Résumé:
Dans tous les systèmes de reconnaissance de formes, l'étape d'extraction de caractéristiques
est l'étape la plus importante étant donné son impact significatif sur la précision du système.
Malheureusement, malgré les nombreuses méthodes artisanales de mise en œuvre de cette
étape, ils ont atteint leurs limites pour représenter avec précision ces caractéristiques.
Récemment, des recherches connexes ont été consacrées à l'extraction de caractéristiques
profondes à l'aide de techniques dites d'apprentissage profond. Dans ces méthodes, l'image
peut être représentée par des caractéristiques à plusieurs niveaux, dans lesquelles nous
pouvons extraire les caractéristiques qui ne peuvent pas être obtenues par des méthodes
artisanales. Par conséquent, ces méthodes reposent généralement sur des filtres convolutifs
multicouches. Dans la pratique, les méthodes profondes souffrent d'une capacité mémoire
limitée et de ralentissements du processeur, ce qui conduit inévitablement à la recherche
obligatoire de technologies simples et faciles qui peuvent être exploitées dans la plupart des
appareils actuellement disponibles. Dans ce contexte, nous avons proposé dans ce travail une
méthode d'extraction de caractéristiques basée sur le principe du deep learning, qui se
caractérise par sa simplicité et légèreté. Nous avons évalué les performances de notre méthode
à l'aide d'un système biométrique, qui est un système de reconnaissance de formes typique et
les résultats expérimentaux ont montré que notre méthode a une grande précision par rapport
à de nombreuses méthodes artisanales actuelles et à certaines méthodes basées sur
l'apprentissage profond dans le Littérature
