Résumé:
La vidéo surveillance du trafic routier demeure l'un des problèmes les plus
complexes, malgré les recherches actives actuelles. Il y a de nombreuses
conditions réelles, difficiles à modéliser et à prévoir, qui limitent les meilleurs
systèmes actuels.
Le système de vidéo surveillance proposé dans ce mémoire présente une
alternative simple mais performante. L’objectif principale du système mis en
oeuvre consiste a etudier le comportement du trafic routier d’un tronçon urbain
au niveau de la ville de Guelma, Cette etude nous a permis d’une part d’obtenir
une serie de mesures caractérisants le tronçon et d’autre part de détecter et
suivre tous les véhicules passants par le tronçon ce qui nous servira pour des
traitements plus poussés dans le domaine de l’automatisation du trafic routier.
Les performance de notre système « DETECTOR » dependent
principalement de la phase de séparation d’arriere plan, pour cette raison nous
avons implémenté deux méthodes a savoir la mixture de modeles gaussien et le
flus optique. Les objets détectés dans cette phase, susceptible d’etre des
véhicules, nous serviront pour les mesures des caractéristiques du tronçon, La
surveillance de la scene nous impose une phase de suivi des véhicules basé
principalement sur le flus optique.
Les résultats de la première phase de détection sont fiables (testées sur des
vidéos réelles). Seulement, dès que la vidéo d’entrée devient plus complexe, le
taux de fausse détection augmente. Il serait donc intéressant de pallier à cette
limite en affinant les traitements préalables afin d’augmenter leurs précisions.
Sur plusieurs vidéos testées issus de différentes enregistrements avec
quelques conditions (éclairage, pose, orientation…etc) le flux optique a donnée
des taux de détections élevés par rapport à la mixture gaussienne.
Nous estimons que les résultats obtenus par le système DETECTOR sont très
promoteurs dans le domaine de la vidéo surveillance du trafic routier.
En fin, il serait intéressant dans l’avenir de généraliser notre système en un
système de détection et de classification de véhicules en temps réel, les
performances du système peuvent être optimisé en améliorant la qualité des
vidéos enregistrées et les machines d’exécution pour arriver a un taux de
détection élevé et de fausse détection faible.
