Diapositive 1

1
Reconnaissance de visages
2
Plan

• Introduction
• Quest ce que la Biométrie
• État de lart
• Prétraitements sur les images
• Méthodes dextraction dinformations
• (PCA, DCT, )
• Conclusion et perspectives

3
Introduction

• 2 manières didentifier un individu

Basé sur une connaissance
Basé sur une possession

• Mot de passe
• Code

• pièce didentité
• clef
• badge

4
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,)

5
Introduction

• Solution
• Utilisation des caractéristiques biométriques
  comme moyen didentification

6
Biométrie

• Quest ce que la biométrie ?
• Caractéristiques
• sa voix
• ses empreintes digitales
• les traits de son visage
• la forme de sa main
• sa signature
• son ADN

7
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.

8
État de lart
Quest ce quun système de reconnaissance de
visage ?
Monde Extérieurs
Acquisition dimage
Les Prétraitements
Détection Et Localisation
Extraction des paramètres et Classification
Apprentissage
Teste Et Décision
9
État de lart

• Méthodes de reconnaissance dindividus

Techniques de reconnaissance dindividus
Intrusives
Non Intrusives
ADN
Iris
Rétine
Voix
Empreintes digitales
Géométrie de la main
Signature
Visages
Démarche
Mesure (3D) Morphologique
10
État de lart

• Méthodes de reconnaissance de visages

Visages
Locales
Globales
Hybrides
Corrélation
DCT
Les HMMs
Eigen Objects (EO)
Eigen Face
-DCTPCA -LDAPCA -EOHMM -HMMDCTEO -DCTEO -DCT
HMM -DCTPCAEO - 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
11
Prétraitements sur les images

• 1 Normalisation 

Fig. Exemple de normalisation dune image
12
Prétraitements sur les images

• 2 Égalisation de lhistogramme

Fig. Exemple dégaliseur dhistogramme
13
Prétraitements sur les images

• 3 Filtre médian

Fig. Exemple du filtre médian
14
Méthodes dextraction dinformations (PCA)

• Définition
• Idée Générale

15
Méthodes dextraction dinformations

• Étapes de la PCA (Eigen face)

• Etape1 Définir les images des personnes.

Fig. Exemple de visages ORL
16
Méthodes dextraction dinformations

• Étapes de la PCA (Eigen face)

• Etape2

w1 w2 w3 . . . wn
Image
Vecteur
17
Méthodes dextraction dinformations

• Étapes de la PCA (Eigen face)

• Etape3
• Consiste à calculer la moyenne des visages
• Représenter sous forme dun vecteur

18
Méthodes dextraction dinformations

• Étapes de la PCA (Eigen face)

• Etape4 Enlever la moyenne de la matrice
  dimages.

19
Méthodes dextraction dinformations

• Étapes de la PCA (Eigen face)

• Etape5 Construire la matrice de covariance.

Tel que
20
Méthodes dextraction dinformations

• Étapes de la PCA (Eigen face)

• Etape6 Calcul des vecteurs propres (espace
  détude)
• Etape7 Choix K vecteurs propres correspondants
  aux
• K plus grandes valeurs propres
  

21
Méthodes dextraction dinformations

• Représentation des visages propres

22
Méthodes dextraction dinformations (DCT)

• Définition

23
Méthodes dextraction dinformations (DCT)

• Exemple dApplication 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
178 182 182 182 181 181 179 180
179
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
24
Méthodes dextraction dinformations (DCT)
Récupération des coefficients DCT 
Fig modèle zigzag dun bloc 8 x 8
25
Méthodes dextraction dinformations (DCT)

• Propriétés de la DCT
• Décorrélation 
• Compression d'énergie 
• Séparabilité 

26
Conclusion et perspectives

• Implémentation des prétraitements sur les images
• Implémentation de la PCA et de la DCT
• Application des GMM comme classifieur
• Faire lapprentissage et le test sur des bases
  de données, entre autre la base ORL
• Utilisation dimages vidéo
• Comparaison des résultats obtenus