Reconnaissance de visages. Plan Introduction Quest ce que la Biométrie État de lart...

Reconnaissance de visages

PlanPlan

IntroductionIntroduction

Qu’est ce que la BiométrieQu’est ce que la Biométrie

État de l’artÉtat de l’art

Prétraitements sur les imagesPrétraitements sur les images

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations

(PCA, DCT, …)(PCA, DCT, …)

Conclusion et perspectivesConclusion et perspectives

IntroductionIntroduction

2 manières d’identifier un individu2 manières d’identifier un individu

Basé sur une

connaissance

Basé sur une

possession

• Mot de passe

• Code

• pièce d’identité

• clef

• badge

IntroductionIntroduction

Ces 2 méthodes présente un double Ces 2 méthodes présente un double inconvénientsinconvénients

Nécessité de mémorisation du mot de Nécessité de mémorisation du mot de passepasse

Le noté engendre le risque de perte ou de Le noté engendre le risque de perte ou de volvol

Risque de vol ou de perte (carte Risque de vol ou de perte (carte magnétique,clef, badge,…) magnétique,clef, badge,…)

IntroductionIntroduction

Solution:Solution:

Utilisation des caractéristiques biométriques Utilisation des caractéristiques biométriques comme moyen d’identificationcomme moyen d’identification

BiométrieBiométrie

Qu’est ce que la biométrie ?Qu’est ce que la biométrie ?Caractéristiques:Caractéristiques: sa voix sa voix ses empreintes digitales ses empreintes digitales les traits de son visage les traits de son visage la forme de sa main la forme de sa main sa signature sa signature son ADN son ADN

BiométrieBiométrie

Méthodes biométriques:Méthodes biométriques:

Avantages: (Avantages: (mot de passe biométriquemot de passe biométrique)) chaque individu possède sa propre chaque individu possède sa propre

caractéristique biométrique.caractéristique biométrique. ne pourra pas être volé, oublié ou transmis ne pourra pas être volé, oublié ou transmis

à une autre personne. à une autre personne.

État de l’artÉtat de l’artQu’est ce qu’un système de reconnaissance de visage ?

Monde Extérieurs

Acquisition d’image

LesPrétraitements

Détection Et

Localisation

Extraction des paramètres et Classification

Apprentissage

Teste Et

Décision

État de l’artÉtat de l’art

Méthodes de reconnaissance d’individusMéthodes de reconnaissance d’individus : :

Techniques de reconnaissance

d’individus

Intrusives

ADN

Empreintes digitales

Iris Rétine

Géométrie de la main

Voix

Signature

Non Intrusives

Visages Démarche Mesure (3D) Morphologique

État de l’artÉtat de l’art

Méthodes de reconnaissance de visagesMéthodes de reconnaissance de visages Visages

Globales

Hybrides

Locales

Les HMMs

Iso Density Maps

Mesures Et Ratios

Eigen Objects (EO)

Couleur

Gaborwavelet 

-DCT+PCA-LDA+PCA-EO+HMM-HMM+DCT+EO-DCT+EO-DCT+HMM-DCT+PCA+EO

- Elastic Bunch Graph

DCT

Réseaux de Neurones 

Eigen Face

Corrélation

ICA

LDA

SVMDCT Mod-2

Histogramme De Couleurs

Kernel PCA Kernel

LDA

Prétraitements sur les imagesPrétraitements sur les images

1 Normalisation 1 Normalisation  : :

Fig. Exemple de normalisation d’une image

Prétraitements sur les imagesPrétraitements sur les images

2 Égalisation de l’histogramme2 Égalisation de l’histogramme

Fig. Exemple d’égaliseur d’histogramme

Prétraitements sur les imagesPrétraitements sur les images

3 Filtre médian:3 Filtre médian:

Fig. Exemple du filtre médian

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations (PCA) (PCA)

DéfinitionDéfinition

Idée Générale Idée Générale

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations

Etape1: Etape1: Définir les images des personnes.Définir les images des personnes.

Fig. Exemple de visages ORL

Étapes de la PCA (Eigen face)Étapes de la PCA (Eigen face)

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations

Etape2:Etape2:

w1

w2

w3

.

.

.

wn

Vecteur

Image

Étapes de la PCA (Eigen face)Étapes de la PCA (Eigen face)

Etape3: Etape3: Consiste à calculer la moyenne des visagesConsiste à calculer la moyenne des visages

Représenter sous forme d’un vecteurReprésenter sous forme d’un vecteur

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations

Étapes de la PCA (Eigen face)Étapes de la PCA (Eigen face)

M

iiM 1

1

Etape4:Etape4: Enlever la moyenne de la matrice d’images. Enlever la moyenne de la matrice d’images.

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations

Étapes de la PCA (Eigen face)Étapes de la PCA (Eigen face)

ii

Etape5: Etape5: Construire la matrice de covariance.Construire la matrice de covariance.

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations

Étapes de la PCA (Eigen face)Étapes de la PCA (Eigen face)

tTn

M

nn AA

MC

1

1

MA ...21

Tel que

Etape6: Etape6: Calcul des vecteurs propres (espace d’étude)Calcul des vecteurs propres (espace d’étude)

Etape7: Etape7: Choix K vecteurs propres correspondants aux Choix K vecteurs propres correspondants aux

K plus grandes valeurs propres K plus grandes valeurs propres

Méthodes d’extraction d’informationsMéthodes d’extraction d’informationsÉtapes de la PCA (Eigen face)Étapes de la PCA (Eigen face)

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations

Représentation des visages propres :Représentation des visages propres :

K

jjji uwmean

1

i

Tjj uw

IK

i

i

i

w

w

w

.

.

.2

1

DéfinitionDéfinition

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations (DCT) (DCT)

1

0

1

0

)2

)12(cos()

2

)12(cos(),()()(),(

N

y

N

x N

vy

N

uxyxfvuvuC

N

Nu2

1)(

0

0

u

u

pour

pour

0

0

u

u

Exemple d’Application de la DCT :Exemple d’Application de la DCT :

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations (DCT) (DCT)

182 182 182 181 181 179 180 178178 178 179 181 181 181 182 179182 181 181 181 181 182 182 179182 182 182 181 181 179 180 179178 178 178 182 181 182 182 179182 181 181 181 180 182 182 178182 181 181 181 181 182 182 178182 182 182 181 181 179 180 179

1445 2 2 2 1 3 1 0 1 1 0 0 0 0 0 0 0 2 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 2 0 2 1 1 0 0 2 4 1 0 0 0 0 1 1 3 1 0 0 0 0 0 0 2 0 1 0 0 0 0

DCT

Récupération des coefficients DCT: 

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations (DCT) (DCT)

Fig modèle zigzag d’un bloc 8 x 8

Propriétés de la DCT :Propriétés de la DCT :

Décorrélation Décorrélation 

Compression d'énergie Compression d'énergie 

Séparabilité Séparabilité 

Méthodes d’extraction d’informationsMéthodes d’extraction d’informations (DCT) (DCT)

Conclusion et perspectivesConclusion et perspectives

Implémentation des prétraitements sur les Implémentation des prétraitements sur les imagesimagesImplémentation de la PCA et de la DCTImplémentation de la PCA et de la DCTApplication des GMM comme classifieurApplication des GMM comme classifieurFaire l’apprentissage et le test sur des Faire l’apprentissage et le test sur des bases de données, entre autre la base bases de données, entre autre la base ORLORLUtilisation d’images vidéoUtilisation d’images vidéoComparaison des résultats obtenus Comparaison des résultats obtenus