Fusion des données pour un raisonneur par région pour l’identification du visage humain

Abstract

La reconnaissance automatique des visages humains demeure toujours un réel challenge dans le domaine de la recherche, ceci est dû essentiellement à la nature même de cette biométrie qu’est le visage très riche en informations sociales, et fortement dynamique à la fois à cause des variations de l’environnement, le vieillissement, la pilosité….chose qui rend la tâche de reconnaissance plus complexe; De ce fait, une multitude de méthodes ont été déployées pour résoudre ce problème, mais malgré la pléthore de techniques élaborées et les énormes progrès atteints, il n’existe pas une méthode qui soit à elle seule invariante à toutes les variations que peut subir ce stimulus. Pour essayer de cerner le maximum de ces changements, une nouvelle tendance a vu le jour visant à faire participer plusieurs classifieurs, et à combiner leurs raisonnements et leurs résultats en vue d’augmenter le taux de reconnaissance. Le travail proposé dans ce mémoire s’inscrit dans le cadre de la reconnaissance des visages humains. Le codage des caractéristiques se base sur un principe d’extraction de distances. Autrement dit, ayant une image contenant un visage, d’abord nous cherchons à localiser des points d’intérêts sur lesquels reposent les formules de calcul des distances. Ces dernières représentent les caractéristiques permettant d’identifier une personne. Selon notre système, nous attribuons une identité à un individu ou nous le déclarons inconnu. La méthode de reconnaissance adoptée est celle des k plus proches voisins (KPPV). La distance utilisée est celle de la somme des valeurs absolues appelée aussi distance de Minkowski de degré 1 ou distance City-Block, elle est équivalente aux autres distances (ex. la distance euclidienne,...) mais elle nécessite moins de calculs (à ne pas confondre avec les distances AD, BC,…,SM), Avec l’approche de fusion des données proposée, plusieurs méthodes de calcule des k-ppv sont également mises au point pour optimiser la reconnaissance, cela veut dire une liste de kppv pour chaque méthode (k-ppv avec tout le visage, k-ppv pour chaque région du visage, kppv pour les yeux avec le nez, k-ppv pour les yeux avec la bouche, k-ppv pour le nez avec la bouche). Les images de la base d’apprentissage ont été sujet à une série d’opérations (normalisation, clique) afin d’extraire le vecteur des caractéristique représentant chaque visage.