Techniques classiques (HOG, Viola-Jones)
2.1 Techniques Classiques (HOG, ViolaJones)
Introduction
Les techniques classiques de détection d'objets ont été fondamentales avant l'essor des approches basées sur le Deep Learning. Parmi ces techniques, deux méthodes se distinguent particulièrement : Histogrammes des Gradients Orientés (HOG) et ViolaJones.
Histogrammes des Gradients Orientés (HOG)
Les HOG sont largement utilisés pour la détection d'objets, en particulier pour la détection de piétons. Cette méthode repose sur l’analyse des gradients dans une image.
- Calcul des gradients : Les gradients sont calculés pixel par pixel, ce qui permet de capturer les contours et les bords importants de l'image.
- Orientation des gradients : Les gradients sont ensuite classés en fonction de leur orientation, fournissant une représentation directionnelle des caractéristiques de l'image.
- Histogrammes locaux : Les orientations des gradients sont regroupées en histogrammes locaux sur des cellules, permettant ainsi de capturer les structures géométriques locales.
- Normalisation de blocs : Les histogrammes des cellules sont ensuite regroupés en blocs normalisés pour rendre le descripteur robuste aux variations d’éclairage et de contraste.
ViolaJones
La méthode ViolaJones, introduite en 2001, est principalement connue pour la détection rapide de visages en temps réel. Elle repose sur plusieurs principes clés :
- Caractéristiques de Haar : Utilisation de simples masques de caractéristiques, basés sur les rectangles, pour capter les zones de contraste dans une image.
- Sélecteur adaboost : Un algorithme d'apprentissage s'adaptant selon les échantillons mal classés. Il sélectionne les caractéristiques les plus discriminantes et leur assigne des poids.
- Cascade de classifieurs : Série de classifieurs organisés en cascade, où chaque classifieur écarte une grande partie des zones d'intérêt ne contenant pas de visage, réduisant ainsi considérablement le nombre d'opérations nécessaires.
Conclusion
Les techniques HOG et ViolaJones ont permis des avancées significatives dans le domaine de la détection d’objets avant l'avènement des réseaux de neurones profonds. Bien que supplantées par des méthodes plus modernes, elles restent importantes pour comprendre l'évolution de la vision par ordinateur.
HOG, ViolaJones, Détection d'objets, Gradients, Haar