1

Rsum :

Dans cet article nous proposons un systme de segmentation
en boucle ferme. Lide fondamentale est dinstaurer un
contrle continu du rsultat de la segmentation laide dune
boucle de rtroaction constitue de deux modules (valuation
et optimisation) afin doptimiser le jeu de paramtres de
segmentation en cas de ncessit.
Les rsultats de simulation montrent que dans le cas o
lutilisation des paramtres par dfaut a donn une
segmentation incorrecte, le module doptimisation fournit un
jeu de paramtres optimaux permettant une amlioration nette
des rsultats.

Mots Clefs, Evaluation, systme de segmentation, boucle
ferm, paramtres optimaux, Micro-Genetic, temps rel

I. VUE DENSEMBLE DE LALGORITHME PROPOSE
La mthode de segmentation par contour actif base de b-
spline B-Snake donne des bons rsultats sur plusieurs
squences vido test [4]. Nanmoins les performances de la
mthode sont variables avec le type et le contexte de la
squence vido traiter. Pour plus defficacit de notre
systme, il est ncessaire quelle possde des capacits de
gnricit, de flexibilit, et dadaptabilit la variabilit des
tches et des contextes.
Il faut donc concevoir un systme de segmentation qui puisse
intgrer sous diffrentes formes les connaissances et les
informations disponibles, pour lui permettre didentifier
dynamiquement le problme prsent et lui apporter la
solution la plus approprie. Une solution notre problme est
dadapter les paramtres de segmentation afin dobtenir les
meilleures performances pour diffrents types de squences
vido.
Dans ce cadre, nous proposons un systme de segmentation
boucle ferm constitu de trois modules (voir Figure 1) :








Le module dadaptation permet de faire voluer un ou
plusieurs jeu de paramtres en exploitant les donnes fournies
par ltape danalyse dimages, les contraintes et les
indicateurs obtenus lors de simulations antrieures. Pour se
faire, il est ncessaire en premier temps de dfinir lensemble
de valeur de chaque paramtre.
Le module de segmentation prliminaire [1][2][3], utilise un
jeu de paramtres dfini lors de la phase dadaptation pour
extraire les rsultats obtenus. Cette fonction doit prparer
lvaluation de la performance dun jeu de paramtres. Elle
consiste matrialiser le comportement que pourrait avoir
notre systme avec un des jeux de paramtres dfinis lors de la
phase dadaptation.
La module dvaluation consiste effectuer une estimation de
la qualit des rsultats qui seront utiliss dans la phase
dadaptation afin damliorer le paramtrage. Pour valuer
lefficience dun paramtrage, il est ncessaire de modliser
les indicateurs de performance reprsentatifs des critres : un
indicateur de performance est une donne quantifie qui
mesure lefficacit et/ou lefficience de tout ou partie dun
processus ou dun systme, par rapport un objectif,
dtermin , dans notre cas, nous fixons deux critres de
performances : la qualit de segmentation ainsi que le temps
de calcul. Cette phase doit tre la plus rapide possible, cest
pour cette raison que nous fixons un seuil partir duquel,
nous dcidons que les performances de notre segmentation
sont insuffisantes, et par suite nous autorisons au systme
dexplorer une autre configuration de jeu de paramtres afin
doptimiser nos chances de dtecter un paramtrage optimal.
Nous proposons dinsrer deux modules supplmentaires
notre systme de segmentation adaptatif (voir Figure 1) afin
de le rendre plus performant et robuste aux variations des
conditions environnementales ainsi quaux diversits des
types dimages. Le premier module dvaluation permet
d'estimer la performance de la segmentation, lissue de cette
valuation loprateur peut fixer un seuil
s
q caractrisant la
prcision de la segmentation souhaite, deux cas seront
envisags :


Systme de segmentation en boucle ferme

ROJBI Anis
Universit Paris XII - LERISS
Laboratoire d'Etudes & Recherche en Instrumentation, Signaux et Systmes
Phone: (33)1 46 89 22 40
Email: rojbianis@yahoo.fr


2


Figure 1- Architecture du systme de segmentation en boucle
ferme.

1. Si
s
Q q > : Dans ce cas, nous considrons que le
systme de segmentation en boucle ouverte a donn
une segmentation correcte, nous navons pas besoin
alors doptimiser les paramtres de segmentation,
ceci permet ainsi de rduire le temps de calcul.

2. Si
s
Q q < : Dans ce cas la segmentation obtenue est
considre incorrecte, le module doptimisation per-
met de fournir un jeu de paramtres mieux adapt la
squence traite, permettant ainsi une amlioration de
la qualit de segmentation.

Le deuxime module doptimisation fournit le jeu de para-
mtres optimaux au module de segmentation, afin damliorer
la performance du systme. Si au bout de 20 itrations
(contrainte temps de calcul), lalgorithme ne converge pas, la
condition darrt de la procdure doptimisation est valide, la
segmentation, dans ce cas est en mode floue [3].
Pour rsoudre le problme de paramtrage optimal, dans le
cadre de la rsolution des problmes combinatoires, les
algorithmes gntiques se sont montrs efficaces pour de
nom-breux problmes [6]. Nous nous sommes attachs
montrer leur adquation des problmes dextraction de
connaissances en menant des rflexions autour de leur
modlisation en problmes doptimisation. Pour rsoudre un
tel problme en utilisant des mthodes doptimisation, il faut,
en premier lieu, dfinir une fonction dvaluation et connatre
lespace de recherche optimiser.
Le choix de la fonction dvaluation mesurant la qualit de la
connaissance candidate lextraction est particulirement
imp-ortant et la qualit des rsultats en dpend. Dans un
premier temps, nous avons valid une fonction dvaluation
permettant de quantifier la performance des rsultats obtenus
par notre algorithme de segmentation vido.

II. METHODE DVALUATION VALIDEE

Nous avons valid la mthode dvaluation de la segmentation
propose dans [5]. Cest une mthode rcente dvaluation
non supervise de la qualit de segmentation vido. Nous
avons choisi dutiliser cette mthode parce quelle prsente
plusieurs avantages :

Moins gourmant en temps de calcul par rapport aux
autres mthodes proposs dans la littrature,
Adapt aux squences via un terminale de visio-
confrences,
Rsultats dvaluation encourageante [5].

Elle est base sur la mesure de deux critres : la couleur et le
mouvement.

Le 1er critre est bas sur les tests suivants :

Lhistogramme de couleur de lobjet est diffrent de
lhistogramme de couleur du fond
Lhistogramme de couleur est stationnaire au cours
de temps (stabilit temporelle)

Pour le deuxime critre : le mouvement, on vrifie si :
Les vecteurs de mouvement de lobjet lintrieur
du bord de lobjet sont diffrents des vecteurs
mouvement du fond lextrieur du bord de
lobjet (les bords de lobjet concident avec les
bords du fond)
Le fond est stationnaire (le vecteur mouvement
global peut tre compens).

Pour valuer la performance des rsultats obtenus par lalgo-
rithme de segmentation, cette mthode permet de calculer un
indicateur D valuant la qualit de la segmentation obtenue :

Couleur mouvement
D D D = +


Avec :
, Coefficients rgler en fonction des caractristiques de
la squence vido traiter, la somme de ces coefficients doit
tre gale 1.

Le critre peut tre modlis de la faon suivante :

( ) ( )
( ) ( )
Couleur Couleur Mouvement Mouvement
Couleur Mouvement
D D D D
D
D D


+
=
+

Avec :
( ) . est une fonction dtermine par la courbe ( ) C x dfinie
comme suit :

3

( )
( ) ( )
( )
( )( )
1
2
1
1 2
2 1 3 1
2
3
2 3
3 2 3 1
3
0,
( )
1
1
x c
x c
c x c
c c c c
C x
x c
c x c
c c c c
x c

Pour la couleur :
( ) ( )
( )
( ) ( )
( ) ( )
1
0 1
2
1
0 1 ; 1
;
3 255
0 1, 1,...,
t
K
couleur couleur
i
t
i i
couleur
Couleur
couleur
d t t i
K
C t C t
t i
D f d t t T

=
=

= =

Avec :
t
K Le nombre total des lignes normales au bord de lobjet
i
x
C La valeur moyenne de la couleur calcule pour N*N
voisins du pixel
i
x
P
T Nombre des images dans la squence vido
( ) . f La valeur moyenne au cours du temps.

Pour le mouvement :
( )
( )
( ) ( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( )
( ) ( )
;
1
1
2
0 1 1
; ,
0 , 1,
0 , 1 exp 1
0 1, 1,...,
t
t
K
Mouvement t i
i
Mouvement K
i
i
i i
mouvement O I i
i i
i O I
i i
O I
i i
O I
mouvement Mouvement
d t
t i d v t v t
R v t v t
v t v t
d v t v t
D f d t t T

=
=
=
=
=
| |

| =
|
\ .
= =

D est un indice qui permet notre systme dvaluer la
qualit de la segmentation obtenue, et par suite de dcider si
nous devons appliqu des oprateurs gntiques afin
doptimiser le jeu de paramtres initial ou bien de sortir de la
boucle et valid le rsultat de la segmentation obtenue comme
correct. Emp-iriquement, nous pouvons choisir un seuil
s
q ,
partir duquel nous considrons que la segmentation est
incorrecte, ce paramtre doit tre rgl manuellement suivant
les performances que nous voulons atteindre, sans oublier de
respecter le compromis qualit de segmentation, temps de
calcul.
Aprs avoir dfini la fonction dvaluation de la qualit de la
segmentation, nous avons opt pour ltude dune mthode
doptimisation multicritre. Le couplage mthodologique
global-local vise combiner chacun de leurs avantages. Nous
avons slectionn le principe de lalgorithme gntique pour
sa capacit dexploration et celui de descente de gradient pour
sa capacit trouver un optimum local [7].
III. METHODE DOPTIMISATION VALIDEE
Il s'agit de trouver les paramtres qui rendent la fonction
objective maximale. Dans notre slection, nous avons cons-
idr deux critres principaux :
Lexploration de lespace de recherche
Le temps de calcul
Nous avons tudi quelques mthodes doptimisation algorith-
mique [7][8][9][10], lanalyse critique de ces mthodes permet
de montrer que lalgorithme gntique est la mthode la plus
adapte dans notre cadre applicatif : il permet une exploration
large de lespace de recherche, linconvnient de cette appro-
che est le temps de calcul un peu prohibitif, cest pour cette
raison que nous avons recours lalgorithme Micro-
Genetic moins gourmant au niveau temps de calcul [9] , et
prsentant presque les mmes avantages que celle de lalgo-
rithme gntique classique en ce qui concerne lexploration de
lespace de recherche et la convergence vers une solution
optimale. Le principe de lalgorithme Micro-genetic est le
mme que celle de lalgorithme gntique classique [9].
Nanmoins Micro-genetic est moins sensible pour le choix
des paramtres initiaux. La taille de population est de 5 7
avec un taux de croisement de 0.8 0.95. Le rsultat de
convergence est le mme, nous gagnerons au niveau du temps
de calcul.
Nous proposons alors dutiliser une mthode doptimisation
hybride qui permet de coupler un algorithme de descente de
gradient avec un algorithme Micro gntique. Lalgorithme de
descente de gradient permet de fournir les paramtres initiaux
lalgorithme Micro-Genetic (sans mutation avec un
croisement uniforme de chromosomes).
Pour appliquer un tel algorithme, il faut dfinir le jeu de para-
mtres optimiser :

Lindice de confiance seuil : il permet de slectionner
le mode de segmentation appropri suivant la
complexit de la squence vido (prcision de la
segmentation).
Le coefficient de rgularisation du contour (pond-
ration du lissage du contour) : linfluence de ce
coefficient sur la qualit de segmentation nest pas
vident : on gagne, certes, au niveau de la rgularit
des contours obtenus, mais en contrepartie, on perd
en terme de prcision des dtails.
Le pas de discrtisation : le pas dvolution du
contour actif. Sa valeur dpend du poids choisi, pour
le lissage des contours mais aussi de la concavit des
objets segmenter
Le seuil de dtection : permet de caractriser la
qualit de la dtection de lobjet segmenter car
dtermine si un pixel appartient ou non lobjet

4
segment. En effet, est le seuil partir duquel on
prend en compte la diffrence de luminosit entre 2
images, cest--dire quun pixel est relev si on a :
( )
2
1 n n
S S

< , pour le descripteur le plus simple.
Lorsque est petit, on peut dtecter un pixel dont la
valeur est assez proche de celle de limage
prcdente. Mais on risque de voir apparatre du bruit
car on tient alors compte de faibles diffrences de
luminosit entre deux images successives et de ce
fait, des segmentations parasites peuvent subvenir. Et
si on prend une valeur trop leve, certains points de
lobjet dont les valeurs seraient trop proches de celles
de limage prcdente ne seraient pas relevs et on
aurait alors des objets trous, dont il manquerait
certaines parties, notamment celles qui sont assez
statiques dune image lautre. Il faut donc prendre
une valeur assez faible de pour que tous les points
de lobjet soient bien considrs comme points de
lobjet segment et russir supprimer les parties
parasites.

Nous pouvons bien observer que ces paramtres agissent
dune faon contradictoire, lobjectif dutiliser des mthodes
dopti-misation est dassurer un compromis entre ces
diffrents paramtres afin de maximiser la performance du
systme.


IV. RESULTAT EXPERIMENTALE :
Lanalyse des rsultats exprimentaux (voir Figure 2) montre
que le systme de segmentation en boucle ferme propos
dans cet travail as permet damliorer les rsultats de
segmentation en boucle ouverte (sans le module
doptimisation de paramtre). Le principe est bas sur une
optimisation des paramtres de segmentation permettant une
segmentation optimale en fonction de la complexit de la
squence vido.
En outre, la Figure 2 montre que linfluence des paramtres de
segmentation sur la convergence de lalgorithme est trs
importante. En effet lutilisation des paramtres optimaux
permet damliorer nettement la qualit de la segmentation.




(a) (b) (c)
(a) (b) (c)
Figure 2. Quelques rsultats de segmentation obtenue par
notre systme sur des squences vido test, (a) : Squence
vido originale ; (b) Rsultat de segmentation obtenu par le
systme de segmentation en boucle ouverte (paramtres par
dfaut) ; (c) Rsultats de segmentation obtenus par le systme
de segmentation en boucle ferme (paramtres optimaux).

Paramtres de segmentation Valeur (par
dfaut)
Indice de confiance seuil 0.52
Coefficient de rgularisation du
contour
2
Le pas de discrtisation 0.82
Le seuil de dtection 0.2
Tableau 1 : Paramtres par dfaut de la
segmentation (systme de segmentation
en boucle ouverte)
Paramtres
optimaux
Akiyo Salesman Suzie News
Coefficient de
rgularisation du
contour
2 0.68 0.28 0.05
Le pas de
discrtisation
0.85 0.11 0.1 2
Le seuil de
dtection
0.2 1.25 1.15 0.035
Indice de confiance
seuil
0.52 0.44 0.48 0.54
Tableau 2: Paramtres optimaux de la
segmentation (systme de segmentation
en boucle ferme)

5



Le Tableau 1 et Tableau 2 montrent la cohrence des
rsultats obtenus :

Pour la squence Akiyo , lutilisation des
paramtres par dfaut donne de bons rsultats, tant
donn que la squence traite prsente un fond simple
et une stabilit temporelle, dans ce cas-ci, le systme de
segmentation en boucle ferme considre ces
paramtres comme optimaux.
Pour la squence salesman (fond un peu
complexe, en outre, on peut noter la prsence de
quelques ombres dans limage), lutilisation des para-
mtres par dfaut ne donne pas de bons rsultats, dans
ce cas notre systme en boucle ferme permet de
fournir un jeu de paramtres optimaux qui amliorent
la qualit de la segmentation.

V. CONCLUSIONS
Dans ce travail nous avons propos un systme de
segmentation vido en boucle ferme, ayant pour objectif la
gestion et la supervision des performances de la segmentation
vido. Le nombre, la nature et la complexit des paramtres
ncessitent la mise en place doutils adapts capables de
simuler et de proposer des configurations susceptibles den
amliorer les performances.
Lavantage de lapproche propose est son efficacit donner
des bons rsultats avec la diversit des types dimages
segmenter sous des conditions environnementales variables.
Linconvnient de notre approche est le temps de calcul
supplmentaire qui sera ajout au temps de calcul du module
de la segmentation, mais avec lvolution continue de la
puissance de calcul, nous esprons que cela ne prsentera pas
une contrainte pour utiliser cette approche dans le cadre de
dveloppement des applications temps rel.
REFERENCES
[1] A. Rojbi J-C. Schmitt, A.Georges, P.Boissonade, Localisation des
personnes dans une squence vido Coresa2003 , Lyon.
[2] A.Rojbi, "Fuzzy Global segmentation system for video-telephony
sequences," presented at The 8th World Multi-conference on Systemics,
Cybermics, cybernetics and Informatics. Invited sessions in Color Image
Processing & Applications, USA, Florida, 2004.
[3] A.Rojbi and J.-C. Schmitt, "Procd de localisation et de segmentation
floue d'une personne dans une image vido," vol. FR 0351171, FTR&D,
Ed. France, 2003
[4] Y. Wang, E. Khwang, and T. D. Shen, "Structure-adaptive B-snake for
segmenting complex objects," presented at International Conference on
Image Processing, 2001.
[5] . E. Erdem, B. sankur, and A. M. tekalp, "Performance Measures for
Video Object Segmentation and Tracking," IEEE transaction on Image
Processing, vol. 13, pp. 937-951, 2004.
[6] C.Chesnaud, "Techniques statistiques de segmentation par contour actif
et mise en oeuvre rapide" France : Universit d'Aix-Marseille III, 1999.
[7] D. E. Goldberg, "Genetic Algorithms in Search," Optimization,and
Machine Learning, pp. 303-309, 1993
[8] H. Papadimitriou and K. Steiglitz, "Combinatorial Optimization:
Algorithms and Complexity," 1982.
[9] C. A. C. Coello and G. T. Pulido, "A Micro-Genetic Algorithm for
Multiobjective Optimization," presented at Evolutionary Multi-Criterion
Optimization, 2001.
[10] T.-L. Yu., "A survey of estimation of distribution algorithms."