Optimisation de la biométrie faciale via des méthodes locales probabilistes, statistiques et structurelles

Abstract

La description des visages via les méthodes locales reste l'outil le plus recouru pour générer des représentations faciales réduites et discriminantes. Parmi les modèles locaux les plus utilisés sont ceux basés sur le modèle binaire local (Local Binary Pattern, LBP). Bien qu‘ils soient simples et moins complexes, les pertes d‘informations dues principalement à leur aspect binaire est l‘une des handicape majeure de ces modèles. Dans le présent travail, nous avons remédié à ce problème en développant quatre nouveaux descripteurs basés sur le concept de la localité de LBP, l'estimation par intervalle de confiance, l'effet du gradient, la dualité « pixel - 'charge électrique virtuelle‘ » et enfin l'optimisation primale-duale. Ces modèles sont les suivants :  Modèle probabiliste binaire local (Local Binary Probabilistic Pattern, LBPP).  Modèle probabiliste gradient local (Local Gradient Probabilistic Pattern, LGPP).  Modèle binaire à champs électrique virtuel (Electric Virtual Binary Pattern, EVBP).  Modèle optimal binaire local (Optimal Local Binary Pattern, Optim-LBP). Ainsi, LBPP génère une nouvelle description de l'image, particulièrement celle du visage avec utilisation des intervalles de confiance qui sont déterminés en fonction de la normalité asymptotique des distributions empiriques qui régissent les voisinages des pixels. LGPP est une extension de LBPP qui engendre une représentation améliorée de l'image, tout en exploitant les avantages de la description par gradient et intervalle de confiance. Dans ce sens, l'intervalle de confiance d'un voisinage des gradients est également déterminé en fonction du degré de normalité de la distribution empirique qui les régit. EVBP est un descripteur qui adopte la dualité « pixel -'charge électrique virtuelle‘ », pour engendrer une nouvelle représentation de l'image où chaque voisinage est assimilé à une grille de charges électriques virtuelles. Ainsi, cette vision permet de décrire la topologie locale de chaque élément de surface réel par l'ensemble des interactions entre les charges virtuelles de la grille qui lui correspond. Enfin, Optim-LBP qui détermine les poids optimaux des contributions des pixels voisins dans le recodage du pixel courant, en résolvant un problème de minimisation sous contraintes. En outre la fonction objective de ce problème est définie comme mesure du degré d'homogénéité de chaque voisinage en termes d'erreur quadratique de l'entropie de Shannon. Afin de mettre en évidence les apports et l'efficacité des descripteurs que nous avons proposés, nous les avons combinés avec des algorithmes d'apprentissage statistiques, notamment des méthodes de réduction de la dimension et des algorithmes de classification. La comparaison de nos approches avec des méthodes connexes de l‘état d‘art a montré la qualité des descriptions engendrées ainsi que la prépondérance des approches proposées.