EP4248648A1 - Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé - Google Patents

Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé

Info

Publication number
EP4248648A1
EP4248648A1 EP21816012.5A EP21816012A EP4248648A1 EP 4248648 A1 EP4248648 A1 EP 4248648A1 EP 21816012 A EP21816012 A EP 21816012A EP 4248648 A1 EP4248648 A1 EP 4248648A1
Authority
EP
European Patent Office
Prior art keywords
environment
elements
density
datum
phase
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21816012.5A
Other languages
German (de)
English (en)
Inventor
Boussad ADDAD
Jérôme KODJABACHIAN
Mélanie EYCHENNE
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Thales SA
Original Assignee
Thales SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thales SA filed Critical Thales SA
Publication of EP4248648A1 publication Critical patent/EP4248648A1/fr
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • TITLE Process for determining a density of elements in areas of an environment, associated computer program product
  • the present invention relates to a method for determining a density of elements in areas of an environment.
  • the present invention also relates to a computer program product associated with such a method.
  • a video surveillance system comprising such cameras makes it possible, for example, to warn security personnel present in the environment when the density of the crowd exceeds a critical threshold.
  • One of the aims of the invention is then to obtain a method for determining a density of elements in areas of an environment whose precision is improved.
  • the subject of the invention is a method for determining a density of elements in zones of an environment, the environment comprising zones covered by sensors, called covered zones, and at least one zone not covered by a sensor, called uncovered zone, the method comprising: has. a training dataset collection phase for obtaining a training database, the collection phase being computer-implemented, each collected training dataset comprising at least: i. a first datum identifying each covered and uncovered zone of an environment, ii. a second datum comprising at least the density of elements in each covered zone of the environment at a current instant, iii. a third datum comprising the density of elements in the or each uncovered zone of the environment at the current instant, b.
  • the training phase being implemented by computer
  • an exploitation phase of the trained model the exploitation phase being implemented by computer and comprising: i. receiving first data identifying each covered and uncovered area of an environment, ii. the reception of a second datum comprising at least the density of elements in each covered zone of the environment at a current instant, and iii. the determination, by the trained model, of a third datum relating to the density of elements in the or each zone not covered at the current instant.
  • Such a determination method comprising a phase of collection of training data sets, a phase of training a determination model and an exploitation phase of the trained model is particularly advantageous since it makes it possible to obtain a model trained directly from training datasets.
  • a trained model is not limited by the approximations of an analytical model but is directly inferred from learning from the training datasets without approximation or simplification of a model. Such a model is then more precise than the analytical models usually used.
  • each second datum further comprises the density of elements in each covered zone of the environment at a time prior to the current time;
  • each first datum comprises position information of the zones of the environment with respect to each other;
  • the exploitation phase is implemented for one or more second data items corresponding to an initial arrangement of the sensors covering the covered areas of the environment considered, the method comprising: a. a verification phase comprising: i. the determination, by at least one verification sensor, of a measured density of elements in the or each zone not covered at the current instant, and ii. comparing the third datum obtained by the trained model with the density measured by the verification sensor, and iii.
  • the method comprises a modification phase comprising the modification of the position of the sensors in the environment, and the repetition of the exploitation phase with one or more second data items corresponding to the modified arrangement of the sensors covering the covered areas of the considered environment;
  • the method comprises a phase of implementing an action comprising: i. the display of an image of the environment on which the at least one uncovered zone is highlighted, as well as the density of elements determined for said uncovered zone, and/or ii. managing the elements in the zones of the environment according to the density of elements determined for the at least one uncovered zone;
  • the elements are entities specific to being supervised such as individuals, vehicles, planes or drones;
  • the area of each covered zone and of the or each uncovered zone is determined according to a coverage zone of each sensor and/or according to a topology of the environment; and the model is a neural network, the learning technique being suitable for configuring the neural network as it is learned on the training database.
  • the present description also relates to a computer program product comprising a readable information medium, on which is stored a computer program comprising program instructions, the computer program being loadable on a data processing unit and causing the implementation of a method as mentioned above when the computer program is implemented on the data processing unit.
  • FIG 1 Figure 1
  • Figure 1 a schematic view of an example of a computer allowing the implementation of a method for determining a density of elements in areas of an environment
  • FIG 2 Figure 2 a schematic representation of an example of an environment in which the determination method is implemented
  • FIG 4 Figure 4 a schematic representation of an example of an image of an environment displayed on a display unit.
  • FIG. 1 A computer 10 and a computer program product 12 are illustrated by Figure 1.
  • Computer 10 is preferably a computer.
  • the computer 10 is an electronic computer suitable for manipulating and/or transforming data represented as electronic or physical quantities in computer registers 10 and/or memories into other similar data corresponding to physical data in memories, registers or other types of display, transmission or storage devices.
  • the computer 10 interacts with the computer program product 12.
  • the computer 10 comprises a processor 14 comprising a data processing unit 16, memories 18 and an information carrier reader 20.
  • the computer 10 comprises a keyboard 22 and a display unit 24.
  • the computer program product 12 has an information carrier 26.
  • the information medium 26 is a medium readable by the computer 10, usually by the data processing unit 16.
  • the readable information medium 26 is a medium suitable for storing electronic instructions and capable of being coupled to a computer system bus.
  • the information medium 26 is a floppy disk or floppy disk (from the English name "floppy say"), an optical disk, a CD-ROM, a magneto-optical disk, a ROM memory, a memory RAM, an EPROM memory, an EEPROM memory, a magnetic card, an optical card or a USB key.
  • the computer program 12 comprising program instructions.
  • the computer program 12 can be loaded onto the data processing unit 16 and causes the implementation of a method 100 for determining a density of elements 30 in zones 32 of an environment 34 when the program computer 12 is implemented on the processing unit 16 of the computer 10.
  • the environment 34 comprises a plurality of zones 32.
  • the environment 34 comprises zones 32 covered by sensors 36, called covered zones 32C and at least one zone 32 not covered by a sensor 36, known as uncovered area 32NC.
  • a covered area 32C is an area 32 in which at least one sensor 36 is configured to measure a density of elements 30 arranged in said covered area 32C.
  • An uncovered area 32NC is an area 32 in which no sensor 36 is configured to measure a density of elements 30.
  • the sensors 36 arranged to cover a covered area 32C do not allow measurements to be taken in the areas uncovered 32NC.
  • the environment 34 is for example a public place, such as a station, a port, an airport, a road, a park, or a shopping center.
  • the elements 30 are suitable for moving in the environment 34.
  • the elements are for example entities suitable for being supervised such as individuals, vehicles, airplanes or drones.
  • supervised is meant here that the entities are distinguishable by the sensors 36 and are for example controllable according to the data measured by the sensors 36.
  • the elements 30 are for example individuals evolving in an environment 34 such as a station or on a environment 34 such as a road.
  • Each sensor 36 is configured to measure a density of elements 30 in a covered area 32C of the environment 34.
  • Each sensor 36 is for example configured to detect the presence of each element 30 present in a covered area 32C one by one, and to count the number of elements present in said covered area 32C, in order to obtain the density of elements 30 in said covered area 32C.
  • density of elements is understood to mean the number of elements 30 present in an area 32.
  • density of elements 30 denotes the number of elements 30 present in an area 32, divided by the area of area 32.
  • Each sensor 36 is for example chosen from the list consisting of a camera, a Wifi scanner, a Radio-Frequency (RF) device scanner, a GSM device (abbreviation for "Global System for Mobile Communication”), a third, fourth or fifth generation signal transmitter of mobile telephony (also abbreviated as 3G, 4G and 5G) or any other electronic device transmitting signals.
  • RF Radio-Frequency
  • GSM Global System for Mobile Communication
  • 3G, 4G and 5G third, fourth or fifth generation signal transmitter of mobile telephony
  • Each sensor 36 comprises, for example, a quantification module configured to count the number of elements present in a covered area 32C from the signal generated by the sensor 36 covering said covered area 32NC, and to obtain the density of elements 30 in the area covered 32C.
  • a quantification module configured to count the number of elements present in a covered area 32C from the signal generated by the sensor 36 covering said covered area 32NC, and to obtain the density of elements 30 in the area covered 32C.
  • such a quantification module comprises for example an image recognition unit configured to recognize the elements 30 in an image of the covered area 32C produced by the camera, in order to obtain the density of elements.
  • each sensor 36 measures a density of elements 30 in a single covered zone 32C.
  • each covered area 32C corresponds to the sensor coverage area 36, for example called sensor field.
  • at least one sensor 36 measures item density for a plurality of covered areas 32C.
  • each zone 32 that is to say the surface area of each covered zone 32C and of the or each uncovered zone 32NC is preferably determined according to the coverage zone of each sensor 36, for example according to of the field of view of each sensor 36 when the sensors are cameras.
  • the area of each zone 32 is also preferably determined according to the topology of the environment 34, that is to say the spatial arrangement of the environment 34.
  • FIG. 3 represents a flowchart of the different phases of the method 100 for determining a density of elements 30 in zones 32 of an environment 34.
  • the method 100 comprises a phase 110 of collection of training data sets J to obtain a training database B.
  • the training database is then formed of a plurality of training data sets J.
  • the training database B obtained during the collection phase 110 is for example stored in the memory 18 of the computer 10.
  • Each training data set J comprises at least one first data item D1, at least one second data item D2 and at least one third datum D3.
  • the first datum D1 identifies each covered 32C and uncovered 32NC zone of an environment 34.
  • the first datum D1 identifies for example each zone 32, covered 32C and not covered 32NC of the environment 34, for example, by a reference.
  • the first datum D1 comprises position information of the zones 32 of the environment 34 with respect to each other.
  • the first datum D1 comprises, for example, information on the relative position of a zone 32 with respect to at least one other zone 32.
  • the first datum D1 comprises information on the absolute position of a zone 32 in a given reference fixed in the environment 34.
  • the second datum D2 comprises, for each covered area 32C, the density of elements 30 present in said covered area 32C at a current time t.
  • the second datum D2 also comprises the density of elements, in each covered zone 32C of the environment, at a time t-1 prior to the current time t.
  • time t-1 is the instant in time directly preceding time instant t.
  • the second datum D2 is not limited to the density of elements 30 present in said covered area 32C at a current instant t or at two different time instants t and t-1 but applies to any number n of instant temporal.
  • the second datum D2 comprises for example the density of elements 30 for each covered area 32C in n successive time instants, including the current instant t.
  • the third datum D3 comprises, for each uncovered area 32NC, the density of elements 30 present in said uncovered area 32NC at a current instant t.
  • the third density D3 also comprises the density of elements in each uncovered zone 32NC of the environment, at a time t-1 prior to the current time t.
  • time t-1 is the instant in time directly preceding time instant t.
  • the third datum D3 is not limited to the density of elements 30 present in said uncovered zone 32NC at a current instant t or at two different time instants t and t-1 but applies to any number n of temporal instant.
  • the third datum D3 comprises for example the density of elements 30 for each uncovered zone 32NC in n successive time instants, including the current instant t.
  • the first, second and third data are for example collected from an environment comprising covered areas 32C, non-covered areas 32NC and in which complementary sensors are adapted. to cover areas not covered 32NC.
  • Each second datum D2 relating to the density of elements in a covered area 32C of the environment at the current instant t is collected from the or at least one of the sensors 36 covering said covered area 32C and measuring a density of elements 30 in said covered area 32C.
  • Each third datum D3 relating to the density of elements in an uncovered zone 32NC of the environment at the current time t is collected from a complementary sensor covering said uncovered zone 32NC and measuring a density of elements 30 in said zone not covered 32NC.
  • the first, second and third data are for example collected from a simulation, generated by a simulator, of an environment comprising covered areas 32C, uncovered areas 32NC.
  • Elements 30 are simulated in such a simulated environment 34 and the first datum, the second datum and the third datum are then for example directly collected from the simulator generating said first, second and third datum.
  • the collection phase 110 is implemented by the computer 10 in interaction with the computer program product 12, that is to say is implemented by computer.
  • the method 100 comprises a phase 120 of training a model for determining a third datum D3 as a function of a first D1 and a second datum D2.
  • the determination model is trained according to a learning technique applied to the training database B, to obtain a trained model.
  • the determination model is, for example, a neural network, and preferably a convolutional neural network.
  • the learning technique applied to the training database B to obtain the trained model is intended to configure the neural network as it is trained on the basis of training data B.
  • the training phase includes for example a learning step and a verification step.
  • the verification stage follows the learning stage.
  • the model is for example trained by a set of training sets J from the training database B.
  • the learning of the model is verified using training sets J different from those used during the learning step.
  • the verification step leads to a validation or invalidation of the model.
  • the learning step is repeated as long as the learning of the model is not validated during the verification step.
  • the training phase 120 is implemented by the computer 10 in interaction with the computer program product 12, that is to say is implemented by computer.
  • the method 100 comprises a phase 130 of exploitation of the trained model.
  • the exploitation phase 130 includes the reception of a first datum D1.
  • the first datum D1 is for example obtained by the sensors 36 and/or comprises information on the position of the sensors 36 in an environment 34, such information being for example stored in the memory 18 of the computer 10.
  • the first datum is such that previously described, although it corresponds to covered areas 32C and uncovered 32NC, and to an environment 34 a priori different from the covered areas 32C and uncovered 32NC and from the environments 34 that made it possible to obtain the training database B.
  • the exploitation phase 130 includes the reception of a second datum D2.
  • the second datum D2 is for example obtained by the sensors 36.
  • the second datum D2 is as previously described, although it corresponds to a density of elements a priori different from the density of elements having made it possible to obtain the base training data B.
  • the exploitation phase 130 includes the determination, by the trained model, of a third datum D3.
  • the third datum D3 is determined by the trained model, as a function of the first data D1 and the second data D2 received.
  • the third datum D3 is further determined by the model trained as a function of the density of elements 30 for each uncovered zone 32NC in the n-1 time instants preceding the time instant t.
  • the third datum D3 is as previously described, although it corresponds to a density of elements a priori different from the density of elements having made it possible to obtain the training database B.
  • the exploitation phase 130 is implemented by the computer 10 in interaction with the computer program product 12, that is to say is implemented by computer.
  • the method 100 comprises, following the exploitation phase 130 of the trained model, a verification phase 140.
  • the verification phase 140 is preferably implemented following an exploitation phase 130 in which the second data D2 correspond to an initial arrangement of the sensors 36.
  • the initial arrangement corresponds to the position of the sensors 34 in the environment 36, or in other words, the position of covered 32C and uncovered 32NC areas in environment 34.
  • the verification phase 140 comprises the determination, by at least one verification sensor (not shown), of a measured density of elements in the or each zone not covered 32NC at the current time t.
  • the verification sensor is for example a sensor similar in all respects to the sensor 36, except in that it is configured to measure an element density in an uncovered zone 32NC. Such a verification sensor is for example removable and used for verification purposes only.
  • the verification phase 140 then comprises the comparison of a measured density of elements 30 in the or each uncovered zone 32NC at the current time t, with the third datum D3, obtained by the trained model, corresponding to the determined density in said uncovered area 32NC.
  • the verification phase 140 then includes the validation or invalidation of the initial layout depending on the result of the comparison.
  • the initial arrangement is for example invalidated if the comparison of the third datum D3 obtained by the trained model with the density measured by the verification sensor results in a relative error greater than a predetermined threshold error.
  • the model is for example validated if the comparison of the third datum D3 obtained by the trained model with the density measured by the verification sensor results in a relative error less than or equal to the predetermined threshold.
  • the predetermined threshold error is for example between 1% and 5%.
  • the predetermined threshold error is for example adjusted by operators.
  • the method 100 preferably includes a modification phase 150.
  • the modification phase 150 is for example implemented following the verification phase 140, when the initial layout is invalidated during the verification phase 140.
  • the modification phase includes the modification of the position of the sensors 34 in the environment 36, and the repetition of the exploitation phase 130 with one or more second data D2 corresponding to the modified arrangement of the sensors 36 covering the covered areas 32C of the considered environment.
  • the verification phase 140 is for example repeated following the implementation of such a modification phase 150 until the validation of the initial layout, the initial layout then corresponding to the layout modified during the modification phase 150 preceding said verification phase 140.
  • the method 100 comprises an action implementation phase 160.
  • the action implementation phase 160 is for example implemented after the exploitation phase 130 and/or after the verification phase 140 and/or after the modification phase 150.
  • the implementation phase of an action 160 includes for example the display of an image 38 of the environment 34 on which the at least one uncovered zone 32NC is highlighted, as well as the density of elements 30 determined for said area not covered 32NC.
  • the image 38 is for example displayed on the display unit 24.
  • the image 38 includes for example a representation of the environment as well as element density values in the areas 32 of the environment 34.
  • the densities of elements 30 determined for the uncovered zones 32NC are for example indicated in parentheses.
  • the implementation phase of an action 160 comprises the management of the elements 30 in the zones of the environment 34 according to the density of elements 30 determined for the at least one uncovered zone. 32NC.
  • management of the elements 30 one understands for example an action having an influence on the elements 30, in particular on the movement of the elements 30 in the environment 34.
  • the management of elements comprises for example the emission of a signal having a impact on moving elements 30.
  • a plurality of horns 40 are for example arranged in the environment 34 in order to manage the elements 30 in the zones 32 of the environment.
  • alarms 40 are configured to warn the elements 30 of an area 32 to evacuate said area 32 when the density of elements 30 exceeds a predetermined threshold value in said zone.
  • the collection phase 110 comprises for example the collection of training data sets J representative of the distribution of elements forming for example a crowd in an environment such as a station .
  • the database B comprises for example between 1000 and 10,000 sets of training data, each of the sets of training data being generated by a simulator, such as a crowd simulator or obtained via measurements carried out by sensors 36 and for example by additional sensors
  • the M model is trained on the database before being exploited.
  • the third datum is estimated by the trained model, and the crowd density in the uncovered zones 32 NC is then determined.
  • An action for example implemented during the implementation phase of an action 160, is for example initiated from the third datum estimated by the trained model.
  • warning devices 40 such as audible warning devices are for example triggered for the evacuation of the uncovered area 32NC concerned.
  • a determination method 100 as presented does not require the creation of an approximate model for analytical estimation of the evolution of the density of elements. Such a method is then particularly advantageous for precisely determining the density of elements in one or more uncovered zones 32NC at a current instant t.
  • a method 100 comprising a verification phase 140, as well as a possible implementation of a modification allows for example an optimal distribution of the sensors in the environment.
  • each covered 32C and uncovered 32NC area allows an accurate meshing of the density of elements 30 on the environment 34, ensuring an accurate estimate of the density of elements 30 in the or each uncovered area 32NC.
  • neural network is particularly suitable for producing a determination model as previously described, such neural networks allowing the determination of the density of elements 30 in the or each uncovered zone 32NC while by limiting the computing power needed to develop and implement the model.
  • the first datum D1 includes identifier information associated with the position information of the zones 32.
  • Each second datum D2 and/or third datum D3 is associated with a subset of the first datum D1, each subset characterizing the position of the zones 32 associated with a respective second datum and/or a respective second datum.
  • the first datum then has an attribute role for second datum D2 and/or third datum D3, the first datum making it possible to identify and/or locate the second datum D2 and/or the third datum D3 on the environment 34.
  • the method 100 comprises a modification phase 150 comprising the modification of the position of the sensors 36 in the environment 34
  • the method advantageously comprises a new phase 110 of collection of training data sets on the basis of the modified position of the sensors, as well as a new phase 120 of training the model.
  • the repetition of the exploitation phase 130 is carried out on the basis of an updated model.
  • the environment 34 of the first D1, second D2 and third D3 data of the training data set corresponds to the environment 34 of the first D1 and second D2 data received as well as of the third D3 data determined during the phase d exploitation.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Image Analysis (AREA)

Abstract

Procédé de détermination d'une densité d'éléments (30) comprenant : a. une phase de collection de jeux de données d'entraînement comprenant au moins : i. une première donnée identifiant chaque zone couverte (32C) et non couverte (32NC) d'un environnement, ii. une deuxième donnée comprenant au moins la densité d'éléments (30) dans chaque zone couverte (32C) de l'environnement (34) à un instant courant, iii. une troisième donnée comprenant la densité d'éléments (30) dans la ou chaque zone non couverte (32NC) de l'environnement (34) à l'instant courant, b. une phase d'entraînement d'un modèle de détermination d'une troisième donnée en fonction d'au moins une première et d'au moins une deuxième donnée, c. une phase d'exploitation du modèle entraîné comprenant : i. la réception d'une première donnée, ii. la réception d'une deuxième donnée, et iii. la détermination, par le modèle entraîné, d'une troisième donnée.

Description

TITRE : Procédé de détermination d’une densité d’éléments dans des zones d’un environnement, produit programme d’ordinateur associé
La présente invention concerne un procédé de détermination d’une densité d’éléments dans des zones d’un environnement. La présente invention concerne aussi un produit programme d’ordinateur associé à un tel procédé.
Dans le domaine de la vidéosurveillance, il est connu de disposer des caméras dans un environnement pour surveiller des individus formant une foule. Les caméras permettent d’obtenir la densité de la foule en plusieurs zones de l’environnement, ce qui permet de comprendre l’évolution de la foule dans l’environnement. De telles caméras permettent en outre d’identifier des évènements potentiellement dangereux pour les individus formant la foule. Un système de vidéosurveillance comprenant de telles caméras permet par exemple d’avertir un personnel de sécurité présent dans l’environnement lorsque la densité de la foule dépasse un seuil critique.
Toutefois, de telles caméras sont onéreuses et ne sont installâmes que dans certaines régions précises de l’environnement. Des zones de l’environnement ne sont alors pas couvertes par les caméras.
Afin d’améliorer la sécurité des individus formant la foule, il est préférable de connaître la densité de la foule en tout point de l’environnement.
Ainsi, il a été proposé dans Wirz et al., Probing crowd density through smartphones in city-scale mass gatherings. EPJ Data Science 20132:5 d’estimer la densité d’une foule dans des zones non couvertes par des capteurs. Cette estimation est basée sur une exploitation d’un modèle analytique d’estimation de la densité d’individus.
Toutefois, une telle estimation ne donne pas entière satisfaction. La distribution de la densité d’éléments dans l’environnement dépend de nombreux paramètres qui sont difficilement intégrable dans un modèle analytique. Une telle estimation est alors peu précise.
L’un des buts de l’invention est alors d’obtenir un procédé de détermination d’une densité d’éléments dans des zones d’un environnement dont la précision est améliorée.
A cet effet, l’invention a pour objet un procédé de détermination d’une densité d’éléments dans des zones d’un environnement, l’environnement comprenant des zones couvertes par des capteurs, dites zones couvertes, et au moins une zone non couverte par un capteur, dite zone non couverte, le procédé comprenant : a. une phase de collection de jeux de données d’entraînement pour obtenir une base de données d’entraînement, la phase de collection étant mise en œuvre par ordinateur, chaque jeu de données d’entraînement collecté comprenant au moins : i. une première donnée identifiant chaque zone couverte et non couverte d’un environnement, ii. une deuxième donnée comprenant au moins la densité d’éléments dans chaque zone couverte de l’environnement à un instant courant, iii. une troisième donnée comprenant la densité d’éléments dans la ou chaque zone non couverte de l’environnement à l’instant courant, b. une phase d’entraînement d’un modèle de détermination d’une troisième donnée en fonction d’au moins une première et d’au moins une deuxième donnée selon une technique d’apprentissage appliquée à la base de données d’entraînement pour obtenir un modèle entraîné, la phase d’entraînement étant mise en œuvre par ordinateur, c. une phase d’exploitation du modèle entraîné, la phase d’exploitation étant mise en œuvre par ordinateur et comprenant : i. la réception d’une première donnée identifiant chaque zone couverte et non couverte d’un environnement, ii. la réception d’une deuxième donnée comprenant au moins la densité d’éléments dans chaque zone couverte de l’environnement à un instant courant, et iii. la détermination, par le modèle entraîné, d’une troisième donnée relative à la densité d’éléments dans la ou chaque zone non couverte à l’instant courant.
Un tel procédé de détermination comprenant une phase de collection de jeux de données d’entraînement, une phase d’entraînement d’un modèle de détermination et une phase d’exploitation du modèle entraîné est particulièrement avantageux puisqu’il permet d’obtenir un modèle entraîné directement à partir de jeux de données d’entraînement. Un tel modèle entraîné n’est pas limité par les approximations d’un modèle analytique mais est directement déduit de l’apprentissage à partir des jeux de données d’entraînement sans approximation ou simplification d’un modèle. Un tel modèle est alors plus précis que les modèles analytiques habituellement utilisés.
Suivant des modes de réalisation particuliers, le procédé comprend une ou plusieurs des caractéristiques suivantes, prise(s) isolément ou suivant toutes les combinaisons techniquement possibles : chaque deuxième donnée comprend, en outre, la densité d’éléments dans chaque zone couverte de l’environnement à un instant antérieur à l’instant courant ;
- chaque première donnée comprend une information de position des zones de l’environnement les unes par rapport aux autres ; la phase d’exploitation est mise en œuvre pour une ou des deuxièmes données correspondant à un agencement initial des capteurs couvrant les zones couvertes de l’environnement considéré, le procédé comprenant : a. une phase de vérification comprenant : i. la détermination, par au moins un capteur de vérification, d’une densité mesurée d’éléments dans la ou chaque zone non couverte à l’instant courant, et ii. la comparaison de la troisième donnée obtenue par le modèle entraîné avec la densité mesurée par le capteur de vérification, et iii. la validation ou l’invalidation de l’agencement initial en fonction du résultat de la comparaison ; lorsque l’agencement initial est invalidé, le procédé comprend une phase de modification comprenant la modification de la position des capteurs dans l’environnement, et la répétition de la phase d’exploitation avec une ou des deuxièmes données correspondant à l’agencement modifié des capteurs couvrant les zones couvertes de l’environnement considéré ; le procédé comprend une phase de mise en œuvre d’une action comprenant : i. l’affichage d’une image de l’environnement sur laquelle est mise en évidence la au moins une zone non couverte, ainsi que la densité d’éléments déterminée pour ladite zone non couverte, et/ou ii. la gestion des éléments dans les zones de l’environnement en fonction de la densité d’éléments déterminée pour la au moins une zone non couverte ;
- les éléments sont des entités propres à être supervisées telles que des individus, des véhicules, des avions ou des drones ;
- la superficie de chaque zone couverte et de la ou chaque zone non couverte est déterminée en fonction d’une zone de couverture de chaque capteur et/ou en fonction d’une topologie de l’environnement ; et le modèle est un réseau de neurones, la technique d’apprentissage étant propre à configurer le réseau de neurones au fur et à mesure de son apprentissage réalisé sur la base de données d’entraînement.
La présente description se rapporte également à un produit programme d’ordinateur comportant un support lisible d’informations, sur lequel est mémorisé un programme d’ordinateur comprenant des instructions de programme, le programme d’ordinateur étant chargeable sur une unité de traitement de données et entraînant la mise en œuvre d’un procédé tel que précité lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement des données. D’autres caractéristiques et avantages de l’invention apparaîtront à la lecture de la description qui suit de modes de réalisation de l’invention, donnés à titre d’exemple uniquement et en référence aux dessins qui sont :
[Fig 1], Figure 1 , une vue schématique d’un exemple d’ordinateur permettant la mise en œuvre d’un procédé de détermination d’une densité d’éléments dans des zones d’un environnement,
[Fig 2], Figure 2, une représentation schématique d’un exemple d’environnement dans lequel le procédé de détermination est mis en œuvre,
[Fig 3], Figure 3, un organigramme d’un exemple de mise en œuvre du procédé de de détermination, et
[Fig 4], Figure 4, une représentation schématique d’un exemple d’une image d’un environnement affichée sur une unité d’affichage.
Un calculateur 10 et un produit programme d’ordinateur 12 sont illustrés par la figure 1.
Le calculateur 10, est de préférence, un ordinateur.
Plus généralement, le calculateur 10 est un calculateur électronique propre à manipuler et/ou transformer des données représentées comme des quantités électroniques ou physiques dans des registres de calculateur 10 et/ou des mémoires en d’autres données similaires correspondant à des données physiques dans des mémoires, des registres ou d’autres types de dispositifs d’affichage, de transmission ou de mémorisation.
Le calculateur 10 est en interaction avec le produit programme d’ordinateur 12.
Comme illustré par la figure 1 , le calculateur 10 comporte un processeur 14 comprenant une unité de traitement de données 16, des mémoires 18 et un lecteur 20 de support d’informations. Dans l’exemple illustré par la figure 1 , le calculateur 10 comprend un clavier 22 et une unité d’affichage 24.
Le produit programme d’ordinateur 12 comporte un support d’informations 26.
Le support d’information 26 est un support lisible par le calculateur 10, usuellement par l’unité de traitement de données 16. Le support lisible d’informations 26 est un médium adapté à mémoriser des instructions électroniques et capable d’être couplé à un bus d’un système informatique.
A titre d’exemple, le support d’informations 26 est une disquette ou disque souple (de la dénomination anglaise « Floppy dise »), un disque optique, un CD-ROM, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, une mémoire EPROM, une mémoire EEPROM, une carte magnétique, une carte optique ou une clé USB.
Sur le support d’informations 26 est mémorisé le programme d’ordinateur 12 comprenant des instructions de programme. Le programme d’ordinateur 12 est chargeable sur l’unité de traitement de données 16 et entraîne la mise en œuvre d’un procédé 100 de détermination d’une densité d’éléments 30 dans des zones 32 d’un environnement 34 lorsque le programme d’ordinateur 12 est mis en œuvre sur l’unité de traitement 16 du calculateur 10.
Comme représenté sur la figure 2, l’environnement 34 comprend une pluralité de zones 32. En particulier, l’environnement 34 comprend des zones 32 couvertes par des capteurs 36, dites zones couvertes 32C et au moins une zone 32 non couverte par un capteur 36, dite zone non couvertes 32NC.
Une zone couverte 32C est une zone 32 dans laquelle au moins un capteur 36 est configuré pour mesurer une densité d’éléments 30 disposés dans ladite zone couverte 32C.
Une zone non couverte 32NC est une zone 32 dans laquelle aucun capteur 36 n’est configuré pour mesurer une densité d’éléments 30. Notamment, les capteurs 36 disposés pour couvrir une zone couverte 32C ne permettent pas d’effectuer des mesures dans les zones non couvertes 32NC.
L’environnement 34 est par exemple un lieu public, tel qu’une gare, un port, un aéroport, une route, un parc, ou un centre commercial.
Les éléments 30 sont propres à se déplacer dans l’environnement 34. En particulier, les éléments sont par exemple des entités propres à être supervisées telles que des individus, des véhicules, des avions ou des drones. Par supervisé on entend ici que les entités sont distinguables par les capteurs 36 et sont par exemple contrôlables en fonction des données mesurées par les capteurs 36. Les éléments 30 sont par exemple des individus évoluant dans un environnement 34 tel qu’une gare ou sur un environnement 34 tel qu’une route.
Chaque capteur 36 est configuré pour mesurer une densité d’éléments 30 dans une zone couverte 32C de l’environnement 34.
Chaque capteur 36 est par exemple configuré pour détecter la présence de chaque élément 30 présent dans une zone couverte 32C un à un, et pour compter le nombre d’éléments présents ladite zone couverte 32C, afin d’obtenir la densité d’éléments 30 dans ladite zone couverte 32C. Par le terme « densité d’éléments », il est entendu le nombre d’éléments 30 présents dans une zone 32. En variante, on désigne par densité d’éléments 30 le nombre d’éléments 30 présents dans une zone 32, divisé par la superficie de la zone 32.
Chaque capteur 36 est par exemple choisi dans la liste consistant en une caméra, un scanner Wifi, un scanner de dispositif Radio-Fréquence (RF), de dispositif GSM (abréviation de l’anglais « Global System for Mobile Communication »), de dispositif émetteur de signaux de troisième, quatrième ou cinquième génération de téléphonie mobile (aussi abrégé par 3G, 4G et 5G) ou de tout autre appareil électronique émetteur de signaux.
Chaque capteur 36 comprend, par exemple, un module de quantification configuré pour compter le nombre d’éléments présents dans une zone couverte 32C à partir du signal généré par le capteur 36 couvrant ladite zone couverte 32NC, et pour obtenir la densité d’éléments 30 dans la zone couverte 32C.
Par exemple, lorsque le capteur 36 est une caméra, un tel module de quantification comprend par exemple une unité de reconnaissance d’image configurée pour reconnaitre les éléments 30 dans une image de la zone couverte 32C réalisée par la caméra, afin d’obtenir la densité d’éléments.
Dans un mode de réalisation particulier, comme représenté en figure 2, chaque capteur 36 mesure une densité d’éléments 30 dans une seule zone couverte 32C. Ainsi, chaque zone couverte 32C correspond à la zone de couverture du capteur 36, par exemple appelée champ du capteur. En variante, au moins un capteur 36 mesure une densité d’éléments pour une pluralité de zones couvertes 32C.
La superficie de chaque zone 32, c’est-à-dire la superficie de chaque zone couverte 32C et de la ou chaque zone non couverte 32NC est de préférence déterminée en fonction de la zone de couverture de chaque capteur 36, par exemple en fonction du champ de vision de chaque capteur 36 lorsque les capteurs sont des caméras. La superficie de chaque zone 32 est par ailleurs de préférence déterminée en fonction de la topologie de l’environnement 34, c’est-à-dire de l’arrangement spatial de l’environnement 34.
Le fonctionnement du calculateur 10 va maintenant être décrit en référence à la figure 3 qui représente un organigramme de différentes phases du procédé 100 de détermination d’une densité d’éléments 30 dans des zones 32 d’un environnement 34.
Le procédé 100 comprend une phase 1 10 de collection de jeux de données d’entraînement J pour obtenir une base de données d’entraînement B. La base de données d’entraînement est alors formée d’une pluralité de jeux de données d’entraînement J.
La base de données d’entraînement B obtenue pendant la phase de collection 110 est par exemple mémorisée dans la mémoire 18 du calculateur 10. Chaque jeu de données d’entraînement J comprend au moins une première donnée D1 , au moins une deuxième donnée D2 et au moins une troisième donnée D3.
La première donnée D1 identifie chaque zone couverte 32C et non couverte 32NC d’une environnement 34.
La première donnée D1 identifie par exemple chaque zone 32, couverte 32C et non couverte 32NC de l’environnement 34, par exemple, par une référence. Avantageusement, la première donnée D1 comprend une information de position des zones 32 de l’environnement 34 les unes par rapport aux autres. La première donnée D1 comprend, par exemple, une information de la position relative d’une zone 32 par rapport à au moins une autre zone 32. En variante, la première donnée D1 comprend une information de la position absolue d’une zone 32 dans un repère donné fixé dans l’environnement 34.
La deuxième donnée D2 comprend, pour chaque zone couverte 32C, la densité d’éléments 30 présents dans ladite zone couverte 32C à un instant courant t. Dans une variante particulière, la deuxième donnée D2 comprend en outre la densité d’éléments, dans chaque zone couverte 32C de l’environnement, à un instant t-1 antérieur à l’instant courant t.
Dans une variante particulière, l’instant t-1 est l’instant temporel directement précédent l’instant temporel t.
La deuxième donnée D2 n’est pas limitée à la densité d’éléments 30 présents dans ladite zone couverte 32C à un instant courant t ou à deux instants temporels différents t et t-1 mais s’applique à un nombre n quelconque d’instant temporels. La deuxième donnée D2 comprend par exemple la densité d’éléments 30 pour chaque zone couverte 32C en n instants temporels successifs, dont l’instant courant t.
La troisième donnée D3 comprend, pour chaque zone non couverte 32NC, la densité d’éléments 30 présents dans ladite zone non couverte 32NC à un instant courant t. Dans une variante particulière, la troisième densité D3 comprend en outre la densité d’éléments dans chaque zone non couverte 32NC de l’environnement, à un instant t-1 antérieur à l’instant courant t.
Dans une variante particulière, l’instant t-1 est l’instant temporel directement précédent l’instant temporel t.
La troisième donnée D3 n’est pas limitée à la densité d’éléments 30 présents dans ladite zone non couverte 32NC à un instant courant t ou à deux instants temporels différents t et t-1 mais s’applique à un nombre n quelconque d’instant temporels. La troisième donnée D3 comprend par exemple la densité d’éléments 30 pour chaque zone non couverte 32NC en n instants temporels successifs, dont l’instant courant t.
Lors de la phase 1 10 de collection de données d’entraînement, les première, deuxième et troisième données sont par exemple collectées à partir d’un environnement comprenant des zones couvertes 32C, des zones non couvertes 32NC et dans lequel des capteurs complémentaires sont adaptés pour couvrir les zones non couvertes 32NC.
Chaque deuxième donnée D2 relative à la densité d’éléments dans une zone couverte 32C de l’environnement à l’instant courant t est collectée depuis le ou au moins l’un des capteurs 36 couvrant ladite zone couverte 32C et mesurant une densité d’éléments 30 dans ladite zone couverte 32C.
Chaque troisième donnée D3 relative à la densité d’éléments dans une zone non couverte 32NC de l’environnement à l’instant courant t est collectée depuis un capteur complémentaire couvrant ladite zone non couverte 32NC et mesurant une densité d’éléments 30 dans ladite zone non couverte 32NC.
En variante, lors de la phase 110 de collection de données d’entraînement, les première, deuxième et troisième données sont par exemple collectées à partir d’une simulation, générée par un simulateur, d’un environnement comprenant des zones couvertes 32C, des zones non couvertes 32NC. Des éléments 30 sont simulés dans un tel environnement 34 simulé et la première donnée, la deuxième donnée et la troisième donnée sont alors par exemple directement collectées depuis le simulateur générant lesdites première, deuxième et troisième données.
La phase de collection 110 est mise en œuvre par le calculateur 10 en interaction avec le produit programme d’ordinateur 12, c’est-à-dire est mise en œuvre par ordinateur.
Suite à la phase de collection 110, le procédé 100 comprend une phase 120 d’entraînement d’un modèle de détermination d’une troisième donnée D3 en fonction d’une première D1 et d’une deuxième donnée D2.
Lors de la phase d’entraînement, le modèle de détermination est entraîné selon une technique d’apprentissage appliquée à la base de données d’entraînement B, pour obtenir un modèle entraîné.
Le modèle de détermination est, par exemple, un réseau de neurones, et de préférence un réseau de neurones convolutifs. Lorsque le modèle est un réseau de neurones, la technique d’apprentissage appliquée à la base de données d’entraînement B pour obtenir le modèle entraîné est destinée à configurer le réseau de neurones au fur et à mesure de son apprentissage réalisé sur la base de données d’entraînement B.
La phase d’entraînement comprend par exemple un étape d’apprentissage et une étape de vérification. L’étape de vérification suit l’étape d’apprentissage.
Lors de l’étape d’apprentissage, le modèle est par exemple entraîné par un ensemble de jeux d’entraînement J de la base de données d’entraînement B.
Lors de l’étape de vérification, l’apprentissage du modèle est vérifié à l’aide de jeux d’entraînement J différents de ceux utilisés lors de l’étape d’apprentissage. L’étape de vérification aboutit à une validation ou une invalidation du modèle.
L’étape d’apprentissage est répétée tant que l’apprentissage du modèle n’est pas validé lors de l’étape de vérification. La phase d’entraînement 120 est mise en œuvre par le calculateur 10 en interaction avec le produit programme d’ordinateur 12, c’est-à-dire est mise en œuvre par ordinateur.
Suite à la phase d’entraînement 120, le procédé 100 comprend une phase 130 d’exploitation du modèle entraîné.
La phase d’exploitation 130 comprend la réception d’une première donnée D1. La première donnée D1 est par exemple obtenue par les capteurs 36 et/ou comprend une information sur la position des capteurs 36 dans un environnement 34, une telle information étant par exemple mémorisée dans la mémoire 18 du calculateur 10. La première donnée est telle que précédemment décrite, bien qu’elle corresponde à des zones couvertes 32C et non couvertes 32NC, et à un environnement 34 à priori différent des zones couvertes 32C et non couvertes 32NC et des environnements 34 ayant permis d’obtenir la base de données d’entraînement B.
La phase d’exploitation 130 comprend la réception d’une deuxième donnée D2. La deuxième donnée D2 est par exemple obtenue par les capteurs 36. La deuxième donnée D2 est telle que précédemment décrite, bien qu’elle corresponde à une densité d’éléments à priori différente de la densité d’éléments ayant permis d’obtenir la base de données d’entraînement B.
La phase d’exploitation 130 comprend la détermination, par le modèle entraîné, d’une troisième donnée D3. La troisième donnée D3 est déterminée par le modèle entraîné, en fonction des premières données D1 et des deuxièmes données D2 reçues. Dans une variante particulière, la troisième donnée D3 est en outre déterminée par le modèle entraîné en fonction de la densité d’éléments 30 pour chaque zone non couverte 32NC en les n-1 instants temporels précédents l’instant temporel t. La troisième donnée D3 est telle que précédemment décrite, bien qu’elle corresponde à une densité d’éléments à priori différente de la densité d’éléments ayant permis d’obtenir la base de données d’entraînement B.
La phase d’exploitation 130 est mise en œuvre par le calculateur 10 en interaction avec le produit programme d’ordinateur 12, c’est-à-dire est mise en œuvre par ordinateur.
Dans une variante particulière, le procédé 100 comprend, suite à la phase d’exploitation 130 du modèle entraîné, une phase de vérification 140.
La phase de vérification 140 est de préférence mise en œuvre à la suite d’une phase d’exploitation 130 dans laquelle les deuxièmes données D2 correspondent à un agencement initial des capteurs 36. L’agencement initial correspond la position des capteur 34 dans l’environnement 36, ou en d’autres termes, la position des zones couvertes 32C et non couvertes 32NC dans l’environnement 34.
La phase de vérification 140 comprend la détermination, par au moins un capteur de vérification (non représenté), d’une densité mesurée d’éléments dans la ou chaque zone non couverte 32NC à l’instant courant t. Le capteur de vérification est par exemple un capteur en tout point similaire au capteur 36, excepté en ce qu’il est configuré pour mesurer une densité d’élément en une zone non couverte 32NC. Un tel capteur de vérification est par exemple amovible et utilisé à des fins de vérification seulement.
La phase de vérification 140 comprend par la suite, la comparaison d’une densité mesurée d’éléments 30 dans la ou chaque zone non couverte 32NC à l’instant courant t, à la troisième donnée D3, obtenue par le modèle entraîné, correspondant à la densité déterminée dans ladite zone non couverte 32NC.
La phase de vérification 140 comprend par la suite la validation ou l’invalidation de l’agencement initial en fonction du résultat de la comparaison.
L’agencement initial est par exemple invalidé si la comparaison de la troisième donnée D3 obtenue par le modèle entraîné avec la densité mesurée par le capteur de vérification résulte en une erreur relative supérieure à une erreur seuil prédéterminée. Le modèle est par exemple validé si la comparaison de la troisième donnée D3 obtenue par le modèle entraîné avec la densité mesurée par le capteur de vérification, résulte en une erreur relative inférieure ou égale au seuil prédéterminée.
L’erreur seuil prédéterminée est par exemple comprise entre 1 % et 5 %. L’erreur seuil prédéterminée est par exemple ajustée par des opérateurs.
Le procédé 100 comprend de préférence une phase de modification 150. La phase de modification 150 est par exemple mise en œuvre à la suite de la phase de vérification 140, lorsque l’agencement initial est invalidé lors de la phase de vérification 140.
La phase de modification comprend la modification de la position des capteurs 34 dans l’environnement 36, et la répétition de la phase d’exploitation 130 avec une ou des deuxièmes données D2 correspondant à l’agencement modifié des capteurs 36 couvrant les zones couvertes 32C de l’environnement considéré.
La phase de vérification 140 est par exemple répétée à la suite de la mise en œuvre d’une telle phase de modification 150 jusqu’à la validation de l’agencement initial, l’agencement initial correspondant alors à l’agencement modifié lors de la phase de modification 150 précédant ladite phase de vérification 140.
En variante ou en complément, le procédé 100 comprend une phase de mise en œuvre d’une action 160. La phase de mise en œuvre d’une action 160 est par exemple mise en œuvre après la phase d’exploitation 130 et/ou après la phase de vérification 140 et/ou après la phase de modification 150.
La phase de mise en œuvre d’une action 160 comprend par exemple l’affichage d’une image 38 de l’environnement 34 sur laquelle est mise en évidence la au moins une zone non couverte 32NC, ainsi que la densité d’éléments 30 déterminée pour ladite zone non couverte 32NC. Comme représenté sur la figure 4, l’image 38 est par exemple affichée sur l’unité d’affichage 24. L’image 38 comprend par exemple une représentation de l’environnement ainsi que des valeurs de densité d’élément dans les zones 32 de l’environnement 34. Sur la figure 4, les densités d’éléments 30 déterminées pour les zones non couvertes 32NC sont par exemple indiquées entre parenthèses.
En alternative ou en complément, la phase de mise en œuvre d’une action 160 comprend la gestion des éléments 30 dans les zones de l’environnement 34 en fonction de la densité d’éléments 30 déterminée pour l’au moins une zone non couverte 32NC. Par gestion des éléments 30, on comprend par exemple une action ayant une influence sur les éléments 30, notamment sur le déplacement des éléments 30 dans l’environnement 34. La gestion d’éléments comprend par exemple l’émission d’un signal ayant un impact sur le déplacement des éléments 30.
A cet effet, une pluralité d’avertisseurs 40 sont par exemple disposés dans l’environnement 34 afin de gérer les éléments 30 dans les zones 32 de l’environnement. En particulier, et comme illustré sur la figure 2 (avertisseur 40 illustré sur la figure 2 comme un avertisseur sonore), de tels avertisseurs 40 sont configurés pour avertir les éléments 30 d’une zone 32 d’évacuer ladite zone 32 lorsque la densité d’éléments 30 excède un valeur seuil prédéterminée dans ladite zone.
Ainsi, lors de la mise en œuvre du procédé 100, la phase de collection 110 comprend par exemple la collection de jeux de données d’entraînement J représentatifs de la répartition d’éléments formant par exemple une foule dans un environnement tel qu’une gare. La base de données B comprend par exemple entre 1000 et 10 000 jeux de données d’entraînement, chacun des jeux de données d’entraînement étant généré par un simulateur, tel qu’un simulateur de foule ou obtenu via des mesures effectuées par des capteurs 36 et par exemple par des capteurs complémentaires
Le modèle M est entraîné sur la base de données avant d’être exploité.
Lors de la phase d’exploitation 130, la troisième donnée est estimée par le modèle entraîné, et la densité de foule dans les zones non couvertes 32 NC est alors déterminée.
Une action, par exemple mise en œuvre lors de la phase de mise en œuvre d’une action 160, est par exemple initiée à partir de la troisième donnée estimée par le modèle entraîné. Ainsi, lorsque la densité de foule estimée par le modèle entraîné dans une zone non couverte 32NC excède une valeur seuil critique, des avertisseurs 40 tels que des avertisseurs sonores sont par exemple déclenchés pour l’évacuation de la zone non couverte 32NC concernée.
Les actions mises en œuvre par le procédé 100 permettent notamment d’améliorer la sécurité d’éléments 30 présents dans l’environnement 34. Comme vu plus haut, un procédé 100 de détermination tel que présenté ne demande pas la création d’une modèle approximatif d’estimation analytique de l’évolution de la densité d’éléments. Un tel procédé est alors particulièrement avantageux pour déterminer précisément la densité d’éléments dans une ou des zone non couverte 32NC à un instant courant t.
L’utilisation de la densité d’éléments à plusieurs instants temporels, et notamment de deuxièmes données D2 comprenant la densité d’éléments dans chaque zone couverte de l’environnement à un instant t-1 antérieur à l’instant courant t, ainsi que l’utilisation d’une première donnée D1 comprenant une information de position des zones de l’environnement les unes par rapport aux autres, permettent une détermination précise de la densité d’éléments dans la ou chaque zone non couverte 32NC.
Un procédé 100 comprenant une phase de vérification 140, ainsi qu’une éventuelle mise en œuvre d’une modification permet par exemple une répartition optimale des capteurs dans l’environnement.
La dimension de chaque zone couverte 32C et non couverte 32NC permet un maillage précis de la densité d’éléments 30 sur l’environnement 34, assurant une estimation précise de la densité d’éléments 30 dans la ou chaque zone non couverte 32NC.
L’utilisation d’un réseau de neurones est particulièrement adaptée pour la réalisation d’un modèle de détermination tel que précédemment décrit, de tels réseaux de neurones permettant la détermination de la densité d’éléments 30 dans la ou chaque zone non couverte 32NC tout en limitant la puissance de calcul nécessaire à l’élaboration et à la mise en œuvre du modèle.
L’homme du métier comprendra que les modes de réalisation et variantes précédemment décrits peuvent être combinés pour former de nouveaux modes de réalisation pourvu qu’ils soient compatibles techniquement.
La première donnée D1 comprend une information d’identifiant associée aux informations de position des zones 32. Chaque deuxième donnée D2 et/ou troisième donnée D3 est associée à un sous ensemble de la première donnée D1 , chaque sous ensemble caractérisant la position des zones 32 associées à une deuxième donnée respective et/ou une deuxième donnée respective. La première donnée a alors un rôle d’attribut pour deuxième donnée D2 et/ou troisième donnée D3, la première donnée permettant d’identifier et/ou de localiser la deuxième donnée D2 et/ou la troisième donnée D3 sur l’environnement 34.
Lorsque le procédé 100 comprend une phase 150 de modification comprenant la modification de la position des capteurs 36 dans l’environnement 34, le procédé comprend avantageusement une nouvelle phase 110 de collection de jeux de données d’entrainement sur la base de la position modifiée des capteurs, ainsi qu’une nouvelle phase 120 d’entrainement du modèle. Ainsi la répétition de la phase d’exploitation 130 est effectuée sur la base d’un modèle mis à jour.
Notamment, l’environnement 34 des première D1, deuxième D2 et troisième D3 données du jeu de données d’entrainement correspond à l’environnement 34 des première D1 et deuxième D2 données reçues ainsi que de la troisième D3 donnée déterminée lors de la phase d’exploitation.

Claims

REVENDICATIONS
1. Procédé (100) de détermination d’une densité d’éléments (30) dans des zones (32) d’un environnement (34), l’environnement (34) comprenant des zones (32) couvertes par des capteurs (36), dites zones couvertes (32C), et au moins une zone (32) non couverte par un capteur (36), dite zone non couverte (32NC), le procédé (100) comprenant : a. une phase (1 10) de collection de jeux de données d’entraînement (J) pour obtenir une base de données d’entraînement (B), la phase de collection (1 10) étant mise en œuvre par ordinateur, chaque jeu de données d’entraînement (J) collecté comprenant au moins : i. une première donnée (D1 ) identifiant chaque zone couverte (32C) et non couverte (32NC) d’un environnement, ii. une deuxième donnée (D2) comprenant au moins la densité d’éléments (30) dans chaque zone couverte (32C) de l’environnement (34) à un instant courant (t), iii. une troisième donnée (D3) comprenant la densité d’éléments (30) dans la ou chaque zone non couverte (32NC) de l’environnement (34) à l’instant courant (t), b. une phase (120) d’entraînement d’un modèle de détermination d’une troisième donnée (D3) en fonction d’au moins une première (D1 ) et d’au moins une deuxième (D2) donnée selon une technique d’apprentissage appliquée à la base de données d’entraînement (B) pour obtenir un modèle entraîné, la phase d’entraînement (120) étant mise en œuvre par ordinateur, c. une phase (130) d’exploitation du modèle entraîné, la phase d’exploitation (130) étant mise en œuvre par ordinateur et comprenant : i. la réception d’une première donnée identifiant (D1 ) chaque zone couverte (32C) et non couverte (32NC) d’un environnement (34), ii. la réception d’une deuxième donnée (D2) comprenant au moins la densité d’éléments dans chaque zone couverte (32C) de l’environnement (34) à un instant courant (t), et iii. la détermination, par le modèle entraîné, d’une troisième donnée (D3) relative à la densité d’éléments (30) dans la ou chaque zone non couverte (32NC) à l’instant courant (t).
2. Procédé (100) selon la revendication 1 , dans lequel chaque deuxième donnée (D2) comprend, en outre, la densité d’éléments dans chaque zone couverte (32C) de l’environnement à un instant (t-1) antérieur à l’instant courant (t).
3. Procédé (100) selon la revendication 1 ou 2, dans lequel chaque première donnée (D1 ) comprend une information de position des zones (32) de l’environnement (34) les unes par rapport aux autres.
4. Procédé (100) selon l’une quelconque des revendications 1 à 3, dans lequel la phase d’exploitation (130) est mise en œuvre pour une ou des deuxièmes données (D2) correspondant à un agencement initial des capteurs (36) couvrant les zones couvertes (32C) de l’environnement (34) considéré, le procédé (100) comprenant : a. une phase (140) de vérification comprenant : i. la détermination, par au moins un capteur de vérification, d’une densité mesurée d’éléments (32) dans la ou chaque zone non couverte (32NC) à l’instant courant (t), et ii. la comparaison de la troisième donnée (D3) obtenue par le modèle entraîné avec la densité mesurée par le capteur de vérification, et iii. la validation ou l’invalidation de l’agencement initial en fonction du résultat de la comparaison.
5. Procédé (100) selon la revendication 4, dans lequel lorsque l’agencement initial est invalidé, le procédé (100) comprend une phase (150) de modification comprenant la modification de la position des capteurs (36) dans l’environnement (34), et la répétition de la phase d’exploitation (130) avec une ou des deuxièmes données (D2) correspondant à l’agencement modifié des capteurs (36) couvrant les zones couvertes (32C) de l’environnement (34) considéré.
6. Procédé (100) selon l’une quelconque des revendications 1 à 5, dans lequel le procédé (100) comprend une phase (160) de mise en œuvre d’une action comprenant : iii. l’affichage d’une image (38) de l’environnement (34) sur laquelle est mise en évidence la au moins une zone non couverte (32NC) , ainsi que la densité d’éléments (30) déterminée pour ladite zone non couverte (32NC), et/ou iv. la gestion des éléments (30) dans les zones (32) de l’environnement (34) en fonction de la densité d’éléments (30) déterminée pour la au moins une zone non couverte (32NC).
7. Procédé (100) selon l’une quelconque des revendications 1 à 6, dans lequel les éléments (30) sont des entités propres à être supervisées telles que des individus, des véhicules, des avions ou des drones.
8. Procédé (100) selon l’une quelconque des revendications 1 à 7, dans lequel la superficie de chaque zone couverte (32C) et de la ou chaque zone non couverte (32NC) 16 est déterminée en fonction d’une zone de couverture de chaque capteur (36) et/ou en fonction d’une topologie de l’environnement (34).
9. Procédé (100) selon l’une quelconque des revendications 1 à 8, dans lequel le modèle est un réseau de neurones, la technique d’apprentissage étant propre à configurer le réseau de neurones au fur et à mesure de son apprentissage réalisé sur la base de données d’entraînement (B).
10. Produit programme d’ordinateur comportant un support lisible d’informations (26), sur lequel est mémorisé un programme d’ordinateur comprenant des instructions de programme, le programme d’ordinateur étant chargeable sur une unité de traitement de données (16) et entraînant la mise en œuvre d’un procédé selon l’une quelconque des revendications 1 à 9 lorsque le programme d’ordinateur est mis en œuvre sur l’unité de traitement des données (16).
EP21816012.5A 2020-11-18 2021-11-18 Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé Pending EP4248648A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2011821A FR3116361B1 (fr) 2020-11-18 2020-11-18 Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé
PCT/EP2021/082173 WO2022106556A1 (fr) 2020-11-18 2021-11-18 Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé

Publications (1)

Publication Number Publication Date
EP4248648A1 true EP4248648A1 (fr) 2023-09-27

Family

ID=75339816

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21816012.5A Pending EP4248648A1 (fr) 2020-11-18 2021-11-18 Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé

Country Status (3)

Country Link
EP (1) EP4248648A1 (fr)
FR (1) FR3116361B1 (fr)
WO (1) WO2022106556A1 (fr)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508583B (zh) * 2017-09-15 2020-11-06 杭州海康威视数字技术股份有限公司 一种人群分布特征的获取方法和装置
US10909388B2 (en) * 2019-05-03 2021-02-02 Royal Caribbean Cruises Ltd. Population density determination from multi-camera sourced imagery
CN111611878B (zh) * 2020-04-30 2022-07-22 杭州电子科技大学 一种基于视频图像的人群计数和未来人流量预测的方法
CN111626184B (zh) * 2020-05-25 2022-04-15 齐鲁工业大学 一种人群密度估计方法及系统

Also Published As

Publication number Publication date
FR3116361B1 (fr) 2023-12-08
FR3116361A1 (fr) 2022-05-20
WO2022106556A1 (fr) 2022-05-27

Similar Documents

Publication Publication Date Title
US11449727B2 (en) Method, storage medium and electronic device for detecting vehicle crashes
EP2473867B1 (fr) Traitement de donnees multi-cibles pour radars passifs multi-recepteurs en mode sfn ou mfn
EP0675374A1 (fr) Procédé de poursuite de mobiles
EP1582888A1 (fr) Procédé de localisation aveugle large bande d'un ou plusieurs émetteurs à partir d'un porteur défilant
WO2018019452A1 (fr) Procede et dispositif d'identification de modes d'emission radar
FR3076377A1 (fr) Prediction de deplacement et de topologie pour un reseau de cameras.
EP3968219A1 (fr) Procédé et système de détection coopérative de corps matériels dans un environnement
EP2105760A1 (fr) Procédé et système de pistage et de suivi d'emetteurs
FR2956942A1 (fr) Procede d'authentification biometrique, systeme d'authentification et programme correspondant.
Ferjani et al. How to get best predictions for road monitoring using machine learning techniques
EP4248648A1 (fr) Procédé de détermination d'une densité d'éléments dans des zones d'un environnement, produit programme d'ordinateur associé
CN117828527A (zh) 多源数据融合与态势生成方法及系统
EP0863488A1 (fr) Procédé de détection de contours de relief dans une paire d'images stéréoscopiques
Marciniuk et al. Machine learning applied to acoustic-based road traffic monitoring
WO2009086928A1 (fr) Procede, systeme et installation de detection pour garantir l'unicite de passage d'un objet
WO2023099697A1 (fr) Procédé d'évaluation d'incertitudes de prédiction d'un réseau de neurones
EP0359314B1 (fr) Système de traitement d'images
FR3079637A1 (fr) Procede d'evaluation de la conformite d'un systeme de pistage a un ensemble d'exigences et dispositifs associes
EP3757943B1 (fr) Procédé et dispositif de télémétrie passive par traitement d'image et utilisation de modeles en trois dimensions
CN116682071B (zh) 商品关注信息分析方法、设备及存储介质
FR2617315A1 (fr) Procede et dispositif de discrimination du type d'un vehicule automobile en circulation
EP4256444A1 (fr) Procédé de traçage numérique de données
Gagliardi et al. A preliminary implementation of convolutional neural network in embedded system for road pavement quality classification
FR3137478A1 (fr) Procédé et dispositif de classification et de localisation d’objets dans des séquences d’images, système, programme d’ordinateur et support d’informations associés
Flanigan Enhancing Vehicular Perception: A Comprehensive Analysis of Sensor Fusion Performance through Weighted Averages and Fuzzy C-Means for Optimal Data Association

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230517

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAX Request for extension of the european patent (deleted)
P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20240117

RAV Requested validation state of the european patent: fee paid

Extension state: MA

Effective date: 20230517