Biométrie faciale 2d et 3d par décompositions multi-échelles et apprentissage

Abstract

Ces dernières décennies, la biométrie, en particulier la vérification et l’identification de visage, est de plus en plus accrue dans les domaines de la vidéosurveillance, des systèmes de contrôle d’accès et de la production des documents biométriques. Plusieurs méthodes ont été depuis développées pour la reconnaissance de visage. Le travail élaboré au cours de la présente thèse consiste à concevoir et à développer un système de reconnaissance de visage 2D et 3D. Notre travail cible des caractérisations du visage dans le cas 2D et 3D qui surmontent un certain nombre de limitations liées à l’orientation du visage, à l’éclairage et aux expressions faciales. Pour atteindre ces objectifs, nous proposons deux contributions pour la reconnaissance de visage 2D et une troisième contribution pour la reconnaissance de visage 3D. Dans la première, nous présentons un algorithme de la reconnaissance de visage 2D en utilisant la décomposition de la matrice des modèles d’apprentissage et de test par la décomposition modale empirique de l'ensemble multidimensionnel (Multidimensional Ensemble Empirical Mode Decomposition : MEEMD). Cette dernière est adoptée pour représenter les caractéristiques des visages en plusieurs fonctions de base (IMFs). Ensuite, un filtre gaussien 1D est utilisé pour ajuster les valeurs des caractéristiques affectées par les facteurs naturels (pose, illumination, expressions, cheveux, lunettes ou arrière-plan). Dans la deuxième, nous présentons un nouveau modèle discriminant de post-traitement le plus adapté aux cas réels. Les modèles d’apprentissage et de test sont représentés sur différentes composantes issues de la décomposition MEEMD complémentaire dite la MCEEMD (Multidimensional Complementary Ensemble Empirical Mode Decomposition). Après, nous avons fait suivre cette étape par l'exécution des méthodes de filtrage spatial et fréquentiel. Ensuite, les résultats obtenus sont concaténés pour former les nouveaux vecteurs de caractéristiques de visage. Dans la dernière contribution, nous présentons un troisième algorithme de reconnaissance de visage 3D. Cette approche se déroule en cinq R é s umé /A b s t r a c t iv phases. La première étape est le prétraitement des visages 3D. Dans la seconde étape, nous décomposons chaque visage en différentes IMFs surfaciques. La troisième étape est réservée à la génération d’un vecteur descripteur pour chaque point. Dans la quatrième étape, des courbes de niveau et des courbes radiales sont extraites de chaque scan. Enfin, nous utilisons les vecteurs caractéristiques associés aux courbes de niveau et des courbes radiales pour la reconnaissance 3D. Dans la partie expérimentale de ce travail, nous réalisons plusieurs expériences avec plusieurs bases de données de référence 2D et 3D et nous démontrons la supériorité de nos algorithmes en comparaison avec plusieurs méthodes de la littérature en utilisant plusieurs critères d’évaluation.