Contribution à la reconnaissance faciale par la logique floue.

Abstract

Nous présentons dans cette thèse un système de classification des visages et des yeux basés sur la logique floue. La méthode de classification utilisée dans cette thèse se fait par un contrôleur flou contenant plusieurs parties: Fuzzification, règles d'inférence et défuzzification. Ce système donne le degré d'appartenance de l’objet détecté à chaque classe de la base de données. Les systèmes de classification des yeux dans une image sont des techniques indispensables dans plusieurs domaines. Pour mieux retrouver la classe d'appartenance de l'œil en un minimum de temps, les méthodes classiques de détection étant inadéquates. La logique floue est considérée comme une technique efficace pour résoudre un problème de classification oculaire. Les tâches de classification sont réalisées en deux étapes. Dans un premier temps, les points caractéristiques de l'image sont extraits afin de localiser l'œil. Ces points caractéristiques permettent de générer un modèle représentatif de l'œil. Dans la deuxième étape, les yeux détectés doivent passer par un contrôleur flou. Les systèmes de reconnaissance faciale d'une séquence vidéo constituent un outil technique essentiel dans plusieurs domaines. Pour classer les visages en un minimum de temps, cette recherche propose une approche floue pour la détection et la reconnaissance faciale dans les séquences vidéo à l'aide d'une modélisation multi-agents. Cette méthode contient plusieurs étapes pour classer les visages détectés dans la vidéo. L'approche multiagents adoptée permet de minimiser la complexité du traitement. Les tâches de détection et de classification du visage sont réalisées en deux étapes. Dans la première étape, les visages sont détectés à l'aide de la couleur de texture et de la face géométrique. Dans la deuxième étape, le système multi-agents et l'approche floue sont utilisés dans le processus de reconnaissance pour trouver les degrés d'appartenance. Les résultats obtenus en utilisant cette méthode démontrent des performances en termes de robustesse, dans les variations d'éclairage et de vitesse. Les résultats positifs des essais expérimentaux démontrent l'efficacité des algorithmes proposés pour construire un système de classification flou.