Étude des paramètres de scan d’une image

Dans cette dernière partie, l’impact des paramètres de scan d’une image, à savoir le facteur d’échellef e et le déplacement entre deux fenêtres successives Δp, sont évalués. Pour l’étude

des deux paramètres, l’ensemble de test A de la base CMU-MIT est utilisé. Le facteur d’échelle

Pour étudier l’influence du facteur d’échelle, Δp est fixé à 1 et les valeurs suivantes pour

figure 3.19(a). La valeurf e = 1, 25 obtient les moins bonnes performances. Les autres valeurs

def e présentent des performances similaires.

Le déplacement entre deux fenêtres successives

Dans le cas du déplacement entre deux fenêtres successives, f e est fixé à 1, 1 et Δp varie

parmi les valeurs suivantes : 1, 1,5, 2, 2,5 et 3. La figure 3.19(b) présente les courbes FROC pour les différentes valeurs de Δ_p. Pour Δ_p ≥ 2, 5, les résultats se dégradent. Les meilleures performances sont obtenues pour Δ_p = 1, 5. Enfin, la valeur Δp = 2 présente des résultats

proches de Δp = 1 tout en offrant un gain sur le temps d’exécution.

0 20 40 60 80 100 120 140 160 180 200 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

nombre de faux positifs

taux de vrais positifs

Influence du facteur d echelle

fe=1.1Δ_p=1 fe=1.15Δ_p=1 fe=1.2Δ p=1 fe=1.25Δ p=1 fe=1.3Δ_p=1 (a) 0 20 40 60 80 100 120 140 160 180 200 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

nombre de faux positifs

taux de vrais positifs

Influence du deplacement entre deux fenetres

fe=1.1Δ_p=1 fe=1.1Δ_p=1.5 fe=1.1Δ p=2 fe=1.1Δ p=2.5 fe=1.1Δ_p=3 (b)

FIGURE 3.19 – Influence des paramètres du scan d’une image. (a) - différentes valeurs pourf e

sont testées et Δ_p = 1 (b) - différentes valeurs pour Δ_p sont testées etf e = 1, 1

3.5

Bilan

L’utilisation des matrices de covariance a été choisie pour leurs performances supérieures aux ondelettes de Haar. Les différentes séries d’expérimentations ont montré que les matrices de covariance présentent une bonne robustesse vis à vis des rotations dans le plan, des images peu contrastées, du flou et du bruit. Par contre, la taille des visages à détecter est à prendre en compte car des tailles importantes seront plus difficiles à détecter. Enfin, les rotations hors du plan et les occultations dégradent fortement les performances du détecteur.

Classification avec données manquantes

4.1

Motivation

Une des problématiques de cette thèse concerne l’adaptation de détecteurs de visages de face à des conditions d’utilisation non couvertes par l’apprentissage initial. Ces conditions d’utilisa- tion non couvertes peuvent être listées en trois catégories :

1. détection de visages de face avec rotation dans le plan (voir figure 4.1(a)) ; 2. détection de visages avec rotation hors du plan (voir figure 4.1(b)) ;

3. détection de visages de face partiellement occultés (voir figure 4.1(c)).

Les applications envisagées concernent les deux derniers points : la détection de visages avec rotation hors du plan et la détection de visages occultés. Dans la suite, le terme« visage tourné» est utilisé pour faire référence à un visage avec une rotation hors du plan. Dans chaque cas, l’objectif est de modifier un détecteur de visage de face existant sans faire d’apprentissage supplémentaire. Les solutions proposées pour chaque cas sont les suivantes :

détection de visages tournés : un visage tourné n’est, en général, pas détecté par un détecteur de visage de face du fait de la modification de la pose du visage et donc de son appa- rence (voir figure 4.2(c)). Pour prendre en compte la modification de la pose, un modèle géométrique 3D est utilisé pour ajuster la position des sous-fenêtres associées à chaque classifieur faible. Comme on peut le voir sur la figure 4.2(d), la modification de la position

(a) (b) (c)

FIGURE 4.1 – Conditions mettant en défaut un détecteur de visages de face : (a) Plusieurs

visages présentant diverses rotations dans le plan, (b) Visage avec une rotation hors du plan, (c) Visage occulté par une écharpe

des sous-fenêtres peut entraîner la disparition de certaines sous-fenêtres et les classifieurs faibles associés deviennent donc indisponibles ;

détection de visages de face occultés : ces visages ne sont, en général, pas détectés car cer- taines sous-fenêtres sont occultées et celles-ci seront classées en non-visage (voir figure 4.2(b)). La solution envisagée ici consiste à utiliser uniquement les sous-fenêtres non oc- cultées lors de la classification. Les sous-fenêtres occultées ne sont plus utilisées et les classifieurs faibles associés sont considérés comme indisponibles.

(a) (b) (c) (d)

FIGURE 4.2 – Problèmes et solutions pour adapter un détecteur de visages de face. En (a), un exemple de classifieurs faibles appris. Chacun est en charge de classer une sous-fenêtre. En (b), le visage est occulté par une casquette et les sous-fenêtres deh1 eth3, en rouge, risquent

d’être classées comme non-visage. La solution retenue consiste à utiliser uniquement h2 qui

n’est pas occulté. En (c), le visage est tourné de 45◦ et toutes les sous-fenêtres risquent d’être classées comme non-visage. La solution envisagée s’appuie sur un ajustement des positions des sous-fenêtres (voir figure (d)). Notez que la modification des positions des sous-fenêtres peut entraîner la disparition de certaines sous-fenêtres comme celle deh3

Ces deux solutions sont détaillées au chapitre suivant. Dans les deux cas, les solutions envi- sagées reposent sur une cascade où seul un sous-ensemble des classifieurs faibles est utilisé. En effet, pour chaque niveau, seuls les classifieurs faibles disponibles sont utilisés. Chaque cascade modifiée représente donc une cascade avec classifieurs faibles manquants car on supprime les classifieurs faibles indisponibles de la cascade initiale (celle du détecteur de visage de face).