Reconnaissance par vision du type d’un véhicule automobile

Abstract

Cet article présente un système de reconnaissance du type (constructeur, modèle) de véhicules par vision. À partir d’une vue de face avant d’un véhicule, limitée à sa calandre, nous en construisons une représentation à base de points de contour orientés. La classification est réalisée essentiellement en se fondant sur des algorithmes de votes. L’utilisation d’algorithmes de votes permet au système d’être robuste aux données manquantes ou erronées de la représentation. Nous avons donc construit une fonction de discrimination qui combine 3 votes et une distance, et agit comme une mesure de similarité entre chaque modèle et l’image de véhicule testée. Deux stratégies de décision ont été testées. La première associe à une image de calandre avant du véhicule, le modèle qui a obtenu la valeur la plus importante en sortie de la fonction. Une seconde stratégie regroupe toutes les sorties en un vecteur. La décision est alors prise via un algorithme de plus proche voisin dans un espace dit de votes. Avec la première stratégie, un taux de reconnaissance de 93 % est obtenu sur une base d’images prises en conditions réelles composée de 20 classes de type de véhicules. De plus, une caractérisation et une analyse du fonctionnement du système vis-à-vis de ses différents paramètres est proposée. Cependant ce taux chute à 80 % lorsque le nombre de modèles passe à 50 classes. Pour le même nombre de classes, la seconde stratégie permet d’obtenir un taux supérieur à 90 %.

Many vision based Intelligent Transport Systems are dedicated to detect, track or recognize vehicles in image sequences. Three main applications can be distinguished. Firstly, embedded cameras allow to detect obstacles and to compute distances from the equiped vehicle. Secondly, road monitoring measures traffic flow, notifies the health services in case of an accident or informes the police in case of a driving fault. Finally, Vehicle based access control systems for buildings or outdoor sites have to authentify incoming (or outcoming) cars. Rather than these two systems, the third one uses often only the recognition of a small part of vehicle: the license plate. It is enough to identify a vehicle, but in practice the vision based number plate recognition system can provide a wrong information, due to a poor image quality or a fake plate. Combining such systems with others process dedicated to identify vehicle type (brand and model) the authentication can be increased in robustness. This paper adresses the identification problem of a vehicle type from a vehicle greyscale frontal image: the input of the system is an unknown vehicle class, that the system has to determine from a data base. This multiclass recognition system is developed using the oriented-contour pixels to represent each vehicle class. The system analyses a vehicle frontal view identifying the instance as the most similar model class in the data base. The classification is based on voting process and a Euclidean edge distance. The algorithm have to deal with partial occlusions. Tollgates hide a part of the vehicle and making inadequate the appearance-based methods. In spite of tollgate presence, our system doesn’t have to change the training base or apply time-consuming reconstruction process.