Résumé:
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.
