- Pour illustrer cette méthodologie, nous présentons les me- sures qui évaluent la performance d'algorithmes en résoudre le problème de contraste faible et le problème des ombres.. - 1.1 Système d'interprétation de vidéos. - 4.2.2 Mesure d'un niveau de contraste d'un pixel. - 4.2.3 Mesure d'un niveau de contraste d'une bande. - 4.2.4 Mesure des niveaux de contraste d'un blob. - 4.2.5 Mesure de la capacité des algorithme pour résoudre le problème de détecter des objets faiblement contrastés . - 4.3.2 Mesure de niveaux de contraste des ombres. - 5.1.1 Sélection des séquences de vidéos. - Le niveau de diculté est estimé manuellement par des experts. - 3.2 ETI-VS1-BE-18-C4 : l'évaluation de la tâche de suivi. - Une autre limitation est qu'ETISEO ne dénit pas des méthodes quanti- tatives pour mesurer le niveau de diculté des vidéos illustrant un problème de traitement de vidéos donné. - Nous pouvons seule- ment estimer la borne supérieure de la performance d'algorithme relativement à un problème spécique de traitement de vidéos. - Cette section étudie la sensibilité des algorithmes de traitement de vidéos sur la détection des objets faiblement contrastés. - Puis nous dénissons une mesure de calculer le niveau de contraste d'un pixel, puis une bande (l'unité de base pour calculer l'ensemble de niveaux de contraste pour l'objet entier). - Ensuite nous décrivons le procédé pour calculer l'ensemble de niveaux de contraste d'objet dans une image. - Habituellement, la performance des algorithmes de traitement de vidéos est proportionnelle au niveau de contraste entre les objets mobiles à détecter et l'image du fond. - Par conséquent nous voudrions déterminer le niveau de contraste où un algorithme donné peut obtenir une performance acceptable.. - Un blob peut comporter beaucoup de régions à beaucoup de niveaux de contraste. - Pour localiser les niveaux de contraste d'un blob, nous divisons horizontalement le blob en petites bandes avec l'espoir que le contraste des pixels à l'intérieur d'une bande est assez homogène et peut être représenté par une valeur unique. - Par conséquent, la valeur moyenne des niveaux de contraste des pixels à l'intérieur d'une bande n'est pas l'évaluation correcte pour le niveau de contraste de bande. - Pour chaque sous-région, calculer la valeur moyenne des niveaux de contraste de tous les pixels dans cette sous-région.. - Le niveau de contraste d'une bande est le niveau de contraste maximum de toutes les sous-régions de cette bande.. - 4.2 Le niveau de contraste maximum de toutes les sous-régions aide à détecter la bande entière. - Par exemple, dans la bande dans la gure 4.1, l'ensemble de niveaux de contraste de toutes les sous-régions est {3, 2, 5, 1. - Alors, le niveau de contraste de cette bande est 5.. - Le premier avantage de ce procédé est de dénir le niveau de contraste pour la bande entière comme niveau maximum de contraste de toutes les sous-régions. - Nous supposons qu'un algorithme donné ne peut pas détecter la sous-région avec le niveau 1 de contraste. - Par conséquent, pour le blob à gauche, cet algorithme peut détecter seulement la région avec le niveau 3 de contraste. - Cependant, pour le blob à droit, grâce à la petite région à un niveau de contraste élevé (4), le rectangle détecté par cet algorithme contient non seulement les régions fortement contrastées (niveau 3, 4) mais également une part de la région avec un niveau de contraste très bas (niveau 1). - De plus, cette méthode nous aide également à réduire l'eet des parties de la bande qui correspondent au fond parce que leurs niveaux de contraste sont très petit en comparaison avec ceux qui correspondent à l'objet. - Pour ces raisons nous assignons le niveau maximum de contraste des sous-régions au niveau de contraste de la bande entière.. - Si nous prenons le niveau maximum de contraste de tous les pixels à l'intérieur de la bande (c.-à-d. - 4.3 Les blobs de type personnes consistent en trois régions principa- lesavec des niveaux de contraste diérents : tête, corps et jambes. - Un blob peut contenir beaucoup de régions à plusieus niveaux de contraste.. - Par exemple, dans la gure 4.3, le blob se compose de trois régions principales avec diérents niveaux de contraste correspondant aux jambes, au corps et à la tête. - Notre objectif est de déterminer les niveaux de contraste nécessaires et susants caractérisant le blob.. - Donc, si nous divisons le blob horizontalement en petites bandes, nous espé- rons que le niveau de contraste à l'intérieur d'une bande est homogène. - Calculer le niveau de contraste de chaque bande.. - L'ensemble des niveaux de contraste de toutes les bandes constitue le niveau de contraste du blob (en enlevant toutes les valeurs doubles) Par exemple, le blob dans la gure 4.4 peut être divisé en 8 bandes et. - 4.4 Le contraste d'un blob est l'ensemble de niveaux de contraste de toutes les bandes de ce blob. - L'ensemble de niveaux de contraste de ce blob est {3, 2, 5}. - l'ensemble des niveaux de contraste de ce blob est {3, 2, 5}. - Pour la tâche de détection d'objets, la capacité des algorithmes est cal- culée en utilisant le taux d'erreur de détection à chaque niveau de contraste d'objet. - blobs) ayant plusieurs niveaux de contraste, nous considérons des régions homo- gènes avec seulement un niveau de contraste. - Pour transformer des blobs en régions homogènes, nous supposons que dans chaque blob, les régions ayant le même niveau de contraste sont homogènes. - Par conséquent, si l'ensemble de niveaux de contraste d'un blob se compose de m niveaux de contraste, ce blob correspond aux m régions homogènes dans le nouvel espace d'évaluation.. - Avec cette transformation, à partir d'un ensemble de n blobs, nous obte- nons m régions homogènes aux diérents niveaux de contraste. - À un niveau de contraste donné, si le nombre de régions à ce niveau est a et le nombre de régions qu'un algorithme peut détecter est x , puis le taux d'erreur (c.-à-d. - le taux de faux négatif) de cet algorithme sur l'ensemble de test à ce niveau de contraste est 1 − x a. - Puis, nous dénissons la capacité d'un algorithme de détection d'objet pour traiter les objets faiblement contrastés comme niveau le plus bas de contraste auquel le taux d'erreur de cet algorithme est plus petit qu'un cer- tain seuil. - Il signie que toutes les régions d'objet aux diérents niveaux de contraste devraient être détectées. - Par conséquent, pour manipuler les objets faible- ment contrastés, nous dénissons le niveau de diculté d'une séquence pour la tâche du suivi d'objet comme niveau minimum de contraste des objets mobiles dans cette séquence. - La capacité d'un algorithme de suivi d'objet pour traiter les objets faiblement contrastés est dénie comme niveau de contraste le plus bas de la séquence avec lequel la performance de cet algorithme est plus haute qu'un certain seuil.. - les niveaux minimum de contraste changeant entre 0 et 20. - avec des niveaux de diculté plus élevés).. - D'abord, nous décrivons le problème de manipuler des ombres et puis nous dénissons une mesure de calculer les niveaux de contraste des régions des ombres. - Contrairement aux niveaux de contraste des blobs des personnes, les ni- veaux de contraste d'ombre changent selon la direction de la source lumi- neuse. - Par exemple, si nous divisons une ombre en bandes verticales, l'ensemble de niveaux de contraste de ces bandes peut être {5, 7, 6, 4. - Si nous divisons cette ombre en bandes horizontales, l'ensemble de niveaux de contraste de ces bandes peut être {2, 7, 6, 3. - Selon les types des algorithmes, il y a deux situations diciles : un grand intervalle entre le niveau maximum et le niveau minimum de contraste ou des ombres très contrastées. - Donc, pour chaque algorithme, nous voulons savoir l'intervalle le plus grande entre le niveau maximum et le niveau minimum de contraste qu'un algorithme peut détecter.. - Les séquences choisies devraient contenir les objets mobiles (correspon- dant aux individus isolés) à diérents niveaux de contraste. - Nous avons choisi cette période parce que nous voulons évaluer la performance des algorithmes aux niveaux de contraste très bas.. - 5.1 L'image spécimenne de la séquence ETI-VS1-BE-18-C1 Tab. - 5.1 L'analyse de niveaux de contraste. - Nombre des régions Niveau de contraste. - Les paramètres pour l'expérimentation d'évaluation sont comme suivant : Il y a 20 niveaux de contraste. - Le niveau maximum de contraste (19) correspond au contraste entre un pixel complètement noir (RVB (0.0.0)) et un pixel complètement blanc (RVB (255.255.255)).. - 5.2 L'image spécimenne de la séquence ETI-VS1-BE-18-C4. - 5.3 L'image spécimenne de la séquence ETI-VS1-MO-7-C1. - 5.2 Le taux d'erreur sur la séquence ETI-VS1-BE-18-C1 Taux d'erreur Niveau de contraste. - La table 5.1 montre les nombres de régions à diérents niveaux de contraste pour trois séquences. - Dans cette table, les colonnes montrent le nombre de régions homogènes à un niveau donné de contraste et les lignes montrent les distributions des régions homogènes des séquences. - À quelques niveaux de contraste il y a trop peu de régions pour obtenir des résultats d'évaluation ables. - Dans cette table, nous notons qu'il y a plus de régions à des niveaux de contraste plus bas dans la séquence ETI-VS1-BE-18-C1 que les autres. - En appliquant notre méthodologie, nous pouvons observer que le choix des séquences illustrant le problème de contraste faible devient plus facile parce que nous pouvons obtenir une description quantitative des sé- quences choisies.. - Pour la tâche de la détection d'objets, la table 5.2 illustre les résultats d'évaluation de six participants d'ETISEO sur la séquence ETI-VS1-BE-18- C1. - Dans cette table, les colonnes correspondent aux niveaux de contraste des régions d'objet que les algorithmes doivent détecter. - taux d'erreur) de chaque algorithme pour les diérents niveaux de contraste. - A partir de ces résultats nous pouvons remarquer la tendance générale que le taux d'erreur est haut (près de 1) aux niveaux bas de contraste et il réduit graduellement à zéro aux plus hauts niveaux. - Il peut identier l'objet au niveau bas de contraste mais sa performance est pauvre aux niveaux élevés. - 5.3 Le taux d'erreur sur la séquence ETI-VS1-BE-18-C4 Taux d'erreur Niveau de contraste. - 5.4 Le taux d'erreur sur la séquence ETI-VS1-MO-7-C1 Taux d'erreur Niveau de contraste. - 5.5 ETI-VS1-BE-18-C1 : Capacité de détection Participant 1 22 8 12 13 11 Niveau de contraste 0 0 2 2 3 5. - 5.6 ETI-VS1-BE-18-C4 : Capacité de détection Participant 1 11 12 22 8 15 13 Niveau de contraste 0 0 0 0 2 2 4. - Niveau de contraste 0 0 0 2. - Cette capacité cor- respond à un niveau de contraste et signie que l'algorithme ne peut pas détecter 50 % de régions à ce niveau de contraste. - 5.4 L'image spécimenne de la séquence ETI-VS1-RD-16-C4 illustrant des ombres.. - Car le niveau le plus bas de contraste de l'objet suivi dans cette séquence est 1, nous déclarons qu'en cas des séquences contenant de petits objets mobiles, l'algorithme du participant 1 peut suivre les objets avec le niveau de contraste le plus bas au moins égal à 1.. - Puisque le niveau le plus bas de contraste de l'objet suivi dans cette séquences est 1, nous déclarons que ces algorithmes peuvent suivre les objets avec le niveau le plus bas de contraste au moins égal à 1. - Ainsi comme sur l'ETI-VS1-MO-7-C1, les objets suivis ont le niveau le plus bas de contraste égal à 2, nous pouvons vérier sur la table 5.10 que les algorithmes 1 et 11 ont une bonne performance de suivi. - 5.11 Niveaux de contraste des régions des ombres Niveau de contraste 7 8 9 10 11 12. - 5.12 Taux d'erreur des algorithmes de détection des ombres Niveau de contraste des ombres. - Pour calculer les niveaux de contraste des régions des ombre nous avons pris les mêmes paramètres utilisés dans l'expérience précédente : il y a 20 niveaux de contraste, la hauteur de la bande est 10 pixels haut et la taille des sous-régions à l'intérieur d'une bande est 10x10 pixels.. - La table 5.11 montre les niveaux de contraste des régions des ombres. - Les ombres sont fortement contrastées et tous les niveaux de contraste sont dans l'intervalle de 8 à 11.. - Si nous prenons le seuil du taux d'erreur égal à 0.5 comme capacité de manipuler des ombres, nous observons que les algorithmes 8 et 19 manipulent bien les ombres avec le niveau de contraste dans l'intervalle de 8 à 11. - Alors, l'intervalle du mécanisme de manipulation des ombres de ces algorithmes est au moins plus de 4 niveaux de contraste. - Au contraire, le taux d'erreur de l'algorithme 11 au niveau 8 de contraste est plus haut que le seuil acceptable (0,52). - Donc, l'intervalle des niveaux de contraste des régions d'ombre qui peuvent être manipulées est 3 (de niveau 9 à niveau 11).