Reconnaissance de visages

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

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

3. 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

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

5. Architecture denotre système BDD Visages Pré- Traitements Features (PCA|DCT) Classifieur GMM LIA_SpeakerDet Fichier Résultat

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

7. Méthodes d’extraction d’informations DCT

8. Méthodes d’extraction d’informations DCT Récupération des coefficients DCT: Fig modèle zigzag d’un bloc 8 x 8

9. Méthodes d’extraction d’informations DCT Propriétés de la DCT : • Décorrélation • Compression d'énergie • Séparabilité

10. 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

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

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

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

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

15. Tests et résultats • Base ORL Individus de différents ages races et sexes

16. 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

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

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

19. 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

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

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

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

23. 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

24. Tests et résultats • Synthèse :

25. 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