Quantifier les mesures de distanciation sociale

Saviez-vous qu’il est possible d’affirmer que le confinement que nous vivons actuellement a permis de diviser par 10, au moins, le nombre d’interactions « à risque » dans l’espace public? Et ce, en prenant seulement 6 photos grand angle par heure.

Les mesures de distanciation sociale sont l’affaire de chacun. Et il est important pour tous de se convaincre que les règles sont respectées par l’ensemble de la population, de manière objective, afin qu’un sentiment d’injustice ne vienne pas se rajouter à la difficulté de l’isolement.

Les communes et métropoles ont pour mission de veiller au respect de ces mesures. Elles le font parfois par le biais d’initiatives locales (limitation du jogging à Pariscouvre-feu et drones à Nice, …) dont le bien fondé peut être questionné, souvent par manque de données chiffrées permettant de justifier leur nécessité et de quantifier leurs effets.

Dans un billet précédent je montrais comment un outil initialement conçu pour la captation de time-lapse pouvait être utilisé afin de fournir des données précieuses sur la compréhension d’un espace public sur le long terme. L’impact du confinement était clairement quantifiable au niveau de la fréquentation de la zone observée. Je vais ici aller plus loin dans l’exposé en vous montrant que le même ensemble de données permet d’extraire l’évolution des interactions sociales ces dernières semaines.

Le respect de la vie privée et la restriction des libertés individuelles sont deux sujets auxquels nous sommes sensibles. Des solutions telles que les systèmes de caméra de surveillance ou le suivi des téléphones sont souvent perçues comme trop invasives car permettant de remonter à l’individu. A l’échelle d’une commune, ou d’une collectivité, il ne nous sert pas à grand chose de savoir si Pierre s’est tenu trop près de Paul pendant 15 minutes. En revanche, il est très intéressant de savoir que la nouvelle mesure visant à encourager les citoyens à se tenir à distance a permis de réduire de 50% le nombre d’interactions à risque sur la semaine.

Pour commencer, en complément du billet précédent, voici l’évolution relative de la fréquentation d’un carrefour représentatif d’une grande métropole française autour des annonces des 12 et 17 mars 2020 :

Détection piétons une semaine avant confinement

Détection piétons premièere semaine du confinement

On voit sur ces graphiques que la fréquentation de cette zone par les piétons a drastiquement diminué après que les mesures de confinement ont été prises. La fréquentation a été divisée par 4 et ces chiffres sont stables au cours du temps. On observe aussi que la différence semaine/week-end s’estompe depuis la semaine 12.

La fréquentation est une mesure macro mais qui n’est pas assez précise dans le contexte actuel : la population observée a certes réduit mais on ne sait rien de sa répartition spatiale. En l’absence d’autres informations, on peut seulement faire l’hypothèse que le comportement individuel n’a pas changé et qu’on a donc réduit les interactions sociales à risque de 75%.

Avec un peu de géométrie dans l’espace et quelques hypothèses sur l’installation de la caméra, il est possible de modéliser un plan 3D dans l’image et ainsi de localiser les personnes détectées.

Plan 3D localisation des piétons

Ceci permet de faire une cartographie au sol de l’emplacement des piétons mais aussi, et surtout, de calculer une distance métrique entre eux:

Là encore l’évolution avant/après confinement est très parlante.

Animation de la détection de piétons avant et après le confinement
Mais ce qui va surtout intéresser les pouvoirs publics c’est l’évolution du nombre de cas de personnes qui se trouvent à moins de 1m d’une autre.

Dans le graphique ci-dessous, on voit le nombre de ces interactions en période normale (comportement moyen sur les 11 premières semaines de 2020), en bleu, et les mêmes données pour la semaine dernière (S15), en rouge.

Comparaison de la distance entre les personnes avant et après le confinement

On constate qu’il y a moins de 10% du nombre d’interactions à risque comparé à une semaine ordinaire. Soit un facteur de réduction de risque supérieur à 10!

Conclusions

Il est intéressant de voir qu’avec seulement 6 photos par heure, pour lesquelles il est impossible d’identifier ou suivre les individus, on dégage très facilement des tendances et des mesures objectives.

Je suis persuadé que ces mesures peuvent avoir un très fort intérêt pour les pouvoirs publics :

  • Quantification de l’impact de mesures prises localement, pour un éventuel déploiement plus large.
  • Granularité arbitraire des mesures. Ici nous étions à un niveau horaire, mais rien n’empêche une granularité moins fine (demi-journée).
  • Communication publique pour une meilleure acceptation des mesures prises.

Il nous est aussi permis d’être optimistes et fiers de voir que le confinement et la distance entre les personnes sont plutôt bien respectés. Gardez en tête que la propagation d’un tel virus est exponentielle, et qu’en réduisant d’un facteur 10 le nombre d’interactions au sein d’une population dans l’espace publique (le fameux R0!), nous contribuons à désengorger nos services de santé.

Adrien Fontvielle –  R&D leader – Camera systems and image processing at Enlaps
Comment savoir si les gens respectent les mesures de distanciation sociale dans votre ville tout en respectant leur vie privée? Est-il vraiment nécessaire déployer des drones ou d’interdire le jogging? Mesurez précisément l’impact des décisions publiques sans pistage individuel.

Leave a Reply