Abstract FR:

Dans le cadre de la conception d'un capteur de vision 3D pour la conduite automobile, nous présentons une approche coopérative pour la détection de piéton. Celle-ci a été conçue en intégrant deux processus différents : le premier intègre des traitements monoculaires et le second, des traitements stéréoscopiques. A partir du modèle de piéton utilisé par les traitements monoculaires, il en résulte des rectangles englobant les piétons. Cependant, de fausses détections peuvent survenir suite à la présence d'objet dont les caractéristiques sont similaires à celles d'un piéton. En effet, les traitements monoculaires ne sont pas capables de prendre en compte toutes les caractéristiques des piétons, notamment les caractéristiques 3D. De plus, la distance des piétons n'est pas calculée précisément. Ces problèmes sont résolus en utilisant un second processus qui intègre des traitements stéréoscopiques dans lequel sont implémentés des algorithmes robustes et auto-adaptatifs fournissant une carte de profondeur des contours caractéristiques. La coopération entre les deux processus consiste premièrement à valider les rectangles englobant par la présence des courbes verticales 3D. Les informations de profondeur de ces courbes 3D permettent également de retrouver précisément la distance des objets et ainsi de reconstruire les rectangles englobant, issus des traitements monoculaires. Dans une deuxième étape, différentes sources de primitives sont fusionnées. Un taux de croyance relatif à la présence ou non des piétons est alors obtenu. Puis, dans une troisième étape, deux images acquises à des instants successifs sont utilisées afin de retrouver les piétons qui n'auraient pas été détectés, ainsi que pour lever les ambiguïtés sur les piétons. Le filtre de Kalman est alors utilisé pour suivre le déplacement temporel de ces piétons dans la scène. La robustesse et la fiabilité des algorithmes sont étudiés à partir de scènes réelles possédant des conditions de visibilité différentes.