La méthodologie de détection de véhicules révèle des performances surprenantes des algorithmes YOLOv5 et Faster R-CNN, avec une précision atteignant 89%. Ces résultats transforment notre compréhension des techniques de vision par ordinateur, essentielles pour améliorer la sécurité routière.
Université –Ain Temouchent- Belhadj Bouchaib
Faculté des Sciences et de Technologie Département des Mathématiques et de l’Informatique
Diplôme de Master en Informatique
Projet de Fin d’Etudes
Étude comparative sur les algorithmes de détection et de reconnaissance de véhicules dans une séquence d’images
Melle. BENZAZOU Aïcha & Melle. SAHRAOUI Yasmine Tekfa
Supervised by: Dr. Mohammed Hakim Bendiabdallah & Mme. Fatima Zahra Berrakem & Mme. Samira Saidi
2021/2022
La sécurité routière et autoroutière est devenue un enjeu prioritaire pour les autorités publiques en raison de l’augmentation massive des accidents de la route chaque année. A cet effet, la détection de véhicules perçus dans une vidéo a simplifié la question du trafic et l’identification des automobiles ou des véhicules suspects. Les techniques d’apprentissage profond sont apparues comme une stratégie puissante offrant une solution alternative à l’imitation de la vision humaine. Ces techniques sont basées sur l’apprentissage profond.
Ce mémoire entre dans le cadre du domaine de la vision par ordinateur. Notre objectif est de détecter des véhicules dans un flux d’images et les classer selon leur type ‘bus, voiture, motocycle, camion, bicyclette’. Pour ce faire, nous avons adopté les deux modèles YOLOv5 et Faster RCNN pour la détection de véhicules. A l’issue d’une étude comparative entre ces modèles, les meilleurs résultats ont été obtenus par la méthode Faster RCNN avec une valeur de précision de 89%.
Mots-Clés : La détection de véhicules, réseau de neurones, apprentissage profond, CNN, ‘ResNet-50’, ‘YOLO’, ‘Faster R-CNN’.
Résumé
La sécurité routière et autoroutière est devenue un enjeu prioritaire pour les autorités publiques en raison de l’augmentation massive des accidents de la route chaque année. A cet effet, la détection de véhicules perçus dans une vidéo a simplifié la question du trafic et l’identification des automobiles ou des véhicules suspects. Les techniques d’apprentissage profond sont apparues comme une stratégie puissante offrant une solution alternative à l’imitation de la vision humaine. Ces techniques sont basées sur l’apprentissage profond.
Ce mémoire entre dans le cadre du domaine de la vision par ordinateur. Notre objectif est de détecter des véhicules dans un flux d’images et les classer selon leur type ‘bus, voiture, motocycle, camion, bicyclette’. Pour ce faire, nous avons adopté les deux modèles YOLOv5 et Faster RCNN pour la détection de véhicules. A l’issue d’une étude comparative entre ces modèles, les meilleurs résultats ont été obtenus par la méthode Faster RCNN avec une valeur de précision de 89%.
Mots-Clés : La détection de véhicules, réseau de neurones, apprentissage profond, CNN, ‘ResNet-50’, ‘YOLO’, ‘Faster R-CNN’.
ملخص
أصبحت سلامة الطرق والطرق السريعة قضية ذات أولوية للسلطات العامة بسبب الزيادة الهائلة في حوادث المرور كل عام. وتحقيقا لهذه الغاية، فإن اكتشاف المركبات في مقطع فيديو أدى إلى تبسيط مسألة المرور وتحديد السيارات أو المركبات المشبوهة.
ظهرت تقنيات التعلم العميق كاستراتيجية قوية تقدم حلًا بديلًا لتقليد الرؤية البشرية. تعتمد هذه التقنيات على التعلم العميق.
تقع هذه الأطروحة في نطاق رؤية الكمبيوتر. هدفنا هو اكتشاف المركبات في مجموعة من الصور وتصنيفها وفقًا لنوعها « حافلة، سيارة، دراجة نارية، شاحنة، دراجة. » للقيام بذلك، اعتمدنا النموذجين YOLOv5 وRCNN Faster للكشف عن المركبات. في نهاية هذه الدراسة، تم الحصول على أفضل النتائج باستخدام طريقة RCNN Faster بقيمة الدقة تبلغ 89٪.
كلمات البحث: اكتشاف المركبات، الشبكة العصبية، التعلم العميق، CNN، « ResNet-50″، « YOLO »، R-CNN » . »Faster
Abstract
Road and highway safety has become a priority issue for public authorities due to the massive increase in road accidents every year. To this effect, the detection of vehicles perceived in a video has simplified the issue of traffic and the identification of suspect cars or vehicles.
Deep learning techniques have emerged as a powerful strategy offering an alternative solution to human vision imitation. These techniques are based on deep learning.
This thesis falls within the domain of computer vision. Our goal is to detect vehicles in a stream of images and classify them according to their type ‘bus, car, motorcycle, truck, bicycle’. For this purpose, we adopted the two models YOLOv5 and Faster RCNN for vehicle detection. After a comparative study between these models, the best results were obtained by the Faster RCNN method with an accuracy value of 89%.
Keywords: Vehicle detection, neural network, deep learning, CNN, ‘ResNet-50’, ‘YOLO’, ‘Faster R-CNN’.
Introduction Générale
L’intelligence artificielle a connu récemment de grandes avancées notamment grâce à l’apprentissage profond et la vision par ordinateur. Il est désormais possible de reconnaitre un objet dans une image ou une séquence d’images ce qui est très pratique pour les véhicules autonomes et pour les systèmes de surveillance. Avec l’apprentissage profond, le développement de l’IA passe à la vitesse supérieure.
De nos jours, les vidéosurveillances constituent l’une des solutions de sécurité les plus anciennes et répandues. Afin de gérer le trafic routier, de nombreuses études sont menées sur ces systèmes de surveillance utilisant des techniques de traitement d’images.
La détection et la reconnaissance d’un véhicule à partir d’une séquence d’image est la première étape de la mise en œuvre d’un système avancé et sophistiqué. Elle est l’une des applications des systèmes de transport intelligent pour laquelle une solution fiable et efficace est toujours recherchée.
Notre projet entre dans le cadre de surveillance routière dont l’objectif principale est la détection et la reconnaissance des véhicules sur des vidéos du trafic routier ou autoroutier. A ce propos nous avons soulevé des questionnements qui nous ont interpellé et ont suscité notre intérêt face à la conjoncture actuelle en Algérie.
Nous présenterons une revue détaillée des techniques de détection et de classification des véhicules et nous discuterons également des différentes approches utilisées dans ce contexte.
Dans ce mémoire, nous nous interrogerons sur les nouvelles stratégies de l’intelligence artificielle et plus particulièrement l’apprentissage profond comment peut-il être utiliser pour la détection et la classification des véhicules (voiture, bus, moto, …) dans une séquence vidéo. Pour cela, nous nous sommes basées sur deux outils disponibles proposés récemment exploitant les réseaux de neurones de convolution pour la détection d’objets : YOLO et Faster R-CNN. Nous avons choisi ces deux algorithmes, car YOLO permet d’obtenir les meilleurs résultats, il est adapté pour les systèmes de temps réel et Faster R-CNN est une des méthodes CNN les plus utilisées à ce jour. Nous utilisons pour l’implémentation le langage de programmation Python.
Cette étude que nous avons fait va nous permettre de subvenir aux besoins de détection et de classification des véhicules perçus dans une vidéo, ce qui va simplifier par la suite la question du trafic et l’identification des automobiles ou des véhicules suspects.
Le but de ce travail est de détecter et de reconnaitre des véhicules dans une séquence d’images en se basons sur l’apprentissage profond. Puis faire une étude comparative sur des algorithmes de détection d’objets.
Notre mémoire s’articules autour de trois chapitres tel que :
- Chapitre 1 : fait l’objet d’étude sur les systèmes de transport intelligent, ensuite les méthodes de détection et reconnaissance de véhicules suivi d’un état de l’Art sur quelques études récentes sur la détection et la classification des véhicules dans une vidéo.
- Chapitre 2 : est consacré à une étude sur l’intelligence artificielle suivi de quelques généralités sur les réseaux de neurones artificiels (RNA), les réseaux de neurones convolutifs (CNN) et le deep learning.
- Chapitre 3 : est réservé à la conception, l’environnement et les outils de l’implémentation. Également nous décrivons les architectures utilisées pour mettre en œuvre le processus de détection et de classification des véhicules ainsi que les résultats obtenus et leurs interprétations.
En conclusion, nous synthétisons notre mémoire par les résultats obtenus et proposons des perspectives pour les travaux futurs qui seront élaborées par d’autres chercheurs.
Questions Fréquemment Posées
Quelle est la méthodologie de détection de véhicules utilisée dans l’étude?
Nous avons adopté les deux modèles YOLOv5 et Faster RCNN pour la détection de véhicules.
Quels types de véhicules sont classés dans cette étude?
L’objectif est de classer les véhicules selon leur type : bus, voiture, motocycle, camion, bicyclette.
Quel modèle a obtenu les meilleures performances dans l’étude?
Les meilleurs résultats ont été obtenus par la méthode Faster R-CNN avec une valeur de précision de 89%.