Reconnaissance de visages

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

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

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,…)

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

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

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.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Méthodes d’extraction d’informations (DCT) Définition

Méthodes d’extraction d’informations (DCT) Exemple d’Application de la DCT : 182 182 182 181 181 179 180 178 178 178 179 181 181 181 182 179 182 181 181 181 181 182 182 179 182 182 182 181 181 179 180 179 178 178 178 182 181 182 182 179 182 181 181 181 180 182 182 178 182 181 181 181 181 182 182 178 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

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

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

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