Evaluation of Deep Learning-Based Object Detection and Tracking Methods for Transportation Applications

RÉSUMÉ Les méthodes de détection et de suivi dobjets basées sur lapprentissage profond ont connu un succès significatif en vision par ordinateur. Dans le domaine des transports, ces méthodes peuvent être utilisées pour extraire diverses mesures de trafic, telles que les comptages de véhicules, la vitesse et les indicateurs de sécurité. Certaines de ces mesures nécessitent lextraction de trajectoires à partir de données vidéo, ce qui peut être réalisé automatiquement par des méthodes de détection et de suivi. Cependant, leurs performances lorsquelles sont appliquées à des applications en transport restent encore insuffisamment comprises. Cette thèse porte sur lévaluation des performances des méthodes de détection et de suivi dobjets pour des applications en transport, avec un accent sur lanalyse de la sécurité et lanalyse du comportement de traversée des piétons. Bien que ces méthodes atteignent souvent une grande précision sur des jeux de données de référence publics, elles présentent encore des erreurs telles que des non-détections, des faux positifs, des fragmentations de trajectoires et des changements didentité. Malgré leur utilisation répandue, peu de travaux évaluent la manière dont ces erreurs influencent les analyses de transport en aval. Cette lacune motive la question de recherche centrale de cette thèse : Dans quelle mesure les méthodes de détection et de suivi dobjets basées sont-elles performantes pour les applications en transport ? La première étude évalue lapplicabilité des méthodes de détection et de suivi pour le calcul dun indicateur de sécurité, le temps avant collision (Time-to-collision, TTC), à partir dun jeu de données acquis par caméra embarquée. Les trajectoires des usagers de la route, incluant les véhicules, les piétons et les cyclistes, sont extraites de plusieurs méthodes de détection et de suivi, et les distributions de TTC obtenues sont comparées à celles dérivées des trajectoires de référence. Les résultats indiquent que, bien que les tendances générales du TTC soient capturées, des écarts importants apparaissent pour les faibles valeurs de TTC. Cela met en évidence la sensibilité de ces méthodes aux erreurs de perception et leurs limites pour des analyses critiques en matière de sécurité. Létude est ensuite étendue à un jeu de données obtenues de caméras fixes en bord de route et à deux indicateurs de sécurité, le TTC et le temps post-empiètement (Post-encroachment Time, PET). Une méthodologie dappariement des interactions est proposée afin de permettre une comparaison plus rigoureuse de ces deux indicateurs entre interactions prédites et de référence. Les résultats montrent que des écarts importants persistent au niveau des interactions, illustrant davantage les limites des méthodes actuelles de vision par ordinateur pour le calcul fiable dindicateurs de sécurité à ce niveau.