Vous êtes sur la page 1sur 6

3rd International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 27-31, 2005 TUNISIA

SETIT 2005

Mise en place d'un systme de reconnaissance facial bas sur l'approche statistique "Analyse en composantes principales" dveloppe sous l'environnement MATLAB
CHELALI F/Z *, Mr DJERADI .A** et Mme DJERADI .R*
Universit des sciences et de Technologie Houari Boumediene (USTHB) Facult dElectronique et dinformatique Laboratoire communication parle et traitement du signal (LCPTS).
Chelali_zohra@yahoo.fr

R_djeradi@yahoo.fr
Rsum: Cet article est adress lissue du dveloppement dun systme de reconnaissance faciale sous contraintes rduites, nous prsentons la mise en place dun systme didentification de personnes ; cette identification sappuie sur des enregistrements de squences audiovisuelles. Ces squences sont analyses et on extrait linformation visuelle lie au visage , on construit alors notre base de donnes et on prsente la technique permettant de classer ou de reconnatre une forme inconnu dun locuteur parmi lensemble. Le module de reconnaissance faciale est bas sur le principe de faces propres est prsent sous trois (03) modules principaux : module dtection vido et dtection faciale, module traitement et module reconnaissance faciale.

1 Introduction
Dans ce travail nous prsentons la mise en uvre dun systme didentification de personnes par reconnaissance de visages humains. La 1re tape de cette tude est la mise en place dun modle statistique (analyse en composantes principales) bas sur un ensemble de caractristiques extraites partir dune squence audiovisuelle. Ce modle utilise un espace de reprsentation des faces propres pour dcrire les diffrentes formes du visage parlant. Sachant que le processus de reconnaissance est trs complexe si on tient compte de tous les paramtres intervenants, nous allons nous limiter dans cette tude lanalyse de la forme du visage du locuteur pourtour de limage .enfin nous terminons par une validation de ce modle. * banc exprimental pour lacquisition de la forme : Pour extraire les paramtres ncessaires notre modlisation nous avons t amen mettre en place le banc exprimental suivant: (figure1). La manipulation permettant la ralisation de notre modle de reconnaissance se compose dun ensemble : camra numrique + ordinateur pour traitement. Plusieurs prises de vue ont t ralises au laboratoire communication parle et traitement du signal (LCPTS), lenregistrement est stock dans un ordinateur par un cble DV (digital vido) pour tre trait plus tard. Les locuteurs sont prsents devant la camra une distance moyenne de 1m :50 , une vue de face est ralis pour lensemble des images des quatre locuteurs Camera

Carte mere du PC Carte IEEE

1394
Fichier vido.avi Images fixes

Logiciel dacquisition ULEAD VIDEO STUDIO7

Figure (1). Le banc experimental

SETIT2005

2 Le systme de reconnaissance :
2.1 Principe : Lobjectif de la partie traitement est dabord : extraire des images fixes partir du flux vido du visage parlant enregistr sur une dure de 3 5 secondes une vitesse de 25images par secondes,le flux vido est compress pour une facilit de traitement par le logiciel MATLAB6.5 , un premier programme est ainsi labor pour lextraction dimages fixes couleurs, les images couleurs ainsi obtenues sont traites en niveau de gris permettant de rduire la taille des matrices pour un ventuel calcul statistique, le filtrage permet de rduire le bruit qui a affect limage durant les ralisations successives, lopration dapprentissage permet deffectuer un calcul statistique bas sur lACP pour laborer plus tard un modle de reconnaissance. (figure2)[8] 2.2 Paramtrisation des images du visage : Lapproche images propres est une des dernires mthodes en reconnaissance faciale dveloppe par M.Turk et Pentland en 1991[1]. Cette mthode utilise le principe des composantes principales et dcompose les images faciales en des petites images dimages caractristiques futures appeles faces propres La reconnaissance est performe en projetant une nouvelle face dans un faible sous espace linaire espace faces dfinie par les faces propres ou eigenfaces ; suivi par le calcul de distances entre la position rsultante dans lespace face et celle des classes faciales connues.
Visages humains

Figure (3). Schmatisation des faces propres

Acquisition video

Prtraitement des images fixes obtenues.

Mathmatiquement ; lobjectif est de trouver les composantes principales des distributions faciales ou les vecteurs propres de la matrice de covariance de lensemble des images faciales. Les vecteurs propres peuvent tre lensemble des traits qui ensemble caractrisent la variation entre les images faciales.[5] Chaque image faciale dans lapprentissage peut tre exactement reprsente par une combinaison linaire des faces propres. le nombre possible des faces propres est gal au nombre des images faciales du groupe dapprentissage . Cependant, les faces peuvent tre approximes en utilisant seulement les meilleurs faces propres qui ont les plus larges valeurs propres et qui reprsentent la variation la plus importante lintrieur de lensemble des images faciales. Lapproche des faces propres pour une reconnaissance faciale enveloppe les oprations dinitialisations suivantes : 1- Acqurir lensemble des images dapprentissage partir dun flux vido. 2- Calculer les faces propres de lensemble dapprentissage, garder seulement les M meilleures images avec les valeurs propres les plus grandes. Ces M images vont dfinir les lespace face. Comme de nouvelles faces exprimentes, les faces propres peuvent tre recalcules. 3- Calculer la distribution correspondante dans lespace pondr. 4- Recalculer les faces propres ou exemples pondrs. 5- Calculer lexemple caractristique pondr de la nouvelle image et lincorporer dans les faces connues.

Analyse statistique

Apprentissage

3. Ralisation du systme de reconnaissance :


Lalgorithme est ainsi reprsent comme suit : On considre une image faciale N*N : I(x,y) comme un vecteur de dimensions N2 ; limage peut tre assimile comme un point dans un espace de dimensions N2 . une base de donnes de M images peut tracer une collection de points dans cet espace face de dimensions lev comme 1 ; 2 ; 3 ..............M avec la face moyenne de lensemble des images dfini par : .[5]

Decision et classification
Figure (2). Schma gnral dun systme de reconnaissance de visages.

SETIT2005

1 M

n =1

(1)

Chaque face pourra tre normalise et reprsente par la dviation par rapport la face moyenne par

i = i
La matrice de covariance est calcule par lquation suivante :

i = i =

1 M

(u .
i n =1

T n

T moy(ui .n )) 2

C=

1 . n * T n M n =1

1 M T . var(ui .n ) M n=1

(8)

(2)

Si on assume davantage que les images dentres dans le module reconnaissance faciale ont t parfaitement normalises, on peut conclure les variances de chaque i correspondant ainsi rsultant dans lensemble des images alignes dans le temps. On peut conclure que chaque i est indpendant et que la double multiplication entre les diffrents i est possible due leur caractristique aligne dans le temps. La dernire conclusion nous permet dexprimer la matrice de covariance dans une forme alternative. Prenons la matrice A = 1 2 .............. M , base sur notre conclusion, lquation (2) peut tre rcrite comme suit :

C=

1 ( A. AT ) M

(3)

Le facteur(1/M) va affecter le scalaire de sortie durant lanalyse des vecteurs propres. On peut alors enlever ce facteur dchelle dans notre calcul ; le rsultat :

C A. AT

La matrice de covariance donne C, on peut alors procder la dtermination des vecteurs propres u et des valeurs propres de la matrice C, dans le but dobtenir lensemble optimal des composantes principales ; un ensemble de faces propres qui caractrisent la variation entre images faciales. Considrons un vecteur propre ui de C qui satisfait lquation :

Lquation (8) montre que la valeur propre correspondante au ime vecteur propre reprsente la variance de limage faciale reprsentative. Turk et Pentland[1] ont suggrs quen slectionnant les vecteurs propres les vecteurs propres les plus larges comme vecteurs de base, lensemble des vecteurs dominants exprimant la variance maximale sont slectionns. Rappelons cependant, quune image faciale N*N traite comme un vecteur de dimensions N2 est sous considration .cependant ; si on utilise lquation approxime (4) ; la matrice de covariance rsultante sera de dimensions N2*N2 . Une image typique de taille 256*256 sera par consquent un vecteur de dimensions 65536. Qui rendra la tache de dtermination des N2 vecteurs propres intraitable et infaisable en calcul. Ltage dapprentissage des faces propres est expliqu avec les tapes suivantes : 1- collecter et construire la matrice T des images faciales de taille M fix des individus connus. On sassure que les images dentres dans le module reconnaissance ont t prtraites par le module dtection faciale et prtraitement. Chaque face doit tre organise comme un vecteur une dimension et les pixels correspondants chaque face seront aligns dans la matrice. 2- calculer la face moyenne de la base de donnes en sommant les valeurs des intensits des chaque M pixels correspondants et diviser par le nombre M total des faces. 3- soustraire la face moyenne de la matrice T et obtenir la matrice A ; ou chaque lment reprsente la variance des valeurs dintensit de chaque pixel. 4- une matrice C doit tre construite en considrant lalgorithme des faces propres optimis tel que C est la matrice M*M calcule par le produit AT et A. 5- les vecteurs propres de C sont calculs et classs dans un ordre descendant accordant les valeurs propres associes aux vecteurs propres. 6- Obtenir les faces propres ; les vecteurs propres de la matrice de covariance C ; en multipliant les vecteurs propres de C calculs dans ltape 5 par la matrice A. 7- Obtenir les vecteurs de base dominants qui dcrivent et caractrisent la base de donnes faciale en normalisant les faces propres dans ltape6. 8- Dterminer les poids des M faces dentre dans la base de donnes en projetant chaque image faciale dans lespace face. Transformant chaque face en ses

C.u i = i .u i u iT .C.u i = u iT .i .u i u iT .C.u i = i .u iT .u i

(4)

(5) (6)

Les vecteurs propres sont orthogonaux et normaliss :

u iT * u

1 = 0

i = j i j

(7)

Combinons lquation (2) et (6) et (.7) :

i = uiT .C.ui
= 1 T M .ui . n . T .ui n M n =1 1 M

i =

u
n =1

T i

. n T .ui n

SETIT2005 composantes faces propres. Ceci peut tre accompli en multipliant chaque individu face A par les faces propres dans ltape 7. 9- Chaque face est maintenant reprsente par un ensemble de poids, qui peut dcrire uniquement les M faces dentre, et est utilise pour reconstruire chaque face dans la base donnant les composantes faces propres. Pour ltage de test ; il est ncessaire de sauvegarder le calcul de face moyenne, de faces propres ; les poids connus et le nom des faces. Les 9 tapes dcrites vont transformer une base de donnes des images faciales dans un ensemble de projections dans lespace face construit. Ltage de reconnaissance peut tre rsum par les tapes suivantes : 1- Limage dentre est translate en soustrayant la face moyenne ; le rsultat dans le vecteur N. 2- Puisque lespace face est prsent par les vecteurs dominants des faces propres ; limage centre peut tre projete dans lespace en multipliant les faces propres avec limage dentre normalise N ; dans le but de dterminer ses poids.

3- calcul de la matrice de covariance des variables initiales ainsi que la matrice de corrlation
4- Calcul des valeurs propres:

4. Rsultats :
Lalgorithme est dvelopp comme suit : 1-Acquisition des (12) images faciales en RGB des variables des deux classes :

Figure (4). Trac des valeurs propres

5- calcul des vecteurs propres : nous prenons les vecteurs permettant la projection dans le nouveau systme de reprsentation (eigen-face) .

2- Traitement en niveau de gris ayant pour objectif la rduction des tailles des matrices pour faciliter le calcul statistique :

SETIT2005

6-On peut en consquence reprsenter les cordonnes des variables dans les axes principaux pris conjointement deux deux pour voir la rpartition des variables et prendre une dcision sur la meilleure projection possible.

7- Introduction dimage test pour une projection dans le nouveau systme de faces propres et reconnaissance partir du nouveau systme de reprsentation.

Figure (5). Coordonnes des variables dans les 02 premiers axes.

5. Conclusions et perspectives :
La mthode utilise dans ce travail a lintrt dtre simple et robuste, ce systme est caractris par certains avantages : 1-possibilit dlargir le systme en prenant en compte un grand nombre dindividus. 2- le test didentification est ralis avec des images diffrentes de celles utilises pour lapprentissage el la projetant dans le nouveau systme de faces propres , on arrive reconstruire limage faciale partir de ces derniers avec une qualit apprciable en niveau de gris. Le travail prsent dans cet article est considr comme ltape dune tude approfondie consacre la reconnaissance des visages humains, ltude des diffrents travaux sur la dtection des visages nous permet daugmenter le champ dapplication de notre systme de reconnaissance faciale notamment lutilisation dautres algorithmes tel que les rseaux de neurones, les mthodes probabilistes tel que la mthode baysienne. On note aussi que lanalyse en composantes principales est une technique utilise dans tous les algorithmes de reconnaissance en vue de la rduction du systme de reprsentation des variables, des projets consistent en la synthse des mthodes de compression dimages tel que la compression par DCT et par ondelettes. Lacquis dans le domaine de compression est fondamental dans le domaine de la scurit ou protection dimages qui est en pleine effervescence que ce soit au niveau de donnes audio, vido, images ou documents.

Figure (6). Coordonnes des variables dans les 02 premiers axes.

La reprsentation des variables dans les 04 premiers axes principaux est la suivante :

Figure (7). Coordonnes des variables dans les 04 premiers axes principaux.

SETIT2005

Remerciements:
Je tiens remercier vivement mon promoteur Mr Djeradi Amar ; matre de confrences la facult dElectronique et dInformatique et responsable de la post graduation communication parle pour laide quil mapporte pour finaliser mon travail de magister.

Rfrences:
[1]- Mathew A. Turk and Alex P. Pentland. Face recognition using eigenfaces. In Proc. of the IEEE con Computer Society Conferece. IEEE Computer Society Press, 1991. [2]- Belaid Abdel Belaid Yolande. Reconnaissance des formes, mthodes et applications. Interditions 19992. [3]- Jacques E.Besacon . Vision par ordinateur en deux et trois dimensions. E.Eyrolles .Paris 1988. [4]- Ph. Boland, J.M Chassery et J-P Cocquerez. Analyse dimages, filtrage et segmentation. [5]-Carlos Leung. Real face recognition. Thse dingnieur (University of Queensland).2002 [6]- www-isis.enst.fr. reconnaissance de visages. [7]- Thomas Heseltine. DPhil. Face Recognition: .A Literature Review. Research Student.University of York [8]-Who-Is : systme didentification des visages humains, Mohamed Tayeb laskri DjallelChefrour.Dpartement dinformatique, Universit de Annaba 2002.