# # Introduction à la Vision par Ordinateur # # 1. Qu'est-ce que la Vision par Ordinateur ? La vision par ordinateur (ou vision artificielle) est un domaine scientifique interdisciplinaire qui vise à permettre aux ordinateurs d'acquérir une compréhension de haut niveau à partir d'images ou de vidéos numériques. Si le traitement d'images se concentre sur la manipulation des images (par exemple, améliorer le contraste), la vision par ordinateur va plus loin : elle cherche à interpréter et à comprendre le contenu visuel pour prendre des décisions. En essence, il s'agit de reproduire la capacité humaine de la vision. L'œil humain perçoit la lumière, mais c'est le cerveau qui interprète ces signaux pour reconnaître des visages, naviguer dans des espaces complexes ou lire un texte. De la même manière, en vision par ordinateur, une caméra ou un capteur capture des données visuelles (une image, qui n'est qu'une grille de nombres représentant l'intensité des couleurs), et un algorithme analyse ces données pour en extraire une information sémantique. L'entrée est une image, et la sortie peut être une décision, une description ou une transformation. Par exemple : - **Entrée* * : Une image d'un animal. - **Sortie (Classification)* * : Le label "Chat". - **Entrée* * : Une vidéo d'une intersection routière. - **Sortie (Analyse de scène)* * : Une description textuelle "Trois voitures et un piéton s'approchent du carrefour" et une alerte "Risque de collision imminent". Ce domaine est à l'intersection de l'informatique, de l'intelligence artificielle, des mathématiques (géométrie, statistique, optimisation) et de l'ingénierie. # # 2. Un Bref Historique : Des Idées aux Réseaux de Neurones Profonds Le parcours de la vision par ordinateur est marqué par des périodes d'optimisme intense suivies de réalisations plus modestes, culminant avec la révolution récente de l'apprentissage profond. # ## Les Débuts Optimistes (Années 1960) Le domaine a officiellement émergé dans les années 1960. En 1966, Seymour Papert au MIT a lancé le "Summer Vision Project". L'objectif, incroyablement ambitieux, était de résoudre le problème de la vision en un seul été en connectant une caméra à un ordinateur et en le faisant "décrire ce qu'il voit". Le projet n'a pas atteint ses objectifs, mais il a mis en lumière l'immense complexité du problème, une complexité qui avait été largement sous-estimée. Les premiers travaux se concentraient sur la reconnaissance d'objets simples, comme des blocs de bois dans des scènes contrôlées (travaux de Larry Roberts). # ## L'Approche Computationnelle de Marr (Années 1970-1980) David Marr, un neuroscientifique et psychologue, a apporté une rigueur scientifique indispensable au domaine. Il a proposé que pour comprendre la vision, il fallait la décomposer en trois niveaux d'analyse : 1. **Théorie computationnelle* * : Quel est le but du processus et quelle est la logique de la stratégie pour y parvenir ? 2. **Représentation et algorithme* * : Comment cette théorie peut-elle être implémentée ? Quelle est la représentation pour l'entrée et la sortie, et quel est l'algorithme pour la transformation ? 3. **Implémentation matérielle* * : Comment l'algorithme peut-il être réalisé physiquement (dans le cerveau ou dans le silicium) ? Son pipeline proposait de passer d'une image 2D à une représentation 3D par étapes : l'esquisse primale (détection de contours, arêtes), l'esquisse 2.5D (ajout d'informations sur l'orientation et la profondeur) et enfin le modèle 3D. Cette approche a profondément influencé la recherche pendant des décennies. # ## L'Ère de l'Apprentissage Automatique et des Caractéristiques Manuelles (Années 1990-2000) Les chercheurs ont réalisé que les modèles purement géométriques étaient trop fragiles pour le monde réel. L'accent s'est déplacé vers des approches statistiques et l'apprentissage automatique. L'idée était de concevoir manuellement des "caractéristiques" (features) robustes pour extraire des informations pertinentes de l'image, puis de les fournir à un classifieur de machine learning (comme les machines à vecteurs de support ou SVM). Des descripteurs de caractéristiques emblématiques ont vu le jour, tels que : - **SIFT (Scale-Invariant Feature Transform)* * : Capable de trouver des points d'intérêt dans une image qui sont invariants aux changements d'échelle, de rotation et d'illumination. - **HOG (Histogram of Oriented Gradients)* * : Très efficace pour la détection de personnes en analysant la distribution des gradients d'intensité. Le détecteur de visages en temps réel de Viola-Jones (2001) est un succès majeur de cette époque, utilisant des caractéristiques simples (Haar-like features) et un classifieur en cascade (AdaBoost) pour atteindre une vitesse et une précision sans précédent. # ## La Révolution du Deep Learning (2012 à aujourd'hui) L'année 2012 marque un tournant radical. Une architecture de réseau de neurones convolutif (CNN) nommée **AlexNet* * a remporté le concours de reconnaissance d'images ImageNet (ILSVRC) avec un taux d'erreur de 15.3%, alors que le deuxième meilleur modèle était à 26.2%. Cet écart spectaculaire a prouvé la supériorité des approches d'apprentissage profond. La force des CNN réside dans leur capacité à **apprendre les caractéristiques pertinentes directement à partir des données**. Au lieu que des experts humains conçoivent des extracteurs de caractéristiques, le réseau apprend lui-même les filtres optimaux à travers ses multiples couches. L'opération fondamentale est la convolution. Pour une image d'entrée $I$ et un noyau (filtre) appris $K$ , la carte de caractéristiques résultante $F$ est calculée comme suit : $$F(i, j) = (I * K)(i, j) = \sum_{m} \sum_{n} I(i+m, j+n) K(m, n)$$ Les premières couches apprennent des caractéristiques simples (contours, textures, couleurs), et les couches plus profondes combinent ces caractéristiques pour détecter des motifs plus complexes (yeux, roues, visages). Depuis AlexNet, des architectures encore plus profondes et sophistiquées (VGG, ResNet, Inception) ont continuellement repoussé les limites de la performance. # # 3. Les Tâches Fondamentales en Vision par Ordinateur Plusieurs problèmes canoniques sont étudiés dans le domaine : - **Classification d'Images* * : Attribuer une seule étiquette à une image entière. (Ex: Cette image contient un "chien"). - **Détection d'Objets* * : Identifier les objets présents dans une image et dessiner un cadre englobant (bounding box) autour de chacun. (Ex: Il y a un "chien" à ces coordonnées et une "voiture" à celles-ci). - **Segmentation Sémantique* * : Classer chaque pixel de l'image. Tous les pixels appartenant à la même classe d'objet reçoivent la même étiquette. (Ex: Tous les pixels de ciel sont bleus, tous ceux d'herbe sont verts). - **Segmentation d'Instance* * : Similaire à la précédente, mais distingue les différentes instances d'une même classe. (Ex: Les deux chats sur l'image sont colorés différemment). - **Estimation de Pose* * : Déterminer la position et l'orientation des parties du corps d'une personne ou d'un objet. - **Suivi d'Objets (Tracking)* * : Suivre un objet spécifique à travers les images successives d'une vidéo. # # 4. Applications Clés La vision par ordinateur est devenue une technologie omniprésente : - **Véhicules Autonomes* * : C'est le "système visuel" de la voiture, détectant les piétons, les autres véhicules, les lignes de la route et les panneaux de signalisation. - **Santé* * : Aide au diagnostic médical en analysant des images radiologiques, des IRM ou des lames de pathologie pour détecter des anomalies comme des tumeurs. - **Sécurité* * : Systèmes de vidéosurveillance intelligents qui détectent des comportements suspects, et reconnaissance faciale pour le contrôle d'accès ou l'identification. - **Commerce et Industrie* * : Robots dans les entrepôts qui identifient et manipulent des objets, analyse du parcours client en magasin, contrôle qualité sur les chaînes de production. - **Réalité Augmentée* * : Applications comme Pokémon Go ou les filtres Snapchat qui superposent des éléments virtuels au monde réel en comprenant la géométrie de la scène. - **Agriculture de Précision* * : Drones équipés de caméras qui surveillent la santé des cultures et identifient les zones nécessitant un traitement. # # 5. Les Défis Majeurs Malgré les progrès spectaculaires, la vision par ordinateur est loin d'être un problème résolu. Les algorithmes font encore face à des défis majeurs qui sont triviaux pour un humain : - **Variation du point de vue* * : Un objet peut être vu sous une infinité d'angles. - **Variation d'échelle* * : L'objet peut être proche et grand, ou lointain et minuscule. - **Variation d'illumination* * : Les ombres, les reflets et les conditions d'éclairage changeantes modifient radicalement l'apparence d'une scène. - **Occlusion* * : L'objet d'intérêt est souvent partiellement caché par d'autres objets. - **Déformation* * : Les objets non rigides (humains, animaux) peuvent se tordre et changer de forme. - **Encombrement (Clutter)* * : L'objet peut être situé dans un environnement visuellement complexe, se confondant avec l'arrière-plan. - **Variation intra-classe* * : La catégorie "chaise" contient des milliers de modèles très différents les uns des autres.