Reconnaissance de visages

Présentation au sujet: "Reconnaissance de visages"— Transcription de la présentation:

1 Reconnaissance de visages

2 Plan Introduction Qu’est ce que la Biométrie État de l’art
Prétraitements sur les images Méthodes d’extraction d’informations (PCA, DCT, …) Conclusion et perspectives

3 Introduction 2 manières d’identifier un individu Basé sur une
connaissance Basé sur une possession Mot de passe Code pièce d’identité clef badge

4 Introduction Ces 2 méthodes présente un double inconvénients
Nécessité de mémorisation du mot de passe Le noté engendre le risque de perte ou de vol Risque de vol ou de perte (carte magnétique,clef, badge,…)

5 Introduction Solution:
Utilisation des caractéristiques biométriques comme moyen d’identification

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

7 Biométrie Méthodes biométriques: Avantages: (mot de passe biométrique)
chaque individu possède sa propre caractéristique biométrique. ne pourra pas être volé, oublié ou transmis à une autre personne.

8 Extraction des paramètres et Classification
État de l’art Qu’est ce qu’un système de reconnaissance de visage ? Monde Extérieurs Acquisition d’image Détection Et Localisation Les Prétraitements Extraction des paramètres et Classification Apprentissage Teste Et Décision

9 Techniques de reconnaissance d’individus
État de l’art Méthodes de reconnaissance d’individus : Techniques de reconnaissance d’individus Intrusives Non Intrusives Rétine ADN Voix Iris Géométrie de la main Empreintes digitales Signature Visages Mesure (3D) Morphologique Démarche

10 État de l’art Méthodes de reconnaissance de visages Visages Locales
Globales Hybrides Corrélation DCT Eigen Objects (EO) Les HMMs Eigen Face -DCT+PCA -LDA+PCA -EO+HMM -HMM+DCT+EO -DCT+EO -DCT+HMM -DCT+PCA+EO - Elastic Bunch Graph ICA Iso Density Maps Gabor wavelet  Réseaux de Neurones  LDA DCT Mod-2 SVM Mesures Et Ratios Couleur Kernel PCA Kernel LDA Histogramme De Couleurs

11 Prétraitements sur les images
1 Normalisation  : Fig. Exemple de normalisation d’une image

12 Prétraitements sur les images
2 Égalisation de l’histogramme Fig. Exemple d’égaliseur d’histogramme

13 Prétraitements sur les images
3 Filtre médian: Fig. Exemple du filtre médian

14 Méthodes d’extraction d’informations (PCA)
Définition Idée Générale

15 Méthodes d’extraction d’informations
Étapes de la PCA (Eigen face) Etape1: Définir les images des personnes. Fig. Exemple de visages ORL

16 Méthodes d’extraction d’informations
Étapes de la PCA (Eigen face) Etape2: w1 w2 w3 . wn Image Vecteur

17 Méthodes d’extraction d’informations
Étapes de la PCA (Eigen face) Etape3: Consiste à calculer la moyenne des visages Représenter sous forme d’un vecteur

18 Méthodes d’extraction d’informations
Étapes de la PCA (Eigen face) Etape4: Enlever la moyenne de la matrice d’images.

19 Méthodes d’extraction d’informations
Étapes de la PCA (Eigen face) Etape5: Construire la matrice de covariance. Tel que

20 Méthodes d’extraction d’informations
Étapes de la PCA (Eigen face) Etape6: Calcul des vecteurs propres (espace d’étude) Etape7: Choix K vecteurs propres correspondants aux K plus grandes valeurs propres

21 Méthodes d’extraction d’informations
Représentation des visages propres :

22 Méthodes d’extraction d’informations (DCT)
Définition

23 Méthodes d’extraction d’informations (DCT)
Exemple d’Application de la DCT : DCT

24 Fig modèle zigzag d’un bloc 8 x 8
Méthodes d’extraction d’informations (DCT) Récupération des coefficients DCT:  Fig modèle zigzag d’un bloc 8 x 8

25 Méthodes d’extraction d’informations (DCT)
Propriétés de la DCT : Décorrélation  Compression d'énergie  Séparabilité 

26 Conclusion et perspectives
Implémentation des prétraitements sur les images Implémentation de la PCA et de la DCT Application des GMM comme classifieur Faire l’apprentissage et le test sur des bases de données, entre autre la base ORL Utilisation d’images vidéo Comparaison des résultats obtenus