La
figure III.40 reprsente lalgorithme prdicteur correcteur de Kalman :
158
Chapitre 3
Figure III.40 : lalgorithme du filtre de Kalman

Nous disposons des lments ncessaires la mise en uvre du filtre qui exploitera :
-
La matrice de covariance de lerreur de prdiction a priori : k +1 / k = F Pk / k F T + Q
Lestimation
dtat :
*
k/k
optimale
au
sens
= k / k 1 + k ( k k k / k 1 )
La
matrice
de
covariance
posteriori : k / k = ( 2 k H k ) k / k 1
K k le
gain
du
filtre
de
de
de
lerreur
Kalman
de
Kalman : K k = k / k 1 T (k / k 1 T + R) 1 .
du
vecteur
prdiction
et
R sont
respectivement les matrices de covariance du modle de prdiction et celui de

lobservation34, 2 est la matrice identit 2 2 .
III.3.7.3.
MISE EN UVRE DU FILTRE
Ce filtre de Kalman nous permet damliorer significativement les performances

temporelles du systme puisquil fournit dynamiquement une fentre de recherche restreinte
pour lentit poursuivie. Nous avons procd des tests sur des scnes en situation dune
centaine dimages conscutives dont les rsultats sont prsents sur la Figure III.41. Ce
graphique met en vidence le comportement satisfaisant de lestimation par rapport
lvolution relle de la position, ce qui semble valider a posteriori lhypothse du mouvement
apparent localement uniformment acclr.
34
Lobservation tant un scalaire, est donc directement la variance de lobservation (scalaire).
159
Chapitre 3
Figure III.41 : Evolution des positions relles, prdites et estimes du centre de la plaque
dimmatriculation ( travers une squence de 100 images).
La procdure dcrite prcdemment nous procure une technique rapide et robuste pour
la dtection de la plaque dimmatriculation sur les images. Nous sommes donc capables
dextraire en temps rel dans une squence dimage des lments caractristiques fiables
associs au vhicule suivi, permettant deffectuer sa localisation 3D. Les sections qui suivent
ont pour objectif de dcrire la faon dont cette dernire tche est mene bien.
III.3.8.
EXTRACTION DES INFORMATIONS NECESSAIRES AU SUIVI

DU VEHICULE
On identifie deux modes de fonctionnement du capteur stroscopique dvelopp,

savoir le mode normal ( canonique ) et le mode dgrad. Le premier consiste utiliser le
capteur stroscopique dans le cas habituel o les deux camras qui le composent sont
parfaitement fonctionnelles et lobjet traqu (la plaque dimmatriculation) se trouve dans le
champ commun des deux camras, sous des conditions de prise de vue favorables (de jour,
absence du brouillard, etc). Dans ce cas, la reconstruction mtrique (ou plus exactement
lextraction des paramtres ncessaires lattelage) saccomplit en se basant sur linformation
fournie par les deux camras et les techniques de la reconstruction tridimensionnelle
conventionnelles peuvent tre appliques (par exemple : la triangulation passive).
Dans un second temps, il ne faut bien sur pas exclure que, pour une raison ou une autre,
lune des deux camras tombe en panne (dfaillance du matriel) ou que lobjet traqu sort du
champ de vision commun des deux camras (ce qui peut se produire en cas de virage serr
effectu basse vitesse, comme en ville par exemple). La question qui se pose dans ce cas est
la suivante : peut-on assurer la fonction dattelage virtuel avec une seule camra ?
160
Chapitre 3
Dans un premier temps, nous exposons donc les dtails de fonctionnement de notre
systme dans le cadre du mode normal. Dans un second temps, nous apportons une solution
originale au problme de la perte dune des deux images en nous basant sur des
connaissances a priori de la gomtrie de la scne dune part et sur des informations
mtriques extraites lors de la phase du fonctionnement normal du capteur dautre part. Nous
avons ainsi mis en place une stratgie de fonctionnement en mode dgrad, qui savre plus
que ncessaire vu la criticit du domaine des vhicules intelligents !
III.3.8.1. LE
MODE
NORMAL
DU
FONCTIONNEMENT
DU
CAPTEUR
STEREOSCOPIQUE
Comme nous lavons voqu, le capteur stroscopique dans le mode normal permet de
fournir les coordonnes des projections dun point de lespace tridimensionnel (de
coordonnes 3D inconnues) sur la rtine des deux camras. Le modle gomtrique de ces
dernires tant suppos connu, nous pouvons estimer les coordonnes du point ayant engendr
les projections. En effet, lestimation des coordonnes dun point de la scne appartenant au
champ commun des deux camras du capteur stroscopique consiste effectuer une
triangulation passive impliquant les centres de projection des deux camras et les projections
du point de la scne par rapport un repre donn (par exemple : repre de la camra gauche).
Toutefois, la reconstruction 3D (la triangulation passive dans notre cas) est fortement affecte
par les bruits dextraction dune part et les bruits destimation des paramtres des
modles des camras dautres part (lestimation des paramtres intrinsques et extrinsques).
Par consquent, les droites formes ne se croisent presque jamais, ce qui exclue lemploi dun
simple calcul dintersection de droites.
A)
LA RECONSTRUCTION 3D
La reconstruction 3D dun point de lespace, cest dire la dtermination de ses

coordonnes dans lespace euclidien relativement un repre connu, ncessite lobservation
de ce point de lespace de deux points de vue ou plus. Ces techniques de reconstruction sont
dsignes dans la littrature par le nom de technique de triangulation . On distingue ce
titre deux types de mthodes:
La triangulation active
La triangulation passive
Le premier type de triangulation, savoir la triangulation active, ncessite gnralement

lutilisation dune source lumineuse destine illuminer un point donn de la scne. De
cette manire, il devient relativement facile dextraire ce point particulier dans les deux (ou
plus) images de la scne en utilisant ses proprits dapparence (telle que sa couleur). Cette
technique facilite, pour ne pas dire quelle rsout, le problme de la mise en correspondance.
Cependant, lutilisation dune source lumineuse pilote nest pas sans pos de problmes. En
premier lieu, le ncessaire balayage de la scne que cela impose conduit une relative
lenteur du procd. Par ailleurs, le faisceau lumineux peut subir diverses rflexions qui
161
Chapitre 3
empchent lobtention dune mesure valide. Pour finir, il sagit malgr tout dun dispositif de
mesure actif, et par consquent sensible aux phnomnes dinterfrence avec des instruments
bass sur des techniques comparables.
A contrario, la triangulation passive ne ncessite pas lutilisation dlments dclairage

particuliers. Cependant, elle prsente de rels dfis techniques tels que ceux que nous avons
voqu (mise en correspondance temps rel, robustesse vis--vis des invitables erreurs de
mise en correspondance, sensibilit aux conditions dobservation, calibration, etc.). Elle
demeure toutefois une technique extrmement flexible, avec un pr-requis nul relativement
aux infrastructures.
Lune et lautre des techniques prcdemment voques utilisent strictement les mmes
fondements simples de la gomtrie pour effectuer la reconstruction 3D partir dune
paire de points mis en correspondance. Ce calcul repose en effet sur la dtermination de
lintersection de deux lignes dans lespace euclidien.
Dans le cadre de cette thse nous nous intressons exclusivement la reconstruction 3D
en utilisant la triangulation passive compte-tenu des contraintes qui sont les ntres.
Il est noter quon distingue classiquement entre deux problmatiques de la
reconstruction, savoir la reconstruction euclidienne dune part et la reconstruction projective
et affine dautre part. Ces problmatiques sont, bien entendu, fortement lies lespace de
reconstruction choisi.
En ce qui nous concerne, nous allons passer en revue les mthodes classiques de
reconstruction partir de vues calibres, qui constituent des mthodes de reconstruction
euclidienne.
1)
INVARIANCE DES TRANSFORMATIONS
Mme si elles ne sont pas lobjet de notre discours, il faut signaler quun intrt
particulier a t port au sujet des reconstructions projectives ou affines [Stu.97], dans le
cadre desquelles la scne est reconstruite une transformation inconnue du groupe donn
prs. Gnralement, dans une telle situation, on ne dispose pas des vraies matrices de
projections mais plutt de limage de ces dernires par certaines transformations.
Une caractristique que doit prsenter une mthode de reconstruction est son invariance
aux transformations du groupe considr (affine, projectif ou euclidien). Une mthode de
triangulation reconstruisant un point 3D partir de ses projections p1 et p 2 et des
matrices de projection correspondantes (notes respectivement P1 et P2 ) sera note:
= ( p1 , p 2 , P1 , P2 )
(3.79)
sera dite invariante une transformation T si et seulement si :
( p1 , p 2 , P1 , P2 ) = T 1( p1 , p 2 , P1T 1 , P2T 1 ) (3.80)

162
Chapitre 3
Lquation (3.80) implique que suite un changement de repre (transformation des

matrices de projection), la mthode doit donner comme rsultat limage de par la
transformation correspondante. Autrement dit, si nous nous trouvons dans le cas dune
reconstruction projective ou affine, les matrices de projection sont connues une
transformation projective ou affine prs. Il est par consquent recommandable dutiliser une
mthode de triangulation invariante aux transformations projectives ou affine, suivant le cas
considr.
2)
LES METHODES DE TRIANGULATION
Jusqu un temps assez proche, les travaux relatifs la reconstruction partir de deux
vues sinscrivaient dans le contexte de la strovision, sous lhypothse de camras calibres.
Le problme principal qui y tait considr tait gnralement la dtermination du
mouvement entre les deux camras [Adi.89, Ais.90, Bro.86, Bru.88, Fan.84, Fau.87, Kar.94,
Wen.87, Zhu.86]. La partie reconstruction ntait pas lobjet dune attention
excessivement soutenue.
La mthode du Point Milieu est la plus utilise. En effet puisque les deux rayons de
projections ne se croisent pas forcment, cette technique consiste prendre le point milieu de
la perpendiculaire commune aux deux rayons de projections [Bea.94, Che.94, Tos.87a,
Wen.88, Wen.87, Yak.78] comme indiqu sur la Figure III.42.
Figure III.42 :
Le point milieu de la perpendiculaire aux rayons de projection
Toscani et Faugeras ont propos deux solutions alternatives [Tos.87b]. La premire

consiste trouver le point 3D qui minimise lerreur de projection. Cette technique a t
adopte par nombre dautres chercheurs, davantage dans le but dajuster les faisceaux que
doprer une reconstruction 3D. Cette technique, connue sous le nom de bandle
adjustement , est plutt usite dans le but destimer le mouvement. Cette minimisation est
gnralement effectue par des mthodes itratives, tandis que Sturm a donn une solution
163
Chapitre 3
directe au sousproblme de la triangulation (voir [Stu.97]). La deuxime solution propose

pour la triangulation [Tos.87b] semble moins heuristique que le choix du point milieu
mais les rsultats obtenus en pratique tmoignent de la stabilit de cette technique
comparativement la prcdente. En effet, cette technique postule (lgitimement) que le point
reconstruit appartient invitablement au plan contenant un des deux rayons de projection. Par
consquent, le point reconstruit est lintersection de lun des rayons de projection avec le plan
perpendiculaire au plan dfini par lautre rayon de projection et le centre optique contenu dans
le premier rayon, et contenant le second rayon de projection (voir Figure III.43).
Figure III.43 :
La reconstruction propose par Toscani et Faugeras
Dans le cas dune reconstruction projective (ou affine), les matrices de projection sont
donnes par rapport un repre projectif (ou affine). Ici, les concepts euclidiens tels que les
angles et la perpendicularit perdent leur sens. En ce qui concerne spcifiquement la
reconstruction projective, mme les notions affines comme le rapport de distances entre points
colinaires (et donc le concept de milieu) dgnrent. Comme les mthodes cites ci-dessus
sont bases sur les notions de perpendicularit ou de milieu, elles ne sont pas applicables dans
un contexte projectif ou affine.
B)
LOCALISATION DES POINTS DANS LESPACE TRIDIMENSIONNEL
tridimensionnel, correspond lintersection des deux droites (C g pig ) et (C d pid ) ;
La Figure III.10 illustre le fait que lemplacement dun point Pi dans lespace
Avec C g , C d les centres optiques des camras et pig pid les projections de Pi sur les
plans des camras gauche et droite respectivement.
164
Chapitre 3
En raison du bruit affectant la dtection des points pig et pid , il ny aura

gnralement pas dintersection entre les deux droites et plusieurs techniques ont t
dveloppes pour faire face ce problme. Une comparaison entre ces dernires est
disponible dans [Har.97]. Dans le contexte particulier de notre application, savoir la
reconstruction euclidienne mtrique, nous exploitons la technique du point milieu, qui est
moins sensible aux bruits dans ce cas de figure. Elle consiste calculer les coordonnes du
point milieu du segment de longueur la moins importante qui joint (C g pig ) et (C d pid ) ,
satisfaisant lquation suivante :
apig + cw = T + bRT pid
(3.81)
Avec : a, b, c ,
ap ig : est la droite qui passe travers C g et pig , exprime dans la rfrence
de la camra gauche,
T + bR T pid : dfinit la droite qui passe par C d et pid , exprime dans la
[ ]
[ ]
rfrence de la camra gauche
w = pig x R T pid :
est le vecteur orthogonal aux deux droites ( pig x est la
matrice antisymtrique de p ig ).
En rsolvant le systme linaire (3.81) pour ( a , b, c ) , on peut calculer les coordonnes
des deux points des extrmits du segment le plus court liant les deux droites. Litration de
ce processus pour des points caractristiques dun mme objet nous permettra de dterminer
les dimensions de lobjet en question ainsi que son orientation par rapport au systme de
strovision. La poursuite de cette dmarche dans lespace temps (une squence dimages)
autorise galement lestimation de sa vitesse relative.
C)
LES RESULTATS EXPERIMENTAUX
Dans ce qui suit, nous allons prsenter les rsultats obtenus grce la mise en place dun
capteur stroscopique conforme au concept de capteur intelligent (intelligence la fois
structurelle et intgre au sein des traitement appropris la tche de lattelage virtuel,
comme expliqu en II.4).
Afin destimer et dvaluer les performances du concept du capteur mis en place, nous
avons opt pour lutilisation de deux types diffrents de camras. Le premier capteur a t
ralis base de Webcams grand public dont les optiques dorigine ont t remplaces par du
matriel de meilleure qualit (tout en restant dans une gamme de prix parfaitement abordable,
de lordre de 45 ). La qualit des images obtenues a ainsi t grandement amliore et les
rsultats fournis par le capteur furent tout fait encourageants, comme permettent de le
165
Chapitre 3
constater les donnes fournies dans ce qui suit. Le deuxime capteur dvelopp, plus
spcifiquement conu pour tre embarqu sur le vhicule, est quant lui constitu de deux
camscopes dune qualit dimage nettement suprieure celle des Webcams. Cette
amlioration dcoule des caractristiques du capteur CCD employ (meilleure rsolution,
meilleure sensibilit, dynamique plus rapide), de loptique (plus lumineuse, affecte par
moins daberrations et bnficiant dune focale variable sur une large gamme) et des
traitements intgrs dans les camras elles-mmes (auto-focus, contrle dexposition
performant et rapide offrant une certaine innocuit aux variations dclairage, etc.). Cest ce
capteur qui nous a permis de mener bien des expriences en conditions de fonctionnement
relles. Dans lun et lautre cas, les camras utilises sont des matriels grand public,
nettement moins coteuses que celles utilises gnralement dans lindustrie. Ce choix
dlibr sinscrit dans la perspective de dvelopper un capteur de vision pour les vhicules
intelligents dont le cot permette une accessibilit au plus grand nombre.
1)
STROSCOPE BASE DE WEBCAMS
Comme nous venons de lvoquer, lutilisation de camras industrielles en tant que

constituants dun stroscope conduit invitablement une solution chre, dote de
performances assez variables. Dans loptique dabaisser le cot de revient du capteur utilis,
le remplacement de ce type de camras traditionnelles par du matriel plus largement
diffus savrait invitable. La premire tape a consist valuer ce quil tait possible
dattendre de la part des dispositifs de prise de vue sans doute les moins chers du march que
constituent les Webcams, bases sur des capteurs CMOS, dans le cadre dapplications ayant
pour objectif la mesure tridimensionnelle [Zay.04a]. Bien plus que la rtine en elle-mme,
la cause premire de la mauvaise qualit des images que fournissent en gnral ces camras
est lie loptique. En consquence, la premire adaptation que nous avons faite a consist
remplacer les optiques fournies par des optiques vis de type C , ces dernires prsentant
de bien meilleures caractristiques optiques (de moindres distorsions) que ce qui est fourni
dorigine. Evidemment, ce changement d'optiques a ncessit le rempaquetage total des
camras. Cela nous a donn l'occasion de concevoir, partir de ces Webcams modifies
des dispositifs simples, robustes et bon march, qui conviennent parfaitement aux exigences
des applications dextrieur.
Dans ce qui suit, nous allons prsenter quelques rsultats issus des expriences
effectues avec le capteur stroscopique en question.
Aprs avoir appliqu ce systme la procdure de calibration dcrite plus haut, nous
sommes en mesure de tester le capteur de strovision. Les premiers tests ont t mens avec
le systme que vous pouvez voir sur la figure ci-dessous (Figure III.44) :
166
Chapitre 3
Figure.III.44:
Le systme de strovision bas sur des Webcams modifies.
La figure III.45 dtaille la tte stro utilise, et plus spcialement le type dobjectifs
qui peut tre utilise avec les nouvelles camras :
Figure. III.45: Vue dtaille de la tte stro.

La premire exprience que nous prsentons ici a consist estimer le dplacement dun
cube sur le sol. Nous avons effectu une srie de squences comprenant chacune plus de 300
dplacements. A chaque fois, nous avons mesur la distance relle de faon prcise (erreur
infrieure au demi millimtre). Les Figures III.46 a et III.46 b montrent la zone de
dplacement du cube. Les Figures III.47 et III.48 reprsentent les dplacements estims contre
les dplacements rels.
167
Chapitre 3
(a)
(b)
Figure. III.46 : La position la plus proche (a) et la plus loigne (b) du cube.
Figure.III.47 :
comparaison entre dplacements estims et dplacements rels (1re srie)
Figure.III.48: Comparaison entre dplacements estims et dplacements rels (2me srie).

168
Chapitre 3
Comme attendu, les dplacements estims sont trs proches des vrais dplacements. La
caractristique du capteur de strovision est linaire avec une trs bonne approximation (cela
se vrifie au travers dune trs bonne corrlation entre les distances calcules et relles et par
la faible variance affectant lerreur destimation). Notons que lerreur destimation semble ne
pas tre corrle la distance ellemme (au moins sur lespace dvolution considr ici). Ce
premier exemple dmontre quil est possible de mesurer des dplacements dans des rgions
restreintes ( entre 0 et 2 mtres) avec une bonne prcision ( de lordre du millimtre),
suffisante pour certaines applications ( localisation dobjets se trouvant dans une zone de
travail automatise, dans une zone daccident, de fouille, de crimes, etc..) et ceci avec du
matriel trs peu onreux.
A laide du mme dispositif, La seconde application prsente ici consiste estimer les
dimensions dobjets extrieurs, associs par exemple des constructions ou des btiments
(voir, Figure III.49 a et III.49 b ).
(a)
(b)
Figure.III.49 : Les images, gauche (a) et droite (b) prises par le capteur
Dans le contexte de cette application, les points dans limage de gauche et leurs
correspondants dans limage de droite ont t extrait la main, mais cette procdure de mise
en correspondance peut tre automatise (pour plus dinformations voir [Zay.03a, Zha.94]).
La largeur relle de louverture murale dans laquelle la porte est encastre est de 1m 800 mm,
et la largeur estime est de 1m790mm. La hauteur de cet lment est de 2 m 400 mm et celle
estime est de 2 m 404 mm. En ce qui concerne la fentre sur le ct gauche de la porte, les
dimensions relles sont de 0.630m 0.945m et ceux issues du systme sont 0.661m 0.945m .
En fonction des applications, cette prcision peut tre suffisante. Par ailleurs,
ladaptation de la configuration du systme de strovision ( la position relative des deux
camras et la focale des objectifs utiliss) une tche de mesure spcifique peut amliorer
considrablement la prcision des mesures.
169
2)
STEREOSCOPE A BASE DE CAMESCOPES
La solution prsente dans la section prcdente donne de bons rsultats de

reconstruction tridimensionnelle (compte-tenu du cot de ce dispositif), et valide directement
la partie conceptuelle du capteur stroscopique, en particulier pour ce qui touche ses
particularits gomtriques. Toutefois, les Webcams que nous avons utilises prsentent
dimportantes lacunes en terme dacquisition dimage. En particulier, celles-ci ne sadaptent
pas facilement aux changements brusques de lclairage, ce qui dtriore considrablement la
qualit du signal recueilli et influence ainsi ngativement la partie dtection de la plaque
dimmatriculation qui est, rappelons le, la pierre angulaire de notre chane de traitement
pour lattelage virtuel.
Fort de ces constats, nous avons effectu des tests sur un capteur stroscopique
conceptuellement identique au premier, mais utilisant des camscopes la place des
Webcams. Cette nouvelle configuration matrielle a amlior considrablement la qualit des
images obtenues (rsolution plus importante, des couleurs plus contrasts, des temps
dacquisition plus rapides, utilisation du IEEE1394 au lieu de USB 1.1, etc). Comme nous
lavons voqu, un des autres intrts des camescopes est leur capacit grer par eux-mme
et de faon efficace les variations de luminosit affectant la scne observe, linverse des
Webcams utilises dans notre premire exprience. Par ailleurs, une fonctionnalit
supplmentaire de vision nocturne est envisageable, aprs avoir constat que la plaque
dimmatriculation est particulirement visible dans le domaine infrarouge (longueur donde
utilise par la torche des camescopes), ce qui faciliterait la dtection de la plaque de nuit.
Cette piste reste encore explorer lheure actuelle. Les paragraphes qui suivent dcrivent les
diffrentes expriences effectues avec ce second type de stroscope, embarqu cette fois-ci
sur notre vhicule lectrique exprimental.
Comme nous lavons voqu prcdemment, les rsultats prsents ci-dessus supposent
que la calibration du capteur, a t dj effectue. Les tests ont t mens avec le systme de
la figure III.50 :
Figure III.50 :
Systme de strovision bas sur des camscopes, embarqu sur le
vhicule exprimental.
170
Comme on peut le constater sur la figure ci-dessus, la tte stro est compose de deux
camscopes de mme type, ayant de ce fait les mmes spcifications techniques. Celle-ci est
monte et oriente sur le vhicule de telle sorte quon puisse effectuer le tracking des
mouvements de la plaque dimmatriculation du vhicule suivi dans des conditions
correspondant une vitesse peu leve (jusqu 50 km/h), impliquant une distance suiveur /
suivi relativement faible. Notre vhicule de test est un Renault express lectrique (voir
Figure III.51) quip de la tte stro sur son capot. Il dispose dun ordinateur mettant en
uvre les traitements prcdemment dcrits sur les images acquises par les camras. Les
systmes de bord bnficient dune autonomie lectrique de plus de trois heures, grce un
pack de batteries indpendantes de celles utilises pour la propulsion. Dans un futur proche,
celle-ci sera quipe de capteurs proprioceptifs (tels que des acclromtres) qui permettront
de prendre en considration linfluence de la dynamique du chssis du vhicule sur le
processus de lacquisition dimages.
Figure.III.51 : Le vhicule lectrique exprimental de lcole des mines de douai, quip

dune tte stro monte sur son capot et dune unit de traitement embarque.
Lune des expriences a consist suivre un vhicule (jouant le rle de tracteur )
pendant une vingtaine de minute en effectuant lacquisition des paires stroscopiques
correspondantes. Le parcours suivi tait trs riche et reprsentatif des cas rels au sens o il se
171
Chapitre 3
composait de sections planes, de bosses, de monte et de virages plus ou moins serrs, etc. La
figure.III.52 reprsente quelques rsultats de reconstruction 3D obtenus lors de tels essais :
(a)
(b)
Figure III.52 : Les diagrammes (a) et (b) reprsentent les diffrences entre la reconstruction
3D directe du centre de la plaque dimmatriculation et lestimation de ce dernier en tant
barycentre des coins de la plaque. Ces donnes constituent un des indices de dformation
de la plaque lissue de la phase de reconstruction.
Etant donn que nous ne disposions pas, dans ce cas de figure prcis, de mesures
redondantes (mesures obtenues en utilisant un radar par exemple) permettant de vrifier la
justesse de la reconstruction 3D effectue avec le stroscope, nous avons estim les erreurs
commises de faon indirecte, en valuant les dformations affectant la plaque aprs
reconstruction. Ont t ainsi values les erreurs de planit et les erreurs dimensionnelles
affectant la cible. Lestimation des erreurs de planit a consist reconstruire tout dabord
172
Chapitre 3
les cinq points caractristiques de la plaque, savoir ses quatre coins et son centre de gravit,
de faon indpendante pour chacun dentre eux. Ensuite, nous recalculons la position 3D du
centre de la plaque (calcul barycentrique) en utilisant lestimation prcdente des coordonnes
des quatre coins. En labsence derreur, les coordonnes obtenues doivent tre indentiques
celles issues de la reconstruction 3D.
Les erreurs destimation commises sur les abscisses et les ordonnes en adoptant la
procdure ci-dessus sont moins importantes que celles touchant la profondeur, mais dune
manire gnrale, les erreurs destimation sont tout fait acceptables, puisque celles-ci ne
dpassent pas les 4% des valeurs relles dans les pires des cas.
La seconde technique consiste retrouver les dimensions de lentit suivie (la plaque
dimmatriculation, de taille connue). Afin de vrifier que celles-ci nont pas subi de variations
trop importantes, nous calculons quatre coefficients lis directement aux dimensions estimes
de la plaque dimmatriculation dune part et ses dimensions relles dautre part. Ces
coefficients (correspondant des erreurs dimensionnelles relatuives) sexpriment de la faon
suivante :
| l1 l2 |
C1 = l
1
| h1 h2 |
C2 =
h1
(3.82)
C = | l1 l0 |
3
l0
C = | h1 h0 |
4
h0
l1 , l2 :
Reprsentent respectivement les largeurs haute et basse de la

h1 , h2 :
Reprsentent respectivement les hauteurs gauche et droite de la

l0 , h0 :
Reprsentent respectivement la largeur et la hauteur relles de la plaque

dimmatriculation.
Dans le cas dune reconstruction 3D idale, chacun de ces quatre coefficients doit tre
nul. La figure ci-dessous montre lvolution des valeurs de ces coefficients en fonction de la
distance relative estime.
173
Chapitre 3
Les coefficients reprsentatifs des erreurs sur la reconstruction 3D de la plaque

0,14
C1
C2
Les valeurs des coefficients (C1,C2,C3,C4)
0,12
C3
C4
0,1
0,08
0,06
0,04
0,02
0
6400
7400
8400
9400
10400
11400
12400
La Distance relative en mm
Figure III.53 : Evolution des coefficients ( C1 , C2 , C3 , C4 ) caractristiques de la

reconstruction 3D en fonction de la distance relative.
En effet, C1 et C2 permettent de vrifier que la plaque dimmatriculation a bien
conserv ses proportions aprs reconstruction. Par ailleurs, les coefficients C3 et C4 se
rfrent plutt aux dimensions relles de la plaque afin de donner une ide plus prcise sur la
justesse de la reconstruction dimensionnelle globale (affectant donc aussi lestimation de la
distance au vhicule suivi). Dune faon gnrale, le graphique de la figure III.53 nous
confirme une fois de plus que les erreurs de la reconstruction effectue sont assujetties
principalement la distance qui spare lobjet observ de la tte stro, mais que cependant
lerreur relative commise reste tout fait acceptable dans le domaine de fonctionnement du
capteur (approximativement 3% derreur relative au pire une distance estime de 11 mtres).
La richesse de cette exprience nous a permis de souligner les points forts et faibles du
systme mis en place et les amliorations que nous pouvons amener par la suite dans le cadre
du fonctionnement normal du capteur.
III.3.5.2.
LE
MODE
DU
FONCTIONNEMENT
DEGRADE
DU
CAPTEUR
STEREOSCOPIQUE
Lhypothse majeure faite jusquici, est que la plaque dimmatriculation appartient bien
au champ de vision commun des deux camras. Hlas, cette hypothse nest pas toujours
vrifie. En effet la plaque dimmatriculation peut, dans plusieurs cas de figure, sortir de ce
champ commun et ntre plus visible que par une seule camra la fois (soit la camra gauche
ou la camra droite). Un tel incident interdit bien videmment lusage des techniques de
reconstruction 3D conventionnelles. Dans ce cas de figure, correspondant un
fonctionnement en mode dgrad, nous proposons une solution palliative, permettant
dextraire linformation ncessaire lattelage virtuel partir dune seule camra et cela en
174
Chapitre 3
prenant en considration les aspects gomtriques caractristiques de la scne observe

[Zay.04b].
A)
LA LOCALISATION 3D DE LA PLAQUE
Dans cette partie, on propose un algorithme utilisant une seule camra et des
informations connues a priori de la scne observe pour la localisation tridimensionnelle de la
plaque.
1)
LE MODLE GOMTRIQUE DE LA CAMRA
Dans ce qui suit, nous considrons un modle stnope de la camra (Figure. III.7). Ce
modle relie lespace 3D sa projection perspective (cest dire, son image) sur la rtine de
la camra. Cette transformation est linaire dans lespace projectif et elle est dcrite par
lintermdiaire des paramtres intrinsques et extrinsques de la camra.
On rappelle ici que les paramtres intrinsques de la camra (tels que, la distance
focale ( f ) , la taille dun pixel (k u , k v ) , et les coordonnes image (u 0 v 0 ) T du centre de
projection) dcrivent une transformation affine reprsente par une mise lchelle, une
rotation et une translation entre la camra et la rfrence de la camra.
Les paramtres extrinsques, quant eux, dcrivent la transformation rigide du repre
du monde vers le repre de la camera. Cette transformation est entirement dfinie par une
matrice de rotation 3 3 , et un vecteur de translation 3 1 . En utilisant les coordonnes
homognes dans lespace de projection, on obtient :
x u 0 u 0 0

R
y = 0 v v 0 0 T
0
s 0
0 1 0
'**
*(***
)
Avec ( x
X

T Y
1 Z

1

(3.83)
s ) , les coordonnes homognes de la projection du point

T
P sur limage,
u =
f
f
et v = . (avec k u et k v la largeur et la hauteur des pixels,
ku
kv
respectivement),
la matrice de rotation,
(X
Z 1) les coordonnes homognes du point P dans le repre

T
de la scne,
T
le vecteur de translation.
175
Chapitre 3

A la matrice de la projection perspective (cette matrice exprime la
transformation entre le repre de la camra et le repre de limage).
Lensemble des paramtres de ce modle est issu dune tape de calibration, dj

largement aborde ici.
Dans labsolu, la localisation dun point dans lespace Euclidien tridimensionnel
ncessite que celui-ci soit observ de diffrents points de vue. Cette exigence sera remplie,
soit en observant un point de lespace laide de deux camras diffrentes, soit en dplaant
une camra selon une trajectoire connue.
2)
LE PROFIL DE LA GEOMETRIE DUNE PLAQUE DIMMATRICULATION
Dans le contexte particulier de notre application, la plaque dimmatriculation est un

rectangle dfinie par ses quatre coins, qui dfinissent galement sa largeur et sa hauteur (dans
notre cas, 520 x 110 mm).
Figure III.54: La plaque telle quelle sera projete sur la rtine de la camra
La figure ci-dessus, dcrit le processus de projection de la plaque dimmatriculation sur
le plan rtine de la camra. Dans le cas du contrle automatique dun vhicule, il sera
raisonnable de supposer que le plan de la plaque observe et le plan de la camra sont, avec
une assez bonne approximation, perpendiculaires au plan de la route. Dans ce cas, la
projection dune ligne verticale dans lespace 3D restera toujours verticale dans le repre des
images [Zay.03b].
Dans ce qui suit, nous examinons la projection de la plaque dimmatriculation et sa
projection sur le plan OYZ (figure.III.55 (a)) et le plan OXZ (figure.III.55 (b)),
respectivement.
176
Chapitre 3
Figure III.55-a:
Projection de la plaque sur le plan OYZ .
Figure III.55-b:Projection de la plaque sur le plan OXZ .

Daprs lquation (3.83) et en effectuant la triangulation passive, les coordonnes
tridimensionnelles des quatre coins dfinissant la plaque sont obtenues grce aux quations
suivantes (3.84) :
177
Chapitre 3
( u0 u1 )
H
X1 =
u ( 2
1)
( u0 u3 )
X3 =
H
u ( 4 3 )
Y = ( 0 1 ) H
1 ( )
2
1
( 0 2 ) H
=
Y
2
( 2 1 )
H
Z0 =
2
1
Z1 =
H
4
3
(3.84)
H est la hauteur de la plaque, u i et vi avec i > 0 sont les abscisses et les ordonnes des
projections des coins de la plaque sur le plan de la rtine de la camra, en pixel.

Ces quations sont suffisantes pour localiser les coordonnes des coins de la plaque dans
lespace Euclidien tridimensionnel (voir, Figure (III.55)), relativement au repre de la camra
(ou galement par rapport au repre du vhicule suiveur).
Par ailleurs, lutilisation des quations (3.84) et lhypothse raliste consistant
supposer connue la largeur de la plaque dimmatriculation ( W valant gnralement 510mm
dans ce cas - voir annexe pour le format des plaques dimmatriculation en France) nous
permettent de calculer langle , correspondant la diffrence de cap entre vhicule suiveur
et vhicule suivi, sur le plan OXZ (Figure.III.55-b) grce :
v H
1
1

L ( v4 v3 ) ( v2 v1 )
= arcsin
(3.85)
3)
PREUVE ALGEBRIQUE ET EXTRACTION DE LA VITESSE RELATIVE
(X i
Soit un point de lespace euclidien tridimensionnel Pi de coordonnes homognes

Yi
Z i 1)T . Ce point est observ par une camra de centre de projection C tel que le
repre du monde et le repre de la camra soient confondus. Ceci se traduit

mathmatiquement par le fait que la matrice de rotation est rduite lidentit et que le
vecteur de translation reliant ces deux repres est nul. Dans ces conditions, les quations
reliant le point P sa projection sexpriment de la manire suivante :
178
Chapitre 3
su u

sv = 0
s 0

v
0
u0
v0
1
X
0 i
Y
0 i
Z
0 i
1
Il est alors possible dexprimer respectivement labscisse et lordonne de la projection

du point Pi , grce :
Xi
u
=
+ u0
i
u
Zi
Y
vi = v i + v 0
Zi
(3.86)
(u i u 0 )
Zi
X i =
u
(v v 0 )
Yi = i
Zi
v
(3.87)
Ce qui implique que :
Supposons alors deux points P1 et P2 de lespace, situs la mme distance Z du repre

de la camra (dont on rappelle quil est ici repre du monde). En sappuyant sur les quations
(3.86) et (3.87), nous pouvons dduire la distance Z en fonctions des coordonnes images des
projections de P1 et P2 et de Y = Y2 Y1 suivant :
Z=
(v2 v1 )
(3.88)
Cas particulier de la plaque dimmatriculation :
La plaque dimmatriculation dun vhicule se dplaant sur la route est suppose tre
contenue dans un plan perpendiculaire celui de la route. De la sorte, les coins de la plaque
qui appartiennent au mme segment vertical forment une ligne parallle au plan de la rtine de
la camra quipant le vhicule tract (lun des segments relie donc entre eux les coins de
gauche, nots P1 et P2 , tandis que lautre relie entre eux les coins de droite, nots P3 et P4 ). Si
nous nous restreignons au plan OXZ , cela signifie que les coins de la plaque P1 et P2 sont la
mme distance Z de lorigine, tandis que les points P3 et P4 sont distance Z ' de ce mme
point (voir la figure III.39-b). En nous ramenant ce cas simple, nous obtenons les relations
suivantes :
179
Chapitre 3
ui u 0
Z
X i =
u
avec :
v v0
Yi = i
Z
v
i [1 2] et Z =
ui u0
Z'
X i =
u
avec :
vi v 0
Yi =
Z'
v2 v1
i [3 4] et Z ' =
H (3.89)
v 4 v3
H (3.90)
Calcul de la diffrence de cap entre suivi et suiveur:

La Figure.III.55-b, permet dtablir que langle entre le plan de la plaque
dimmatriculation du vhicule suivi et le plan rtine de la camra du vhicule suiveur, qui
correspond la diffrence de cap entre ces deux vhicules, est donn par :
Sin ( ) =
Z Z'
L
(3.91)
En remplaant Z et Z ' par leurs expressions, nous obtenons :
v H
1
1

L (v 4 v3 ) (v 2 v1 )
= arcsin
(3.92)
Calcul de la vitesse relative du vhicule suivi :

Daprs (3.86) nous pouvons crire :
vi v 0 = v
Yi
Zi
(vi v 0 )
Y
= v 12
Z
Z
(3.93)
Ainsi :
(v i v 0 )
(v v 0 )
= i
(3.94)
Z
Z
En drivant (3.94) par rapport au temps, nous obtenons :
(v v ) Z
vi
= i 0
t
t
Z
(3.95)
Ainsi, la composante suivant Z de la vitesse relative du vhicule suivi par rapport au

vhicule suiveur est donne par :
180
Chapitre 3

Vz vhicule =
Z
Vv pixel
(vi v0 )
(3.96)
En adoptant le mme raisonnement pour les abscisses des projections dun point de
lespace, nous pouvons crire les autres composantes du vecteur vitesse relative du vhicule
suivi, qui sont alors :
Vx vhicule =
X
Vu pixel
(ui u0 )
Vy vhicule =
Y
Vv pixel
(vi v0 )
(3.97)
(3.98)
Il est clair que lestimation de ce vecteur vitesse relative ncessite lestimation pralable
de la position 3D du point auquel il se rapporte. Le systme (3.84) est alors tout indiqu pour
fournir une telle estimation. Il dcoule de ce qui prcde que si les dimensions de la plaque
dimmatriculation sont connues et sous rserve que soient respectes les contraintes
dorientation entre la plaque dimmatriculation, le plan rtine de la camra et la route (du
moins en premire approximation), les quations prcdentes sont mme de fournir la fois
la position, la diffrence de cap et la vitesse relative du vhicule suivi laide dune unique
camra.
B)
RESULTATS EXPERIMENTAUX
Lalgorithme prcdent a tout dabord t test par le biais dune simulation. Dans un
premier temps, nous avons donc procd la simulation du suivi du vhicule tracteur,
suppos effectuer un mouvement uniformment acclr. Bien que limage de la plaque
observe par la camra soit calcule par le simulateur, la chane de traitement mis en
uvre (intgrant les phases de dtection / tracking et extraction des primitives dintrt ) est
rigoureusement celle qui est mise en uvre dans les cas rels. Au niveau des paramtres de
simulation, le vhicule tracteur subit une acclration dfinie par le vecteur ( 0.8 0 0 ) en
T
m/s2. Les paramtres intrinsques utiliss sont quant eux : u = 1200 , v = 1200 ,
u 0 = 320 et v0 = 240 . Il est important de noter que dans le cadre de cet essai, le vhicule
suiveur reste immobile et regarde le vhicule suivi partir au loin !
181
Chapitre 3
400
la coordonne X relle (mm)

la coordonne X estime (mm)
390
La coordonne X en mm
380
370
360
350
340
330
320
310
0
0,5
1,5
2,5
3,5
4,5
3,5
4,5
le temps en s
(a)
-325
0
0,5
1,5
2,5
-335
La coordonne Y en mm
-345
-355
-365
-375
-385
-395
-405
la distance relle (mm)

la distance estime (mm)
-415
-425
le temps en s
(b)
182
Chapitre 3
13000
la distance relle (mm)

la distance estime (mm)
12000
11000
La coordonne Z en mm
10000
9000
8000
7000
6000
5000
4000
3000
2000
0
0,5
1,5
2,5
3,5
4,5
le temps en s
(c)
Figure III.56 :
Coordonnes 3D relles et estimes du centre de la plaque
dimmatriculation du vhicule suivi en fonction du temps (a) Comparaison entre abscisse
relle et estime, (b) Comparaison entre ordonne relle et estime (c) Comparaison entre
profondeur relle et estime.
Les rsultats obtenus lissue de la simulation sont prsents sur la figure III.56. Ceuxci montrent que les estimations des coordonnes du point de rfrence (point daccroche
visuel ) correspondent leur volution effective, impose par la trajectoire du vhicule suivi
relativement au vhicule suiveur. On constate que lerreur commise sur la distance augmente
avec la distance sparant les deux vhicules. Ceci est d principalement au fait qu mesure
que la plaque dimmatriculation sloigne, sa taille relative dans limage diminue, induisant
un bruit de quantification de plus en plus important relativement aux pixels constituant
limage de la plaque. Une faon de pallier cet inconvnient consisterait, par exemple, utiliser
une focale variable (zoom) de sorte pouvoir conserver une image de la plaque suffisamment
grande, mme lorsque celle-ci est loigne, de sorte conserver un bon rapport
signal/bruit . Bien sr, une telle approche nest pas sans poser des problmes spcifiques que
des projets tels que RAVIOLI35 ont pour ambition de rsoudre.
Forts de nos rsultats de simulation, nous avons procd au traitement de scnes relles.
Les deux figures suivantes sont issues dune squence de suivi temps rel : le rectangle autour
35
RAVIOLI :
Radar et Vision Orientables Lidar
183
Chapitre 3
de la plaque dimmatriculation dlimite la rgion dintrt dans laquelle la plaque a t

localise.
(a)
(b)
(c)
(d)
(e)
(f)
Figure III.57-a-f: Des exemples des rgions dintrt ( le rectangle rouge autour de la plaque
dimmatriculation).
La Figure III.57 reprsente la distance estime entre les vhicules en utilisant une
camra de focale 42 mm. La distance relle varie entre 16 et 28 mtres; elle a t mesure en
utilisant un tlmtre infra rouge trs prcis. Lestimation demeure exploitable pour tous les
essais effectus.
184
Chapitre 3
30
distance estime
distance relle
Les distances en mtres (m)
27,5
25
22,5
20
17,5
15
0
Le temps en secondes (s)
Figure III.58: Le suivi de la distance relative relle entre deux vhicules.
La Figure III.58 reprsente la distance estime par rapport la distance relle. On peut
voir quelles sont fortement corrles, dmontrant ainsi lefficacit du processus global.
Lerreur est proportionnelle la distance, pour les raisons dj voques dans le cas des
donnes simules.
50
2
R = 0,9736
Les distances mesures en mtres (m)
45
40
35
30
25
20
15
15
20
25
30
35
40
Les distances relles en mtre (m)
Figure III.59: Comparaison entre distance mesure et distance relle.

185
45
Chapitre 3
Une fois encore la figure III.59, fait apparatre clairement la forte corrlation existant
entre les valeurs des distances relles et mesures (le coefficient de corrlation est gal
0.9867 ), la courbe de tendance (en pointill rouge sur le graphique) exhibe galement une
pente de droite pratiquement gale 1, cela signifie que les distances mesures refltent avec
une grande fidlit la distance relle relative de la plaque dimmatriculation du vhicule
tracteur, et ceci malgr lutilisation dune seule camra. Ces donnes exprimentales valident
les algorithmes exploits en mode dgrad pour la localisation du vhicule tracteur.
III.4.CONCLUSION
Les rsultats que nous avons obtenus montrent quil est parfaitement possible destimer
la distance relative avec un vhicule en mouvement en temps rel grce des camras et un
ordinateur standards. Les variations quon peut observer autour dune valeur estime sont
dues essentiellement aux petites variations de la position de la plaque sur limage. Le travail
venir consistera rduire ce bruit de dtection en fusionnant les donnes visuelles avec les
mesures proprioceptives (acclration) et en calculant des signatures visuelles
additionnelles, dans la rgion dintrt, ceci afin de renforcer ltape de la dtection.
Nous avons expos dans cette partie une approche de suivi de vhicule base sur
lobservation dune entit inhrente celui-ci, savoir sa plaque dimmatriculation. Pour y
parvenir, notre algorithme commence par la dtection de la plaque en adoptant soit une
approche de dcision statistique, soit le calcul dun critre, lun et lautre bass sur lanalyse
de la couleur des pixels dans limage. Dans tous les cas, cette opration est conduite en temprel. Afin damliorer encore le temps de rponse du systme, une phase de tracking
exploitant un filtre de Kalman base sur un modle de dplacement apparents de la plaque
dans limage est mis en uvre. Le bnfice de ce filtre est de permettre de rduire
drastiquement la rgion dintrt ou se trouve probablement (au sens propre) le point
daccroche visuel que constitue la plaque dimmatriculation. Les exprimentations menes
permettent daffirmer quune telle approche permet en effet de rester verrouill sur la
rgion dintrt une cadence de 10 Hz laide de matriel tout fait grand public , quil
sagisse des camras ou du calculateur utilis. Lestimation de la position relative du vhicule
suivi est effectue par triangulation passive lorsque les points caractristiques ont pu tre
isols dans les deux images (mode normal), mais celle-ci peut tre aussi effectue en utilisant
une seule camra et des connaissances a priori sur les dimensions de la plaque, sous couvert
dhypothses ralistes relativement la disposition de celle-ci par rapport la route et le plan
rtine de la camra utilis. Les performances affiches par notre systme sont probantes et
rpondent aux contraintes que nous nous tions fixes au dbut de ce travail. Lapproche
consistant vouloir assurer lattelage virtuel entre deux vhicules en utilisant la vision comme
seule source de donnes extroceptives parat donc tout fait raliste. Cependant, certains
aspects de notre chane de traitement ncessitent encore dtre renforcs et des approches
complmentaires mritent dtre explores. Quoiquil en soit, le systme dvelopp constitue
une base solide sur laquelle il est dsormais possible de sappuyer afin daboutir, dans un
186
Chapitre 3
avenir trs proche, un systme pleinement oprationnel et fiable dans toutes les conditions
dexploitation possibles.
187
Conclusion Gnrale et Perspectives
CONCLUSION GNRALE
La premire partie de ce mmoire se voulait une description prcise de la problmatique
attach lattelage virtuel dans le domaine, plus large, des vhicules intelligents . Lun
des objectifs de lintroduction prsente tait de fournir les lments permettant deffectuer
une distinction claire entre la conduite automatique au sens large et lattelage virtuel.
Cette dernire approche se veut en effet plus restrictive , au sens o le problme
rsoudre, savoir la mise en place dun lien virtuel entre deux vhicules, se veut moins large
que celui consistant doter un engin mobile dune complte autonomie. Lapproche attelage
virtuel apparat bien davantage comme un complment aux algorithmes plus gnralistes
de conduite automatique que comme une alternative ces derniers. Ce travail se voulait donc
une approche la fois raliste et efficace du problme.
Ltat de lart relatif aux vhicules intelligents nous a permis daffiner la position de nos
travaux au sein de la riche contribution de la communaut scientifique, tout en mettant en
exergue les potentialits et les faiblesses des diffrentes approches proposes jusqualors.
Cette tude bibliographique nous a fourni la matire pour effectuer les choix stratgiques
concernant notre capteur, tant en termes scientifiques que techniques et mthodologiques.
Cest ce stade que sest rvl tout le potentiel dune approche base sur la vision
stroscopique.
Dans ce contexte, lapproche capteurs intelligents fourni un cadre formel tout fait
adapt la phase de conception et / ou de description du systme raliser, raison pour
laquelle ce mmoire aborde les concepts emprunts au domaine nous ayant permis de mener
bien la ralisation du capteur exploit dans le cadre de lattelage virtuel. Munis de ces outils,
les descriptions fonctionnelles et structurelles bnficient dun cadre rigoureux. Ainsi, les
besoins spcifiques de notre capteur ont pu tre dcrits sous forme de services organisant les
diffrents traitements effectuer pour obtenir les informations ncessaires, savoir la distance
intervhiculaire, la diffrence de cap entre suiveur et suivi ainsi que la vitesse relative
du vhicule suivi par rapport au vhicule suiveur.
Lun des principaux problme que nous avons eu rsoudre au cours de ce projet
consistait tablir dans quelle mesure la strovision pouvait tre une approche abordable
dans le domaine des transports intelligents. Le terme abordable est considrer de
diffrents points de vue, savoir scientifique (sera-t-on rellement capable dobtenir les
informations voulues avec un temps de rponse, une fiabilit et une prcision suffisantes ?),
conomique (le cot du capteur se doit dtre modr si on souhaite pouvoir lintgrer sur des
vhicules particuliers), mais aussi ergonomique puisque le systme doit pouvoir tre utilis
par tout un chacun, sans ncessiter de formation ou de connaissances particulires. Cest en
gardant lesprit cet ensemble de contraintes que nous avons abord la mise en uvre de
notre capteur.
188

La troisime partie de ce mmoire a t consacre ltude des diffrents aspects dun
capteur stroscopique, vritable cur de notre systme, afin didentifier et de cerner les
problmes lis la vision par ordinateur dans le contexte prcis des transports routiers.
Ltude mene a ainsi permis daborder les problmatiques lies la ralisation des services
identifis par le biais de lapproche capteur intelligent et de slectionner des algorithmes
bass sur le traitement dimages et la vision par ordinateur afin que notre dispositif fournisse
bien les donnes attendues avec la prcision et la fiabilit requises.
Ainsi, le dernier chapitre de ce mmoire permet de prsenter dans le dtail les diffrents
algorithmes mis en uvre, ainsi que la structure dfinitive retenue pour le capteur
stroscopique embarqu sur le vhicule lectrique exprimental. Cest en fait lintgralit de
la chane de traitements qui se trouve dtaille, depuis lacquisition des images jusqu
lestimation de la configuration relative des deux vhicules en passant par la lecture de la
plaque. Au niveau de lacquisition des images, nous dmontrons que lutilisation de matriel
grand public est parfaitement envisageable, ce qui permet de diminuer considrablement
le cot matriel du dispositif. Le lecteur intress trouvera en annexe certaines prcisions
quant aux technologies mises en uvre par ces matriels bas-cot . En matire de facilit
dutilisation du systme, sil est une phase qui peut poser problme lutilisateur, il sagit de
la phase de calibration de la tte stroscopique. La mthode mise en uvre ici (calibration
hybride ) est dutilisation aise (grce lutilisation dalgorithme a contrario relativement
volu) et la qualit de lestimation des paramtres intrinsques et extrinsques ainsi
dtermins est tout fait satisfaisante, sans que ne soit ncessaire une lourde infrastructure
(mire de calibration lie la route ou un btiment particulier par exemple). Cette tape
cruciale de calibration du stroscope a fait lobjet dune tude permettant de dfinir les
conditions aboutissant des rsultats de bonne qualit tout en garantissant une opration
rapide. Ceci nous a permis de dfinir la fois la taille et la structure de la mire de calibration
utilis, ainsi que le nombre dimages ncessaires lopration.
Certaines des informations issues de la procdure de calibration, permettant dobtenir un
modle du processus de formation des images sur le plan rtine des camras, seront exploites
afin dobtenir des informations mtriques relatives au point daccrochage visuel choisi, en
loccurrence la plaque dimmatriculation. Il est par consquent indispensable de pouvoir
localiser cette dernire en temps rel dans une suite dimages ainsi que de la certifier (afin
de rpondre cette simple mais importante question : Sommes-nous en train de suivre le
bon vhicule ? ). Pour mener bien cette tche en respectant les contraintes temporelles
imposes par lapplication, nous mettons en uvre une squence de type dtection / tracking
/ validation . Ltape de dtection sappuie sur lanalyse de la couleur des pixels, o nous
cherchons isoler les pixels jaune plaque . Cette tche de classification peut sappuyer soit
sur la base dune dcision statistique construite grce un ensemble dapprentissage
comprenant un grand nombre de plaque dimmatriculation, soit sur la mise en uvre dune
heuristique exploitant une fonction valuant le caractre jaune plaque dun pixel. Les
rsultats exprimentaux obtenus valident lune et lautre de ces deux mthodes dont les forces
et les faiblesses respectives sont dtailles dans les sections correspondantes du chapitre III.
189

Comme nous lavons voqu, le fait de pouvoir garantir que le suivi sopre sur le bon
vhicule est bien entendu capital ! La technique de certification mise en uvre ici repose
tout simplement sur la lecture des chiffres ports par la plaque, ce qui permet en pratique de
lever toute ambigut. Le module de reconnaissance de caractres sappuie sur un perceptron
trois couches que diffrents essais nous ont permis de dimensionner afin de respecter les
contraintes pesant sur les performances dsires pour le systme. Diffrents rsultats
exprimentaux, validant globalement lapproche tout en mettant en lumire certaines de ses
dficiences, ont t prsents. Compte-tenu du nombre et de la complexit des traitements mis
en uvre, lobtention dun temps de rponse compatible avec la tche dattelage virtuel a
ncessit lexploitation dun algorithme de tracking , dont le but est de diminuer
considrablement la quantit dinformations traiter afin de localiser et didentifier la plaque.
Dans sa version actuelle, lalgorithme exploite un filtre rcursif de Kalman et lanalyse des
mouvements apparents des pixels dintrt afin de prdire la position future sur limage de la
projection de la plaque dimmatriculation. Les rsultats exprimentaux obtenus alors ont
permis de constater que le systme tait alors parfaitement capable deffectuer lensemble des
traitements requis la cadence impose de 10 Hz. Les bons rsultats obtenus en matire de
localisation 3D sur la base de la triangulation passive valident alors pleinement lapproche
propose. Cependant, il est relativement frquent que la plaque dimmatriculation sorte du
champ commun des deux camras du stroscope. Pour demeurer capables de fournir les
informations demandes, nous avons mis en place un algorithme permettant de pallier
labsence de linformation issue dune seule camra en exploitant les informations connues a
priori sur la gomtrie du capteur stroscopique et des hypothses ralistes quant aux
dispositions relatives de la plaque, de la camra utilise et de la route. Dans ce mode dgrad,
comme lattestent les rsultats exprimentaux obtenus, le systme reste alors parfaitement
capable de fournir une estimation des distance, vitesse, et orientation relatives entre vhicule
tracteur et vhicule tract .
En dfinitive, le travail prsent ici a montr que la dfinition, la construction et la mise
en oeuvre dun capteur de vision adapt la tche dattelage virtuel est parfaitement
envisageable. La solution propose ici se veut simple dutilisation (ceci afin de pouvoir tre
exploite par le plus grand nombre), flexible (le systme est ouvert et peu sadapter trs
facilement dautres modles de camra ou de calculateur), bas cot (car pouvant se
contenter dun matriel trs largement diffus) et embarquable (de par sa consommation
lectrique modre lorsquil est mis en uvre sur des calculateurs stand alone ddis
lembarqu et bas cot).
Cependant, malgr les succs rencontrs lors de nos exprimentations, certains points
ncessitent dtre renforcs avant daboutir une solution rellement utilisable en toute
scurit par le grand public. Les premiers axes de progrs, actuellement en dveloppement au
travers de nouveaux projets de recherche, consistent rendre la phase de tracking plus
performante que ce quelle est actuellement. En particulier, lutilisation de donnes
proprioceptives, telles que des mesures dacclration, permettra de grer les perturbations
induites par les mouvements propres de la caisse du vhicule embarquant le capteur
190

relativement son chssis. Ensuite, nous avons voqu le fait que lorsque le vhicule
tracteur sloigne du vhicule tract , le bruit sur lestimation produite augmente.
Une solution consisterait pouvoir zoomer dynamiquement sur la plaque
dimmatriculation afin de garantir cette dernire une taille minimale dans limage (de sorte
oprer rapport signal / bruit-de-quantification peu prs constant). Ceci nest pas sans
poser de problmes, du fait de la variation des paramtres intrinsques des camras quune
telle opration produit invitablement, et par la sensibilit accrue aux mouvements des deux
vhicules lors de la prise de vue. Il faut alors envisager de pouvoir orienter le dispositif en
temps rel en direction du vhicule tracteur et davoir accs des fonctions permettant
daccder aux paramtres de calibration correspondant la configuration courante. Le projet
de recherche RAVIOLI (RAdar, VIsion Orientable et LIdar), auquel lquipe participe, a pour
objectif la mise au point dun stroscope dot de caractristiques similaires. Pour terminer, la
richesse des informations auxquelles la vision par ordinateur permet davoir accs constitue
une porte grande ouverte vers des myriades dapplications et de services qui restent pour la
plupart inventer !
191
Rfrences Bibliographiques
RFRENCES BIBLIOGRAPHIQUES
[Abe.96]
S. Abe, M.S. Lan and R. Thawonmas, Tuning of fuzzy classifier. Derived

from Data International Journal of Approximation. Reasoning, vol. 14, Issue
1, January 1996.
[Adi.89]
G. Adiv. Inherent ambiguities in recovering 3D motion and structure from a

noisy flow field . IEEE Transactions on Pattern Analysis an Machine
Intelligence, 11(5) :477-489, May 1989.
[Afn.91]
AFNOR NF-X 50-151 Analyse de la valeur, analyse fonctionnelle.

Expression fonctionnelle du besoin et cahier des charges fonctionnel ,
dcembre 1991.
[Afn.96]
AFNOR NF-Z 68-901 Gnie automatique. Reprsentation des systmes de

contrle et de commande des systmes automatiss de production , novembre
1996.
[Ais.90]
J.Aisbett. An iterated estimation of the motion parameters of a rigid body

from noisy displacement vectors. IEEE Transactions Analysis and Machine
Intelligence, 12(11):1092-1098, November 1990.
[Alh.98]
H. Al haddad. Contrle par vision du mouvement dun robot mobile en

environnement naturel .Thse de doctorat, Universit Paul Sabatier,
laboratoire LAAS, novembre. 1998.
[Arc.03]
ARCOS 2003, Rapport :
Etude
de
definition
de
lAPD ,
Edition
publique, avril 2002.

[Aub.91]
J.P. Aubert, P. Dixneuf, Conception et programmation par object : techniques,

outils et applications, Edition Masson, Paris, 1992.
[Bab.89]
N.Baba, Anew approach for finding the global minimum error function of
neural networks, Neural Networks, vol.2, pp367-373, 1989.
[Bay.95]
M. Bayart, A.L. Gehin and M. Staroswiecki, Smart Intelligent Design,

MMAR96: Methods and Models in Automation and Robotics, Miedzyzdroje,
Pologne, pp. 727-732, 1996.
[Bea.94]
P. Beardsley, A. Zissermann, and D. Murray. Navigation using affine

structure from motion. In Proceedings of the 3rd European Conference on
Computer Vision, Stockholm, Sweden, pages 85-96, 1994.
192
[Ber.98]
M. Bertozzi, A. Broggi, GOLD: A parallel real-time stereo vision system for

generic obstacle and lane detection, IEEE Transactions on Image Processing 7
(1) (1998) 62 81.
[Ber.00]
M. Bertozzi, A. Broggi and A Fascioli, Vision-based Intelligent vehicles:

state of the art and perspectives , Journal of Robotics and Autonomous
Systems, 32(1):1-16, June 2000.
[Bis.97]
D. Bishop, Vehicle-highway automation activities in the United States, in:

Proceedings of the International AHS Workshop, US Department of
Transportation, 1997.
[Bla.01]
N. Blanc, CCD versus CMOS has CCD imaging come to an end ?. p. 131
137, 2001.
[Boe.88]
B.W. Boehm, TRW defense systems group, A spiral Model of software

development and enhancement, IEEE Computer, 21 (5), May 1988, pp.61-72.
[Boo.00]
G. Booch, J. Rumbaudh, I. Jacobson, UML, le guide de l'utilisateur, Eyrolles,

2000.
[Bou.98]
S. Bougnoux, from projective to Euclidian space under any practical situation,

a criticism of self-calibration. In Proceedings of the 6th International
Conference on Computer Vision, pages 790-796, Jan. 1998.
[Bri.86]
J.E. Brignell, Sensors in Distributed Instrumentation Systems, Sensors &

Actuators, Vol.10, pp.249, 1986.
[Bro.95]
A. Broggi, S. Bert, Vision-based road detection in automotive systems: A

real-time expectation-driven approach, Journal of Artificial Intelligence
Research 3 325348, 1995.
[Bro.97]
A. Broggi, G. Conte, F. Gregoretti, C. Sanso, L.M. Reyneri, The evolution

of the PAPRICA system, Integrated Computer-Aided Engineering Journal
(special issue on Massively Parallel Computing) 4 (2), pages 114136, 1997.
[Bro.99a]
A. Broggi, M. Bertozzi, A. Fascioli, The 2000 km test of the ARGO visionbased autonomous vehicle, IEEE Intelligent Systems, pages 5564, 1999.
[Bro.99b]
A. Broggi, M. Bertozzi, A. Fascioli, G. Conte. Automatic Vehicle Guidance :

The Experience of the ARGO Autonomous Vehicle . World Scientific
Publishing, 1999.
[Bro.86]
T.J. Broida and R. Chellappa. Estimation of object motion parameters from

noisy images. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 8(1):90-99, January 1986.
[Bro.71]
D.C. Brown, Close-range camera calibration. Photogrammetric Engineering,

37(8):855-866, 1971.
193
[Bru.88]
A.R. Bruss and B.K.P. Horn. Passive navigation. Computer Vision, Graphics
and Image Processing, 42(1):130-132, April 1988.
[Cab.99]
F. Cabestaing, R. Yang, J.L. Bruelle et J.-G. Postaire, Real Time Processing

of Images Sequences : Application ti Introsion Detection in Secured Areas,
Proceedings of International Conference On Quality Control by Artificial
Vision, QCAV99, Trois_Rivires, Qubec, Canada, 1999, pp 101-106,.
[Cha.98]
P. Charbonnier, P. Nicolle, Y. Guillard, J. Charrier, Road boundaries

detection using color saturation, in: Proceedings of the Ninth European Signal
Processing Conference 98, September 1998.
[Che.76]
P.P.S. Chen, The entity-relationship model: toward a unified view of data,

ACM transaction on database systems, Vol. 1, n1, mars 1976, pp. 9-36.
[Che.94]
Y.Q. Cheng, R.T. Collins, A.R. Hanson, and E.M. Riseman. Triangulation
without correspondences. In Proceedings of ARPA Image Understanding
Workshop, Monterey, California, USA, pages 993-1000, November 1994.
[Coa.91]
P. Coad, E. Yourdon, Object-Oriented Analysis, Prentice Hall, Eaglewood

Cliffs, New Jersey, 1991.
[Cod.97]
A. Coda, P.C. Antonello, B. Peters, Technical and human factor aspects of

automatic vehicle control in emergency situations, in: Proceedings of the
IEEE International Conference on Intelligent Transportation Systems 97,
1997.
[Cou.02]
P. Coulombeau, C. Laurgeau, Vehicle yaw, pitch, roll and 3D Line shape

recovery by vision, in: Proceedings of the IEEE Intelligent Vehicle
Symposium, Versailles, Paris, France, June 2002.
[Cri.91]
J.D. Crisman, C.E. Thorpe, UNSCARF, a color vision system for the
detection of unstructured roads, in: Proceedings of the IEEE International
Conference on Robotics and Automation, Sacramento, CA, pages. 2496 2501,
April 1991.
[Del.95]
D. Delfieu, Expression et Validation de Contraintes Temporelles pour la

Spcification des Systmes Ractifs , Thse de luniversit Paul Sabatier,
Toulouse, Janvier 1995.
[Den.94]
S. Denasi, C. Lanzone, P. Martinese, G. Pettiti, G. Quaglia, L. Viglione, Realtime system for road following and obstacle detection, in: Proceedings of the
SPIE on Machine Vision Applications, Architectures, and Systems Integration
III, pp. 7079, October 1994.
194
[Dic.95]
E.D. Dickmanns, Expectation-based multi-focal vision for vehicle guidance,

in: Proceedings of the Eighth European Signal Processing Conference 95,
Trieste, Italy, pp. 10231026, September 1995.
[Dou.73]
D. H. Douglas and T. K. Peucker. Algorithms for the reduction of the number

of points required to represent a line or its caricature. The Canadian
Cartographer, 10(2):112--122, 1973.
[Eas.00]
Eastman Kodak Company. Kodak CMOS image sensors white paper,

Rochester, 2000.
[Esa.89]
European Spacial Agency, HOOD Reference Manual-HOOD User Manual,

September and December 1989.
[Fai.75]
W. Faig, Calibration of close-range photogrammetry systems: Mathematical

formulation. Photogrammetric Engineering, 41(12): 1479-1486, 1975.
[Fan.84]
J.Q. Fang and T.S. Huang. Solving three dimensional small rotation motion
equations: Uniqueness, algorithms, and numerical results. Computer Vision,
Graphics and Image Processing, 26(2):183-206, May 1984.
[Fau.86]
O.D. Faugeras and G. Toscani, The calibration problem for stereo.

Proceedings of the IEEE Computer Vision and Pattern Recognition, pp. 15-20,
1986.
[Fau.87]
O.D. Faugeras, F. Lustman, and G. Toscani. Motion and structure from point
and line matches, In Proceedings of the 1st International Conference on
Computer Vision, London, England, pages 25-34. IEEE Computer Society
Press, June 1987.
[For.03]
D.A. Forsyth, J. Ponce. Computer Vision: A modern approach, Prentice

Hall, 2003.
[Fra.98]
U. Franke, D. Gavrila, S. Grzig, F. Lindner, F. Paetzold, C. Whler,

Autonomous driving goes downtown, in: Proceedings of the IEEE Intelligent
Vehicles Symposium 98, Stuttgart, Germany, pp. 4048, October 1998.
[Fun.95]
B.V. Funt, G.D. Finlayson, Color Constant, color Indexing, IEEE

Transactions on Pattern analysis and machine intelligence, 1995.
[Geh.94]
A.L. Gehin, Analyse fonctionnelle et Modle Gnrique des Capteurs

Intelligents: Application la Surveillance de lAnesthsie , Thse de
luniversit de Lille 1, Janvier 1994.
[Gev.01]
T. Gevers. Robust Histogram Construction from Color Invariants. University

of Amsterdam, 2001.
[Gia.86]
J.M. Giachino, Smart Sensors, Sensors & Actuators Vol.10, pp.239, 1986.
195
[Gin.04]
D. Gingras, W. Johnson and M. St.-Pierre, Vhicules Intelligents et Systmes

Intelligents Vhicule-Route, Rapport du projet ATALNTIC, Work Group 2.2;
Centre de recherche sur les transports, Qubec, Canada, avril 2004.
[Gol.98]
J. Goldbeck, D. Graeder, B. Huertgen, S. Ernst, F. Wilms, Lane following

combining vision and DGPS, in: Proceedings of the IEEE Intelligent Vehicles
Symposium 98, Stuttgart, Germany, pages. 445450, October 1998.
[Gol.96]
G. Golub and C. van Loan. Matrix Computations. The John Hopkins

University Press, Baltimore, Maryland, 3rd edition. 1996.
[Goo.XX]
J. Goodman, Introduction To Fourier Optics, McGraw-Hill Physical and

Quantum Electronics Series.
[Gra.99]
P. Grattoni, G. Pettiti and M.L. Rastello. Experimental Set-up for

Characterization of Automated Number Plate Recognizers, Elsevier
Measurement N 26, 1999.
[Hal.82]
E.L. Hall, J.B.K Tio, C.A. McPherson and F.A. Sadjadi. Measuring curved
surfaces for robot vision, Comput. J. 15 : 42-54, 1982.
[Har.85]
D. Harel, A. Pnueli, On the Development of Reactive Systems, in Logic and

Models of Concurrent Systems, NATO Asi Series in Computer Science, pp.
447-489, 1985.
[Har.88]
C. Harris and M. Stephens, A combined corner and edge detector, Fourth

Alvey Vision Conference. pp. 147-151, 1988.
[Har.94]
R.I. Hartley. An algorithm for self calibration from several views. In

Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition, pages 908-912, Seattle WA, June. 1994.
[Har.95]
R. I. Hartley. In Defence of the 8-point Algorithm. IEEE In Proceedings of the

5th International Conference on Computer Vision and Pattern Recognition.
Pages 908-912, Seattle, WA, June 1995.
[Har.97]
R. Hartley., P. Sturm, Triangulation, Computer Vision and Image

Understanding number 2 vol. 68 p.146-157, 1997.
[Har.99]
R.I. Hartley. Kruppas Equations Derived from Fundamental Matrix. IEEE

Transactions On Pattern Analysis and Matchine Intelligence. 1999.
[Har.00]
R. Hartley and A. Zisserman. Multiple View Geometry in Computer Vision.

Cambridge University Press. 2000.
[Har.04]
M. Hariti, Une Mthode Rapide Dappariement dImages Stroscopiques :

Application la Perception de lEnvironnement dUn Vhicule Routier ,
Thse de lUniversit de Technologie de Belfort-Montbliard, dcembre 2004.
196
[Hat.90]
D.J. Hatley, I.A. Pirbhai, Stratgies de spcification des systmes temps-rel

(SA-RT) , Editions Masson, 1990.
[Hel.03]
H. Helmers, M. Schellenberg, CMOS vs. CCD sensors in speckle

interferometry. Optics & Laser Technology, vol. 35 p.587 595, 2003.
[Her.92]
J. Hershberger and J. Snoeyink. Speeding up the Douglas-Peucker line

simplification algorithm. In Proc. 5th Intl. Symp. Spatial Data Handling. IGU
Commission on GIS, pages 134--143, 1992.
[Hod.91]
R. Hodgon, The X-Model : a processe model for object-orinted software

development, Proc. Of Le genie logiciel & se applications, Toulouse, 1991.
[Hor.96]
R. Horaud et O. Monga. Vision par ordinateur : outils fondamentaux,

Deuxime dition. Editions Herms, 1996.
[Hsi.02]
J.W. Hsieh, S.H. Yu and Y-S. Chen, Morphology-Based License Plate

Detection from Complex scene. 16th International Conference on Pattern
Recognition (ICPR02), vol. 03, 2002.
[Hua.89]
T.S. Huang and O.D. Faugeras. Some Properties of the E-matrix in two view
motion estimation. IEEE Transaction on Pattern Analysis and Machine
Intelligence, vol. 11, pp. 1310-1312. 1989.
[Igl.88]
I.G.L. Technology, SADT un langage pour communiquer, Eyrolles, 1989.
[Iss.04]
H. Issa, Mise En Correspondance Stroscopique Par Algorithmes

Gntiques : Nouveaux Codages , Thse de luniversit des sciences et
technologie de Lille, fvrier 2004.
[Ito.91]
M. Ito. Robot vision modelling camera modelling and camera calibration,

Adv. Robotics 5 : 321-335, 1991.
[Jan.02a]
JR, Janesick, Dueling detectors CMOS or CCD ? SPIEs OE Magazine, p.

30 3. 2002
[Jan.02b]
J. Janesick, Lux transfer: complementary metal oxide semicondictors versus

charge-coupled devices. Opt Eng 2002; 41(6):1203 15, 2002.
[Joc.93a]
T.M. Jochem, S. Baluja, Massively parallel, adaptive, color image processing

for autonomous road following, in: H. Kitano (Ed.),
Massively Parallel
Artificial Intelligence, AAAI Press/MIT Press, Cambridge, MA, 1993.

[Joc.93b]
T.M. Jochem, D.A. Pomerleau, C.E. Thorpe, MANIAC: A next generation

neurally based autonomous road follower, in: Proceedings of the Third
International Conference on Intelligent Autonomous Systems, Pittsburgh, PA,
February 1993.
[Joc.98]
T.M. Jochem, S. Baluja, A massively parallel road follower, in: M.A.

Bayoumi, L.S. Davis, K.P. Valavanis (Eds.), Proceedings of the IEEE
197
Computer Architectures for Machine Perception, New Orleans, LA, pp. 212,
December 1998.
[Jod.94]
J.F. Jodouin, Les rseaux neuromimtiques , Hermes, Paris, 1994.
[Jun.01]
K. Jung, Neural network-based text location in color images. Elsevier,

Pattern Recognition Letters vol. 22, 2001.
[Kan.96]
M.S. Kankanhalli, B.M. Mehtre and J.K Wu Cluster Based Color Matching
for Image Retrieval. Pattern Recognition, vol.26, N4, 1996.
[Kar.94]
A. Kara, D.M. Wilkes, and Kawamura. 3D structure reconstruction from

point correspondences between two perspective projections. Computer
Vision, Graphics and Image Processing: Image Understanding, 60(3):392-397,
November 1994.
[Kav.00]
S. Kavadis, B. Dierickx, D. Scheffer, A. Alaerts, D.U. Waerts and, J. Bogaerts,

A logarithmic response CMOS image sensor with on-chip calibration. IEEE
Solid-State Circuits 2000;35(8):1146 52, 2000.
[Kim.95]
K.I. Kim, S.Y. Oh, S.W. Kim, H. Jeong, C.N. Lee, B.S. Kim, C.S. Kim, An
autonomous land vehicle PRV II: Progresses and performance enhancement,
in: Proceedings of the IEEE Intelligent Vehicles Symposium 95, Detroit, MI,
pp. 264269, September 1995.
[Kim.02a]
S. Kim, D. Kim, Y. Ryu and G. Kim, A Robust License-Plate Extraction

Method under Complex Image Conditions, 16th International Conference On
Pattern Recognition, 2002.
[Kim.02b]
K.I. Kim, K. Juang and J.H. Kim, Color Texture-Based Object Detection: An
application to License plate Localization. 1st International Workshop SVM
2002, Niagara Falls, Canada, 2002.
[Kit.82]
L. Kitchen and A. Rosenfeld. Gray level corner detection. Pattern Recognition

Letters. 1:95-102, 1982.
[Kol.95]
D. Koller, J. Malik, Q.-T. Luong, J. Weber, An integrated stereo-based

approach to automatic vehicle guidance, in:
Proceedings of the Fifth
International Conference on Computer Vision, Boston, MA, pp. 1220, 1995.

[Kru.95]
W. Kruger, W. Enkelmann, S. Rossle, Real-time estimation and tracking of

optical flow vectors for obstacle detection, in: Proceedings of the IEEE
Intelligent Vehicles Symposium 95, Detroit, MI, pp. 304309, September
1995.
[Kwa.02]
H. Kwasnicka, B. Wawrzyniak, License plate localization and recognition in

camera pictures, AI-METH 2002 Artificial Intelligence Methods November
13-15, Gliwice, Poland, 2002.
198
[Lab.02]
R. Labayrade, D. Aubert and J.Ph. Tarel, Real Time Obstacle Detection in

Stereo Vision on non Flat Road Geometry through "V-Disparity"
Representation, in: Proceedings of the IEEE Intelligent Vehicle Symposium,
Versailles, Paris, France, June 2002.
[Lab.04]
R. Labayrade, Dtection Dobstacles Par Strovision , Thse de

lUniversit Paris VI, Janvier 2004.
[Lam.97]
S. Lampierre-Couffin, De la verification de cahiers des charges de systmes

vnements discrets la validation des spcifications dcrites en Grafcet ,
thse de lEcole Normal Suprieure de Cachan, Toulon, janvier 1997.
[Lan.01]
J. Langheim, CARSENSE New environment sensing for advanced driver

assitance systems, IEEE Intelligent Vehicles Symposium, National Institute
of Informatics, Tokyo, Japan, May 2001.
[Lec.87]
Y. Lecun, Modles connexionnistes de lapprentissage , Thse de doctorat,

Universit de Paris IV, 1987.
[Lec.98]
S. Lecoeuche, Reconnaissance de caractres industriels par application dun

systme de rseaux de neurones boucle de rtroaction , Thse de doctorat de
luniversit des sciences et de la technologie de Lille, novembre 1998.
[Lee.94]
E.R. Lee, P.K. Kim, H.G. Kim, Automatic recognition of a car license plate
using color image processing, Proceedings of International Conference on
Image Processing, pp.301-305, 1994.
[Lem.99]
E. Lemaire, Spcification et Vrification Fonctionnelle et Comportementale

dun quipement Intelligent, Thse de luniversit des sciences et
technologies de Lille, dcembre 1999.
[Lob.03]
J. Lobo,C. Queiroz and J. Dias, World feature detection and mapping using
stereovision and inertial sensors , Robotics and Autonomuous Systems vol. 44
p. 69-81, 2003.
[Luo.92]
Q.-T.
Luong.
Matrice
Fondamentale
et
calibration
Visuelle
sur
lEnvironnement Vers une plus grande autonomie des systmes robotiques.

PhD thesis, Universit de Paris-Sud, Centre dOrsay, Dec. 1992.
[Luo.93]
Q.-T. Luong and O.D. Faugeras. Self-calibration of a stereo rig from unknown
camera motions and point correspondences. INRIA, RR 2014, Juillet 1993.
[Luo.97]
Q.-T. Luong and O.D. Faugeras. Self-calibration of a moving camera from

point correspondences and fundamental matrices. The International Journal of
Computer Vision, 22(3):261-289, 1997.
199
[Lut.97]
D. Luttenbacher D., Modlisation du concept capteur intelligent par une

approche oriente objet : application un capteur intelligent de temprature ,
Thse de luniversit Henri Poincarr, Nancy, fvrier 1997.
[Lt.98]
M. Ltzeler, E.D. Dickmanns, Road recognition with MarVEye, in:

Proceedings of the IEEE Intelligent Vehicles Symposium 98, Stuttgart,
Germany, pp. 341346, October 1998.
[Mag.03]
P. Magnan,Detection of visible photons in CCD and CMOS: A comparative

view. Nuclear Instruments and Methods in Physics Research A 504, p.199
212, 2003.
[Mas.92]
M.H. Masson, Rseaux de neurones et reconnaissances de formes , Thse

de doctorat, U.T.C Compigne, 1992.
[Mau.96]
M. Maurer, R. Behringer, F. Thomanek, E.D. Dickmanns, A compact vision

system for road vehicle guidance, in: Proceedings of the 13th International
Conference on Pattern Recognition, Vienna, Austria, 1996.
[May.92]
S. J. Maybank and O. D. Faugeras. A theory of self-calibration of a moving

camera. The International Journal of Computer Vision, 8(2):123-152, Aug.
1992.
[Mic.97]
S.L. Michael Beuvais, C. Kreucher, Building world model for mobile

platforms using heterogeneous sensors fusion and temporal analysis, in:
Proceedings
of
the
IEEE
International
Conference
on
Intelligent
Transportation Systems 97, Boston, MA, p. 101, November 1997.

[Min.69]
M. Minsky, S. Papert. Perceptrons, MIT Press, Cambridge, MA, 1969.
[Mor.77]
J. More. The levenberg-marquardt algorithm, implementation and theory. In

G.A. Watson, editor, Numerical Analysis, Lecture Notes in Mathematics 630.
Spring-Verlag, 1977.
[Par.03]
M. Parent, G. Gallais, Cybercars : review of first projects , International

Conference on People Movers APM03. Singapore, September 2003.
[Par.96a]
JR. Parker, P. Federl, An approach to License Plate Recognition, Computer

Science Technical Report (1996-591-11), 1996.
[Par.96b]
J.R. Parker, Algorithms for image processing and computer vision, Wiley
Computer Publishing, 1996.
[Per.05]
M. PEREZ-PATRICIO, Strovision Dense Par Traitement Adaptatif temps

rel : Algorithmes et Implantations , Thse de lUniversit des Sciences et de
la Technologie de Lille, fvrier 2005.
[Pol.99]
M. Pollefeys. Self-calibration and metric reconstruction from uncalibrated

image sequences. Ph.D. Thesis. Katholieke Univesiteit Leuven. May 1999.
200
[Pom.96]
D.A. Pomerleau, T.M. Jochem, Rapidly adapting machine vision for

automated vehicle steering, IEEE Expert 11 (2), 1996.
[Pos.87]
J.G. Postaire, De limage la decision, Dunod, 1987.
[Pre.88]
W.H. Press, B.P. Flannery, S.A. Teukolsky and W.T. Vetterling. Numerical
Recipes : Thes Art of Scientific Computing. Cambridge University Press.
1988.
[Ram.04]
A. Rambaldini, G. Alessandretti, G. Irato, P. Metetti, E. Nodari, A. Toffeti and

C. Zoldane, Iterative Design of a New On-Board System for public Vehicles:
From the idea to prototype, FISITA 2004, Bercelona, May 2004.
[Ros.58]
F. Rosenblatt, The Perceptron: a Probabilistic Model for Information Storage

and organization in the Brain, Psychological Review, volume 65, pp. 386408, 1958.
[Rov.99]
S. Rovetta, R. Zunino, License-plate localization by using vector

quantization, International Conference on Acoustics, Speech and Signal
Processing, 1999.
[Roy.70]
W.W. Royce,Managing the development of large software systems, Proc.

WESTCON, California., USA, 1970.
[Rum.86]
D. Rumelhart, G. Hinton & R.J. Williams, Learning internal representations

by error propagation, in Rumelhart&McClelland Editions Parallel distributed
processing Explorations in microstructures of cognition. Cambridge, MA:
MIT Press, 1986.
[Sal.02]
J. Salvi, X. Armangu and J. Batlle. A comparative review of camera

calibrating methods with accuracy evaluation. The Journal of The Pattern
Recognition Society. 35 : 1617-1635, 2002.
[Sch.98]
C. Schmid, R. Mohr and C. Bauckhage, Comparing and Evaluating Interest

Points, Proceedings International Conference on Computer Vision, Norosa
Publishing House, pp. 230-235, 1998.
[She.90]
R.N. Shepard, Neural Nets For Generalization and Classification: Comment

on Staddon and Reid (1990), Psychological Review, Volume 97, Issue 4,
pages 579-580, 1990
[Smi.92]
S. Smith. Feature based image sequence understanding. Ph.D. thesis,

Oxford: Department of Engineering Science, University of Oxford, 1992.
[Smi.95]
S.M. Smith, J.M. Brady, ASSET-2: Real-time motion segmentation and shape
tracking, IEEE Transactions on Pattern Analysis and Machine Intelligence 17
(8) 814829, 1995.
201
[Sta.94]
M. Staroswiecki et M. Bayart, Actionneurs intelligents , Edition Hermes,

1994.
[Ste.02]
B. Steux, C. Laurgeaux, L. Salesse and D. Wautier, Fade : A vehicle detection

and tracking system featuring monocular color vision and radar data fusion,
in: Proceedings of the IEEE Intelligent Vehicle Symposium, Versailles, Paris,
France, June 2002.
[Stu.97]
P.F. Sturm. Vision 3D non calibre : contributions la reconstruction

projective et tudes des mouvements critiques pour lauto-calibrage . Ph.D
Thesis. Institut National Polytechnique de Grenoble. Dcembre 1997.
[Str.95]
M.A. Stricker, M. Orengo, Similarity of color images, in Storage and

Retrieval for Image and Video Databases, Proc 2420, 1995.
[Tay.99]
C.J. Taylor, J. Koseck, R. Blasi, J. Malik, A comparative study of visionbased lateral control strategies for autonomous highway driving, International
Journal of Robotics Research 18 (5) 442453, 1999.
[Tok.97]
H. Tokuyama, AsiaPacific projects status and plans, in: Proceedings of the

International AHS Workshop, US Department of Transportation, 1997.
[Tos.87a]
G. Toscani and O.D. Faugeras. Structure and motion from two noisy
perspective views . In Proceedings of IEEE International Conference on
Robotics and Automation, Raleigh, North Carolina, USA, pages 221-227.
IEEE Computer Society Press, March 1987.
[Tos.87b]
G. Toscani and O.D. Faugeras. Structure from motion using the

reconstruction & reprojection technique. In Proceedings of the IEEE
Computer Society Workshop on Computer Vision, pages 345-348. IEEE
Computer Society Press, November 1987.
[Tos.87c]
G. Toscani, Systmes de calibration et perception du mouvement en vision

artificielle, Thse de doctorat, Universit Paris Sud, 1987.
[Tou.04]
P-F. Toulotte, S. Delprat, T-M. Guerra et J. Boonaert, Robust fuzzy control

with pole placement in LMI region : Application to an automated vehicle.
IEEE VTS-VPP 04, Paris, France, October 2004.
[Tru.98]
E. Trucco, A. Verri, Introductory techniques for 3-D Computer Vision,

Prentice Hall, 1998.
[Tsa.87]
R.Y. Tsai. A versatile camera calibration technique for high-accuracy 3D

machine vision metrology using off-the-shelf tv cameras and lenses. IEEE
Journal of Robotics and Automation, 3(4): 323-344, Aug. 1987.
202
[Van.92]
J. Van der Spiegle, Computational Sensors of the 21st Century, Extended

Abstracts of International Symposium on Sensors in the 21st Century, pp.51,
Tokyo 1992.
[Van.00]
N. Vandenbroucke, Segmentation dimages couleur par classification de

pixels dans des espaces dattributs colorimtriques adapts. Appalication
lanalyse dimages de football , Thse de luniversit des sciences et de la
technologie de Lille, 2000.
[War.86]
P. Ward, S. Mellor, Structured Development of Real-Time Systems.

Englewood Cliffs, Yourdon Press, 1986.
[Wel.95]
G. Welch, G. Bishop. An Introduction To Kalman Filter. Technical Report

TR95-041, University of North Carolina at Chapel Hill, 1995.
[Wen.87]
J. Weng, T.S. Huang, and N. Ahuja. Error Analysis of motion parameter

estimation from image sequences. In Procedings of 1st International
Conference on Computer Vision, London, England, Pages 703-707. IEEE
Computer Society Press, June 1987.
[Wen.88]
J. Weng, N. Ahuja, and T.S. Huang. Closed-form solution + maximum

likelihood: A robust approach to motion and structure estimation. In
Proceedings of the Conference on Computer Vision and Pattern Recognition,
San Diego, California, USA, pages 381-386, June 1988.
[Wen.92]
J. Weng, P. Cohen and M. Herniou. Camera calibration with distorsion

models and accuracy evaluation. IEEE Trans. Pattern Anal. Mach. Intell. 14 :
965-980, 1992.
[Wil.94]
R. Willson, Modelling and calibration of Automated Zoom Lenses, Ph.D.

thesis, Department of Electrical and Computer Engineering, Carnegie Mello
University, January 1994.
[Yak.78]
Y. Yakimovsky and R. Cunningham. A system for extracting threedimensional measurements from a stereo pair of TV cameras. Computer
Graphics and Image Processing, 7(2):195-210, 1978.
[Yam.84]
H. Yamasaki, Approaches to Intelligent Sensors, Proc. of the 4th Sensor

Symposium, pp.69, 1984.
[Yam.91]
H. Yamasaki, Sensors and Intelligent Systems, Y. Hashimoto and W. Day ed.

Mathematical and Control Applications in Agriculture and Horticulture (Proc.
IFAC/ISHS Workshop Matsuyama 1991) pp.349, Pergamon Press, 1991.
[Yam.93]
H. Yamasaki and K. Takahashi, An Intelligent Sound Sensing System Using

Sensor Fusion, Digest of Technical papers Transducers 93 pp 2 1993.
203
[Zay.03a]
M. Zayed., J. Boonaert. , An effective Stereo-head points matching

approach. The Fourth International Conference AIAI, Montreal, Canada, June
2003.
[Zay.03b]
M. Zayed., J. Boonaert, Obstacles detection from disparity properties in a

particular stereovision system configuration. The 6th IEEE on Intelligent
Transportation Systems, Shanghai, China, p 311-316, October 2003
[Zay.03c]
M. Zayed, A. Rennuit, J. Boonaert, Plate Detection and Tracking for

Automatic Car Following. International Crashworthiness and Design
Symposium "Innovation Technologique Pour les Transports Terrestres", Lille,
France, Decembre 2003.
[Zay.04a]
M. Zayed, J. Boonaert and M. Bayart, A low cost Stereovision Sensor for

Non-Contact Measurement Purpose, 7th IFAC Symposium on Cost Oriented
Automation, Qubec, Canada, June 2004.
[Zay.04b]
M. Zayed, J, Boonaert and M. Bayart, License Plate Tracking for Car

Following with a Single Camera, 7th IEEE International Conference on
Intelligent Transportation Systems, Washington DC, USA, October 2004.
[Zha.94]
Z. Zhang, R. Deriche, O. Faugeras and Q.-T. Luong. A Robust Technique for

Matching Two Incalibrated Images Through the Recovery of the Unknown
Epipolar Geometry. INRIA. RR 2273. 1994.
[Zha.00]
Z. Zhang, A Flexible New Technique for Camera Calibration . IEEE

Transactions on Pattern Analysis and Machine Intelligence. 22(11):1330-1334.
2000.
[Zhu.86]
X. Zhuang, T.S. Huang, and R.M. Haralick. Two-view motion analysis: A

unified algorithm. Journal of the optical Society of America A, 3(9):14921500, September 1986.
204
Annexe
Annexe A
ANNEXE A
A.
Lobjectif des camras
Le rle de lobjectif dune camra et de capter les rayons lumineux issus de la scne
observe et de les faire converger vers la rtine du capteur dimage. On cherche faire
converger le plus de rayons possible en un seul point. La fonction ralise par lobjectif se
ramne une opration de projection dun espace 3D vers un espace 2D.
Lobjectif se prsente physiquement sous la forme dun cylindre qui contient un certain
nombre de lentilles assembles dune faon trs prcise. Il dispose galement dun certain
nombre de bagues qui permettent le rglage de ses paramtres. Gnralement les objectifs
se fixent sur les camras soit par une liaison de type baonnette (comme les appareils
photographiques) ou vis (monture de type C ou CS). En ce qui nous concerne, nous avons
ralis un capteur stroscopique modulaire permettant dutiliser soit des Webcams
modifies, utilisant des objectifs vis (monture C), soit des camscopes du commerce, ceuxci disposant dobjectifs baonnette ou directement intgrs au botier.
A.1.
Paramtres caractristiques dun objectif

Un objectif est caractris par les paramtres suivant :
A.1.1.
La focale :
La focale est la distance entre le centre optique et le plan focal. La sous-unit en usage
est le millimtre (mm). Plus la focale est petite et plus langle de vue est grand (cest par
exemple le cas des optiques des Webcams du commerce). On trouve principalement trois
types dobjectifs :
-
Focale fixe
Focale variable manuelle
Focale variable automatiquement (auto focus).
A.1.2.
Le diaphragmme :
Ce dispositif permet de rgler la quantit de lumire qui traverse lobjectif, ce rglage

peut seffectuer de deux manires diffrentes :
-
Manuellement : En manipulant la bague correspondante.
Automatiquement : Le diaphragme est alors asservi, la grandeur de consigne se

ramenant la quantit de lumire reue.
205
Annexe
Annexe A
Le rglage manuel du diaphragme convient uniquement si la luminosit de la scne est

peu ou pas variable, o si le capteur utilis par ailleurs est temps dintgration variable.
Lorsque la luminosit de la scne est amene varier rapidement pour le capteur, le rglage
automatique simpose.
A.1.3.
Le Focus :
Le focus permet de faire varier lgrement la distance entre lobjectif et le plan

principal. En effet, un objectif ne fait en toute rigueur converger correctement quun seul plan
de la scne observe par la camra sur le plan image. Rgler le focus revient changer le plan
du monde rel correctement projet. Dune manire gnrale, lespace au-del et en de de
ce plan est plus ou moins flou. A linstar du diaphragme, il existe des objectifs avec focus
manuel ou focus automatique (auto-focus).
A.2. La Qualit dun objectif

La qualit des objectifs est lie principalement aux lentilles qui composent lobjectif.
Les lentilles se caractrisent essentiellement par :
A.2.1.
La qualit du matriau
On trouve les lentilles en plastique et les lentilles en verre. Les lentilles en verre
prsentent de bien meilleures qualits optiques (transmission, reflet, dviation,). Leur prix
est par contre nettement suprieur.
La plupart des objectifs sont raliss partir de plusieurs lentilles. Le signal
rfract, de lentille lentille, subit aussi des rflexions partielles ainsi que des aberrations
sphriques et chromatiques. Pour cette raison, certaines lentilles sont traites pour lantireflet
et les combinaisons de dioptres parfois complexes destines viter les aberrations
ncessitent un matriau trs transparent pour viter une trop grande perte de luminosit. Bien
entendu, le prix est (cest le cas de la dire) limage des performances obtenues !
A.2.2.
La rponse spectrale
Celle-ci dfinit le comportement de lobjectif en fonction de la longueur donde de la

lumire le traversant. Cette caractristique est importante ds que linformation couleur
est utilise.
A.2.3.
La distorsion
La distorsion est responsable de la dformation de limage. Elle induit des non-linarits

dans lopration de projection. Ces distorsions sont en gnral dautant plus prsentes que la
focale utilise est courte.
206
Annexe
Annexe B
ANNEXE B
B.
Le transfert des images
On distingue entre deux types de transfert des images, lun est analogique et fait appel
aux normes CCIR (norme europenne) ou RS-170 (norme nord-amricaine) du monde de la
tlvision, tandis que lautre est numrique.
Nous nous intressons plutt aux transferts numriques, puisque ceux-ci sont mis en
uvre par un grand nombre de camras grand public et professionnelles, et ceci des prix
raisonnables (du moins dans le premier cas cit). Cest pour cette raison que le transfert
numrique a eu notre prfrence.
B.1.
Le transfert numrique
Le transfert numrique des images sappuie sur deux normes. La premire dfinit la
couche physique et la seconde dfinit quant elle le protocole.
La technique de dveloppement des ces modes de transfert repose en effet sur la
philosophie applique aux rseaux informatiques. Cette dernire consiste dcomposer la
communication en plusieurs couches, et dfinir une norme pour chacune dentre elles. Le
grand avantage dune telle approche est de pouvoir effectuer des changements dans une
couche, sans pour autant remettre en question la compatibilit avec les couches suprieures et
infrieures.
A lheure actuelle, la technologie employe est limite et rpond difficilement aux
attentes de certaines applications, qui exigent le transfert dimages de taille importante,
codes sur 8 ou 16 bits par pixel des cadences dacquisition trs leves (suprieures 50
Hz). Lordre de grandeur du flux de donnes ncessaire est alors de 100 Mga Octets par
seconde.
Dans ce qui suit, nous allons dcrire les normes RS-422, RS-644, IEEE1394 et USB, qui
dfinissent les couches physiques de la transmission, puis la norme CCIR-601, qui dfinit,
quant elle la couche protocole de communication .
B.1.1.
La norme RS 422 ou EIA 422
Cest une norme lectrique de communication de donnes au-del de 15 mtres (Les

ports sries du Macintosh sont des ports RS-422). Elle a t conue pour des transferts point
point, avec ventuellement plusieurs points darrive. La norme EIA 422 permet davoir des
207
Annexe
Annexe B
connexions plus longues et des dbits plus importants que la norme EIA 232 (Les ports
sries du PC standard). Pour atteindre ces performances, les signaux sont transmis en
diffrentiel, pour une meilleure immunit aux bruits.
Afin de transmettre les images de la camra la carte dacquisition vido, on utilise une
connexion compose de plusieurs liaisons EIA 422 lmentaires. Une partie des ces liaisons
transmet des pixels. En gnral, il y a autant de liaisons que de bits utiliss pour la
quantification. Par exemple, 8 liaisons sont utilises pour des pixels cods sur 8 bits. Une
autre partie des liaisons transmet les signaux de contrle (horloge, synchronisation ligne et
image,..).
B.1.2. La norme RS 644 ou EIA 644
La norme EIA 644 appartient la famille des LVDS (Low Voltage Differential
Signal). Cette norme permet un dbit 3 9 fois suprieur la norme EIA 422.
Les normes EIA 644 et EIA 422 prsentent une certaine compatibilit entre elles,
puisquun rcepteur EIA 644 peut recevoir un metteur EIA 422.
B.1.3.
Le standard IEEE 1394
La norme IEEE 1394 a t conue par Apple Computer Inc et dveloppe dans le
groupe de travail IEEE 1394. Il sagit dune liaison srie dont le dbit peut atteindre 3200
Mbits/s dans sa dernire version (FireWire b).
Le IEEE 1394 a t dvelopp pour amliorer les performances des rseaux LAN, en
permettant de garantir une bande passante importante des cots rduits. Il vise galement
remplacer les liaisons parallles type SCSI, par de meilleurs dbits et une plus grande
souplesse dutilisation ( au niveau connectiques et longueur des liaisons). Cette norme permet
galement le plug-and-play, ce qui lui procure une trs grande flexibilit dutilisation.
208
Annexe
Annexe C
ANNEXE C
C
Le modle de la distorsion des lentilles
Les camras exhibent gnralement des distorsions dues leurs optiques, la principale
dentre elles tant la distorsion radiale. Les phnomnes de distorsion peuvent tre modliss
par :
-
- Deux coefficients de distorsion radiale r1 et r2
- Deux coefficients de distorsion tangentielle t1 et t2

Soit (u, v) les coordonnes image issues dune projection idale, et (u# , v# ) les
coordonnes image du mme point, issues dune projection relle (coordonnes assujetties
la distorsion). De la mme manire, ( x, y ) reprsentent les coordonnes idales dans le repre
camra et ( x# , y# ) les coordonnes assujetties la distorsion dans ce mme repre camra. La
distorsion subie sexprime donc par :
x# = x + x [r1 k 2 + r2 k 4 ] + [2 t1 x y + t2 (k 2 + 2 x 2 )]
'**(**
) '****
*(*****
)
la distorsion radiale
la distorsion tangentielle
r1 k 2 + r2 k 4 ] + [2 t1 x y + t2 (k 2 + 2 y 2 )]
y# = y + y ['*
*(**
) '****
*(*****
)
la distorsion radiale
la distorsion tangentielle
Avec :
(C.1)
k 2 = x2 + y 2
Le centre de la distorsion radiale est le point principal. Cela est d au fait que :
x = (u u0 ) u
y = (v v0 ) v
(C.2) et
x# = (u# u0 ) u
y# = (v# v0 ) v
Avec : u0 , v0 , u et v sont les paramtres intrinsques de la camra.

Ainsi le systme dquations (C.1) peut scrire sous la forme suivante :
209
(C.3)
Annexe
k2
u# = u + (u u0 ) r1 k 2 + r2 k 4 + 2 t1 y + t2 + 2 x
x

k2
2
4
#
=
+
+ 2 y
v
u
(
v
v
)
r
k
r
k
2
t
x
t
0 1
2
2
1
210
Annexe C
(C.4)
Annexe
Annexe D
ANNEXE D
D.1. Le dtecteur de Harris
La premire tape applique par lalgorithme consiste calculer les drives de
lintensit pixel I (u, v ) suivant u et v dans limage. A lissue de cette opration, pour chaque
pixel dabscisse u et dordonne v , une matrice A(u, v) est calcule suivant.
I (u, v) 2
A(u, v) =
I (u, v) I (u, v)
v
u
I (u , v) I (u, v)
u
v
2
I (u, v)

(D.1)
Les valeurs propres sont calcules trs classiquement en rsolvant lquation:

Det ( A I 2 ) = 0 , o reprsente les valeurs propres et I 2 est la matrice identit. Sagissant
dune quation du second degr, les solutions recherches sexpriment simplement par :
1
Trace( A) Trace 2 ( A) 4 Det ( A) (D.2)
2
Les quantits Det ( A) etTrace( A) reprsentant respectivement le dterminant et

la trace de la matrice A .
En terme dinterprtation, si les deux valeurs propres (1
2 ) de la matrice A sont
leves, cela signifie quun petit dplacement dans nimporte quelle direction partir du pixel
considr engendrera un changement significatif du niveau de gris, ce qui se passe exactement
dans le cas des coins. Par consquent, en analysant les valeurs propres minimums calcules
pour chaque pixel, on peut en dduire si ce dernier constitue effectivement un coin . Cette
extraction de la valeur minimale des deux valeurs propres calcules sexprime par :
f ( x, y ) = min(1 (u, v), 2 (u, v)) (D.3)
Etant donn un seuil (calcul gnralement partir de lhistogramme des valeurs
propres minimums pour chacun des pixels de limage), si f (u , v) > , on peut conclure que le
pixel de coordonnes (u v ) est vraisemblablement un coin. Pour viter de dtecter plusieurs

T
coins lis au coin rel, un candidat nest considr comme tel que sil est suffisamment loin
des N coins dj dtects, ce qui se traduit par lingalit suivante :
211
Annexe
i < N , C i ( x, y ) C N ( x, y ) D
Annexe D
(D.4)
D tant la distance euclidienne minimum qui doit sparer nimporte quelle paire
de coins.
La figure ci-dessous illustre le rsultat obtenu aprs application de la procdure dcrite
plus haut.
Figure III.5 :
Rsultat de la procdure de dtection des coins (image de Marc

Pollefeys).
212
Annexe
Annexe E
ANNEXE E
E.1. Le calcul de la matrice fondamentale
Supposons que nous ayons dj trouv un certain nombre de correspondances
p p ' entre les deux images. Chaque mise en correspondance fournit une contrainte linaire
sur les coefficients de F :
uu ' f 11 + uv' f12 + uf 13 + vu ' f 21 + vv' f 22 + vf 23 + u ' f 31 + v' f 32 + f 33 = 0
(u
(E.1)
v 1) et (u ' v' 1) . La combinaison des quations obtenues partir de chaque mise en

Les
coordonnes
des
points
et
p'
sont
notes
ici
respectivement
correspondance, aboutit un systme linaire de la forme Af = 0 , o f est un vecteur
contenant les neuf coefficients de la matrice F . Chaque ligne de la matrice A est ainsi
construite partir des coordonnes image des points p et p ' dun seul appariement. Puisque
F est seulement dfinie un facteur dchelle prs, on peut contraindre la solution avoir
une norme unitaire. Gnralement, on a toujours plus de huit paires de correspondance, et on
utilise la rsolution au sens des moindres carrs pour trouver une solution :
min
avec, Af
f =1
Af
(E.2)
= f T AT Af
Ceci revient trouver le vecteur propre associ la plus petite valeur propre de la
matrice symtrique positive AT A . Plusieurs techniques numriques standards sont
envisageables. Cependant, cette formulation n'impose pas la contrainte du rang, ainsi une
deuxime tape est ajoute au calcul pour projeter la solution F sur le sous-espace de rang
2 , en effectuant la dcomposition en valeurs singulires de F et en galisant la plus petite
valeur singulire zro. La dcomposition en valeurs singulires, dcompose la matrice F
comme suit :
F =QDR
(E.3)
Avec, D une matrice diagonale, et Q et R sont orthogonales. Laffectation de zro la

plus petite valeur diagonale de D conduit au rsultat souhait.
213
Annexe
Annexe E
La mthode dcrite ci-dessus est gnrique et son application sans tenir compte des
considrations numriques conduit des rsultats instables. Ainsi, la matrice AT A construite
partir de la matrice A est mal conditionne36. Une solution simple ce problme consiste
normaliser les coordonnes des pixels (par exemple passer de [0, 640] [ 1, 1] ), avant
dappliquer la dmarche dcrite prcdemment. Ceci a pour consquence de produire une
matrice A bien conditionne. En pratique, un effort considrable doit galement tre entrepris
pour rejeter les faux appariements des donnes d'entre ou se montrer numriquement plus
robuste vis--vis de ces derniers. Gnralement, les mthodes bases sur les moindres des
mdianes des carres produisent de bons rsultats.
36
Le nombre de conditionnement est trs grand.
214
Annexe
Annexe F
ANNEXE F
F.1. Dtail de lextraction des paramtres intrinsques de la camra
partir de la matrice fondamentale
Lquation de Longuet-Higgins (F.1), est applicable quand les coordonnes sont
normalises (sans dimension) afin de calibrer la ou les camras. Si le dplacement entre les
deux camras (ou les deux positions conscutives de la camra) est donn par une rotation R
et une translation T , et si m est le correspondant de m' , alors la contrainte de coplanarit
reliant les droites (C ' m') et (Cm ) est la suivante :
m'T (T R)m = m'T E m = 0 (F.1)

La matrice E , dfinie par le produit dune matrice orthogonale (la matrice de rotation)
par une matrice antisymtrique, est appele la matrice essentielle. Elle dpend uniquement de
cinq paramtres. La relation entre les coordonnes camras et les coordonnes images est
donne par :
u u

v = 0
1 0

Ainsi, on aura :
v
0
u 0 X c

v0 Yc
1 1
(F.2)
p = C m et p' = C 'm'
On rappelle que les coefficients des matrices C et C ' sont les paramtres intrinsques
des deux camras. Dans le contexte de lauto calibration dune unique camra se dplaant
dans une scne rigide37, il est lgitime de les supposer dornavant gales. En remplaant dans
lquation (3.31), on obtient :
p'T (C 1 ) T E (C 1 ) p = 0
(F.3)
De ce qui prcde, on peut en dduire que :
F = (C 1 ) T E (C 1 )
37
(F.4)
Cette remarque vaudrait aussi dans le cas dun systme stroscopique constitu de deux camras parfaitement identiques.
215
Annexe
Annexe F
La matrice essentielle E dpend seulement de cinq paramtres indpendants. Elle est

contrainte par deux quations polynomiales, en plus de Det ( E ) = 0 . Si F est connue, il
dcoule de E = C T FC que les coefficients de la matrice C sont assujettis aux deux quations
polynomiales hrites de E . Lauto calibration consiste alors utiliser ces contraintes afin
dobtenir les paramtres intrinsques partir de la matrice fondamentale. Les quations de
Kruppa, dtailles dans ce qui suit, constituent alors un outil efficace.
F.2 Extraction des quations de Kruppa partir de la transformation

pipolaire
Les contraintes mentionnes prcdemment expriment le fait que le mouvement de la
camra prsente ncessairement un dplacement rigide. Plusieurs formulations sont possibles.
La formulation la plus intressante est lutilisation des quations de Kruppa, exploites la
premire fois dans le domaine de la vision par ordinateur par Faugeras et Maybank afin
dtudier le mouvement, puis ensuite pour dvelopper une thorie dauto calibration. Les
quations de Kruppa sont obtenues partir dune interprtation gomtrique des contraintes
de rigidit de la scne. Cette interprtation se rapporte aux tangentes limage du cne
absolu38 sur les deux vues prises par la mme camra. Les deux images sont lies lune
lautre par une transformation pipolaire. La matrice de lenveloppe du cne ( dual conic ,
voir annexe D) de est la matrice enveloppe39 ( dual ) K = B * , avec B la matrice de :
B = (C T ) 1 C 1 (F.5)
La ligne pipolaire l = e, p est tangentielle , si et seulement si :
(e p ) T K (e p ) = 0
(F.6)
qui est lquation dfinissant lenveloppe du cne absolu. Ici, K = C C T , e est

lpipole et p est un point appartenant la ligne pipolaire tangentielle limage du cne
absolu.
Soit F la matrice fondamentale du systme de strovision. Effectuons un changement
de coordonnes image (dans chaque image) de telle manire que les pipoles se situent aux
centres des images et que les lignes pipolaires aient les mmes ordonnes dans les deux
images. De cette faon, la dernire ligne et la dernire colonne de la matrice fondamentale
38
Le cne absolu est un cercle imaginaire de rayon
39
Matrice dual: matrice de cofacteurs.
i = 1 dans le plan linfini.
216
Annexe
Annexe F
disparaissent et la matrice fondamentale F ' issue de ces transformations aura la forme

suivante :
0 1 0
F ' = 1 0 0
0 0 0
(F.7)
On nomme et ' les matrices 3 3 associes aux transformations appliques

respectivement la premire et la deuxime image. Les matrices des paramtres
intrinsques C et C ' deviennent alors respectivement C et 'C ' tandis que les matrices
de projection scrivent maintenant P et 'P' .
Considrons alors un plan passant par les centres de projection des deux camras et
tangentiel au cne absolu. Ce plan est projet en deux lignes pipolaires, qui sont tangentielles
par construction limage du cne absolu, dont on rappelle que celle-ci est invariante par
rapport la position de la camra (En ralit, il y a deux paires de lignes pipolaires qui
satisfont cette condition, comme le montre la Figure F.1).
On rappelle que les lignes pipolaires sur les deux images ont des quations identiques
suite aux transformations. Ainsi, si ( , ,0) T est la ligne pipolaire tangentielle limage du
cne absolu et si D et D' sont les enveloppes des images du cne absolu dans chacune des
deux images, il rsulte de ce qui prcde que :
( , ,0) D ( , ,0) T = 0 (F.8-a)
et
( , ,0) D' ( , ,0) T = 0
(F.8-b)
En crivant ces quations explicitement, nous obtenons le systme suivant :
[ ]
2 d11 + 2 d12 + 2 d 22 = 0
(F.9)
2 '
'
2 '
d11 + 2 d12 + d 22 = 0
[ ]
Avec D = d ij et D' = d ij' (les deux matrices sont symtriques).

Puisque les deux tangentes aux images du cne absolu doivent avoir les mmes
quations pour lune et lautre des deux images, celles-ci doivent avoir les mmes solutions
pour et . Cela signifie qu un facteur dchelle prs, les deux quations composant le
systme (F.9) sont les mmes, ce que nous pouvons traduire par :
217
Annexe
Annexe F
d11 d 12 d 22
= ' = '
d11'
d 12 d 22
(F.10)
Nous allons pouvoir exprimer les coefficients d ij et d ij' en fonction de lenveloppe des
images du cne absolu, K , et des deux transformations et ' . En effet, tant donne la
transformation , un point m appartient une ligne l si et seulement si :
lT m = 0
(F.11)
l T 1 m = 0
Ceci qui peut encore scrire :
(F.12)
Cette dernire quation peut sinterprter en disant que m appartient l , si et seulement
si m appartient ( 1 ) T l , cest dire la transforme de la ligne l .
Par ailleurs, une ligne l appartient lenveloppe du cne K si et seulement si :
lT K l = 0
(F.13)
Ou encore :
(l T 1 ) ( K T ) ( T l ) = 0 (F.14)
Figure F.1 :
Ainsi,
la
Les proprits du cne absolu et ses images sur les plans des camras.
transformation
transforme
lenveloppe
du
cne K
en
lenveloppe D = K . De mme, un raisonnement parfaitement analogue permettrait de

218
T
Annexe
Annexe F
montrer que T ' transforme lenveloppe de ce mme cne K en lenveloppe D' = 'K ''T . Si
nous notons par ailleurs :
t1T

= t 2T
t 3T

(F.15)
( t i est la ime ligne de la matrice )

nous aurons alors d ij = t iT K t j et d ' ij = t 'Ti K t ' j , ce qui permet dexprimer explicitement
(F.10) sous la forme :
t1T K t1
t1T K t 2
t 2T K t 2
=
=
t '1T K t1' t '1T K t 2' t 'T2 K t 2'
(F.16)
qui reprsente les quations de Kruppa.

Dans ce qui suit, nous allons procder lextraction des matrices de transformations
et ' . Pour y parvenir nous utilisons la dcomposition en valeurs singulires de la matrice
fondamentale. La matrice F scrit alors F = UDV T , avec U et V

orthogonales et D = diag (r , s,0) une matrice diagonale. Ainsi, nous aurons:
r 0 0 0 1 0 0 1 0
F = U 0 s 0 1 0 0 1 0 0 V T
1 0 0 0 0 0 1
0 *0**
'
***(******)
deux matrices
(F.17)
Posons:
r 0 0
' = 0 s 0 U T
0 0 1
et
0 1 0
= 1 0 0V T
0 0 1
(F.18)
Compte-tenu de la notation introduite ci-avant, nous avons bien F = 'T F ' avec et
' non-singulires. Pour des paires de points mis en correspondance (ce qui est not ici
p' p ), en remplaant F dans (3.27) il vient :
p'T 'T F ' p = 0
219
(F.19)
Annexe
Posons p = T p et p ' = ' p ' . Il rsulte directement de (F.19) que :

p 'T F ' p = 0
Annexe F
(F.20)
Ainsi, et ' reprsentent deux transformations satisfaisant lensemble des conditions

requises. Nous pouvons donc exprimer les matrices T et T ' de la faon suivante:
t1T v 2T

= t 2T = v1T
t 3T v3T
t ' T ru T
1' T 1T
' = t 2 = su 2
t ' T u T
3 3
Avec u i et vi respectivement les ime colonnes de U et V.

De (F.16) on obtient :
v 2T Kv1
v 2T Kv 2
v1T Kv1
=
=
r 2 u1T Ku1 rs u1T Ku 2 s 2 u 2T Ku 2
(F.21)
Ce qui reprsente les quations explicites de Kruppa.

Puisque les numrateurs et les dnominateurs des quations (F.21) sont des expressions
linaires en fonction des coefficients de la matrice K , les quations rsultantes seront
quadratiques. La matrice K tant symtrique et dfinie un facteur dchelle prs, celle-ci
dispose seulement de cinq degrs de libert. A partir de trois vues diffrentes, nous aurons
trois matrices fondamentales (une par paire dimages). A laide de celles-ci, nous pourrons
construire un systme de six quations quadratiques indpendantes, suffisantes pour
dterminer la matrice K .
La dtermination des paramtres intrinsques de la camra partir de la rsolution de
ces quations est possible, bien que difficile (difficult inhrente aux mthodes de rsolution
de systmes non-linaires redondants). Ce problme peut-tre simplifi en supposant le point
principal de la camra connu. Ainsi, en effectuant le changement de repre adquat, il est
possible de ramener ce dernier lorigine. La matrice des paramtres intrinsques de la
camra devient alors une matrice diagonale C = diag ( u , v ,1) . Dans ce cas, K = C C T et les
quations de Kruppa (F.21) sont quadratiques par rapport u2 et v2 . A partir de deux images,
nous obtenons deux quations quadratiques sur ces deux variables, suffisantes pour rsoudre
le systme correspondant en u2 et v2 . Des quatre solutions rsultantes pour u et v , seules
les solutions positives seront conserves (tant les seules avoir une signification par rapport
la dfinition mme de u et v ).
220
Annexe
Annexe G
ANNEXE G
G.1. Dimensions des plaques
En France, la plaque arrire doit tre jaune rflchissant avec des inscriptions noires et
mesurer soit 110 mm x 520 mm, soit 275 mm x 200 mm. La plaque avant doit tre blanc
rflchissant avec des inscriptions noires et une taille soit de 110 mm x 520 mm, soit de 100
mm x 455 mm. La police de caractres est aussi homologue et doit tre totalement lisible.
Le numro d'immatriculation des cyclomoteurs doit tre reproduit sur la plaque arrire en
caractres noirs non rtrorflchissants sur fond rtrorflchissant blanc.
COTES en millimtres
Cyclomoteurs
Extrait du Journal
Officiel du 27 mars
Cas gnral
Motocyclettes
2004
non carrosss
2 ou 3 roues
NOR : EQUS0301814A
AV
sur 1 ligne
Hauteur de la plaque
(sans bavette)
Hauteur utile de la
plaque
Longueur de la plaque
(hors tout)
Longueur utile de la
plaque
Rayon de raccordement
Hauteur (*) des chiffres
et des lettres
Largeur (*) des chiffres
et des lettres
(autres que W et M)
AV & AR
AR
sur 1 ligne sur 2 lignes
AR
AR
sur 1 ligne sur 2 lignes sur 2 lignes
100 2
110 2
200 2
75 2
130 2
120 2
90 2
100 2
190 2
65 2
120 2
110 2
455 2
520 2
275 2
275 2
210 2
140 2
445 2
510 2
265 2
265 2
200 2
130 2
6 12
6 10
46
70 80
42 48
42 46
32 46
19 27
19 26
40 54
24 32
20 28
W et M
221
Annexe
Annexe G
Entraxe entre les

chiffres ou entre les
lettres (A)
Minimum 45
Minimum 27
Minimum 20
Minimum 65
Minimum 37
Minimum 25
10 12
68
47
(recommand) (1)
Entraxe entre les blocs
(B) recommand (1)
Largeur (*) du trait
Hauteur du symbole
europen
Largeur du symbole
europen
90 1
100 1
90 1
65 1
55 1
40 1
45 1
40 1
30 1
26 1
minimum 5
minimum 5
minimum 10
minimum 5
minimum 5
minimum 4,5
Espacement entre le
symbole europen et le
bord utile de la plaque
Espacement entre le
symbole europen et le
premier chiffre
Espacement entre le
bord utile de la plaque
et le caractre
Dimensions des caractres de la date de validit des plaques en srie
Transit Temporaire
Entraxe entre le dernier
symbole et les chiffres
de la date de validit
minimum 45
(C)
Hauteur (*) des chiffres
28 32
Largeur (*) des chiffres
13 17
Largeur (*) du trait
46
Entraxe entre les

chiffres
minimum 20
Espacement horizontal
entre le bord utile de la
minimum 5
plaque et le caractre
222
Annexe
Annexe G
Espacement entre le
bord des caractres et le
bord suprieur et
gaux et
gaux et suprieurs 5
gaux et suprieurs 5 suprieurs
infrieur de la surface
4,5
utile de la plaque
(A), (B), (C) : voir http://www.code-route.com/plaques_mineralogiques.pdf
(*) : Les dimensions (hauteur, largeur, paisseur) des diffrents caractres d'une mme plaque doivent tre
uniformes.
(1) : Pour permettre l'introduction du symbole europen sur la plaque arrire des vhicules deux roues
comportant les combinaisons MM ou MW, il est possible de descendre au-dessous des valeurs minimales
indiques.
Nota :
Les plaques AR d'une remorque d'un PTAC infrieur 500 kg, ou celles amovibles dont il est fait tat l'article
7 (tlcharger ci-dessous), peuvent tre de dimensions rduites (100 x 455). Les plaques AR des cyclomoteurs
carrosss (voiturettes) ainsi que celles des quadricycles lgers moteur peuvent avoir soit les dimensions
prvues pour le cas gnral, soit avoir des dimensions rduites 100 x 455, soit avoir les dimensions prvues
pour les motocyclettes.
Cyclomoteurs
Plaque 2 lignes, srie normale
(avec symbole europen obligatoire)
223
Annexe
Annexe G
DIMENSIONS en millimtres
Cyclomoteurs
Extrait du Journal Officiel
Cas gnral
Motocyclettes
non carrosss
du 27 mars 2004
2 ou 3 roues
NOR : EQUS0301814A
AV et 1 ligne
(110 x 520)
AV 1 ligne (100 x
455)
AR 1 et 2 lignes
AR 2 lignes
AR 2 lignes (200
x 275)
15
13,5
10
8,5
30
27
19,5
16,5
17
15,5
11
20
18
13
11
18
16
11,5
10
45
40
30
26
45
3,5 4,5
2,5 3,5
23
224

Vehicules Intelligents Etude Et Developpement D'un Capteur Intelligent de Vision

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Vehicules Intelligents Etude Et Developpement D'un Capteur Intelligent de Vision

Caricato da

Copyright:

Formati disponibili

V

ehicules Intelligents : Etude et d

To cite this version:

HAL Id: tel-00141213

HAL is a multi-disciplinary open access

Larchive ouverte pluridisciplinaire HAL, est

Vhicules Intelligents : Etude et dveloppement dun capteur

Matre de Confrences HDR, LAGIS, USTL.

Matre de Confrences HDR, CRAN Universit

Examinateurs : Mme M. BAYART

Professeur, LAGIS, USTL (Directrice de Thse)

Ce travail a t effectu dans le cadre dune collaboration entre le Laboratoire

CONTEXTE DE LA THSE ................................................................................................................... 5

OBJECTIF DE LA THSE .................................................................................................................... 11

PLAN DU MMOIRE ........................................................................................................................... 13

LES VEHICULES INTELLIGENTS : ETAT DE LART.............................................................................. 14

LA CONDUITE AUTOMATISE DES VHICULES......................................................................... 17

QUE FAUT-IL AMLIORER, LES VHICULES OU LES INFRASTRUCTURES ?............. 17

QUEL TYPE DE CAPTEURS UTILISER ? ............................................................................... 19

LA VISION DANS LE DOMAINE DES VHICULES INTELLIGENTS........................................... 20

DTECTION DES MARQUAGES AU SOL ............................................................................. 22

DTECTION DES OBSTACLES ............................................................................................... 25

LES TENDANCES RELATIVES A LVOLUTION DES MATRIELS........................................... 29

LES VHICULES PROTOTYPES........................................................................................................ 30

LES CAPTEURS INTELLIGENTS.................................................................................................................. 33

CE QUON ATTEND DUN CAPTEUR INTELLIGENT......................................................... 36

FONCTIONS ASSOCIES LINTELLIGENCE DES CAPTEURS ................................ 37

FONCTIONS DE LINTELLIGENCE DANS LE TRAITEMENT DE LINFORMATION..... 39

II.3. LES APPROCHES DE RALISATION DES CAPTEURS INTELLIGENTS..................................... 39

APPROCHE FONCTIONNELLE ............................................................................................... 43

II.7.1.1. LA DCOMPOSITION FONCTIONNELLE.......................................................................... 43

APPROCHE INFORMATIONNELLE ....................................................................................... 44

APPROCHE COMPORTEMENTALE ....................................................................................... 45

APPROCHE HYBRIDE .............................................................................................................. 46

APPROCHE ORIENTE OBJET ............................................................................................... 46

II.8. LE CAPTEUR INTELLIGENT DDI LATTELAGE VIRTUEL ................................................. 47

SPCIFICATIONS DES BESOINS DU SYSTME DATTELAGE VIRTUEL ...................... 48

II.8.2.1. LES CONSOMMATEURS EXTERNES................................................................................. 49

ARCHITECTURE OPRATINNELLE DU SYSTME DATTELAGE VIRTUEL ................ 63

AU NIVEAU DE LAPPLICATION .......................................................................................... 68

AU NIVEAU MATRIEL .......................................................................................................... 70

III.3. DCOMPOSITION FONCTIONNELLE DU CAPTEUR STROSCOPIQUE DVELOPP ......... 70

III.3.1.1. LES DISPOSITIFS DACQUISITION DIMAGES ............................................................... 73

III.3.2.1. UNE CONFIGURATION GOMETRIQUE PARTICULIERE ............................................. 89

III.3.3.1. LA CALIBRATION PHOTOGRAMTRIQUE...................................................................... 95

MISE EN UVRE DE LA CALIBRATION HYBRIDE ......................................................... 110

III.3.4.1. BINARISATION DE LIMAGE............................................................................................ 112

DTECTION DE LA PLAQUE DIMMATRICULATION..................................................... 128

III.3.5.1. LA SEGMENTATION STATISTIQUE ................................................................................ 129

LECTURE DE PLAQUE DIMMATRICULATION................................................................ 140

III.3.6.1. SEGMENTATION DES CARACTRES ............................................................................. 141

LALGORITHME DE TRACKING.......................................................................................... 156

III.3.7.1. INTERET DE LA DEMARCHE ........................................................................................... 156

EXTRACTION DES INFORMATIONS NCESSAIRES AU SUIVI DU VHICULE ......... 160

III.3.8.1. LE MODE NORMAL DU FONCTIONNEMENT DU CAPTEUR STROSCOPIQUE... 161

Lobjectif des camras .......................................................................................................................... 205

Paramtres caractristiques dun objectif................................................................................... 205

LA FOCALE : ........................................................................................................................ 205

LE DIAPHRAGMME :.......................................................................................................... 205

LE FOCUS : ........................................................................................................................... 206

La Qualit dun objectif ............................................................................................................. 206

LA QUALIT DU MATRIAU............................................................................................ 206

LA RPONSE SPECTRALE................................................................................................. 206