contribution par le développement de nouvelles approches à l'identification des visages et des circuits électroniques

Abstract

Ce travail s'inscrit dans la thématique de la reconnaissance des visages. Il s'agit de décider de manière automatique de l'identité d'une personne en fonction de texture de son visage. Notre but étant de développer un système d'authenti cation de visage simple et e cace, l'extraction des caractéristiques à partir de l'image est une étape primordiale dans le processus de la reconnaissance faciale et de surmonter les faiblesses des systèmes classiques de reconnaissance 2D et 3D et d'améliorer le taux de reconnaissance obtenu par les différentes techniques utilisées dans ce domaine. Dans la première partie de notre thèse, nous proposons quatre systèmes de reconnaissance de visage 2D en utilisons deux méthodes d'extraction des caractéristiques basées sur le Motif binaire local ( Local Binary Pattern LBP) à savoir : histogrammes des motifs binaires locaux (LBPH) + l'Analyse en Composante Principale(ACP), histogramme de motif binaires locaux multiéchelles(MLBPH) + l'Analyse en Composante Principale (ACP). Les quatre algorithmes de reconnaissance de visage proposé est basées sur la représentation des régions faciales locales en utilisant la transformée en cosinus discrète ( Discrete Cosine Transform DCT), l'analyse en composante principale (ACP). La représentation locale o re une robustesse face aux variations d'apparence dans les régions locales provoquées par l'occlusion partielle du visage ou l'expression du visage, alors que l'utilisation de l'information de fréquence fournit une robustesse à l'égard des changements d'illumination. Nous présentons aussi un système de reconnaissance automatique de composants électroniques. Ce système est fondé sur l'image numérique des courbes de Nyquist tirées par des fonctions de transfert de leurs impédances équivalentes. Dans l'étape de classi cation, nous avons utilisés les Réseaux de Neurones (RN), les K-Plus Proche Voisins (KPPV) et les Vecteurs à Support Machines (SVM). Pour tester nos méthodes et évaluer leurs performances, nous avons réalisé une série de simulations d'expériences sur les trois bases de données 2D bien connus des images de visages FERET, XM2VTS et ORL. Nous avons qualitativement et quantitativement comparé notre approche avec les méthodes classiques.