contribution à la reconnaissance de visage par la géométrie riemannienne

Abstract

La reconnaissance faciale est un domaine de recherche tr es actif en raison de ses nombreuses applications dans le domaine du traitement de la vision par ordinateur en g en eral et en biom etrie en particulier. Plusieurs m ethodes ont et e d evelopp ees ces derni eres ann ees pour la reconnaissance de visage 2D et 3D. Malheureusement, les visages humains sont semblables et o rent par cons equent une faible possibilit e de distinction par rapport a d'autres modalit es biom etriques, comme l'iris par exemple. Par ailleurs, lorsqu'il s'agit d'images 2D de visages, elles pr esentent un certain nombre de limitations li ees a l'orientation du visage ou a la pose, a l' eclairage, a l'expression faciale, aux occultations, etc. Les techniques de reconnaissance 3D ont et e propos ees comme une solution alternative pour r esoudre les probl emes de la reconnaissance 2D, mais cette modalit e est sensible aux changements d'expressions faciales. Cette th ese s'inscrit dans ce paradigme en proposant de coupler la g eom etrie Riemannienne avec les techniques d'apprentissage pour une biom etrie faciale 2D et 3D e cace et robuste aux probl emes cit es ci-dessus. Notre objectif est de surmonter les faiblesses es des syst emes de reconnaissance 2D et 3D et d'am eliorer le taux de reconnaissance obtenu par les di erentes techniques utilis ees dans ce domaine. Dans la premi ere partie de notre th ese, nous proposons quatre syst emes de reconnaissance de visage 2D en utilisons quatre m ethodes d'extraction des caract eristiques bas ees sur l'analyse des surfaces faciales par la g eom etrie Riemannienne a savoir : Distance G eod esique + l'Analyse en Composante Principale (DG+ACP), Distance G eod esique + l'Analyse Discriminante Lin eaire (DG+ADL), l'Histogramme d'Intensit e G eod esique (HIG) et les Courbes Iso-G eod esiques (CIG). Dans cette partie, nous avons repr esent e l'image au niveau de gris comme une surface 2D dans un espace 3D avec la troisi eme coordonn ee proportionnelle aux valeurs d'intensit e de pixels. Dans la deuxi eme partie, nous proposons trois algorithmes automatiques de reconnaissance de visage 3D en utilisons trois m ethodes d'extraction des caract eristiques bas ees sur l'analyse des surfaces faciales en utilisant la g eom etrie Riemannienne, a savoir : la Distance G eod esique 3D + l'Analyse en Composante Principale (DG3D+ACP), la Distance G eod esique 3D + l'Analyse Discriminante Lin eaire (DG3D+ADL) et les Courbes Iso-G eod esiques 3D (CIG3D). Nous utilisons un cadre g eom etrique existant pour calculer la distance g eod esique entre les points de la surface du visage d'une part et pour obtenir les d eformations "optimales" entre les courbes faciales ainsi que les distances les s eparant sur une vari et e Riemannienne. Dans l' etape de classi cation, nous utilisons les R eseaux de Neurones (RN), K-Plus Proche Voisin (KPPV) et Vecteurs a Support Machines (SVM). Pour tester nos m ethodes et evaluer leurs performances, nous r ealisons une s erie de simulation d'exp eriences sur les deux bases de donn ees 2D bien connus des images de visages YaleB et ORL dans la premi ere partie et la base de donn ees 3D Shape REtrieval Contest 2008 (SHREC2008) dans la deuxi eme. Nous avons qualitativement et quantitativement compar e notre approche avec les travaux de l' etat de l'art, couramment utilis es. Nous montrons que l'utilisation de la g eom etrie riemannienne pour la reconnaissance de visage 2D et 3D qu'elle am eliore l'e cacit e des r esultats, par rapport aux r esultats des techniques standards.