Enhanced face recognition methods

Abstract

Les travaux de recherche de cette thèse ont pour objectif principale la recherche de solutions aux problèmes des systèmes de reconnaissance de visage. Ces problèmes sont dûs à de nombreux facteurs qui ont un impact sur la performance de ces systèmes biométriques. Parmi les facteurs déterminants, il y a la variabilité de la luminosité, les expressions faciales, l’angle de capture du visage et les bruits qui entâche les images prises par les caméras. Dans le but de résoudre ces problèmes, cette thèse propose de nouvelles méthodes basées sur l’analyse en composantes principales (PCA) et l’analyse discriminante linéaire (LDA). Elle procède d’abord par l’extension de ces deux techniques au cas 2D (2DPCA+2DLDA), ce qui a permis de réduire en même temps le bruit présent dans les images et le temps de calcul. Les résultats de tests sur des bases libres obtenus avec ces deux méthodes sont très satisfaisants. Cependant, la méthode LDA souffre du problème de singularité appelé Small Sample Size problem (SSS). Pour remédier à ce problème, cette thèse propose deux versions de l’analyse discriminante qui utilisent une fonction de pondération des matrices intra classe et inter classe RW2DLA et WS2DDA. Les tests expérimentaux avec ces deux méthodes ont montré leure bonne efficacité dans la reconnaissance de visage. Enfin, pour améliorer le taux de reconnaissance, cette thèse utilise des fonctions noyaux pour obtenir des versions non linéaires de l’analyse discriminante KRW2DDA et KWS2DDA. Ceci dans le but de travailler dans un espace des caractéristiques où la séparation des classes est efficace. Les résultats des tests sont satisfaisants comparées à ceux des versions lineaires.