Surveillance intelligente basée sur la recherche d’image dans les villes intelligentes

Abstract

Dans le cadre de ma thèse de doctorat, j’ai traité la problématique de la surveillance intelligente basée sur l’analyse d’images, avec un focus particulier sur le monitoring du trafic routier dans le contexte des villes intelligentes. L’objectif principal de cette recherche est la conception et le développement de solutions intelligentes pour la surveillance du trafic routier, en exploitant des techniques d’analyse d’images et d’intelligence artificielle. Le travail réalisé propose des modèles performants pour la catégorisation d’images dans les environnements de smart cities, dans le but de renforcer les systèmes de transport intelligents (ITS). Les solutions proposées visent notamment à améliorer la détection de la disponibilité des places de stationnement ainsi que l’identification des situations de congestion routière, en s’appuyant sur des données visuelles issues des systèmes de surveillance. Le manuscrit de la thèse est structuré en six (6) chapitres. Le premier chapitre présente le contexte général de la recherche, expose la problématique, les motivations scientifiques, les objectifs poursuivis, ainsi que les contributions et l’organisation globale du document. Le deuxième chapitre fournit les notions de base relatives à la classification et à la recherche d’images, ainsi qu’un état de l’art sur les approches existantes en matière de détection de places de stationnement et de prévision de la congestion routière. Le troisième chapitre propose deux architectures pour la classification des images de parkings : la première basée sur un réseau de neurones convolutif (CNN) personnalisé, et la seconde exploitant le transfer learning combiné à des techniques d’augmentation de données. Dans le quatrième chapitre nous avons introduit une approche innovante de détection de la congestion routière utilisant un Vision Transformer paramétré avec cartographie d’images, en transformant les flux vidéo en données exploitables par des méthodes de traitement d’images. Le cinquième chapitre détaille le système multi-modules intégrant traitement d’images, analyse de la vitesse des véhicules et logique floue pour une évaluation en temps réel de l’état du trafic. Le dernier chapitre conclut la thèse, récapitule les contributions majeures et propose des perspectives pour de futurs travaux. Les travaux de mes recherches peuvent être résumés comme suit : • Développement d’un système efficace basé sur les réseaux de neurones convolutifs (CNN) pour détecter l’occupation des places de stationnement [1]. Le modèle se distingue par une réduction des paramètres de calcul grâce à une paramétrisation spécifique des couches et à l’utilisation d’un taux de dilatation progressif, garantissant une robustesse face aux occlusions et aux variations d’éclairage. Validé sur le jeu de données PKLot, ce modèle présente une faible complexité computationnelle, le rendant adapté aux environnements embarqués. • Mise en œuvre d’une solution exploitant le transfer learning avec le modèle Inception V3, associé à l’augmentation de données, pour la classification des places de stationnement (PKLot dataset) [2]. Les résultats expérimentaux ont démontré une précision élevée et des performances computationnelles satisfaisantes. • Proposition d’un modèle innovant exploitant l’analyse vidéo de trafic via une cartographie d’images [3]. Les images extraites des vidéos sont traitées avec YOLOv8s pour la détection de véhicules, puis converties en images cartographiées et analysées par le Vision Transformer. Évaluée sur le jeu de données UCSD et testée dans diverses conditions météorologiques. • Conception du système [4] reposant sur l’algorithme SIFT pour l’analyse de la congestion sans nécessiter de suivi individuel des véhicules. La détection de la densité et de la vitesse des véhicules est réalisée à travers le traitement d’images, tandis que la logique floue assure une interprétation robuste des différents scénarios de trafic. Les expérimentations, menées sur le jeu de données U