Université d’Avignon et du pays du Vaucluse IUP GMI Reconnaissance de visages Réalisé par : Hazem Amir Tuteur: Mr Bonastre JF

Plan Introduction Systèmes de reconnaissance de visages Architecture de notre système Méthodes d’extractions ( PCA, DCT ) Classifieur GMM Tests et résultats Conclusion et perspectives

Introduction But du projet : Utiliser la PCA et la DCT comme méthodes d’extraction d’informations Utiliser le GMM pour la classification Comparer la PCA GMM et la DCT GMM

Système de reconnaissance de visages Monde Extérieur Acquisition d’image Prétraitements Détection et Localisation Extraction des paramètres Classification Teste et Décision

Architecture de notre système BDD Visages Pré- Traitements Features (PCA|DCT) Classifieur GMM LIA_SpeakerDet Fichier Résultat

Méthodes d’extraction d’informations PCA : Image 1 ImageN PCA PCA PCA Matrice de vecteurs d’images pour chaque bloc de même position

Méthodes d’extraction d’informations DCT

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

Méthode de classification : GMM Ayant N images d’apprentissage en entrée, on va apprendre un GMM sur l’ensemble des données, dénommé le modèle du monde. La vraisemblance d’une donnée x est donnée par : la vraisemblance de l’ensemble est donnée par : Maximisation avec l’algorithme EM

Tests et résultats Base ORL : 400 images 10 poses pas individu

changements d’orientations du visage Tests et résultats Base ORL changements d’orientations du visage changements d’éclairage

Tests et résultats Base ORL changements d’échelle changements des expressions faciales

Tests et résultats Base ORL port de lunettes changements de coiffure et de port de barbe

Tests et résultats Base ORL Individus de différents ages races et sexes

Tests et résultats Pour chaque individu : 5 poses pour l’apprentissage 5 poses pour le test  200 images pour l’apprentissage  200 images pour les tests

Tests et résultats Étapes de tests : Train Target Train World BDD Visages Pré- Traitements LPCA / DCT Features Ensemble D’apprentissage Train Target Train World Ensemble De Tests Compute Test Résultats

Tests et résultats (LPCA) Test sur le nombre de vecteurs bases : Meilleurs résultats : 100 vecteurs bases

Tests et résultats(LPCA) Tests sur le nombre de mixtures de gaussiennes : Pour un nombre de mixtures égal à 160 On obtient 84% de taux de reconnaissance

Tests et résultats(DCT) Test sur le nombre de coefficients DCT: Meilleurs résultats : 16 coefficients DCT

Tests et résultats(DCT) Tests sur la taille des blocs DCT : Meilleurs résultats : blocs de taille 8x8

Tests et résultats(DCT) Test sur l’indice de chevauchement des blocs DCT : Meilleurs résultats : chevauchement de 50%

Tests et résultats(DCT) Test sur le nombre de mixtures de gaussiennes: Pour un nombre de mixtures égal à 100 On obtient 93% de taux de reconnaissance

Tests et résultats Synthèse : Dimension Nb coefficients Nb mixtures Taux de rec DCT GMM 8 16 100 93% LPCA GMM 64 160 84%

Conclusion et Perspectives Approfondir et d’automatiser les tests pour la LPCA GMM et la DCT GMM, et de des tests sur d’autres bases de données comme : FERET, YAL, MIT, M2VTS. Travailler sur une base de données d’images vidéos Introduire une variante de la DCT qui est la DCT mod2 Inclure la LPCA GMM et DCT GMM dans le toolkit ALIZE LIA_DpkDet Fusionner ces méthodes avec d’autres méthodes biométriques développées par le LIA comme la reconnaissance du locuteur et d’empreintes digitales