Approches locales

On les appelle aussi les méthodes géométriques ou analytiques. Ce type consiste à appliquer des transformations en des endroits spécifiques de l’image. Ils peuvent être classées en deux catégories, les méthodes basées sur les points d’intérêt et celles basées sur l'apparence du visage. Dans le premier cas, on détecte tout d'abord les points d'intérêt comme les yeux, le nez et la bouche et ensuite on extrait des caractéristiques localisées sur ces points d'intérêt. Dans le second cas, on divise le visage en petites régions (ou patchs) sur lesquelles les caractéristiques locales sont directement extraites à partir des régions entières, elle est souvent implémentée avec une approche globale de reconnaissance de visage. Après le choix des régions locales, il est important d’utiliser la meilleure manière de représenter les informations de chaque région. Cette étape est critique influe sur la robustesse du système de reconnaissance facial. Les techniques couramment utilisées pour l’extraction de caractéristiques sont : les coefficients de

20

Gabor [24,25], les ondelettes de Harr [26], SIFT (Transformation de caractéristique invariante à l'échelle) [27], LBP (Modèle binaire local) et ces variantes [28], LPQ (Quantification de phase locale) [29], Caractéristiques des images statistiques binarisées (BSIF) [30], les moments de zernike [31] etc.

 Modèle binaire local LBP

Parmi les approches locales les plus populaires proposées l’opérateur LBP, qui est proposé par Ojala [32] et a été développée récemment avec un grand nombre de variations pour l'amélioration des performances dans différentes applications. Jin et al. [33] ont proposé un LBP amélioré (Improved LBP, ILBP), pour permettre à l'opérateur de LBP à décrire plus d'informations de structure locale dans certaines circonstances. Il compare tous les pixels avec l'intensité moyenne de tous les pixels (y compris le pixel central) du bloc. ELBP [34] est une autre variante pour améliorer LBP proposé par Huang et al. L'opérateur ELBP effectue non seulement la comparaison binaire entre le pixel central et ses voisins, mais encode aussi leurs différences de valeurs de gris (Gray-value Differences, GDs) en utilisant des unités binaires. Guo et al. [35] ont proposé récemment CLBP (Complete LBP), CLBP compare la valeur absolue de GD avec le pixel central donné pour ajouter un nouveau code de LBP, et afin d'améliorer le pouvoir discriminant de l'opérateur LBP original. Zhang et al. [36] ont proposé Séquence d'histogramme de modèle binaire de Gabor local (Local Gabor Binary Pattern Histogram Sequence, LGBPHS) pour la reconnaissance de visage. Cette méthode divisait l'image en régions locales puis calculait les histogrammes du modèle binaire d'amplitude locale de Gabor de chaque région. Ahonen et al. [37] ont proposé une méthode de reconnaissance faciale basée sur des histogrammes de LBP, dans laquelle les caractéristiques obtenus en divisant l'image en sous-région et en calculant leurs histogrammes de LBP. Ye et al. [38] ont proposé une méthode nommée modèle binaire local à histogramme doux adaptatif (adaptive soft histogram local binary pattern, ASLBP) pour la reconnaissance faciale. Elle est une extension du modèle binaire local à l'histogramme doux (soft histogram local binary pattern, SLBP) qui est différent du modèle binaire local (LBP) et de ses variantes. L’ASLBP est basé sur l'apprentissage adaptatif de la marge douce des limites de décision, dont le but est d'améliorer la précision de la reconnaissance.

 Ondelettes de Gabor

Depuis son apparition en 2000, les ondelettes de Gabor n’a cessé d’être utilisé et adapté à diverses applications. On le trouve utilisé pour la localisation des parties discriminants de visage, le suivi du visage dans une séquence vidéo, l’estimation de pose, l’alignement d’images de visage et la reconnaissance de visages.

21

Dans [39], les auteurs présentent une nouvelle approche de la reconnaissance faciale utilisant les ondelettes de Gabor. La représentation d'image de Gabor simule la fonction du système visuel humain. Un système de reconnaissance facial a été proposé dans [40], ils ont utilisé une version simplifiée des ondelettes de Gabor (SGW) et un algorithme efficace pour extraire les caractéristiques basées sur une image intégrale. SGW est généré en quantifiant les ondelettes de Gabor dans un certain nombre de niveaux. Les résultats expérimentaux montrent que l'utilisation de SGW peut atteindre un niveau de performance similaire à celui des ondelettes de Gabor, tandis que le temps d'exécution des fonctions SGW est au plus 4,3 fois plus rapide que celui des ondelettes de Gabor. Dans [41], ils ont présenté un nouvel algorithme de reconnaissance de visage basé sur la fusion des coefficients d'ondelettes de Gabor. Ils ont pris d'abord les coefficients de la transformée en ondelettes de Gabor dérivant à partir des images de visage comme vecteurs propres. Et puis, ils ont obtenu les nouveaux vecteurs propres en fusionnant les coefficients de Gabor. Ensuite, en fonction de la fonction de similarité, ils ont reconnu des images de visage sous différentes collections d'apprentissage.

 Moments de Zernike

En plus de méthodes d’extraction de caractéristiques locales telles que Gabor et LBP, qui ont suscité un grand intérêt en raison de leur capacité à gérer les difficultés de reconnaissance du visage, les moments de Zernike sont aussi utilisés. Ces moments ont été introduits par F. Zernike [42], dans le domaine du traitement de l’information, ils ont été utilisés pour leur propriété d’orthogonalité qui permet la génération de descripteurs non redondants et leurs propriétés d’invariance en translation, en échelle et en rotation. Ils ont utilisé les moments de Zernike dans beaucoup de travaux de traitement d’images et du signal, notamment la reconnaissance d’images de personnes [43]. Nor’aini et al. dans [44] ont présenté un système de reconnaissance de visage humain utilisant un moment invariant orthogonal, à savoir les moments de Zernike (ZM) comme extracteur de caractéristiques et un simple classifieur qui est le plus proche voisin. Dans [45] ils ont présenté l 'analyse des méthodes d’extraction de caractéristiques basées sur deux moments, les moments de Zernike (ZM) et les moments complexes de Zernike (CZM) dans la reconnaissance des images. Ils ont employé les coefficients de magnitude et de phase des ZM et en l’appelant CZM. Les résultats expérimentaux permettent de conclure que la performance des CZM est meilleure que celle des ZM pour la reconnaissance faciale. Sariyanidi et al. dans [46] ont été proposé les moments de Zernike local (LZM) comme descripteurs de forme pour la reconnaissance de visage. Ils ont modifié les moments globaux de Zernike pour obtenir une représentation locale en calculant les