Objectif de la th` ese

En raison de ses multiples applications potentielles [24], reconnaissance des visages (Face recognition - FR) a gagn´e beaucoup d’int´erˆet par des chercheurs

visages : affronter l’identification de visage et de la v´erification [52]. V´erification du visage est un syst`eme de validation qui accepte ou rejette une identit´e revendiqu´ee bas´ee sur une image de visage, alors qu’un syst`eme d’identification de visage permettra d’identifier un individu provenant d’images de visage d’entr´ee inconnu. Le travaux pr´esent´es dans cette th`ese sont limit´ee pour faire face `a d’identification uniquement .

1.2.1 Etapes dans un FR syst`^´ eme

Face detection _{Identity = Id} 1 101...110..001 1010...01 Preprocessing ^Feature extraction Dimension reduction ^{Classification} Id₁ Id_n ….. Distance₁=0.001 Distance_n=0.5 Gallery images Probe image

Aligned image ^Normalized _image

Figure 1.1 – General local feature-based FR framework

Comme processus de perception visuelle humaine, qui est un mod`ele multicouche, il y a plusieurs ´etapes principales dans un syst`eme FR (voir la Fig. 1.1) : d´etection de visage, visage pr´etraitement, extraction de ca-ract´eristiques, r´eduction de dimension et de classification et les r´esultats de chaque ´etape agissent comme entr´ees aux ´etapes suivantes.

Dans l’´etape de d´etection de visage, le syst`eme doit d´etecter s’il y a des visages humains dans l’image d’entr´ee. Si la r´eponse est oui, emplacement de l’image le visage doit ˆetre exactement situ´e. Alors que la r´egion d’image contenant le visage est recadr´ee et align´ee pour avoir l’image de bonne face frontale pour la prochaine ´etape. En raison du fait que nous travaillons sur les bases de donn´ees de visage publics accompagn´es de donn´ees d’annotation sur les coordonn´ees des yeux et puisque notre objectif n’est pas d´etection de visage, nous utilisons un algorithme simple de culture bas´ee sur les empla-cements des yeux de recadrer et d’aligner les images de visage. Apr`es cela, les images d´ecoup´ees visage sont trait´es par une technique de pr´e-traitement afin d’´eliminer l’effet des variations d’´eclairement. Proc´ed´e d’extraction de caract´eristique est appliqu´ee sur les images pr´etrait´ees pour capturer les

ract´eristiques les plus distinctives des images pour classer les donn´ees. Parmi toutes les m´ethodes actuelles, ondelettes de Gabor [11] et de motifs binaires locaux (Local Binary Patterns-LBP) [1] sont le plus largement utilis´e pour l’extraction de traits du visage en raison de leur efficacit´e. Afin de faire des vecteurs de caract´eristiques obtenus plus discriminante et compact, une tech-nique d’apprentissage de domaine de l’apprentissage de la machine est utilis´ee pour tˆache de r´eduction des dimensions en projetant ces vecteurs dans un sous-espace form´e construit `a partir des images dites de formation. Analyse en Composantes Principales (ACP, Principal Component Analysis-PCA) [43] et discriminante lin´eaire de Fisher (FLD, Fisher’s Linear Discriminant-FLD) [6] sont les m´ethodes les plus connues pour but de r´eduction de la dimension.

L’identit´e (´etiquette) de l’image de la face d’entr´ee est identifi´e dans l’´etape de classification en fonction des vecteurs projet´es r´esulte de l’´etape pr´ec´edente. Pour faire le classement, SVM [10] et k-plus proche voisin (k-NN) sont les deux choix les plus populaires. Depuis l’´etape de classification de FR est un probl`eme multi-´etiquette, SVM a fait de trouver plusieurs hyper-plans optimaux (ce qui est une op´eration coˆuteuse), chacun pour l’un de ses solutions natives de classification binaire pour classer une image de test. Dans l’intervalle, k-NN attribue simplement chaque image de test `a l’´etiquette de l’image de la galerie qui a au moins k

2 + 1 les plus proches distances, qui sont calcul´ees en utilisant une mesure de distance, `a elle. Dans cette th`ese, nous utilisons k-NN (k = 1, comme la galerie ensemble a une image pour une personne) en raison de sa simplicit´e, la mise en œuvre rapide et de bons r´esultats.

Parmi toutes ces ´etapes, l’extraction de caract´eristiques est l’´etape primor-diale pour la construction de syst`emes de reconnaissance de visage robustes, fiables et viables [52, 37] parce que c’est le seul moyen pour extraire les caract´eristiques les plus distinctives de images de visage pour former des vec-teurs de caract´eristiques, qui sont ensuite compar´ees avec l’autre de proc´eder `a la classification. Cela se refl`ete dans l’histoire de l’´etude FR lorsque le d´eveloppement de syst`emes FR peut ˆetre consid´er´ee comme le d´eveloppement de m´ethodes d’extraction de caract´eristiques faciales.

1.2.2 Pourquoi extraction de caract´eristiques ?

La performance d’un syst`eme de FR, concernant `a la fois la pr´ecision et la vitesse de calcul, ne repose pas uniquement sur des algorithmes d’extraction de caract´eristiques, mais comme pr´ec´edemment soulign´e, l’´etape la plus importante est l’extraction de caract´eristiques. Plus important encore, comme l’a v´erifi´e dans [16], certaines fonctions locales ne varient pas avec la pose, les variations d’expression du visage et la direction de l’´eclairage. En outre,

ceux holistiques. En outre, des ´etudes pionni`eres dans la perception du visage [51, 14, 36] compris que mˆeme avec une caract´eristique du visage local, comme les yeux ou les sourcils, visages c´el`ebres peut ˆetre reconnu correctement. Par cons´equent, les travaux de cette th`ese sont limit´es `a extraction de

caract´eristiques locales m´ethodes.

Notre objectif dans cette th`ese est de d´evelopper des m´ethodes d’extraction de caract´eristiques unifi´ees qui sont robuste dans le traitement de la plupart, sinon la totalit´e, des d´efis mentionn´es ci-dessus (comme ils viennent en ba-taillons) et rapide assez pour ˆetre appliqu´e dans les applications du monde r´eel. `A cette fin, nous essayons de mettre au point de nouveaux proc´ed´es bas´es sur l’analyse des avantages et des inconv´enients des approches contem-poraines ainsi que tirer parti des r´esultats obtenus au cours des ann´ees de recherches de la perception visuelle et des algorithmes de traitement d’image, qui sont applicables pour l’am´elioration du visage efficacit´e d’extraction de caract´eristiques.