RECHERCHE PAR INDEXATION D''IMAGES PAR LE CONTENU

(1)

R RééppuubblliiqquueeAAllggéérriieennnneeDDéémmooccrraattiiqquuee eett PPooppuullaaiirree M Miinniissttèèrree ddee ll''EEnnsseeiiggnneemmeenntt SSuuppéérriieeuurr eett ddee llaa RReecchheerrcchhee SScciieennttiiffiiqquuee U UnniivveerrssiittééBBaattnnaa22––BBaattnnaa F Faaccuullttéé ddeess MMaatthhéémmaattiiqquueess eett dd''IInnffoorrmmaattiiqquuee D Dééppaarrtteemmeenntt dd’’IInnffoorrmmaattiiqqueue

T

H

E

S

E

P

r

é

s

e

n

t

é

e

p

a

r

:

M

Mm

me

e.

.

Le

L

eï

ïl

la

a

B

OU

O

U

SS

S

SA

A

AD

A

D

E Enn vvuueeddeell''oobbtteennttiioonn dduu ddiippllôômmeeddee

D

o

c

t

o

r

a

t

e

n

S

c

i

e

n

c

e

s

S Sppéécciiaalliittéé:: IInnffoorrmmaattiiqquuee

T

H

E

M

E

:

R

E

C

H

E

R

C

H

E

P

A

R

I

N

D

E

X

A

T

I

O

N

D

'

I

M

A

G

E

S

P

A

R

L

E

C

O

N

T

E

N

U

Soutenue le: 29/06/2017 Devant le jury composé de :

P Prrééssiiddeenntt Azeddine Bilami PPrrooff..,, UUnniivveerrssiittééddeeBBaattnnaa22 R Raappppoorrtteeuurr _M_Mo_oh_ha_am_me_ed_d_B_Be_en_nm_mo_oh_ha_am_mm_me_ed_d _P_P_r_r_o_o_f_f_._._,_, _U_U_n_n_i_i_v_v_e_e_r_r_s_s_i_i_t_t_é_é_d_d_e_e_C_C_o_o_n_n_s_s_t_t_a_a_n_n_t_t_i_i_n_n_e_e₂₂ C Coo--rraappppoorrtteeuurr Rédha Benzid PPrrooff..,, UUnniivveerrssiittééddeeBBaattnnaa22 E Exxaammiinnaatteeuurrss _{Samir Zidat} DDrr..,, UUnniivveerrssiittééddeeBBaattnnaa22 Salim Chikhi

Med Chaouki Babahnini

P Prrooff..,, P Prrooff..,, U UnniivveerrssiittééddeeCCoonnssttaannttiinnee22 U UnniivveerrssiittééddeeBBiisskkrraa

(2)

--ii-

-R

Re

e

m

e

rc

r

ci

ie

em

m

e

nt

n

ts

s

T

o

u

s

m

e

s

r

e

m

e

r

c

i

e

m

e

n

t

s

’

a

d

r

e

s

e

n

t

o

u

s

d

’

a

b

o

r

d

à

t

o

u

t

p

u

i

s

a

n

t

A

L

A

H

,

d

’

a

v

o

i

r

g

u

i

d

é

m

e

s

p

a

s

v

e

r

s

l

e

c

h

e

m

i

n

d

u

s

a

v

o

i

r

.

J

e

t

i

e

n

s

à

r

e

m

e

r

c

i

e

r

M

o

n

s

i

e

u

r

M

.

B

e

n

m

o

h

a

m

e

d

,

P

r

o

f

e

s

e

u

r

à

l

’

u

n

i

v

e

r

s

i

t

é

d

e

C

o

n

s

t

a

n

t

i

n

e

2

2 ,

,

e

t

M

o

n

s

i

e

u

r

R

.

B

e

n

z

i

d

,

P

r

o

f

e

s

e

u

r

à

l

'

u

n

i

v

e

r

s

i

t

é

d

e

B

a

t

n

a

2

2 p

p

o

u

r

a

v

o

i

r

a

c

e

p

t

é

d

e

d

i

r

i

g

e

r

e

t

d

'

e

n

c

a

d

r

e

r

c

e

t

e

t

h

è

s

e

t

a

u

s

i

p

o

u

r

l

e

u

r

d

i

s

p

o

n

i

b

i

l

i

t

é

p

e

r

m

a

n

e

n

t

e

t

l

e

u

r

s

p

r

é

c

i

e

u

x

c

o

n

s

e

i

l

s

q

u

i

m

'

o

n

t

p

e

r

m

i

s

d

'

a

b

o

u

t

i

r

d

a

n

s

c

e

t

r

a

v

a

i

l

.

J

e

t

i

e

n

s

à

r

e

m

e

r

c

i

e

r

é

g

a

l

e

m

e

n

t

M

o

n

s

i

e

u

r

A

.

B

i

l

a

m

i

,

P

r

o

f

e

s

e

u

r

à

l

’

u

n

i

v

e

r

s

i

t

é

d

e

B

a

t

n

a

2

2 p

p

o

u

r

l

'

h

o

n

e

u

r

q

u

'

i

l

m

'

a

f

a

i

t

e

n

a

c

e

p

t

a

n

t

l

a

p

r

é

s

i

d

e

n

c

e

d

u

j

u

r

y

d

e

m

a

s

o

u

t

e

n

a

n

c

e

.

J

e

r

e

m

e

r

c

i

e

v

i

v

e

m

e

n

t

M

o

n

s

i

e

u

r

S

.

Z

i

d

a

t

,

M

a

î

t

r

e

d

e

c

o

n

f

é

r

e

n

c

e

à

l

’

u

n

i

v

e

r

s

i

t

é

d

e

B

a

t

n

a

2

2 ,

,

M

o

n

s

i

e

u

r

S

.

C

h

i

k

h

i

,

P

r

o

f

e

s

e

u

r

à

l

’

u

n

i

v

e

r

s

i

t

é

d

e

C

o

n

s

t

a

n

t

i

n

e

2

2 ,

,

e

t

M

o

n

s

i

e

u

r

M

.

C

.

B

a

b

a

h

n

i

n

i

,

p

r

o

f

e

s

e

u

r

à

l

'

u

n

i

v

e

r

s

i

t

é

d

e

B

i

s

k

r

a

,

p

o

u

r

a

v

o

i

r

a

c

e

p

t

é

l

a

l

o

u

r

d

e

c

h

a

r

g

e

d

'

é

v

a

l

u

e

r

c

e

t

e

t

h

è

s

e

t

d

'

e

n

ê

t

r

e

x

a

m

i

n

a

t

e

u

r

s

.

J

e

t

i

e

n

s

a

u

s

i

à

r

e

m

e

r

c

i

e

r

m

o

n

é

p

o

u

x

M

o

h

a

m

e

d

p

o

u

r

s

a

p

a

t

i

e

n

c

e

,

s

o

n

s

o

u

t

i

e

n

m

o

r

a

l

t

r

è

s

p

r

é

c

i

e

u

x

e

t

i

n

e

s

t

i

m

a

b

l

e

q

u

i

,

à

a

u

c

u

n

m

o

m

e

n

t

n

'

a

c

e

s

e

r

d

e

m

'

e

n

c

o

u

r

a

g

e

r

p

o

u

r

l

'

a

c

h

è

v

e

m

e

n

t

d

e

m

a

t

h

è

s

e

.

E

n

f

i

n

,

q

u

e

t

o

u

t

e

s

l

e

s

p

e

r

s

o

n

e

s

q

u

i

o

n

t

p

a

r

t

i

c

i

p

é

d

e

p

r

é

s

o

u

d

e

l

o

i

n

à

l

a

r

é

a

l

i

s

a

t

i

o

n

d

e

c

e

t

r

a

v

a

i

l

t

r

o

u

v

e

n

t

i

c

i

l

’

e

x

p

r

e

s

i

o

n

d

e

m

e

s

i

n

c

è

r

e

s

r

e

m

e

r

c

i

e

m

e

n

t

s

(3)

- iiii- -C Ceetttteetthhèèsseess''iinnttéérreesssseeààll''iinnddeexxaattiioonneettllaarreecchheerrcchheedd''iimmaaggeessffiixxeessppaarrlleeccoonntteennuu,,ooùù l leess iimmaaggeess ssoonntt ddééccrriitteess aauu nniivveeaauu vviissuueell qquuii ppeeuutt êêttrree ttrrèèss ggéénnéérraall tteell llee ccaass ddee llaa r reecchheerrcchhee dd''iimmaaggeess ssuurr llee WWeebb,, oouu ssppéécciiffiiqquuee àà uunn ddoommaaiinnee ppaarrttiiccuulliieerr tteell qquuee l l''iiddeennttiiffiiccaattiioonn bbiioommééttrriiqquuee ddeess iinnddiivviidduuss ppaarr lleeuurrss eemmpprreeiinntteess ddiiggiittaalleess,, ppaallmmaaiirreess oouu l laarreeccoonnnnaaiissssaanncceeffaacciiaallee.. L L''oobbjjeeccttiiff pprriinncciippaall ddee ccee ttrraavvaaiill aa ééttéé ddee ddéévveellooppppeerr uunnee tteecchhnniiqquuee ddee ddeessccrriippttiioonn d d''iimmaaggeess ffiixxeess,, qquuii eessttddeessttiinnééeeppaarrttiiccuulliièèrreemmeennttààêêttrreeuuttiilliissééee ppoouurr llaa rreeccoonnnnaaiissssaannccee f faacciiaallee àà ttrraavveerrss llaa pprrooggrreessssiioonn dd''ââggee.. LLaa tteecchhnniiqquuee ccoommbbiinnee ttrrooiiss oouuttiillss ppooppuullaaiirreess u uttiilliissééss ddaannss llee ddoommaaiinnee ddee llaa rreeccoonnnnaaiissssaannccee ddee ffoorrmmee qquuii ssoonntt lleess mmooddèèlleess aaccttiiffss d d''aappppaarreennccee ((MMAAAA)),, llaa ttrraannssffoorrmmééee eenn ccoossiinnuuss ddiissccrrèèttee ((TTCCDD)),, eett ll''aannaallyyssee d diissccrriimmiinnaanntteennoonnlliinnééaaiirree.. PPoouurraatttteeiinnddrreecceebbuutt,,dd''aabboorrdd,,uunneerreepprréésseennttaattiioonnddeell''iimmaaggee b baassééee ssuurr lleess MMAAAA eesstt ggéénnéérrééee,, eennssuuiittee,, uunnee TTCCDD eesstt eeffffeeccttuuééee ppoouurr eexxttrraaiirree llee d deessccrriipptteeuurrqquuiieessttrreepprréésseennttééppaarruunnvveecctteeuurrddaannssuunneessppaacceeddeeggrraannddeeddiimmeennssiioonn,,eennffiinn,, u unnee aannaallyyssee ddiissccrriimmiinnaannttee nnoonn lliinnééaaiirree eesstt eeffffeeccttuuééee ppoouurr rréédduuiirree llaa ddiimmeennssiioonn eett llaa c cllaassssiiffiiccaattiioonn eesstt ffaaiittee eenn uuttiilliissaanntt llaa mméétthhooddee ddeess kk pplluuss pprroocchheess vvooiissiinnss bbaassééee ssuurr llaa d diissttaanncceeeeuucclliiddiieennnnee.. P Poouurrtteesstteerrll''eeffffiiccaacciittéédduuddeessccrriipptteeuurrpprrooppoosséé,,uunneeééttuuddeeeexxppéérriimmeennttaalleeaaééttéérrééaalliissééeeeenn u uttiilliissaannttllaabbaasseeddeeddoonnnnééeessFFGG--NNEETT,,eetteennssuuiivvaannttlleepprroottooccoollee((LLeeaavvee--oonnee--ppeerrssoonn--oouutt)) q quuii ssoonntt uuttiilliissééss ddaannss llaammaajjoorriittéé ddeess ééttuuddeess rreellaattiivveess àà ll''ââggee.. LL''ééttuuddee aa ccoonncceerrnnéé,, àà llaa f fooiiss,,ll''eeffffeettddeellaaccrrooiissssaannccee eettdduu vviieeiilllliisssseemmeenntt dduu vviissaaggeeaaiinnssiiqquueellaaddiifffféérreennccee dd''ââggee e ennttrree ll''iimmaaggee rreeqquuêêttee eett cceellllee ddee rrééfféérreennccee ssuurr lleess ppeerrffoorrmmaanncceess ddee llaa tteecchhnniiqquuee p prrooppoossééee.. L Leess rrééssuullttaattss ffoouurrnniiss ppaarr cceettttee ééttuuddee eennccoouurraaggeenntt ll''uuttiilliissaattiioonn ddee cceettttee ccoommbbiinnaaiissoonn c coommmmeeddeessccrriipptteeuurrppoouurrll''iiddeennttiiffiiccaattiioonneettllaavvéérriiffiiccaattiioonnffaacciiaalleeààttrraavveerrssllaapprrooggrreessssiioonn d d''ââggee,,ssuurrttoouuttppoouurrlleessiinnddiivviidduussqquuiissoonnttââggééssddeepplluussddee4400aannsseettlloorrssqquueellaaddiifffféérreennccee d d''ââggeeeessttiinnfféérriieeuurreeoouuééggaalleeààvviinnggttaannss..

M

o

t

s

c

l

é

s

R Reecchheerrcchheedd''iimmaaggeessppaarrlleeccoonntteennuu,,RReeccoonnnnaaiissssaanncceeffaacciiaallee,,IInnvvaarriiaanncceeààllaapprrooggrreessssiioonn d d''ââggee,, ccrrooiissssaannccee ffaacciiaallee,,vviieeiilllliisssseemmeenntt ffaacciiaallee,, mmooddèèlleess aaccttiiffss dd''aappppaarreennccee,,AAnnaallyyssee d diissccrriimmiinnaanntteennoonnlliinnééaaiirree,,ttrraannssffoorrmmééeeeennccoossiinnuussddiissccrrèèttee..

(4)

- iiiiii-

-A

A

B

S

T

R

A

C

T

T Thhiiss tthheessiiss DDeeaallss wwiitthh ccoonntteenntt--bbaasseedd iimmaaggee iinnddeexxiinngg aanndd rreettrriieevvaall,, wwhheerree tthhee ssttiillll i immaaggeessaarreeddeessccrriibbeeddaatttthheevviissuuaalllleevveellwwhhiicchhccaannbbeevveerryyggeenneerraalllliikkeetthheeccaasseeooffiimmaaggee s seeaarrcchh oonn tthhee WWeebb oorr ssppeecciiffiicc ttoo aa ppaarrttiiccuullaarr ffiieelldd ssuucchh aass bbiioommeettrriicc iiddeennttiiffiiccaattiioonn ooff i innddiivviidduuaallssbbyytthheeiirrffiinnggeerrpprriinnttss,,ppaallmmpprriinnttssoorrffaacceerreeccooggnniittiioonn.. T Thheeaaiimmoofftthhiiss wwoorrkk wwaass ttoo ddeevveelloopp aannaapppprrooaacchh ttoo eexxttrraacctt ffeeaattuurreess ffrroomm iimmaaggeess tthhaatt a arree ddeessiiggnneedd ssppeecciiaallllyy ttoo bbee uusseedd ffoorr ffaaccee rreeccooggnniittiioonn aaccrroossss aaggee pprrooggrreessssiioonn.. tthhee a apppprrooaacchhccoommbbiinneesstthhrreeeeppooppuullaarrttoooollssuusseeddiinnppaatttteerrnnrreeccooggnniittiioonn,,wwhhiicchhaarreetthheeAAccttiivvee A AppppeeaarraanncceeMMooddeell((AAAAMM)),,tthheettwwoo--ddiimmeennssiioonnaallddiissccrreetteeccoossiinneettrraannssffoorrmm ( (22DD--DDCCTT)),,aannddKKeerrnneellFFiisshheerrAAnnaallyyssiiss((KKFFAA))..FFoorrtthhiissppuurrppoossee,,wweeffiirrssttuusseeddAAAAMMttoo g geenneerraattee aann AAAAMM--bbaasseedd ffaaccee rreepprreesseennttaattiioonn;; tthheenn,, wwee aapppplliieedd 22DD--DDCCTT ttoo ggeett tthhee d deessccrriippttoorroofftthheeiimmaaggee;;aannddffiinnaallllyy,,wweeuusseeddaammuullttiiccllaassssKKFFAAffoorrddiimmeennssiioonnrreedduuccttiioonn.. C Cllaassssiiffiiccaattiioonn wwaass mmaaddee tthhrroouugghh aa KK--nneeaarreesstt nneeiigghhbboorr ccllaassssiiffiieerr,, bbaasseedd oonn EEuucclliiddeeaann d diissttaannccee.. T Too tteesstt tthheeeeffffeeccttiivveenneessss oofftthheepprrooppoosseeddffeeaattuurree eexxttrraaccttiioonn aapppprrooaacchh,,aann eexxppeerriimmeennttaall s sttuuddyywwaassppeerrffoorrmmeedduussiinnggtthheeFFGG--NNEETTffaacceeddaattaabbaasseeaannddffoolllloowwiinnggtthheeLLOOPPOO((LLeeaavvee- -o onnee--ppeerrssoonn--oouutt)) pprroottooccooll tthhaatt aarreeuusseedd iinntthhee mmoossttssttuuddiieess rreellaattiinnggttoo aaggee pprrooggrreessssiioonn.. T Thhee ssttuuddyy iinncclluuddeedd bbootthh,, tthhee eeffffeecctt ooff ffaacciiaall ggrroowwtthh,, ffaacciiaall aaggiinngg aass wweellll aass tthhee aaggee d diiffffeerreennccee bbeettwweeeenn tthhee qquueerryy iimmaaggee aanndd tthhee rreeffeerreennccee oonnee oonn tthhee ppeerrffoorrmmaannccee ooff tthhee p prrooppoosseeddtteecchhnniiqquuee.. R Reessuullttss ffrroomm tthhiiss ssttuuddyy eennccoouurraaggeess tthhee uussee ooff tthhiiss ccoommbbiinnaattiioonn aass ffeeaattuurreess eexxttrraaccttiioonn m meetthhoodd ffoorrbbootthh ffaaccee iiddeennttiiffiiccaattiioonn aanndd vveerriiffiiccaattiioonnaaccrroossss aaggeepprrooggrreessssiioonn,, eessppeecciiaallllyy f foorrggrroouuppssooffiinnddiivviidduuaallsswwhhooaarreeoollddeerrtthhaann4400yyeeaarrssaannddwwhheenntthheeaaggeeddiiffffeerreenncceeiisslleessss o orreeqquuaalltthhaannttwweennttyyyyeeaarrss..

K

e

y

w

o

r

d

s

:

C Coonntteenntt--bbaasseedd iimmaaggee rreettrriieevvaall ((CCBBIIRR)),,ffaacceerreeccooggnniittiioonn,,aaggeeiinnvvaarriiaannccee,,ffaacciiaall ggrroowwtthh,, f faacciiaall aaggiinngg,, AAccttiivvee AAppppeeaarraannccee MMooddeell,, KKeerrnneell FFiisshheerr AAnnaallyyssiiss,, 22DD--DDiissccrreettee CCoossiinnee T Trraannssffoorrmm..

(5)

- iivv-

صخلم

ٔ حسشٓف ٗهػ ححٔشطلأا ِزْ ضكذشذ

عاظشرسا

فطٕذ سٛح ،ٖٕرحًنا كٚشط ٍػ حرتاصنا سٕظنا

سٕظنا

لاًؼرسات

سٕظنا ٍػ سحثنا ٙف لاحنا ْٕ اًك حياػ ٌٕكذ ذل ٙرنا حٚشظثنا ضئاظخنا

ححاس خاًظت للاخ ٍي داشفلأا حْٕٚ ٗهػ فشؼرنا مصي ٍٛؼي لاعي ٙف جسٕظحي ٔأ ، ةٕٚنا ٗهػ

ّظٕنا ٗهػ فشؼرنا ٔأ غتاطلأا خاًظت ،فكنا

.

ّظٕنا ٗهػ فشؼرنا ٔأ غتاطلأا خاًظت ،فكنا

.

اظٛظخ حٓظٕي سٕظهن فطٔ حُٛمذ داذػإ ْٕ سحثنا ازْ ٍي ٙسٛئشنا فذٓنا

آناًؼرسلا

ٙف

ٍسنا وذمذ شثػ ّظٕنا ٗهػ فشؼرنا

.

لاعي ٙف اشٛصك وذخرسذ جسٕٓشي خأدأ زلاش غًعذ حُٛمرنا

.

ٍسنا وذمذ شثػ ّظٕنا ٗهػ فشؼرنا

لاعي ٙف اشٛصك وذخرسذ جسٕٓشي خأدأ زلاش غًعذ حُٛمرنا

حناؼفنا شٓظًنا ضراًَ ْٙٔ طاًَلأا ٗهػ فشؼرنا

(

MMAAAA

)

غطمرًنا واًرنا ةٛظ مٕٚحذ ،

(

TTCCDD

)

ٔ

ٙطخناشٛغ ٘ضًٛٛرنا مٛهحرنا

.

ازْ كٛمحرن

ّظٕنا جسٕظن مٛصًذ ءاشَإ ىرٚ لأأ ،فذٓنا

داًرػلاات

لا ٗهػ

M MAAAA

لا لاًؼرسات ىش،

T TCCDD

ءاضف ٍي عاؼش مكش ٗهػ جسٕظهن فطأ صلاخرسا ىرٚ

مٛهحرنا كثطٚ اْذؼت،شٛثك ذؼت ٔر

ذؼثنا ضٛفخرن ٙطخنا شٛغ ٘ضًٛٛرنا

.

لا حٛيصسإخ واذخرسات ىرٛف فُٛظرنا ايأ

"

لا حٛيصسإخ واذخرسات ىرٛف فُٛظرنا ايأ

.

ذؼثنا ضٛفخرن ٙطخنا شٛغ ٘ضًٛٛرنا

"

k

"

سإظ بشلأ "

سإظ بشلأ

حٚذٛهللإا حفاسًنات حسامي

.حٚذٛهللإا حفاسًنات حسامي

.

ساثرخلا

خاٛطؼًنا جذػال واذخرسات حٛثٚشعذ حساسد ءاشظإ ىذ ،غشرمًنا فطإنا حٛناؼف

F FGG--NNEETT

ٔ

لٕكٕذٔشت

(

LLeeaavvee--oonnee--ppeerrssoonn--oouutt

)

شًؼنات حمهؼرًنا خاساسذنا ىظؼي ٙف آًياذخرسا ىرٚ ٌازهنا

.شًؼنات حمهؼرًنا خاساسذنا ىظؼي ٙف آًياذخرسا ىرٚ ٌازهنا

.

جسٕط ٍٛت ٍسنا قساف كنزكٔ ّظٕنا حخٕخٛش حهحشئ ًَٕ حهحشي شٛشأذ ٍي لاك دهًش حساسذنا

ححشرمًنا حُٛمرنا حٛناؼف ٗهػ جذػامنا ٙف جدٕظًٕنا جسٕظنأ حتٕهطًنا ّظٕنا

.ححشرمًنا حُٛمرنا حٛناؼف ٗهػ جذػامنا ٙف جدٕظًٕنا جسٕظنأ حتٕهطًنا ّظٕنا

.

حطاخٔ آُي كمحرنأ داشفلأا حْٕٚ ذٚذحذ ٔأ حفشؼًن فطإنا ازْ واذخرسا ىػذذ حساسذنا ِزْ طئارَ

ىْساًػأ صٔاعرذ ٙرنا داشفلأن حثسُنات

40

40 ٘ٔاسٚ ٔأ ملأ ٍسنا قساف ٌٕكٚ ايذُػ كنزكٔ ،اياػ

٘ٔاسٚ ٔأ ملأ ٍسنا قساف ٌٕكٚ ايذُػ كنزكٔ ،اياػ

20

20 حُس

.حُس

.

ةيحاتفلما تماكللا

حخٕخٛش ،ّظٕنا ًَٕ ،ٍسنا وذمذ شثػ ّظٕنا ٗهػ فشؼرنا ،ٖٕرحًنا للاخ ٍي سٕظنا ٍػ سحثنا

غطمرًنا واًرنا ةٛظ مٕٚحذ ،ٙطخنا شٛغضًٛٛرنا مٛهحذ ،حناؼفنا شٓظًنا ضراًَ ،ّظٕنا

.غطمرًنا واًرنا ةٛظ مٕٚحذ ،ٙطخنا شٛغضًٛٛرنا مٛهحذ ،حناؼفنا شٓظًنا ضراًَ ،ّظٕنا

.

(6)

- vv-

-Liste des figures

Figure 1.1- Exemples d'images de visage prises à différents âges ……….…………... 007

Figure 2.1- Architecture d'un système typique de recherche d'images par le contenu… 012 Figure 2.2- Différents propriétés de texture………...……….. 013

Figure 2.3- Deux images différentes avec histogrammes de couleur similaires……….. 016

Figure 2.4- Représentation macroscopique et microscopique d'une texture ………... 017

Figure 2.5- Illustration de la direction et la distance utilisées dans la GLCM………. 018

Figure 2.6- Séparation de deux classes de données par SVM………... 031

Figure 2.7- Exemple d'un SVM-BDT………. 034

Figure 2.8- Courbe de rappel et précision du système Ikona……….. 039

Figure 3.1- Les étapes principale d'un système de reconnaissance faciale…………. 044

Figure 3.2- Exemple d’un visage d’une même personne subissant des variations de pose……… 047

Figure 3.3- Effets de variations dans les directions d’illumination sur l’apparence d’un visage……… 048

Figure 3.4- Exemple d'images extraites à partir de la base de données d'expressions faciales JAFEE……….. 049

Figure 3.5- Exemples d'occultations partielles (Base de données AR)……….. 049

Figure 3.6- Exemples d'images d'un individu, les images sont de la base de données de visages ORL……….. 050

Figure 3.7- Le concept de l'ACP……….. 052

Figure 3.8- L'image moyenne à gauche, suivie par les sept premières Eigenfaces…………. 054

Figure 3.9- Un exemple de projection de deux classes sur un axe ACP et sur un axe ADL. 056 Figure 3.10- Images de base obtenues avec la méthodes ACI pour l’architecture 1 en haut et pour l’architecture 2 en bas……… 057

Figure 3.11- Processus de reconnaissance de visage basé sur les modèles actifs d'apparence……… 059

Figure 3.12- Caractéristiques géométriques utilisées dans ……..………. 060

Figure 3.13- Mesures géométriques utilisées dans ……..……… 061

Figure 3.14- Exemple d'un visage divisé en six régions locales sous forme d'ellipse……….. 062

Figure 3.15- Exemple d' une image de visage originale, sa projection (SOM-Face) et l'image reconstruite………. 062

Figure 3.16- Technique de division du visage………... 063

Figure 3.17- Le graphe Elastic Graph Matching sous forme d'une grille rectangulaire sur une image de visage comparée à une image de référence ……….. 064

Figure 3.18- Le Face Bunch Graph (FBG) représenté d'un point de vue artistique et scientifique……… 065

(7)

- vvii-

-Figure 4.1- Simulation de la progression d'âge de l'âge X à l'âge Y……… 075

Figure 4.2- Anthropométrie du visage……….. 077

Figure 4.3- Résultats de transformation d'âge sur des individus différents……… 077

Figure 4.4- Configuration des différents types de muscles faciaux……….. 078

Figure 4.5- Les 48 points de repère qui sont utilisés ainsi que leur correspondance avec les muscles faciaux de la figure 3.4 ……… 078

Figure 4.6- Un aperçu du modèle de vieillissement facial proposé dans ……...………. 079

Figure 4.7- Exemples d'images faciales obtenues par simulation du processus de vieillissement d'un individu âgé de 2 ans……….. 080

Figure 4.8- Pyramide d'orientation du gradient………. 081

Figure 4.9- Calcul de la pyramide des LBP à partir d'une image……….. 082

Figure 4.10- Un exemple de conversion des coordonnées cartésiennes aux coordonnées polaires……… 083

Figure 4.11- Les dérivés (drifts) des traits faciaux de quelques visages à différent âges… 083 Figure 4.12- Illustration des différente étapes de l'approche TED-GM pour la reconnaissance de visage invariante à l'âge……… 085

Figure 4.13- Représentation des caractéristiques locales d'une image d'un visage…………. 087

Figure 4.14- Un exemple d'un individu à différents âges……… 088

Figure 5.1- Différentes étapes pour le calcul du descripteur……… 091

Figure 5.2- Classes de points d'intérêts……….. 093

Figure 5.3- Exemple d'un visage de la base de donnée FG-NET annoté par 68 points de repère et d'une main annotée par 56 points de repère……….. 093

Figure 5.4- Un exemple d'un ensemble de formes non alignées……… 094

Figure 5.5- Un exemple d'un ensemble de formes alignées………...……….. 095

Figure 5.6- Image originale, sa forme et sa texture à l'intérieur de la forme……… 096

Figure 5.7- Propriétés de Delaunay ….……… 097

Figure 5.8- Exemple de déformation de texture………. 098

Figure 5.9- images Normalisées d'une personne à différents âges……….. 099

Figure 5.10- Formation du vecteur des caractéristiques dans le domaine de la DCT……… 100

Figure 5.11- Images normalisées d’une personne à des âges différents et leur images reconstruites………. 102

Figure 6.1- Exemples d'images d'individus avec des différences d'âge ……… 109

Figure 6.2- Alignement manuel…..……… 111

Figure 6.3- Courbe CMC pour les expérimentations faites sur la base de données FG-NET……….. 114

Figure 6.4 - Taux de reconnaissance versus nombre de coefficients de basse fréquence mis à zéro……… 115

Figure 6.5- Image normalisée d'une personne et les images reconstruites en mettant à zéro un pourcentage de coefficients de basse fréquence………. 115

(8)

- vviiii--

Liste des tableaux

Tableau 6.1- Taux de reconnaissance au rang-1 (identification) et taux d’erreurs égales

(vérification)……… 113

Tableau 6.2- Comparaison de performances pour la reconnaissance de visage invariante à la progression d'âge………. 116

Tableau 6.3- Taux d'identification versus différence d'âge……….. 119

Tableau 6.4- Détails des groupes d'âge………. 120

(9)

- vviiiiii-

-Liste des acronymes

A

ACI: Analyse en Composantes Indépendantes

ACP (PCA): Analyse en Composantes Principale (Principal Component Analysis)

ADL (LDA): Analyse Discriminante Linéaire ( Linear discriminant analysis)

ANMRR: Average Normalized Modified Retrieval Rank

C

CBIR: Content Based Images Retrieval

CMC-C: Cumulative Match Characteristic Curve

CSLBP: Center-Symmetric Local Binary Patterns

CSS: Curvature Scale Space

D

DLTP: Differential Local Ternary Patterns

E

EBGM: Elastic Bunch Graph Matchnig

EGM: Elastic Graph Matching

F

FCM: Fuzzy c-means

FERET: Facial Evaluation REcognition Test

FG-NET: Face and Gesture recognition Research Network

FRVT: Face Recognition Vendor Test

G

GLCM: Gray Level Co-occurrence Matrix

GMM: Gaussian Mixture Models

GOP: Gradient Orientations Pyramid

I

ILBP: Improved Local Binary Patterns

INFACE: Illumination Invariant Face Recognition Toolbox

K

KFA: Kernel Fisher Analysis

K-ppv: K-Plus Proches Voisins

L

LBP: Local Binary Patterns

LFA: Local Features Analysis

(10)

- iixx-

-LXP: Local XOR Pattern

M

MAA (AAM): Modèle Actif d'Apparence (Actif Appearence Model)

MBLBP: Multi-Scale Block Local Binary Pattern

MDL: Multiview Discriminative Learning

MFDA: Multi-Feature Discriminant Analysis

MMC: Modèles de Markov Cachés

MPEG: Moving Picture Experts Group

N

NMRR: Normalized Modified Retrieval Rank

P

Phd: Pretty Helpful Development

PSO: Particle Swarm Optimization

R

ROC- C: Receiver Operating Characteristic Curve

RVB (RGB): Rouge Vert Bleu (Red Green Blue)

S

SGBD: Système de Gestion de Base de Données

SIFT: Scale Invariant Feature Transform

SOM: Self Organizing Maps

SVM : Séparateurs à Vastes Marges (Support Vector Machines)

T

TBIR: Text Based Images Retrieval

TCD (DCT): Transformée en Cosinus Discrète (Discret Cosine Transform)

TED-GM: Texture Embedded Discriminative Graph Matching

TEE (EER): Taux d'Erreurs Egales (Equal Error Rate)

TFA (FAR): Taux de Fausses Acceptations (False Accept Rate)

TFR (FRR): Taux de Faux Rejets (False Reject Rate)

TPLBP: Three Patch Local Binary Pattern

TSV(HSV): Teinte Saturation et Valeur (Hue Saturation Value)

U

UDP Unsupervised Discriminant Projection

W

(11)

--xx-

-T

T

a

b

l

e

d

e

s

m

a

t

i

è

r

e

s

R Reemmeerrcciieemmeennttss--- -R Rééssuumméé --- -A Abbssttrraacctt--- -صخلم صخلم--- -L Liisstteeddeessffiigguurreess--- -L Liisstteeddeessttaabblleeaauuxx--- -L Liisstteeddeessaaccrroonnyymmeess--- -T Taabblleeddeessmmaattiièèrreess--- -C CHHAAPPIITTRREE11 IInnttrroodduuccttiioonnggéénnéérraallee --- -1 1..11IInnttrroodduuccttiioonn --- -1 1..22MMoottiivvaattiioonneettccoonnttrriibbuuttiioonn --- -1 1..33SSttrruuccttuurreeddeellaatthhèèssee--- -i i i iii i iiiii i ivv v v v viiii v viiiiii x x 0 00011 0 00022 0 00055 0 0008 8 P PaarrttiieeII:: IInnttrroodduuccttiioonnssuurrlleeddoommaaiinneeddeerreecchheerrcchhee --- - 000099 C CHHAAPPIITTRREE22PPrriinncciippeessffoonnddaammeennttaauuxxddeellaarreecchheerrcchheedd''iimmaaggeessppaarrllee c coonntteennuu --- -2 2..11IInnttrroodduuccttiioonn --- -2 2..22DDeessccrriippttiioonndd''iimmaaggeess --- -2 2..22..11DDeessccrriipptteeuurrssddeeccoouulleeuurr --- -2 2..22..22DDeessccrriipptteeuurrssddeetteexxttuurree --- -a a)) LLeessmméétthhooddeessssttaattiissttiiqquueess --- -b b)) LLeessmméétthhooddeessbbaassééeessssuurrllaammooddéélliissaattiioonn --- -c c)) LLeessmméétthhooddeessssppaattiioo--ffrrééqquueennttiieelllleess --- -2 2..22..33DDeessccrriipptteeuurrssddeeffoorrmmee --- -2 2..22..33..11DDeessccrriipptteeuurrssddeeffoorrmmeebbaassééssssuurrlleessccoonnttoouurrss --- -2 2..22..33..22DDeessccrriipptteeuurrssddeeffoorrmmeebbaassééssssuurrlleessrrééggiioonnss --- -a a)) LLeessmmoommeennttssggééoommééttrriiqquueess --- -b b)) LLeessmmoommeennttssoorrtthhooggoonnaauuxx --- -2 2..22..44CCoommbbiinnaaiissoonnddeeddeessccrriipptteeuurrss--- -2 2..33 MMeessuurreessddeessiimmiillaarriittéé --- -2 2..44 SSttrruuccttuurreedd''iinnddeexxaattiioonn --- -2 2..55 LLeesstteecchhnniiqquueessdd''aapppprreennttiissssaaggee --- -2 2..55..11LLeesstteecchhnniiqquueessdd''aapppprreennttiissssaaggeessuuppeerrvviisséé --- -2 2..55..22 LLeesstteecchhnniiqquueessdd''aapppprreennttiissssaaggee nnoonnssuuppeerrvviisséé --- -2 2..66SSppéécciiffiiccaattiioonnddeellaarreeqquuêêttee --- -2 2..77RReettoouurrddeeppeerrttiinneennccee --- -2 2..88 EEvvaalluuaattiioonnddeessppeerrffoorrmmaanncceess --- -010 011 012 013 016 018 019 019 020 020 021 021 023 025 026 029 030 030 034 036 037 038

(12)

--xxii- -2 2..99 CCoonncclluussiioonn --- 040 C CHHAAPPIITTRREE33 RReeccoonnnnaaiissssaanncceeaauuttoommaattiiqquueeddeevviissaaggee --- -3 3..11IInnttrroodduuccttiioonn --- -3 3..22 AApppplliiccaattiioonnssddeellaarreeccoonnnnaaiissssaanncceeffaacciiaallee --- -3 3..33DDiiffffiiccuullttééssrreennccoonnttrrééeessppaarrlleessssyyssttèèmmeessddeerreeccoonnnnaaiissssaanncceeaauuttoommaattiiqquueedduu v viissaaggee --- -3 3..44TTeecchhnniiqquueessddeeddeessccrriippttiioonnddeevviissaaggee --- -3 3..44..11LLeessaapppprroocchheessgglloobbaalleess --- -3 3..44..11..11 LL''aannaallyysseeeennccoommppoossaanntteesspprriinncciippaalleess --- -3 3..44..11..22 LL''aannaallyysseeddiissccrriimmiinnaanntteelliinnééaaiirree,,AADDLL --- -3 3..44..11..33 LL''aannaallyysseeeennccoommppoossaanntteessiinnddééppeennddaanntteessAACCII --- -3 3..44..11..44 LLeessmméétthhooddeessddeepprroojjeeccttiioonnnnoonnlliinnééaaiirreess --- -3 3..44..11..55 LLeessmmooddèèlleessaaccttiiffssdd''aappppaarreennccee --- -3 3..44..11..66 LLeessrréésseeaauuxxddeenneeuurroonneess --- -3 3..44..22 LLeessaapppprroocchheessllooccaalleess --- -3 3..44..22..11 LLeessaapppprroocchheessggééoommééttrriiqquueess --- -3 3..44..22..22 LLeesstteecchhnniiqquueessmmoodduullaaiirreess --- -3 3..44..22..33 LLeessMMooddèèlleessddeeMMaarrkkoovvCCaacchhééss((MMMMCC)) --- -3 3..44..22..44 LLeessaapppprroocchheessbbaassééeessssuurrlleessggrraapphheess --- -a a)) LL''EEllaassttiiccGGrraapphhMMaattcchhiinngg((EEGGMM)) --- -b b)) LL''EEllaassttiiccBBuunncchhGGrraapphhMMaattcchhiinngg((EEBBGGMM)) --- -3 3..44..33LLeessaapppprroocchheesshhyybbrriiddeess--- -3 3..55lleessaapppprroocchheessbbaassééeessssuurrllaattrraannssffoorrmmééeeeennccoossiinnuussddiissccrrèèttee--- -3 3..66 LL''iiddeennttiiffiiccaattiioonn((llaarreeccoonnnnaaiissssaannccee)) --- -3 3..66..11CCllaassssiiffiiccaattiioonnppaarrkk--pplluusspprroocchheessvvooiissiinnss --- -3 3..66..22CCllaassssiiffiiccaattiioonnppaarrrréésseeaauuxxddeenneeuurroonneess --- -3 3..66..33CCllaassssiiffiiccaattiioonnppaarrSSVVMM --- -3 3..77 MMeessuurreessdd’’éévvaalluuaattiioonn --- -3 3..77..11VVéérriiffiiccaattiioonn --- -3 3..77..22IIddeennttiiffiiccaattiioonn --- -3 3..88CCoonncclluussiioonn --- -042 043 045 046 051 051 051 054 056 057 057 059 060 060 061 063 063 064 065 065 066 068 068 068 069 069 069 071 071 C CHHAAPPIITTRREE44 RReeccoonnnnaaiissssaanncceeddeevviissaaggeeiinnvvaarriiaanntteeàà llaapprrooggrreessssiioonn d d’’ââggee --- -4 4..11 IInnttrroodduuccttiioonn --- -4 4..22LLeesstteecchhnniiqquueessddeerreeccoonnnnaaiissssaanncceessddeevviissaaggeessiinnvvaarriiaanntteessààllaapprrooggrreessssiioonn d d''ââggee --- -4 4..22..11 LLeessaapppprroocchheessggéénnéérraattiivveess --- -4 4..22..22LLiimmiitteessddeessaapppprroocchheessggéénnéérraattiivveess--- -4 4..22..33 LLeessaapppprroocchheessnnoonnggéénnéérraattiivveess --- -4 4..44CCoonncclluussiioonn --- -073 074 074 075 080 081 088 P PaarrttiieeIIII:: CCoonnttrriibbuuttiioonn--- 008899