Une seule image de caméra vous dit ce qui est en mer. Le suivi multi-objets (SMO) répond à une question plus difficile : ce qu’est chaque objet, d’où il vient et où il va. Il le fait pour chaque contact de la scène à la fois, en temps réel.
Cette distinction compte en mer. Savoir qu’un navire est présent n’est pas la même chose que de savoir s’il se dirige vers vous, maintient un cap stable ou adopte un comportement erratique. Le SMO transforme les détections brutes en un modèle persistant et évolutif de l’environnement maritime.
La détection d’objets identifie des éléments dans une seule image. Un navire ici, une bouée là. Mais la détection est sans état. Chaque image repart de zéro, sans mémoire de ce qui précède.
Le suivi ajoute la dimension temporelle. Il relie les détections entre les images, en attribuant à chaque contact une identité persistante et en construisant un historique de mouvement continu. Le suivi multi-objets fait cela pour tous les objets simultanément.
Le résultat n’est pas une liste de détections. C’est un modèle vivant de la scène : quels contacts le système suit, depuis combien de temps, comment ils se sont déplacés et ce que leur trajectoire suggère sur leur prochaine position.
Le SMO répète deux étapes à chaque image : prédire, puis associer.
Entre deux images, le système n’attend pas passivement la suivante. Il estime activement où chaque objet suivi devrait se trouver maintenant.
C’est là qu’intervient le filtre de Kalman. Un filtre de Kalman maintient une croyance probabiliste sur l’état de chaque objet : position, relèvement et taille. Il mesure également le degré d’incertitude de cette croyance. À chaque pas de temps, il propage l’estimation d’état en avant dans le temps, en utilisant le modèle de mouvement de l’objet.
La prédiction ne sera pas exacte. Mais elle donne à l’étape d’association un fort a priori sur l’endroit où chercher. C’est ce a priori qui rend possible une association rapide et fiable, même dans des conditions bruitées ou encombrées.
Quand l’image suivante arrive avec de nouvelles détections, le système doit résoudre le problème d’association : quelle détection appartient à quelle piste existante ?
Il évalue chaque nouvelle détection par rapport à chaque position de piste prédite. Il trouve ensuite l’affectation globalement optimale sur l’ensemble de la scène.
Les détections qui ne correspondent à aucune piste existante en initialisent une nouvelle. Le système retire les pistes sans correspondance depuis trop longtemps.
Ce cycle constant de création, de mise à jour et d’élagage maintient le modèle de scène précis et à jour à chaque image.
La haute mer est l’un des environnements les plus exigeants pour tout système de suivi.
Il n’y a pas de marquages au sol, pas de points de référence fixes et aucune contrainte sur la façon dont les objets se déplacent.
Les cibles vont des pétroliers de 300 mètres aux personnes à la mer : un facteur d’échelle supérieur à 100. L’éclairage oscille entre l’éblouissement solaire aveuglant et l’obscurité quasi totale. Les vagues créent un fouillis visuel constant et les cibles lointaines n’occupent parfois que quelques pixels.
La plupart des systèmes de suivi opèrent en espace pixel. Ils suivent les objets en fonction de leur position dans l’image. Mais le déplacement en pixels ne correspond pas fidèlement au mouvement réel. Un navire lointain qui se déplace de cinq pixels a peut-être parcouru des centaines de mètres. Le même déplacement pour un objet proche est presque insignifiant.
Le système de suivi de SEA.AI adopte une approche différente. Il raisonne dans ce que SEA.AI appelle les coordonnées plan-mer : le relèvement et la distance réels de chaque objet par rapport au capteur, et non sa position sur le plan de l’image.
Cela élimine le problème d’échelle. Le système modélise comment les objets se déplacent dans l’espace physique, et non comment leurs positions en pixels changent sur un capteur. Il gère un navire à 2 km de la même manière qu’un navire à 200 mètres.
Le problème qui paralyse les systèmes en espace pixel à longue portée ne s’applique tout simplement pas.
Pour en savoir plus sur le fonctionnement de la détection d’objets avant le suivi, voir Détection d’objets en mer. SEA.AI Brain étend cette capacité de détection aux systèmes de caméras tiers déjà installés à bord.
Certains produits SEA.AI intègrent une unité panoramique-inclinaison (PTU) : un support de caméra motorisé qui effectue un panoramique complet à 360 degrés et s’incline en continu. Cela offre une large couverture. Mais cela introduit un défi fondamental pour le suivi.
Quand un objet semble avoir changé de position entre deux images, le système doit répondre à une question critique : l’objet a-t-il bougé, ou est-ce la caméra ? À partir de l’image seule, les deux sont indiscernables. Sans les séparer, chaque panoramique amènerait le système à interpréter chaque objet de la scène comme ayant simultanément changé de cap.
Le système de suivi de SEA.AI résout ce problème en connaissant l’orientation exacte de la caméra à chaque instant. Avant de mettre à jour une piste, il compense la rotation de la caméra. Seul le mouvement réel des objets contribue aux mises à jour des pistes.
Cette séparation entre le mouvement de la caméra et celui des objets permet également la poursuite active de cible.
La poursuite de cible permet à l’opérateur de sélectionner n’importe quel contact et de faire en sorte que le système le suive automatiquement. Le PTU ajuste son panoramique et son inclinaison en continu pour maintenir le contact sélectionné au centre du champ de vision.
Parce que le système sépare déjà le mouvement de la caméra de celui des objets, il peut orienter la caméra avec précision pour rester verrouillé sur la cible. Même quand le navire manœuvre. Même quand les conditions en mer évoluent.
L’océan ne s’arrête pas. SEA.AI non plus. Chaque objet suivi, chaque identité maintenue, chaque trajectoire conservée : opérateurs et systèmes autonomes disposent en permanence du modèle de scène structuré dont dépendent les décisions précises.
Pour les applications navales et de gardes-côtes, l’identité de piste continue permet la détection des anomalies. Le système signale les contacts qui s’écartent des routes déclarées, stationnent dans des zones restreintes ou s’approchent à des vitesses incompatibles avec leurs données AIS.
Pour les navires autonomes et téléopérés, le SMO est une capacité fondamentale. Une navigation autonome fiable exige une identité d’objet persistante et une prédiction de trajectoire pour satisfaire les exigences de connaissance des contacts du Règlement international pour prévenir les abordages en mer (COLREG). Un système qui repart de zéro à chaque image ne peut pas assurer une navigation autonome sûre en mer. Les directives émergentes de l’OMI sur la navigation autonome commencent à définir des normes qui présupposent précisément ce niveau de suivi continu.
Watchkeeper et Sentry de SEA.AI intègrent tous deux le SMO comme composant central de leur stack de perception. Pour une vision plus large de la façon dont l’IA comble les lacunes dans la connaissance du domaine maritime, voir Surveillance maritime par IA : de la donnée à la décision.
Le suivi multi-objets attribue une identité persistante à chaque contact détecté et le suit en continu d’une image à l’autre.
En milieu maritime, le SMO indique aux opérateurs non seulement ce qui est présent en mer, mais ce qu’est chaque contact, comment il s’est déplacé et où il se dirige probablement.
Le système de suivi de SEA.AI traite tous les objets simultanément, en temps réel.
La détection d’objets identifie ce qui est présent dans une seule image. Elle n’a aucune mémoire des images précédentes et ne peut pas suivre les mouvements dans le temps.
Le suivi multi-objets ajoute la dimension temporelle : il relie les détections entre les images, attribue des identités persistantes et construit des historiques de trajectoires continues.
La détection vous dit ce qui est en mer maintenant. Le suivi vous dit ce qu’est chaque objet et ce qu’il a fait.
Un filtre de Kalman est un modèle mathématique qui estime où se trouvera chaque contact suivi dans la prochaine image, en fonction de son état actuel et de son historique de mouvement.
Il maintient également une mesure de l’incertitude de cette estimation. En suivi maritime, le filtre de Kalman permet au système de prédire les positions des contacts de manière fiable, même quand les détections sont bruitées ou temporairement indisponibles.
SEA.AI equips some products with a Pan-Tilt Unit (PTU) that allows the camera to pan 360 degrees and tilt continuously.
Pour éviter que la rotation de la caméra ne corrompe les pistes, le système connaît l’orientation exacte de la caméra à chaque image et compense son mouvement avant toute mise à jour de piste.
Seul le mouvement réel des objets affecte les contacts suivis. Cette compensation permet également la poursuite active de cible : le PTU s’oriente automatiquement pour maintenir un contact sélectionné au centre du champ de vision.
La détection vous dit ce qui est en mer. Le suivi multi-objets vous dit ce qu’est chaque objet, d’où il vient et où il va, pour chaque objet de la scène simultanément. C’est la différence entre un instantané et un renseignement opérationnel.
La surveillance maritime dépend de l’AIS et du radar. Quand l’un ou l’autre est défaillant, masqué ou brouillé, l’image opérationnelle disparaît. L’intelligence visuelle par IA est la réponse à cet écart.
Les systèmes SEA.AI utilisent des modèles d’IA avancés pour détecter, localiser, identifier et suivre les objets maritimes, renforçant la sécurité de la navigation et la prévention des collisions.
