Dans un monde où les villes évoluent vers des écosystèmes toujours plus connectés et intelligents, la gestion des infrastructures urbaines est devenue un enjeu crucial.
Optimiser les flux de circulation, renforcer la sécurité publique et planifier des espaces urbains adaptés aux besoins des citoyens nécessitent une compréhension approfondie de l’environnement urbain. Ces défis, bien que complexes, offrent aussi une opportunité unique: tirer parti des technologies avancées, comme l’intelligence artificielle et la vision par ordinateur, pour repenser nos villes de demain et améliorer significativement leur fonctionnement.
Le suivi d’objets, ou tracking, constitue une pierre angulaire des systèmes de vision par ordinateur. Cette technique vise à relier les objets détectés au fil des images successives, rendant possible leur comptage précis et une analyse approfondie de leurs mouvements (vitesse de déplacement, trajectoire suivie, déformation). Aujourd’hui, ce domaine est dominé principalement par deux grandes approches :
1. Tracking par détection (Detection-Based Tracking)
Cette méthode repose sur des algorithmes de détection à chaque frame, suivis d’une association des objets détectés entre les frames. Des algorithmes populaires comme SORT (Simple Online and Realtime Tracking), couplés à des modèles de détection tels que YOLO sont fréquemment utilisés. Cette solution se distingue par sa rapidité et sa précision dans des conditions optimales. Cependant, elle montre ses limites face à des défis tels que les occlusions,des mouvements erratiques, les environnements densément peuplés, ou encore la déformation des objets, les changements brusques de direction, et les effets de dilatation.
2. Tracking basé sur des caractéristiques (Feature-Based Tracking)
Cette approche repose sur l'utilisation de caractéristiques spécifiques, telles que des points-clés ou des régions d'intérêts, pour suivre les objets en mouvement. Des techniques comme l’Optical Flow offrent un suivi précis, mais elles présentent également certaines limites notables telles que:
La sensibilité aux variations de lumière: les changements d'éclairage peuvent perturber le suivi.
La déformations des objets: les altérations de la forme ou de l'apparence compliquent le processus.
Ces deux méthodes de tracking, bien qu' efficaces, montrent rapidement leurs limites lorsqu’elles sont associées à des algorithmes de comptage traditionnelle basés sur une mono-cible par objet, mais aussi dans les situations de faible framerate (~2 images par seconde). Dans les algorithmes de tracking, il est important de savoir que, le paramètre min-hits, qui détermine le seuil pour suivre un objet, est étroitement lié au framerate (FPS), dans la méthode SORT cette valeur est proche de 3 pour garantir un suivi optimal et réduire les bruits (élimination de faux positifs). Dans le cas d’un algorithme mono-cible, si min-hits dépasse la valeur du framerate, le taux d’erreur de comptage peut dépasser les 85%, surtout dans des environnements complexes et variés tels que des zones densément peuplées ou des zones avec des trafic importants.
Pour surmonter ces limitations, le multi-tracking points propose de suivre plusieurs cibles par objet, garantissant le comptage d’au moins l’une des cibles. Ce qui permet de réduire le pourcentage d'erreurs au maximum.
Vers un comptage plus performant avec le multi-tracking points
VizioSense a conçu un algorithme de tracking multiples points, offrant une efficacité supérieure aux méthodes traditionnelles, qui se limitent généralement au suivi d’un seul point ou d’une région par objet. Comment cela marche t’il?
1. Le suivi de multiples points par objet
En attribuant plusieurs points de suivi à un objet, les algorithmes de VizioSense offrent une reconstruction optimisée des trajectoires, même dans des situations complexes impliquant des occlusions partielles, des intersections d’objets ou des mouvements imprévisibles.
Contrairement aux méthodes classiques qui se limitent à un seul point ou une région, cette approche multi-points permet de suivre avec précision les objets, même lorsque leur apparence change ou qu’ils sont temporairement masqués. Chaque objet est ainsi représenté par une série de points stratégiquement positionnés, garantissant un suivi fiable et continu malgré les variations de position, d’éclairage ou de perspective.
Cette approche innovante améliore significativement la précision du comptage et réduit les erreurs liées à des facteurs tels que :
Les occlusions : Les objets temporairement masqués restent identifiables grâce aux autres points suivis.
Les environnements denses : La capacité à gérer plusieurs objets rapprochés évite les erreurs d’association entre trajectoires.
Les variations dynamiques : Les changements de luminosité, d’angle ou de perspective n’affectent pas le suivi global des objets.
Les points verts représentent des cibles potentielles. Chaque point est une référence stratégique pour garantir un suivi précis et robuste. Les rectangles rouges encadrent les objets détectés, tandis que les trajectoires illustrent la capacité de l'algorithme à associer les points pour maintenir la cohérence du suivi dans le temps et l’espace.
L'algorithme offre une résilience exceptionnelle dans les environnements denses ou les scénarios urbains dynamiques, comme détecter les places de parking.
2. Réduction des erreurs
L’approche multi-points corrige automatiquement les erreurs de détection en associant les trajectoires de manière intelligente. Elle réduit également le bruit généré par la détection, limitant ainsi les faux positifs qui pourraient être pris à tort comme des cibles à suivre. Par exemple, si un véhicule est temporairement masqué par un autre, l’algorithme continue de le suivre en s’appuyant sur les autres points associés, garantissant ainsi une continuité et une précision accrues dans le suivi.
Il est également essentiel de noter qu’un système de multi-tracking points avec un framerate (FPS) de seulement 2 images par seconde offre une performance équivalente à celle d’un mono-tracking nécessitant un framerate de 5 à 6 images par seconde.
3. Robustesse dans des environnements variés
Le multi-tracking points s'adapte à des conditions changeantes, comme les variations de luminosité, les angles de vue complexes (positionnement du capteur) ou les conditions météorologiques difficiles (pluie, brouillard, neige, soleil). Cela les rend idéaux pour une utilisation en extérieur, sur des routes ou dans des espaces publics.
Conclusion
Grâce à ses innovations en matière de multi-tracking, VizioSense a révolutionné le comptage de véhicules et de personnes, répondant aux défis posés par les environnements urbains modernes. Sa technologie améliore non seulement la précision, mais également la robustesse et la fiabilité dans des conditions difficiles avec un taux de précision > 98.5% soit un taux d’erreur < 1.4 %.
Alors que les smart cities continuent de croître, les algorithmes de VizioSense ouvrent la voie à des applications encore plus ambitieuses. En combinant expertise en intelligence artificielle et vision par ordinateur, VizioSense se positionne comme acteur incontournable dans ce domaine en pleine évolution. De l’amélioration de la gestion des flux de passagers dans les aéroports et de l’optimisation du contrôle des foules dans les gares à l’amélioration du suivi des fluxs sur les routes très fréquentées, la technologie VizioSense offre des solutions pratiques pour une grande variété de défis urbains.