Techniques de détection des piétons pour les systèmes avancés d'aide à la conduite : une revue exhaustive

La détection des piétons est une composante fondamentale des systèmes avancés d'aide à la conduite (ADAS) et joue un rôle clé dans l'évitement des collisions ainsi que dans la sécurité des usagers vulnérables de la route. Cet article présente une revue structurée des méthodologies de détection des piétons développées entre 2000 et 2025, couvrant les techniques classiques de vision par ordinateur et les architectures modernes de deep learning. Nous organisons cette revue en deux phases. Premièrement, nous examinons les méthodes classiques, notamment Histogram of Oriented Gradients (HOG)+Support Vector Machine (SVM), Viola–Jones, Deformable Part Models et Integral Channel Features, qui ont établi les fondements conceptuels du domaine. Ensuite, nous analysons les architectures de deep learning de pointe, classées par étape de détection (en une étape vs en deux étapes), stratégie de localisation (avec ancres vs sans ancre), paradigme d'extraction de caractéristiques (à base de Convolutional Neural Network (CNN) vs à base de transformeurs), représentation de sortie (boîte englobante vs segmentation d'instances) et profil computationnel (léger vs lourd). Plusieurs principes de conception introduits par les méthodes classiques restent visibles dans les architectures modernes, ce qui indique qu'ils n'ont pas été totalement supplantés. La revue examine également les jeux de données de référence accessibles au public et compare les points forts et les limites des systèmes basés sur les caméras, le Light Detection And Ranging (LiDAR), les radars et la fusion multicapteurs pour le déploiement des ADAS. Nous concluons en identifiant six problèmes ouverts pour le domaine : la robustesse face aux attaques contradictoires, l'inférence en temps réel sous contraintes embarquées, la détection dans des conditions météorologiques défavorables, les biais des jeux de données et l'équité démographique, le déploiement de la vue Bird’s-Eye View (BEV) et de la perception unifiée sur le matériel automobile, ainsi que l'explicabilité pour les utilisations critiques en matière de sécurité.