République Tunisienne
Ministère de l’Enseignement Supérieur et de la Recherche
Scientifique
Université de Sousse
Institut Supérieur des Sciences Appliquées et de Technologie de
Sousse
RAPPORT DE PROJET DE FIN D’ÉTUDES
Conception et Réalisation d’un
Système Embarqué Intelligent
de Surveillance et de Gestion du
Taux d’Occupation des Espaces
Élaboré par :
Ayoub Fkih
Encadré par :
Mme Nabiha Ben Abid
Année Universitaire 2025 – 2026
REMERCIEMENTS
Je tiens à exprimer ma sincère gratitude à toutes les personnes qui m’ont accompagné
durant la réalisation de ce projet de fin d’études.
Je remercie en premier lieu mon encadrante, Mme Nabiha BEN ABID, pour son
encadrement, ses conseils précieux et sa disponibilité tout au long de ce travail.
Ses orientations et ses remarques m’ont beaucoup aidé à améliorer mon projet et à
avancer dans la bonne direction.
Je la remercie également pour sa patience et son soutien durant les différentes étapes
du développement.
Je remercie aussi l’ensemble des enseignants de l’Institut Supérieur des Sciences Ap-
pliquées et de Technologie de Sousse pour la qualité de la formation reçue.
Leurs enseignements m’ont permis d’acquérir les connaissances nécessaires pour mener
à bien ce travail.
Je n’oublie pas mes camarades et amis, qui m’ont toujours encouragé et aidé lorsque
j’en avais besoin.
Les échanges avec eux ont été très utiles et motivants tout au long de mon parcours.
Enfin, je remercie profondément ma famille pour son soutien moral, sa confiance et
ses encouragements constants.
Leur présence et leur aide m’ont permis de rester motivé et de continuer malgré les
difficultés rencontrées.
Ce travail est le résultat de leurs efforts, de leur patience et de leur soutien sans faille.
Résumé
Ce projet consiste à concevoir et réaliser un système embarqué intelligent destiné
à la surveillance et à la gestion du taux d’occupation des espaces.
Il repose sur une caméra et des techniques d’intelligence artificielle permettant la
détection et le comptage des personnes en temps réel.
La solution utilise une plateforme Raspberry Pi pour un traitement local rapide et
efficace.
Le modèle YOLO assure une détection précise dans différents environnements.
Le système automatise le comptage et améliore la fiabilité des résultats.
Il offre une solution intelligente pour optimiser la gestion des espaces et faciliter la
prise de décision.
Abstract
This project aims to design and implement an intelligent embedded system for
monitoring and managing space occupancy.
It uses a camera and artificial intelligence techniques for real-time people detection
and counting.
The solution is based on a Raspberry Pi platform for fast local processing.
The YOLO model ensures accurate detection in different environments.
The system automates counting and improves reliability of results.
It provides an intelligent solution to optimize space management and decision-
making.
3
Introduction générale
De nos jours, la croissance rapide des espaces publics et privés tels que les écoles, les
hôpitaux, les centres commerciaux et les entreprises rend la gestion du taux d’occupation
de plus en plus importante. Cette gestion est devenue essentielle pour garantir la sécurité
des personnes, optimiser l’utilisation des infrastructures et améliorer la qualité des ser-
vices offerts aux usagers. Avec l’augmentation du nombre de personnes fréquentant ces
espaces, les besoins en systèmes de surveillance intelligents et automatisés sont devenus
une nécessité.
Cependant, les méthodes traditionnelles utilisées pour le comptage et la surveillance
des personnes présentent plusieurs limites. Elles reposent souvent sur une intervention
humaine ou sur des systèmes simples qui manquent de précision et de fiabilité. Ces ap-
proches sont non seulement sujettes aux erreurs, mais elles ne permettent pas non plus
un suivi en temps réel efficace, ce qui peut entraı̂ner une mauvaise gestion des espaces et
une perte d’efficacité dans la prise de décision.
Afin de répondre à cette problématique, ce projet propose la conception et la réalisation
d’un système embarqué intelligent basé sur l’intelligence artificielle et la vision par ordina-
teur. Ce système permet de détecter et de compter automatiquement les personnes dans
un environnement donné à l’aide d’une caméra.
La solution développée repose sur une plateforme Raspberry Pi assurant un traitement
local rapide et autonome. Le modèle YOLO (You Only Look Once) est utilisé pour garantir
une détection précise et en temps réel des personnes dans différents environnements.
L’objectif principal de ce projet est d’automatiser le processus de comptage des per-
sonnes, de réduire les erreurs humaines et d’améliorer la fiabilité des données obtenues.
Cela permet ainsi une meilleure gestion des espaces et une optimisation des ressources
disponibles.
Enfin, ce rapport est structuré en plusieurs chapitres. Le premier chapitre présente le
cadre théorique et les notions fondamentales. Le deuxième chapitre décrit la conception
du système proposé. Le troisième chapitre est consacré à la réalisation, à l’implémentation
et aux tests du système.
4
CHAPITRE 1 :
Concepts fondamentaux et
technologies de développement
0.1 Introduction du chapitre
Ce chapitre présente les principaux concepts fondamentaux et les technologies de
développement utilisés dans la réalisation du système embarqué intelligent de surveillance
et de gestion du taux d’occupation des espaces. La compréhension de ces notions est essen-
tielle afin de mieux comprendre le fonctionnement global du projet ainsi que les différentes
étapes de sa conception.
Dans ce cadre, nous présenterons les systèmes embarqués, l’intelligence artificielle, la
vision par ordinateur ainsi que les outils logiciels et matériels utilisés dans le développement
du système. Nous aborderons également les différentes technologies intégrées dans ce pro-
jet, notamment le Raspberry Pi, OpenCV, YOLO, les capteurs infrarouges et l’afficheur
LCD.
L’objectif de ce chapitre est de fournir une base théorique et technique permettant de
mieux comprendre les choix technologiques adoptés et leur rôle dans la réalisation d’un
système intelligent capable d’assurer une surveillance automatique et efficace des espaces.
0.2 Systèmes embarqués
0.2.1 Définition des systèmes embarqués
— Définition ;
— Rôle ;
— Fonctionnement général.
Un système embarqué est un système électronique et informatique conçu pour réaliser
une tâche spécifique de manière autonome. Contrairement à un ordinateur classique, il
est dédié à une fonction précise et fonctionne généralement avec des ressources limitées.
Le rôle principal d’un système embarqué est d’assurer le traitement des données, le
contrôle des périphériques ainsi que l’automatisation de certaines opérations en temps
réel.
Le fonctionnement général d’un système embarqué repose sur l’acquisition des données
à partir des capteurs, leur traitement par une unité de calcul, puis l’exécution d’une action
ou l’affichage des résultats.
0.2.2 Caractéristiques des systèmes embarqués
Les systèmes embarqués se distinguent par un ensemble de caractéristiques tech-
niques qui leur permettent de répondre à des besoins spécifiques dans des environnements
contraints.
✓ Spécificité fonctionnelle : un système embarqué est conçu pour exécuter une
tâche bien définie, contrairement à un ordinateur généraliste.
✓ Fonctionnement en temps réel : il doit traiter les données et réagir aux événements
externes dans des délais très courts.
6
✓ Optimisation des ressources : les capacités en mémoire, processeur et énergie
sont limitées, ce qui impose une conception optimisée.
✓ Faible consommation énergétique : ils sont souvent utilisés dans des systèmes
autonomes ou portables nécessitant une longue durée de fonctionnement.
✓ Fiabilité et stabilité : ils doivent fonctionner de manière continue sans interrup-
tion, parfois dans des environnements critiques.
✓ Intégration matérielle et logicielle : le matériel et le logiciel sont fortement
liés et conçus ensemble pour optimiser les performances.
✓ Taille et coût réduits : ils sont intégrés dans des dispositifs compacts afin de
réduire les coûts de production et d’installation.
✓ Réactivité et performance : ils assurent un traitement rapide des données pour
garantir une réponse immédiate du système.
0.2.3 Architecture des systèmes embarqués
L’architecture d’un système embarqué est composée de plusieurs blocs essentiels :
✓ Capteurs : ils permettent de collecter les informations de l’environnement (température,
image, mouvement, etc.).
✓ Unité de traitement : elle correspond au microprocesseur ou microcontrôleur
qui exécute les instructions et traite les données.
✓ Mémoire : elle stocke les programmes et les données nécessaires au fonctionnement
du système.
✓ Interfaces d’entrée/sortie : elles assurent la communication entre le système et
l’environnement extérieur.
7
✓ Actionneurs / dispositifs de sortie : ils exécutent les actions ou affichent les
résultats (LED, LCD, moteurs, etc.).
✓ Alimentation : elle fournit l’énergie nécessaire au fonctionnement de tous les
composants.
2.4 Domaines d’application
Les systèmes embarqués sont utilisés dans plusieurs domaines où ils permettent d’améliorer
la performance, la sécurité et l’automatisation et c’est quelque exemples .
✓ Automobile : systèmes d’aide à la conduite (ABS, GPS, capteurs de stationne-
ment, véhicules intelligents).
✓ Médical : dispositifs de surveillance des patients, équipements intelligents et systèmes
d’assistance médicale.
✓ Domotique : maisons intelligentes avec contrôle automatique de l’éclairage, de la
température et de la sécurité.
8
0.2.5Architecture et rôle du système embarqué dans
le projet
Dans notre projet de fin d’études, le concept de système embarqué est directement
mis en œuvre à travers une solution autonome intégrant à la fois le matériel et le logiciel
dans un même dispositif dédié à une tâche spécifique.
Le système embarqué se matérialise par une plateforme de traitement intégrée (telle
qu’un Raspberry Pi) qui exécute localement les algorithmes de vision par ordinateur, sans
dépendre en permanence d’un ordinateur externe.
Une caméra embarquée joue le rôle de capteur principal en acquérant en temps réel
les données visuelles de l’environnement.
Ces données sont ensuite traitées directement sur le système embarqué à l’aide d’un
modèle d’intelligence artificielle (YOLO), ce qui permet la détection et le comptage des
personnes.
Le résultat de ce traitement est utilisé pour estimer le taux d’occupation et générer
une décision locale, ce qui illustre le principe fondamental de l’embarqué : acquisition,
traitement et action dans un système autonome, temps réel et dédié à une application
précise.
9
0.3 Intelligence artificielle et vision par ordinateur
0.3.1 Introduction à intelligence artificielle
L’intelligence artificielle (IA) est un domaine de l’informatique qui consiste à développer
des systèmes capables de réaliser des tâches nécessitant normalement l’intelligence hu-
maine. Ces tâches peuvent inclure l’apprentissage, la reconnaissance d’objets, la prise de
décision ou encore l’analyse des données.
L’objectif principal de l’intelligence artificielle est d’automatiser certaines opérations
afin d’améliorer la rapidité, la précision et l’efficacité des systèmes intelligents. Grâce
à l’évolution des technologies informatiques, l’IA est aujourd’hui utilisée dans plusieurs
domaines tels que la médecine, la sécurité, les transports, l’industrie et les systèmes de
surveillance intelligents.
Dans notre projet, l’intelligence artificielle est utilisée pour permettre la détection et
le comptage automatique des personnes à partir d’un flux vidéo en temps réel.
0.3.2 Vision par ordinateur
La vision par ordinateur est une branche de l’intelligence artificielle qui permet à une
machine d’analyser et d’interpréter des images ou des vidéos de manière automatique. Son
objectif est de reproduire certaines capacités de la vision humaine à l’aide d’algorithmes
de traitement d’image.
Le traitement d’image consiste à acquérir, analyser et modifier les images numériques
afin d’extraire des informations utiles. Cette étape est essentielle dans les systèmes de
surveillance intelligents et les applications de détection.
La détection d’objets permet d’identifier la présence d’objets ou de personnes dans
une image et de localiser leur position.
0.3.3 Deep Learning et réseaux de neurones
Le Deep Learning, ou apprentissage profond, est une technique avancée de l’intelligence
artificielle basée sur les réseaux de neurones artificiels.
10
Les réseaux de neurones convolutifs (CNN) sont spécialement conçus pour le traite-
ment des images et permettent d’extraire automatiquement les caractéristiques impor-
tantes comme les formes et les contours.
Les modèles comme YOLO utilisent ces réseaux pour détecter les objets en temps réel
avec une grande précision.
11
0.4 Modèle YOLO : structure et fonctionnement
0.4.1 Introduction – Modèle YOLO
Dans les systèmes de vision par ordinateur, la détection d’objets joue un rôle essentiel,
notamment dans les applications en temps réel comme le comptage de personnes, la
surveillance ou les systèmes intelligents embarqués. Parmi les différents modèles existants,
YOLO (You Only Look Once) est l’un des plus utilisés grâce à sa rapidité et sa capacité
à effectuer la détection en une seule passe sur l’image.
Contrairement aux méthodes traditionnelles qui analysent l’image en plusieurs étapes,
YOLO traite l’image de manière globale, ce qui lui permet d’être à la fois rapide et
précis. Cette caractéristique le rend particulièrement adapté aux systèmes embarqués où
les ressources sont limitées et où le traitement en temps réel est indispensable.
Dans cette section, nous allons présenter l’architecture du modèle YOLO ainsi que son
principe de fonctionnement.
0.4.2 Architecture du modèle YOLO
Le modèle YOLO repose sur une architecture de réseau de neurones convolutifs (CNN)
qui permet de traiter une image en une seule passe afin de détecter les objets présents.
Cette architecture est généralement divisée en trois parties principales :
Backbone (Extraction des caractéristiques)
Le backbone est la première partie du réseau. Son rôle est d’extraire les caractéristiques
importantes de l’image telles que les formes, les contours et les textures. L’image d’entrée
est transformée en une représentation plus compacte appelée carte de caractéristiques.
Neck (Fusion des caractéristiques)
Le neck permet de combiner les caractéristiques provenant de différentes couches du
réseau. Cela améliore la détection des objets de différentes tailles, notamment les petits
objets difficiles à détecter.
Head (Prédiction)
La tête du modèle est responsable de la prédiction finale. Elle détermine :
— la classe de l’objet (personne, voiture, etc.)
— les coordonnées de la boı̂te englobante (bounding box)
— le score de confiance de la détection
12
0.4.3 Principe de fonctionnement de YOLO
YOLO divise l’image en une grille. Chaque cellule de la grille est responsable de
la détection des objets présents dans sa zone. Le modèle prédit directement toutes les
informations en une seule passe, ce qui le rend très rapide par rapport aux méthodes
traditionnelles.
Cette approche permet d’obtenir un système de détection en temps réel, adapté aux
applications embarquées comme le comptage de personnes ou la surveillance intelligente.
0.4.4 Application du modèle YOLO dans notre système
Dans notre projet de fin d’études, le modèle YOLO est utilisé pour la détection et
le comptage des personnes en temps réel. Grâce à sa rapidité et sa précision, il permet
d’identifier chaque personne présente dans une image ou un flux vidéo.
Le système reçoit en entrée les images captées par la caméra du système embarqué
(Raspberry Pi ou autre module de vision). YOLO analyse ensuite ces images afin de
détecter les personnes et de renvoyer leurs positions exactes sous forme de boı̂tes englo-
bantes (bounding boxes).
Ces informations sont ensuite utilisées pour effectuer le comptage automatique des
personnes entrant et sortant d’une zone définie.
13
CHAPITRE 2 :
développement du systéme
0.5 Introduction
Dans ce chapitre, nous allons présenter les différentes étapes de développement et
d’implémentation de notre système embarqué intelligent de surveillance et de gestion du
taux d’occupation des espaces.
Nous commencerons par présenter les composants matériels et logiciels utilisés dans
la réalisation du système. Ensuite, nous décrirons le fonctionnement général de chaque
composant ainsi que leur rôle dans le processus de détection et de comptage des personnes
en temps réel.
Enfin, nous présenterons l’intégration des différents éléments du système ainsi que les
principales étapes de mise en œuvre de la solution proposée.
0.6 Les différentes composantes utilisées pour l’implémentatio
du système
Dans cette partie, nous présenterons les principaux composants matériels utilisés dans
la réalisation de notre système embarqué intelligent. Ces composants permettent d’assurer
l’acquisition des données, le traitement des images ainsi que l’affichage des résultats.
Les composants utilisés sont les suivants :
— Carte Raspberry Pi 4 B
— Caméra officielle Raspberry Pi V2
— Câble caméra de 2 mètres
— Deux capteurs infrarouges KY-032
— Afficheur LCD
0.7 Fonctionnement de chaque composant
0.7.1 Carte Raspberry Pi 4 modèle B
Le Raspberry Pi 4 B est un ordinateur monocarte compact utilisé comme unité prin-
cipale de traitement dans notre système embarqué. Il permet l’exécution des algorithmes
de vision par ordinateur ainsi que le traitement des données en temps réel.
Cette carte dispose de plusieurs ports GPIO permettant la communication avec différents
composants électroniques comme les capteurs infrarouges et l’afficheur LCD. Grâce à ses
performances et à sa faible consommation énergétique, le Raspberry Pi 4 B représente
une solution adaptée aux systèmes intelligents embarqués.
Le Raspberry Pi assure le traitement local des images capturées par la caméra et
exécute le modèle YOLO afin de détecter et compter les personnes présentes dans l’espace
surveillé.
15
Figure 1 – Carte Raspberry Pi 4 B
Table 1 – Caractéristiques techniques du Raspberry Pi 4 B
Caractéristique Description
Processeur Quad-core Cortex-A72 1.5 GHz
Mémoire RAM 2 Go / 4 Go / 8 Go
Ports USB 2 USB 2.0 + 2 USB 3.0
Connectivité Wi-Fi / Bluetooth / Ethernet
GPIO 40 broches GPIO
Système d’exploitation Raspberry Pi OS
Alimentation 5V USB-C
0.7.2 Caméra officielle Raspberry Pi V2
La caméra officielle Raspberry Pi V2 est un module de capture d’image spécialement
conçu pour fonctionner avec les cartes Raspberry Pi. Elle permet l’acquisition d’images
et de vidéos en haute résolution pour les applications de vision par ordinateur et de
surveillance intelligente.
Dans notre projet, cette caméra est utilisée pour capturer le flux vidéo en temps réel
afin de permettre au modèle YOLO de détecter et compter les personnes présentes dans
l’espace surveillé.
Grâce à sa compatibilité avec le Raspberry Pi et à sa bonne qualité d’image, la caméra
Raspberry Pi V2 constitue une solution adaptée aux systèmes embarqués intelligents.
16
Table 2 – Caractéristiques techniques de la caméra Raspberry Pi V2
Caractéristique Description
Capteur Sony IMX219
Résolution 8 mégapixels
Vidéo Full HD 1080p
Connexion Port CSI du Raspberry Pi
Distance focale Fixe
Compatibilité Raspberry Pi 4 B
Longueur du câble 2 mètres
La caméra assure la capture continue des images qui seront analysées par le système de
vision par ordinateur afin d’effectuer la détection et le comptage automatique des
personnes.
0.7.3 Capteurs infrarouges KY-032
Les capteurs infrarouges KY-032 sont des modules électroniques utilisés pour la
détection d’obstacles et de mouvements à courte distance. Ils fonctionnent à l’aide d’un
émetteur et d’un récepteur infrarouge permettant de détecter la présence d’un objet ou
d’une personne.
Dans notre projet, deux capteurs KY-032 sont utilisés afin de détecter le sens du
mouvement des personnes entrant ou sortant de l’espace surveillé. Ces informations
permettent d’améliorer la précision du système de comptage automatique.
Grâce à leur rapidité de détection, leur faible consommation énergétique et leur
simplicité d’intégration avec le Raspberry Pi, les capteurs KY-032 représentent une
solution adaptée aux systèmes embarqués intelligents.
17
Table 3 – Caractéristiques techniques du capteur KY-032
Caractéristique Description
Type Capteur infrarouge
Tension d’alimentation 3.3V – 5V
Distance de détection 2 cm à 40 cm
Angle de détection 35°
Sortie Signal numérique
Compatibilité Raspberry Pi 4 B
Consommation Faible consommation énergétique
Les capteurs KY-032 jouent un rôle important dans le système en fournissant des
informations supplémentaires permettant de distinguer les entrées et les sorties des
personnes détectées par la caméra.
0.7.4 Afficheur LCD
L’afficheur LCD (Liquid Crystal Display) est un dispositif d’affichage électronique utilisé
pour présenter des informations sous forme de texte ou de chiffres. Il permet d’afficher
les résultats du système en temps réel de manière claire et lisible.
Dans notre projet, l’afficheur LCD est utilisé pour afficher le nombre de personnes
détectées dans l’espace surveillé ainsi que les informations liées au système de comptage
automatique.
Grâce à sa simplicité d’utilisation, sa faible consommation énergétique et sa
compatibilité avec le Raspberry Pi, l’afficheur LCD constitue une solution adaptée aux
systèmes embarqués intelligents.
18
Table 4 – Caractéristiques techniques de l’afficheur LCD
Caractéristique Description
Type LCD 16x2
Nombre de lignes 2 lignes
Nombre de colonnes 16 caractères
Tension d’alimentation 5V
Interface GPIO / I2C
Compatibilité Raspberry Pi 4 B
Consommation Faible consommation énergétique
L’afficheur LCD permet ainsi de visualiser en temps réel les données générées par le
système de détection et de comptage automatique des personnes.
0.7.5 Description logicielle
Le système développé repose sur un ensemble d’outils logiciels permettant d’assurer le
traitement des données, la détection des personnes et le fonctionnement en temps réel
sur la plateforme Raspberry Pi.
Dans cette section, nous présentons les principaux outils logiciels utilisés dans la
réalisation du système.
Système d’exploitation Raspberry Pi OS
Raspberry Pi OS est le système d’exploitation officiel utilisé sur la carte Raspberry Pi 4
B. Il permet la gestion des ressources matérielles et l’exécution des programmes
développés pour le système embarqué.
19
Langage de programmation Python
Python est le langage principal utilisé dans ce projet. Il est choisi grâce à sa simplicité,
sa richesse en bibliothèques et son utilisation fréquente dans les applications
d’intelligence artificielle et de vision par ordinateur.
Bibliothèque OpenCV
OpenCV est une bibliothèque spécialisée dans le traitement d’images et de vidéos. Elle
permet l’acquisition, la manipulation et l’analyse des flux vidéo capturés par la caméra.
Bibliothèques complémentaires
D’autres bibliothèques sont utilisées afin de garantir le bon fonctionnement du système,
notamment :
— NumPy pour les calculs numériques,
— [Link] pour la gestion des ports GPIO du Raspberry Pi,
— Ultralytics pour l’intégration du modèle YOLO.
Cette couche logicielle permet l’interaction entre les composants matériels et les
algorithmes de traitement, assurant ainsi le bon fonctionnement du système embarqué.
Logique de fonctionnement du système
Le système de comptage intelligent fonctionne selon une chaı̂ne de traitement bien
définie, allant de l’acquisition des données jusqu’au calcul du taux d’occupation en
temps réel.
1. Initialisation du système
Le système commence par l’initialisation des composants :
— La caméra Raspberry Pi V2 est activée pour la capture vidéo.
— Les capteurs infrarouges KY-032 sont configurés (entrée et sortie).
— Le modèle d’intelligence artificielle (YOLO) est chargé.
— Les variables de comptage sont initialisées à zéro.
2. Acquisition des données
Le système capture en continu :
— un flux vidéo provenant de la caméra,
— les états des capteurs infrarouges.
3. Détection des personnes (YOLO)
Le modèle YOLO analyse le flux vidéo afin de :
— détecter la présence de personnes,
— confirmer qu’un objet détecté correspond à une personne,
— améliorer la fiabilité du système de comptage.
4. Détermination du sens de passage
Le sens de passage est déterminé par l’ordre d’activation des deux capteurs
infrarouges :
— Si le capteur 1 est activé en premier suivi du capteur 2, il s’agit d’une entrée.
— Si le capteur 2 est activé en premier suivi du capteur 1, il s’agit d’une sortie.
5. Mise à jour du comptage
20
— YOLO confirme la présence d’une ou plusieurs personnes dans la zone.
— En cas d’entrée détectée, le nombre de personnes est incrémenté.
— En cas de sortie détectée, le nombre de personnes est décrémenté.
— Une vérification est effectuée afin d’éviter les valeurs négatives.
6. Calcul du taux d’occupation
Le système calcule en temps réel le taux d’occupation selon la formule :
— Taux d’occupation = (Nombre de personnes présentes / Capacité maximale)
× 100
7. Affichage des résultats
Les résultats sont affichés en temps réel :
— nombre de personnes présentes,
— nombre total d’entrées,
— nombre total de sorties,
— taux d’occupation.
8. Boucle de fonctionnement
Le système fonctionne en continu afin d’assurer un suivi en temps réel de
l’environnement surveillé.
21