Diapositive 1

1
Université dAvignon 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 dextractions ( PCA, DCT )
• Classifieur GMM
• Tests et résultats
• Conclusion et perspectives

3
Introduction

• But du projet
• Utiliser la PCA et la DCT comme méthodes
  dextraction dinformations
• 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 dimage
Extraction des paramètres
Classification
Teste et Décision
5
Architecture de notre système
Pré- Traitements
Features (PCADCT)
BDD Visages
Classifieur GMM LIA_SpeakerDet
Fichier Résultat
6
Méthodes dextraction dinformations PCA
Image 1
ImageN
PCA
PCA
PCA
Matrice de vecteurs dimages pour chaque bloc
de même position
7
Méthodes dextraction dinformations DCT
8
Méthodes dextraction dinformations DCT

• Récupération des coefficients DCT 

Fig modèle zigzag dun bloc 8 x 8
9
Méthodes dextraction dinformations DCT

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

10
Méthode de classification GMM

• Ayant N images dapprentissage en entrée, on va
  apprendre un GMM sur lensemble des données,
  dénommé le modèle du monde.

La vraisemblance dune donnée x est donnée par 
la vraisemblance de lensemble est donnée par 
Maximisation avec lalgorithme EM
11
Tests et résultats

• Base ORL

400 images
10 poses pas individu
12
Tests et résultats

• Base ORL

changements dorientations du visage
changements déclairage
13
Tests et résultats

• Base ORL

changements déchelle
changements des expressions faciales
14
Tests et résultats

• Base ORL

port de lunettes
changements de coiffure et de port de barbe
15
Tests et résultats

• Base ORL

Individus de différents ages races et sexes
16
Tests et résultats

• Pour chaque individu
• 5 poses pour lapprentissage
• 5 poses pour le test
• ? 200 images pour lapprentissage
• ? 200 images pour les tests

17
Tests et résultats

• Étapes de tests

BDD Visages
Pré- Traitements
LPCA / DCT
Features
Ensemble Dapprentissage
Train World
Train Target
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 lindice 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 dautomatiser les tests pour la
  LPCA GMM et la DCT GMM, et de des tests sur
  dautres bases de données comme  FERET, YAL,
  MIT, M2VTS.
• Travailler sur une base de données dimages
  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 dautres méthodes
  biométriques développées par le LIA comme la
  reconnaissance du locuteur et dempreintes
  digitales