Feature extraction and selection for dimensionality reduction in pattern recognition and their application in face recognition

Abstract

Dans la dernière décennie, la haute sécurité est devenue un problème majeur pour les installations gouvernementale (militaire, nucléaire, air port,..). L’identification de personne par la reconnaissance de visages après détection de ces derniers donne un certain nombres de solutions à ce problème. La première partie de cette thèse s’intéresse à la détection de visages et la localisation des yeux. Nous avons utilisé une méthode nommé TMBSVM consiste à calculer la similarité entre une image d’entrée (prétend être un visage) et le visage modèle, après avoir effectuer la détection des régions peau. Notre méthode proposée a été testée sur une base de visage couleur que nous avons construit à partir des images existantes sur le Web, afin de tester la performance de notre technique sous-divers conditions de changement de luminance, d’échelle et de rotation. La deuxième partie s’intéresse aux choix des primitives les plus représentantes dans l’image source et ceci par le passage du domaine pixel au domaine fréquentiel utilisant la Transformée en Cosinus Discrète (en anglais DCT). La DCT a été appliquée localement en divisant l’image en block, après avoir prouvé que l’application de DCT localement est plus performante que son application globalement. La dernière partie de cette thèse introduit une méthode de sélection des primitives pertinentes basée sur les Algorithmes Génétiques (en anglais GAs). Cette méthode à l’avantage non seulement de sélection mais aussi d’optimisation des paramètres de SVM. Cette approche est astucieuse et originale pour la reconnaissance de visages. La méthode GA a été appliquée sur des primitives fréquentielles après avoir appliqué DCT localement. Nous avons procédé à une comparaison entre la méthode adoptée et quelques méthodes de sélection de primitives basées sur l’information mutuelle. Nous avons aussi utilisé la méthode Naïve Bayes (NB) sur les primitives fréquentielles afin de valider notre choix de classifieur SVM. Nous avons pu en effet démontrer que l’utilisation de GA avec SVM et d’obtenir des résultats très informatifs et remettant en cause certaines affirmations sur notre choix.