J'entends souvent cette question de la part des intégrateurs, et je sais pourquoi. Sur le terrain, une cible reste rarement entièrement visible. Les clôtures, les buissons, les ombres et les poteaux s'interposent rapidement.
IA1 peut toujours identifier de nombreuses cibles lorsque plus de 50 % est caché, mais le résultat dépend du modèle, de la scène et de la quantité de détails clés du corps encore visibles.
Détection d'occlusion de cible par IA dans les caméras de sécurité
Lorsque je travaille avec des acheteurs B2B, je ne traite jamais l'occlusion comme un simple problème de oui ou de non. Je la considère comme un mélange de détection, de suivi et de prédiction. C'est là que la vraie valeur commence.
Table des matières
Le suivi restera-t-il verrouillé si une personne passe derrière une clôture ou une rangée mince de buissons ?
J'ai vu ce problème de nombreuses fois sur des sites extérieurs, et je sais à quel point cela peut être ennuyeux. Une personne est claire un instant, puis une clôture brise la trace le suivant.
Oui, la trace peut rester verrouillée pendant un court instant si le système dispose d'une logique de suivi solide logique de suivi2, mais le résultat dépend de la continuité du mouvement, de l'encombrement de la scène et de la durée pendant laquelle la cible reste cachée.
Suivi IA derrière une clôture et des buissons
Pourquoi une clôture ne brise pas toujours le suivi
J'utilise ce cas pour expliquer l'écart entre la détection et le suivi. La détection trouve la personne. Le suivi suit la personne dans le temps. Lorsqu'une clôture mince ou des buissons couvrent une partie du corps, le système peut toujours conserver le même identité si suffisamment d'indices visuels subsistent. La forme humaine, la vitesse de marche et la direction de la trajectoire aident tous. Si la cible n'est que partiellement cachée pendant une ou deux images, un traqueur solide peut généralement maintenir le verrouillage. Si la personne se déplace derrière des plantes denses ou une large clôture pendant trop longtemps, la confiance diminue. Ensuite, le système peut perdre la cible ou créer une nouvelle identité lorsque la personne réapparaît. J'ai constaté que les meilleurs résultats proviennent de caméras avec un bon contrôle de l'angle et des vues d'arrière-plan claires. Si j'installe la caméra trop bas, la ligne de la clôture couvre trop de corps. Si je la place trop haut, je peux perdre les détails du visage et des épaules. J'équilibre donc toujours l'angle de vue, la distance et la disposition de la scène avant de promettre un suivi stable. Pour des acheteurs comme David, cela est important car une perte de suivi peut signifier un événement manqué, et cela peut coûter cher dans un travail sur le terrain ou un site distant.
Résultats courants en cas d'occlusion partielle
| Condition de la scène | Résultat du suivi | Ce que j'attends |
|---|---|---|
| Clôture fine pendant 1-2 secondes | Reste généralement verrouillé | Bonne continuité |
| Les buissons ne couvrent que les jambes | Reste souvent verrouillé | ID stable si le haut du corps est visible |
| Buissons denses couvrant le torse | Peut tomber bientôt | Plus de chances de perdre l'ID |
| Longue occlusion derrière un mur — Réacquisition souvent plus tard — Nécessite Ré-ID6 soutien |
Ce que je vérifie dans le monde réel
Je ne me fie pas uniquement à une fiche technique. Je teste le trajet réel de la personne. Je regarde combien de temps la personne reste cachée. Je vérifie également si la caméra maintient le corps au centre du cadre. Un bon système PTZ5 peut aider car il peut suivre le mouvement et zoomer à nouveau après le retour de la cible. Dans de nombreux cas, la caméra elle-même n'est pas le point faible. Le point faible est la règle logicielle qui décide quand conserver la trace et quand l'abandonner. Si cette règle est trop stricte, le système perd la personne trop tôt. Si elle est trop lâche, il peut confondre une personne avec une autre. Je dis généralement aux clients que le suivi derrière une clôture est possible, mais ce n'est jamais magique. Cela fonctionne mieux lorsque la caméra voit suffisamment d'historique de mouvement et suffisamment de forme corporelle avant que l'obstruction ne commence.
Comment l'algorithme de reconnaissance “basé sur les parties” gère-t-il les cibles partiellement cachées ?
J'aime cette question car elle va au cœur de la vision IA moderne. Un bon modèle n'a pas besoin de tout voir. Il a besoin de voir les bonnes parties.
A algorithme basé sur les parties3 divise la cible en parties visibles du corps, et il peut toujours faire une correspondance à partir de ces parties lorsque le corps entier n'est pas visible.
Reconnaissance basée sur les parties pour des cibles partiellement cachées
Pourquoi les parties comptent plus que la forme entière
Je pense aux anciens systèmes comme des correspondances de formes. Ils voulaient la personne entière ou le véhicule entier en vue. C'est fragile. Un modèle basé sur les parties fonctionne de manière plus intelligente. Il examine la tête, les épaules, le torse, les jambes, les fenêtres, les lignes de toit ou la zone des roues. Si certaines parties sont bloquées, le modèle peut toujours utiliser les parties qu'il peut voir. C'est très utile sur les sites extérieurs avec des arbres, des poteaux et des ombres mouvantes. Par exemple, si je peux voir le haut du corps, le modèle peut toujours dire : “ c'est une personne ”, car les proportions du corps humain sont toujours claires. Si je peux voir l'avant d'une voiture et une partie du toit, le modèle peut toujours savoir qu'il s'agit d'un véhicule. Cette méthode est bien meilleure qu'une simple correspondance de pixels. Elle aide également dans les scènes encombrées, où une cible en chevauche une autre. Mais je rappelle toujours aux clients que la reconnaissance basée sur les parties n'est pas parfaite. Si les parties visibles sont trop petites, trop floues ou trop similaires à l'arrière-plan, le modèle aura toujours du mal. Dans mon travail, les meilleurs systèmes utilisent une logique basée sur les parties associée à des indices de mouvement et à l'historique des images. Cette combinaison donne plus de contexte au modèle. Il ne voit pas seulement une image figée. Il voit une histoire en mouvement.
Ce que le modèle examine habituellement
| Partie visible | Utile pour l'identification de personnes | Utile pour l'identification de véhicules |
|---|---|---|
| Tête et épaules | Haut | Faible |
| Forme du torse | Haut | Faible |
| Jambes et mouvement de marche | Moyen | Faible |
| Calandre avant ou pare-brise | Faible | Haut |
| Ligne de toit ou panneau latéral | Faible | Haut |
Là où la logique basée sur les parties est la plus utile
Je constate le plus grand gain dans les scènes avec des couvertures partielles répétées. Une barrière de ferme, un buisson au bord de la route ou une clôture de site peuvent bloquer la même cible encore et encore. Un modèle basé sur les parties apprend que les morceaux visibles appartiennent toujours ensemble. Cela aide également lorsque l'angle de la caméra n'est pas idéal. De nombreux déploiements réels n'ont pas de vues parfaites. La caméra peut faire face à une route, une porte ou un quai de chargement de côté. Dans ces cas, la forme complète de l'objet est souvent manquante. Un modèle basé sur les parties me donne une meilleure chance de conserver une détection utile. Pour les acheteurs qui ont besoin d'une sortie stable dans un VMS7 comme Jalon8 ou Iris bleu9, cela est important car une meilleure correspondance d'identité signifie moins d'alertes erronées et moins de vérifications manuelles.
Là où cela échoue encore
Je ne veux pas exagérer. Si une cible est presque entièrement cachée, le modèle peut se tromper. Une veste au vent peut ressembler à un corps. Une branche peut ressembler à un bras. Un véhicule partiel peut ressembler à une remorque ou à un camion fourgon alors qu'il ne l'est pas. C'est pourquoi je teste sur le site réel, pas seulement en laboratoire. L'algorithme s'améliore lorsque les données d'entraînement incluent le même type de clôtures, de plantes et d'éclairage que le client a sur site. C'est l'une des raisons pour lesquelles le réglage OEM et ODM est important. Le modèle ne doit pas seulement être intelligent. Il doit être réglé pour la scène exacte.
L'IA utilise-t-elle la prédiction temporelle pour deviner la trajectoire de la cible pendant qu'elle est complètement occultée ?
Je m'appuie sur cette idée tout le temps dans le suivi extérieur. Si la cible disparaît un instant, le système ne doit pas agir comme s'il était aveugle.
Oui, de nombreux systèmes de suivi IA utilisent prédiction temporelle4, ils estiment donc où la cible devrait réapparaître en fonction de la vitesse, de la direction et de l'historique récent des mouvements.
Prédiction temporelle lors d'une occlusion complète
Comment la prédiction fonctionne en pratique
Je considère la prédiction temporelle comme un moteur de devinettes à court terme. Le système observe où se trouvait la cible dans les dernières images. Il apprend la direction du mouvement et la vitesse. Ensuite, lorsque la cible passe derrière un poteau, un mur ou un arbre épais, le système continue de tracer un chemin attendu. Cela ne signifie pas que l'IA voit à travers l'objet. Cela signifie que l'IA fait une meilleure estimation pour une courte période. Si la personne marche habituellement à une vitesse constante, la prédiction fonctionne bien. Si la cible tourne soudainement, s'arrête ou change de direction, la supposition devient plus faible. Je trouve cela particulièrement utile dans le suivi PTZ, car la caméra peut continuer à bouger pendant que la cible est cachée. Cela aide le système à récupérer plus rapidement lorsque la cible réapparaît. J'utilise également cette logique pour expliquer pourquoi une caméra peut continuer à suivre une personne pendant une seconde ou deux après que celle-ci ait disparu de la vue. Ce n'est pas une erreur. C'est un comportement planifié. Mais la fenêtre de prédiction ne doit pas être trop longue. Si elle est trop longue, la caméra peut continuer à suivre un espace vide et manquer une nouvelle cible. Les meilleurs systèmes maintiennent la fenêtre courte et utilisent la redétection après la réapparition.
Prédiction à court terme par rapport à la récupération complète
| Situation | Valeur de la prédiction | Risque |
|---|---|---|
| Caché pendant moins d'une seconde | Très utile | Faible |
| Caché pendant 1 à 3 secondes | Utile | Moyen |
| Caché pendant plus de 3 secondes | Faible | Plus élevé |
| La cible change de direction derrière une couverture | Moins utile | Plus élevé |
| La cible revient près du chemin attendu | De nouveau fort | Faible |
Pourquoi cela est important pour les travaux en extérieur
Je travaille avec des clients qui utilisent des caméras dans les fermes, les portails, les bords de route et les sites éloignés. Ces endroits ont de nombreuses occlusions courtes. Un travailleur peut passer derrière un poteau de clôture. Un camion peut disparaître derrière un arbre. Un visiteur peut traverser une haie. La prédiction temporelle aide à maintenir la fluidité de l'événement. Elle réduit la perte de suivi et le spam d'alertes. Elle aide également la caméra PTZ à rester sur le bon sujet au lieu de sauter sur l'arrière-plan. Pour David et d'autres acheteurs techniques, c'est un problème majeur car le temps perdu à cause d'une fausse perte de suivi signifie plus d'appels de support et plus de visites sur site. Dans les endroits éloignés, ce coût est souvent plus élevé que le matériel lui-même.
Ce qui rend la prédiction plus forte
J'ai trouvé trois choses qui aident le plus. Premièrement, la cible doit avoir un mouvement clair avant l'occlusion. Deuxièmement, l'arrière-plan ne doit pas être trop bruyant. Troisièmement, le tracker a besoin d'une bonne fonction de re-identification lorsque la cible revient. Lorsque ces trois éléments fonctionnent ensemble, le système peut gérer très bien de nombreux cas réels. Lorsqu'un d'entre eux échoue, le système devient beaucoup moins stable. C'est pourquoi je teste toujours le flux complet, pas seulement le score de détection.
Puis-je ajuster le seuil de “Tolérance à l'occlusion” pour éviter de perdre la trace trop tôt ?
Je reçois souvent cette demande des intégrateurs qui veulent plus de contrôle. Ils veulent que la caméra maintienne la cible plus longtemps, mais ils ne veulent pas non plus de verrouillages erronés aléatoires.
Oui, si le logiciel offre un réglage de tolérance à l'occlusion, vous pouvez souvent l'augmenter pour maintenir le suivi plus longtemps, mais je le règle toujours soigneusement car une valeur plus élevée peut également augmenter les faux positifs.
Réglage du seuil de tolérance à l'occlusion
Pourquoi le réglage du seuil n'est pas universel
Je traite le réglage du seuil comme un équilibre sur une ligne étroite. Si je règle la tolérance trop bas, le système perd la cible dès qu'une partie du corps est bloquée. Cela crée des suivis interrompus et des alarmes manquées. Si je le règle trop haut, le système peut maintenir un mauvais suivi trop longtemps. Ensuite, il peut suivre un mauvais objet, ce qui crée de la confusion dans le VMS. La bonne valeur dépend du site. Une ferme avec un espace ouvert peut nécessiter un réglage différent d'une porte animée avec beaucoup de personnes et de véhicules. Un site avec des buissons clairsemés peut nécessiter un réglage différent d'une cour d'entrepôt avec de nombreux poteaux. Je commence généralement par des clips de test de l'environnement réel. Ensuite, j'ajuste la tolérance étape par étape. Je surveille deux choses en même temps : la fréquence à laquelle le système perd la vraie cible et la fréquence à laquelle il maintient une fausse cible. Cela me donne une vision claire du compromis. Un bon réglage doit réduire les pertes précoces sans rendre le système paresseux. Il doit aider l'IA à rester honnête, pas seulement collante.
Un guide de réglage simple
| Choix de réglage | Effet sur le suivi | Niveau de risque |
|---|---|---|
| Tolérance plus basse | Perd la cible plus rapidement | Suivis manqués |
| Tolérance moyenne | Comportement équilibré | Idéal pour de nombreux sites |
| Tolérance plus élevée | Maintient la cible plus longtemps | Plus de verrouillages erronés |
| Tolérance très élevée | Suivi très collant | Risque de mauvaise cible |
Ce que je recommande avant de changer le seuil
Je dis généralement aux clients de vérifier d'abord la configuration de la caméra. Si l'angle est mauvais, aucun seuil ne peut y remédier. Si la cible est trop petite dans le cadre, le modèle a trop peu de détails. Si l'éclairage est faible, l'IA peut perdre le contour du corps trop tôt. Je corrige donc la scène avant de changer le logiciel. Ensuite, j'examine le réglage d'occlusion. Je vérifie également si le système prend en charge la vérification multi-images10, car cela peut beaucoup aider. Si l'IA peut confirmer une cible sur plusieurs images, elle peut survivre à une couverture courte sans tomber trop rapidement. Pour les acheteurs qui se soucient de la stabilité et des faibles coûts de service, ce type de réglage fait souvent la différence entre un bon déploiement et un casse-tête de support.
Conclusion
Je peux identifier et suivre de nombreuses cibles malgré une forte occlusion, mais le meilleur résultat dépend de la vision basée sur les parties, de la prédiction de mouvement et d'un réglage minutieux du seuil.
1. Apprenez les bases de l'intelligence artificielle et son rôle dans la vision par ordinateur. ︎↩︎ 2. Explorez différentes approches de suivi vidéo et comment la logique maintient l'identité de la cible au fil du temps. ︎↩︎ 3. Apprenez comment les modèles basés sur les parties détectent les objets en identifiant et en faisant correspondre les composants visibles. ︎↩︎ 4. Comprenez comment la prédiction temporelle (souvent via des filtres de Kalman) estime les positions futures de la cible en fonction de l'historique des mouvements. ︎↩︎ 5. Apprenez-en davantage sur les caméras panoramiques, inclinables et zoomables (PTZ) et comment elles peuvent être utilisées pour le suivi actif. ︎↩︎ 6. Découvrez comment les algorithmes de ré-identification réattribuent une identité à une cible après sa réapparition. ︎↩︎ 7. Comprenez les systèmes de gestion vidéo (VMS) et leur rôle dans l'intégration des flux de caméras de sécurité. ︎↩︎ 8. Visitez Milestone Systems, un fournisseur leader de solutions VMS à plateforme ouverte. ︎↩︎ 9. Apprenez-en davantage sur Blue Iris, un logiciel de vidéosurveillance populaire pour les caméras IP. ︎↩︎ 10. Apprenez comment la vérification multi-images améliore la précision en confirmant les détections sur des images consécutives. ︎↩︎