Résumé:
Ce projet examine la problématique du suivi en temps réel des objets mobiles dans les systèmes de vidéosurveillance à grande échelle. Au cours du processus de suivi, le système attribue un identifiant ou une étiquette à chaque objet suivi pour le distinguer des autres objets.Dans ce type de tâche, il est important de conserver ce même identifiant pour les mêmes objets, quels que soient la zone, le moment de leur apparition et la caméra de détection. Cela permet de stocker un maximum d’informations sur l’objet suivi, de diminuer le nombre de changements d’identifiant (#ID-Sw), et de diminuer le taux de fragmentation de la trajectoire (#Frag) de ces objets. Par conséquent, la qualité du suivi des objets augmente parallèlement.
Pour réaliser l’étiquetage des objets, une quantité massive de données collectées par les caméras doit être recherchée pour trouver l’identifiant d’objet le plus similaire (le plus proche voisin).Malgré la simplicité de cette tâche, elle devient très complexe dans les réseaux de systèmes de vidéosurveillance à grande échelle où les données deviennent très volumineuses et nécessitent beaucoup de temps pour être accomplies, ce qui affecte négativement les performances du système de suivi en temps réel.
Pour résoudre ces problèmes, nous proposons une nouvelle solution pour étiqueter automatiquement des objets multiples pour un suivi efficace en temps réel en utilisant le mécanisme d’indexation. Ce mécanisme permet d’organiser les métadonnées des objets extraits lors de la phase de détection en un arbre binaire inspiré de l’arbre BCCF et la classification hiérarchique ascendante(CAH). Les principaux avantages de cette structure sont (1) sa capacité à indexer des méta-données massives générées par des caméras multiples, (2) sa complexité de recherche logarithmique, qui réduit de manière implicite le temps de réponse de la recherche, et (3) la qualité des résultats de recherche, qui garantit un étiquetage cohérent des objets suivis. La charge est répartie dans l’architecture de l’Internet des objets vidéo (IoVT) afin d’améliorer le traitement des données pour un système à grande échelle. L’évaluation expérimentale a été réalisée sur la base de données MOT16 et un jeu de données public généré par plusieurs caméras au niveau de département informatique de l’Université 8 Mai 1945 Guelma.
