Vous êtes sur la page 1sur 8

Mthodes didentification et de reconnaissance de visages en temps rel bases sur AdaBoost Moad Benkiniouar1, Mohamed Benmohamed 2

Rsum Dans la dernire dcennie la haute scurit est devenue un problme majeur pour les installations gouvernementales (militaire, nuclaire, air port, ..). lidentification de personne par la reconnaissance de visages donne un certain nombres de solutions ce problme. Actuellement ils existent de nombreuses mthodes qui permettent de reconnatre et didentifier une personne dans une image. On peut diviser ces mthodes en deux catgories, les mthodes gomtrique et les mthodes globales, la performance de ces mthodes dpend de la prcision (nombre de paramtres) avec laquelle les informations utiles du visage sont extraites (comme certains partie du visage les yeux, le nez, la bouche, ) [12] [13] [14] [15] Cet article prsente une approche de reconnaissance de visages base sur un algorithme qui permet de booster les performances du systme de reconnaissance, lalgorithme sapple ADABOOST. [1], [2], [3], [4], [5], [6], [7], [8]. Notre objectif est de reconnatre et identifier un visage dans une image fixe ou dans un flux vido en temps rel la cadence dacquisition dune camra (25 images/seconde) avec un traitement temps rel (~ 256 visage/ms) [16],[17] et un environnement dclairage et de luminosit, dune installation gouvernementale comme un air port.

1. Introduction La reconnaissance et lidentification de visages joue un rle fondamentale dans nos interactions sociales, elle est base sur notre capacit de reconnatre les personnes, elle ne prsente pas de difficults normes pour un tre humain mais elle constitue pour tout systme informatique une situation extrmement dlicate. Un tre humain moyen atteint un taux de reconnaissance de 99% peut on atteindre ce taux ou le dpasser avec un systme informatique. [18], [19] Sinvestir dans le domaine de la reconnaissance de visages est sans doute motiv par la multiplicit et la varit des champs dapplication (haute scurit, tlsurveillance et contrle daccs). Les travaux portant sur ce domaine, sous diffrentes conditions dclairage, dexpression faciales et dorientations, peuvent tre rpertoris en deux catgories distingues suivant quils se rapportent une approche gomtrique ou une approche globale. Une revue des techniques de reconnaissance de visages est donne dans [20],[25]. Un schmas gnrale utilis en reconnaissance de visage est illustr en figure1. E1 E2 Eq
Type d'objet

Image de test

Extraction de paramtres

Vecteur d'attribut

Classification

x1 x x= 2 x k

Fig. 1 Schma gnral de reconnaissance.

2. Etat de lart (related work) 2.1. Les Mthodes Gomtriques On les appelle aussi les mthodes traits, caractristiques locales, ou analytiques. L'analyse du visage humain est donne par la description individuelle de ses parties et de leurs relations. Ce modle correspond la manire avec laquelle l'tre humain peroit le visage, c'est dire, nos notions de traits de visage et de parties comme les yeux, le nez, la bouche, etc. La plus part des travaux raliss se sont concentrs sur l'extraction des traits partir d'une image du visage et sur la dfinition d'un modle adquat pour reprsenter ce visage. Un certain nombre de stratgies ont modlis et class les visages sur la base de distances normalises et angles entres points caractristiques. Cette phase dextraction des traits caractristiques du visage constitue l'tape cl du processus, car la performance du systme entier en dpend. [12],[13],[14],[15],[18],[21] L'avantage de ces mthodes est qu'elles prennent en compte la particularit du visage en temps que forme naturelle reconnatre, et un nombre rduit de paramtres (de 9 14 distances au maximum a considrer) [13],[38] en exploitant les rsultats de la recherche en neuropsychologie et psychologie cognitive sur le systme visuel humain. La difficult prouve quand il s'agit de prendre en considration plusieurs vues du visages ainsi que le manque de prcision dans la phase "extraction" des points constituent leur inconv nient majeur. 2.2. Les Mthodes Globales Cette classe regroupe les mthodes qui mettent en valeur les proprits globales du visage. Le visage est trait comme un tout. Elles se basent principalement sur linformation pixel. Dans ces mthodes (Neural Networks, Support Vecteur Machine, Principal Component Analysis Eigenfaces, HMM... ) on gnre une base dexemples partir de laquelle un classifieur va apprendre ce quest un visage (apprentissage). Ces systmes sont trs performants [10], [11] mais trs lents en phase

dapprentissage donc lourds mettre en uvre. Pour atteindre le temps rel ( 40ms) [16] ils ~ ncessitent une implmentation spcifique (ZISCs, FPGA ou DSP) [33]. Parmi les approches les plus importantes runies au sein de cette classe on trouve: L'Approche connexionniste [22],[23],[24]. L'inconvnient de cette approche est que l'apprentissage est long. A ce jour, il n'est pas claire comment de tels systmes vont s'tendre des problmes plus larges, il faut prendre en compte un grand nombre d'individus. L'Approche ACP (ou Les Visages Propres), son but est de capturer la variation dans une collection d'images de visages et d'utiliser cette information pour coder et comparer les visages (en termes mathmatiques : trouver les vecteurs propres de la matrice de covariance de l'ensemble des images de visages). Le nombre possible de visages propres peut tre approxim en utilisant seulement les meilleurs visages propres qui correspondent aux plus grandes valeurs propres [27],[28],[29]. Cette approche rencontre le problme du cot des calculs lev et celui de la dtermination du nombre de visages propres utiles [26]. L'Approche Stochastique : Dans [30], [31],[32] on avance que, quand les images frontales sont balayes de haut en bas il y a un ordre naturel dans lequel les caractristiques apparaissent, et de ce fait peut tre modlis dune manire pratique en utilisant un modle cach de Markov (HMM : Hidden Markov Model ). Ce modle rencontre les problmes de prises de vue des images en entre Lapproche statistique et lapproche probabiliste: cette approche repose essentiellement sur la thorie de dcision pour rsoudre les problmes de classement et de classification, et pour cela en utilise gnralement la classification fonde sur le thorme de Bayes. Yang et Ahuja [34] prsente une mthode pour dtecter des visages humains partir d' images en couleur . Un modle de la couleur de la peau humaine bas sur une analyse statistique multivariante est construit pour capturer les proprits chromatiques, et dans [35] Yang, Ahuja et Kriegman prsentent une mthode de probabilit pour dtecter les visages humains qui utilisent un mlange d'analyseurs de facteur. Cette approche pose le problme de la complexit de calcul qui est trs leve Lapproche rseaux de neurones: Les rseaux de neurones artificiels ou RNA sont des assemblages fortement connects dunits de calcul. Chacune des units de calcul est un neurone formel qui est, en soi, une formulation mathmatique ou un modle trs simplifi dun neurone biologique. Les RNA ont des capacits de mmorisation, de gnralisation et dune certaine forme dapprentissage. On classe gnralement les rseaux de neurones en deux catgories: les rseaux faiblement connects couches que lon appelle des rseaux feedforward ou rseaux directs et les rseaux fortement connects que lon appelle des rseaux rcurrents. Dans ces deux configurations, on retrouve des connexions totales ou partielles entre les couches. Les rseaux de neurones peuvent tre utilis tant pour la classification, la compression de donnes ou dans le contrle de systmes complexes en automatisme. Cette approche repose essentiellement sur la notion d'apprentissage qui est depuis de nombreuses annes au cur des recherches en intelligence artificielle.[36] L'ide est didentifier partir d'exemples un visage (ici une personne ) De manire plus formelle, l'apprentissage du rseau pour but l'extraction des informations pertinentes [37] l'identification. Lavantage de ce modle est le gain de temps considrable Cependant, l'utilisation d'exemples pour apprendre apporte le risque de ne pouvoir rsoudre que des situations dj rencontres, o un phnomne de sur-apprentissage qui spcialiserait le rseau uniquement sur le s exemples connus sans gnraliser. 3. Systme de dtection et de reconnaissance de visages: Nous prsentons dans cette partie, la mthode utilise pour effectuer la reconnaissance de visages. Rappelons pour commencer lobjectif atteindre. Apres dtection dun visage avec un algorithme de localisation. On possde une image contenant un visage dont on veut identifier. Les points caractristiques ( extraire) sont dfinis par un modle gomtrique. [13] o on a 9 points bien choisis qui sont suffisants pour identifier un visage, mais pour des bases de donnes plus larges le

nombre de points caractristiques doit tre plus grand. Le choix des points caractristiques est bas sur le fait que la rgion des yeux, celle du nez et celle de la bouche soient importantes pour l'identification, les points qu'on utilise couvrent l'ensemble des trois rgions, ils sont au nombre de 12 : Nous avons rutilis 9 points [13], et rajoute 3 points tel qu'illustr par la Figure 2 : Les quatre coins des yeux : A, B, C, et D. Le point S centre de gravit de A, B, C et D (milieu de la tte). Le point G la base du nez. Les points extrme droit et extrme gauche du nez : E et F. Le point H milieu du contour suprieur de la lvre suprieure. Les deux coins de la bouche I et J. Le M l'intersection des droites (SG) et (IJ) reprsentant le milieu de la bouche.

Figure 2. Modle gomtrique du visage

Les coordonnes des 12 points seront utilises dans le calcul dun vecteur caractristique qui reprsente l'individu, les composantes du vecteur caractristiques sont des distances normalises entres les 12 points extraits. Les informations choisies pour modliser le visage doivent tre discriminantes, compactes et non redondantes, nous avons slectionn 6 parmi les 66 distances possibles entre les 12 points, raison de 2 distances pour chaque rgion du visage : Rgion des yeux : Gnralement l'il gauche a la mme taille que l'il droit et donc les points A et B sont symtriques aux points C et D par rapport S, pour viter la redondance d'information ( AB = CD et AC = BD) nous n'avons utilis que les 2 distances AD et BC pour coder la rgion des yeux. Rgion du nez : La hauteur du nez est reprsente par la distance SG, et la largeur par la distance EF. Rgion de la bouche : Etant donn que la lvre suprieure est lie la mchoire suprieure qui est immobile (contrairement la mchoire infrieure), on peut dire que la distance SH (voir Figure 2) est invariante, et de mme pour la distance ve rticale SM puisque dans la plus part des cas la bouche n'est pas trop ouverte. Ainsi, dans sa totalit, le vecteur caractristique est : V[AD BC EF SG SH SM]

Avec ce systme on attribue une identit un individu ou on le dclare inconnu. La mthode de reconnaissance adopte est celle des k plus proches voisins (KPPV). La distance utilise est la distance euclidienne Avec la mthode des K-PPV il faut calculer la distance entre le vecteur caractristique de la personne identifier et chaque vecteur Wi dun ensemble E qui contient les vecteur Wi de la base.

Le calcul des M distances Di (distances euclidienne) entre le vecteur caractristique V(v1 , v2 ,, v6) de l'individu test et chaque lment Wi (wi1 , wi2 ,, wi6 ) de l'ensemble E des candidats l'identification :
Di = V j W
j

((

1 2 i 2 j

))

o W ji et Vj son les distances normalises du modle.

Quand une distance Di est calcule, on la compare avec un seuil Th, si elle dpasse ce seuil alors le candidat "i" de E ne ressemble pas l' individu identifier et il est donc ignor. Le seuil Th constitue au fait la distance maximale qui peut exister entre deux images de visage du mme individu, thoriquement cet cart doit tre nul mais en pratique ceci n'est pas vrai cause des variations des paramtres suivants : - L'clairage. - Le vieillissement. Dans ce cas La valeur du seuil Th est dtermine dune manire empirique en analysant les distances calcules (chacune) entre deux images du mme individu sur un chantillon de N personnes de la base (N=100). Les variations des paramtres nont pas une grande influence sur les rsultats de lidentification puisque entre deux images du mme individu (majore par Th) est gnralement infrieure celle entre deux images de deux individus diffrents. Parmi tous les individus enregistrs dans la base, les K individus retenus aprs le seuillage sont ceux qui ressemblent l'individu test, le nombre K est infrieur ou gal la taille de l'ensemble E des candidats l'identification, il dpend de la valeur du seuil Th. Si K est nul alors l'individu identifier est un inconnu, sinon on procde au tri des K distances retenues dans un ordre croissant. Lalgorithme de reconnaissance En entre V : vecteur caractristique de lindividu test (v1 , v2 , v6 ) E ={Wi} vecteur des candidat a lidentification N : nombre de personne dans la base Pour i = 1 jusqu N Calculer les distance Di entre V et Wi Finpour Dterminer Th dans un chantillon de N individu Seuillage: Parmi les N distances, ne garder que celles au seuil Th. Soient K distances en sortie Si k = 0 alors individu inconnu Sinon Affichage des K individus correspondants aux distances retenues Par ordre croissant Individu identifie ( par le meilleur rsultat ) 4. Mthode de reconnaissance de visages et boosting probabiliste : Pour rsoudre le problme de classification cest a dire en terme de taux de reconnaissance nous prsentons un algorithme qui amliore les performances du taux de reconnaissance du systme, cet algorithme s appel ADABOOST

ADABOOST : est un algorithme qui permet de booster (augmenter) les performances dun classificateurs simple (ou faibles classificateurs). Le boosting est adaptatif dans le sens damlioration dautre algorithme, dans notre cas augmenter le taux de reconnaissance dun algorithme suppos instable (weak learner), pour construire un bon classificateur qui puisse dterminer si un visage appartient a un profil de visages ou reconnatre une personne dans une base de donnes visages, tout en minimisant les erreurs. Donc lide est de combiner plusieurs hypothse simple en entre (ou classificateurs faibles) pour en dduire a la fin une hypothse finale qui va tre plus performante donc un bon classificateur en entre du systme de reconnaissance de visages Lensemble compos des hypothses est dfini de la manire suivante :
f ( x ) = t ht ( x)
t =1 T

(1)

avec t le poids qui est attribu lhypothse ht de lensemble. Les poids t et les hypothses ht doivent tre entrans pendant la procdure de Boosting. En gnrale, il y a plusieurs approches possibles pour slectionner les coefficients t et les hypothses ht de lquation (1). Lors du Boosting les coefficients t et les hypothses ht sont slectionns itrativement laide dexemples dapprentissage pondrs. chaque itration, les poids des exemples dapprentissage sont recalculs de manire attribuer une grande pondration aux exemples dapprentissage classifis incorrectement et une faible pondration aux autres. Cette technique permet de concentrer la procdure dapprentissage sur les exemples durs classifier. Dans ce cas on pose la question suivante : quelles sont les distances quil faut utiliser pour gnrer le vecteur caractristique en entre de lalgorithme de reconnaissance ? En rponse a cette question on applique ADABOOST sur lensemble des distances 5. Algorithme :
Lalgorithme ADABOOST

Algorithme Le but de lalgorithme dAdaBoost est de slectionner des coefficients t et des hypothses ht pour former une hypothse plus puissante f t(D)

Entre : S {d1, d2, ..,dn} N le nombre de distances dapprentissage, Avec un nombre ditrations T . Initialisation : Pour t = 1 jusqy T 1) Entraner les classificateurs faibles en respectant les donnes dentranement pondres. 2) Calculer lerreur dentranement pondre pour chaque classificateur faible 3) Choisir le classificateur faible avec lerreur dentranement pondre minimale hypothse ht et erreur dentranement pondre t . 4) Calculer le poids attribuer lhypothse ht : 5) Mettre jour les poids des donnes dentranement : On interrompt si Sortie : f t(D)

t = 0 t

6. Conclusion On a prsent dans ce rapport, plusieurs mthodes pour faire de la reconnaissance de visages La mthode quon propose a lintrt dtre performante et robuste, par lutilisation dun algorithme de Boosting, elle permet de gnrer un vecteur caractristique du visage performant qui va nous permettre daugmenter les performances de lalgorithme de reconnaissance de visages utilis. Comparer dautres systmes lutilisation du boosting est caracteris par une meilleur estimation des classificateurs utilisee par lalgorithme de reconnaissance de visages 7. Discussions Nous avons utilis lalgorithme Adaboost pour une mthode gomtrique de reconnaissance de visage, dautres voies envisageable que nous allons traite prochainement cest lapplication du boosting pour les mthodes globales tel que les rseaux de neurones avec les algorithmes gntique, ou les models HMM /GA , on peut aussi envisage lutilisation du boosting avec des mthodes hybrides On peut envisage aussi dutilise le boosting pour les rsultats obtenues par lalgorithme de reconnaissance qui donnes k images correspondantes aux distances retenues

Rfrences Bibliographiques: [1] A. Cornujols et l.Miclet: Apprentissage par combinaison de dcisions: le dopage (boosting) Novembre 2004 [2] Derek. Hoiem: Adaboost March 31 2004 [3] Fabrice.Vermont: Localisation de visages, Lausane Fvrier 2005 [4] Chris. Cartmell: Adaboost, Artificial Neural Nets and RBF Nets. Department of computer science. Sheffield University. May 2002 [5] David Cristinacce and Tim Cootes: Facial feature detection using Adabbost with shape constraints. Dept Imaging Science and biomedical Engineering. [6] Dan Yan: Boosting Algorithm and its Application. Jan 2005 [7] Balzs Kgl and Ligen Wang: Regularization of base classifier Science and operations research, University of Montreal [8] Sheng-Yang Dai and Yu-jin Zhang: Adaboost in Region-Based Image Retrieval. ICASSP 2004 [9] Michael Collins, Robert E. Shapire, Yoram Singer: Logistic Regression, Adaboost and Bregman Distances. October 11 2000 [10] E. Hjelmas et B. K. Low. Face detection : A survey.Computer Vision and Image Understanding, 2001. frame rate on edge orientation features. Dans International Conference on Automatic Face and Gesture Recognition, 2002. [11] M.H Yang, D. J. Kriegman, et N. Ahuja: Detecting faces in images : A survey, IEEE Transactions onPattern Analysis and Machine Intelligence, 2002. [12] CHIUNHSIUN L., KUO-CHIN F, : Human Face Detection using Geometric triangle relationship, 15th International Conference on Pattern Recognition ICPR2000, Barcelona, September 3-8, 2000. [13] KAMEL M. S., SHEN H. C., WONG A. K. C. and CAMPEANU R. I.: System for the recognition of human faces, IBM Systems Journal, Vol. 32, No 2, p. 307-320, 1993. [14] VEZJAK M., KOROSEC J., GYERGYEK L., PAVESIC N., SAVSEK T., ERJAVC I. and GERE A.: System for description and identification of individuals, IEEE, Vol. 2, p. 12511254, 1991. [15] VOGEL S., SCHMID C.: Face Detection on generic local descriptors and spatial constraints, Proceedings of the 15th International Conference on Pattern Recognition ICPR2000, Vol. 1, p. 1084-1087, Barcelona, September 3-8, 2000. [16] Renaud. Sguier: Dtection de visage adaptative, IETR [17] Hamed Fatem, Richard Kleihorst, Henk Corporaal and Pieter Jonker: REAL-TIME FACE RECOGNITION ON A SMART CAMERA, Proceedings of Acivs 2003 (Advanced Concepts for Intelligent Vision Systems), Ghent, Belgium, September 2-5, 2003

[18] F. Yang, M. Paindavoine, N. Malasn : Localisation et reconnaissance de visages en temps rel avec un rseaux de neurones RBF: algorithme et architecture, Traitement du signal 2003 Volume 20 n4 [19] F. Yang, M. Paindavoine, H. Abdi, A. Monopoli : Development of a fast panoramic face mosaicing and rcognition system, Optical Engineering 2005 [20] W. Zhao, R. Chellapa, P. J. Phillips, A. Rosenfeld: Face Recognition: A Lit erature Survey, ACM Computing Surveys, Vol. 35, No. 4, December 2003, pp. 399458. [21] Harry Brovers, Richard Kleihorst, Martijn Reuvers, Ben Krose : FACE DETECTION AND RECOGNITION ON A SMART CAMERA, Proceedings of Acivs 2004 (Advanced Concepts for Intelligent Vision Systems), Brussels, Belgium, Aug 31-Sept 3, 2004 [22] BESSHO H., TWAI Y., YACHIDA M. : Detecting Human Face and Recognizing Facial Expressions using potential Net. Proceedings of the 15th International Conference on Pattern Recognition ICPR2000, Vol. 1, p. 387-397, Barcelona, September 3-8, 2000. [23] SEHAD A., HOCINI H., HADID A., DJEDDI M., AMEUR S. : Face recognition under varying views. Actes du 5e Colloque Africain sur la Recherche en Informatique CARI2000 (INRIA), p. 375-382 Antananarivo, Madagascar, 14-19 octobre 2000. [24] VALENTIN D. et ABDI H. : Modles neuronaux, connexionnistes et numriques de la reconnaissance des visages. It Psychologie franaise, 39(4), p. 357-392, 1994. [25] Prahlad R. Enuganti: Face Recognition using Tensor Analysis, The University of Texas at Austin, Literature Survey, EE381K 14 Multidimensional Digital Signal Processing, March 25, 2005 [26] DAI D. Q., YUEN P. C. and FENG G. C.: A multi-resolution decomposition method for human face recognition. Proceedings/actes Vision Interface '98, p. 301-307, Vancouvert, British columbia, June 1998. [27] TURK M. A. et PENTLAND A. P: Face recognition using eigenfaces. IEEE Comput. Sco. Press, p. 586-591, June 1991. [28] Raphael Cendrillon, Brian C. Lovell: Real-time Face recognition using Eigenfaces, Dpt of computer Science and Electrical Engineering Universisity of Queensland, Australia [29] K. Etemad and R. Challapa: Face recognition using discriminant eigenvectors, in proceedings of ICASSP, 1996 [30] L.R. Rabiner: Atutorial on hidden markov model and selected applications in speech recognition [31] F. Samaria: Face segmentation for identification using hidden markov models, in british machine vision conference, 1993 [32] F. S. SAMARIA and HARTER A. C.: Parameterization of a stochastic model for human face identification. IEEE Comput. Soc. Press, p. 138-180, 1994. [33] F. Yang, M. Paindavoine : Implementaion of an rbf neural net work on embeded system: real time face trakingand identity verification. IEEE Transaction on neural networks, 2003 [34] YANG M.H., AHUJA N., KRIEGMAN D., : Detecting Human Faces in Color Images. Proceedings of the 1998 IEEE International Conference on Image Processing (ICIP 98), pp. 127-139, Chicago, October, 1998. [35] YANG M.H., AHUJA N., KRIEGMAN D., : Face Detection Using a Mixture of Factor Analyzers. Proceedings of the 1999 IEEE International Conference on Image Processing (ICIP 99), Kobe, Japan, 1999. [36] Richard Lepage : Reconnaissance dalgue toxiques par vision artificielle et rseau de neurones, mmoire de recherche, universit du qubec Rimouski, 2004 [37] S. palanivel, B. S. Venkatesh and B. Yegnamarayana: Real time face recognition system using auto associative neural network models, Speech and vision laboratory Dpt of computer science and engineering, Indian institute of technology madras, India [38] M. T. Laskri, Dj. Chefrour: Who_is: systme didentification des visages humains, Arima Volume 1- 2002

Vous aimerez peut-être aussi