Le suivi d'objets, également connu sous le nom de suivi vidéo, est le processus de localisation d'un objet en mouvement (ou de plusieurs objets) au fil du temps à l'aide d'une caméra. Il a diverses utilisations, notamment l'interaction homme-machine, la sécurité et la surveillance, la communication et la compression vidéo, la réalité augmentée, le contrôle du trafic, l'imagerie médicale et le montage vidéo. La tâche peut être chronophage en raison de la grande quantité de données dans la vidéo, et elle nécessite souvent des techniques de reconnaissance d'objets, qui sont elles-mêmes difficiles à mettre en œuvre.
L'objectif du suivi vidéo est d'associer les objets cibles dans des trames vidéo consécutives. Cette association devient difficile lorsque les objets se déplacent rapidement par rapport à la fréquence d'images ou lorsque l'objet suivi change d'orientation au fil du temps. Pour gérer ces situations, les systèmes de suivi utilisent généralement un modèle de mouvement qui décrit comment l'image de la cible pourrait changer pour différents mouvements possibles. Les modèles de mouvement simples incluent les transformations 2D (affines ou homographies) pour les objets plans, la position et l'orientation 3D pour les objets rigides, les translations de macroblocs pour la compression vidéo et les déformations de maillage pour les objets déformables.
Algorithmes
Pour effectuer le suivi, un algorithme analyse les trames vidéo séquentielles et produit le mouvement des cibles entre les trames. Il existe deux composantes principales : la représentation et la localisation de la cible, et le filtrage et l'association de données. La représentation et la localisation de la cible est un processus ascendant qui identifie l'objet en mouvement, avec des méthodes comme le suivi par noyau (mean-shift) et le suivi par contour. Ces méthodes sont efficaces sur le plan computationnel mais peuvent rencontrer des difficultés avec des interactions complexes. Le filtrage et l'association de données est un processus descendant qui intègre des informations préalables et gère la dynamique des objets, permettant le suivi derrière des obstructions. Les algorithmes de filtrage courants incluent le filtre de Kalman, qui est optimal pour les systèmes gaussiens linéaires, et les filtres particulaires, qui gèrent les processus non linéaires et non gaussiens. La complexité computationnelle des méthodes de filtrage est généralement plus élevée.
Applications
Le suivi d'objets a de nombreuses applications pratiques. Dans la sécurité et la surveillance, il permet la surveillance automatisée des personnes et des véhicules. Dans l'interaction homme-machine, il permet la reconnaissance des gestes et le contrôle basé sur le mouvement. Dans la réalité augmentée, le suivi ancre des objets virtuels à des positions du monde réel. Dans le contrôle du trafic, il surveille le flux des véhicules et détecte les incidents. Dans l'imagerie médicale, il suit les structures anatomiques ou les agents de contraste au fil du temps. Dans la compression vidéo, l'estimation de mouvement réduit les données en encodant uniquement les différences entre les trames.
Défis
Le suivi devient difficile lorsque les objets se déplacent rapidement par rapport à la fréquence d'images, ce qui provoque de grands déplacements entre les trames. L'occlusion, où les objets sont partiellement ou entièrement cachés, complique l'association. Les changements d'orientation, d'échelle et d'éclairage affectent également les performances. Pour les plateformes offshore ou mobiles, un système de mesure inertielle est souvent utilisé pour pré-stabiliser la caméra afin de réduire la dynamique. Le choix de l'algorithme dépend de l'utilisation prévue, en équilibrant précision, robustesse et coût computationnel.
Histoire et développement
Les premiers travaux sur le suivi d'objets remontent aux années 1980, avec des exemples comme la caméra Cromemco Cyclops utilisée pour suivre une balle à travers un labyrinthe. Depuis lors, le domaine a évolué avec les progrès de la vision par ordinateur et de l'apprentissage automatique. Les approches modernes intègrent souvent l'apprentissage profond et les réseaux de neurones pour l'extraction de caractéristiques et la détection d'objets, améliorant la robustesse dans des scènes complexes. La recherche se poursuit dans des institutions comme le MIT CSAIL et le Stanford AI Lab, et des entreprises comme Waymo et Tesla appliquent le suivi dans les véhicules autonomes.
Voir aussi
- motion-estimation
- optical-flow
- vision par ordinateur
- augmented-reality