MOTIVATION • La vidéosurveillance (CCTV) est utilisée dans de nombreux espaces publics et privés, souvent dans le but de dissuader les personnes de commettre des infractions • La capacité de reconnaître et de catégoriser les visages présente des avantages sociaux MOTIVATION • Application de la loi La reconnaissance faciale est souvent utilisée par les autorités. Selon ce rapport de la NBC, cette technologie est de plus en plus utilisée par les autorités aux États- Unis et dans d'autres pays. La police collecte des photos anthropométriques des personnes arrêtées et les compare aux bases de données locales, étatiques et fédérales. Une fois prise, la photo du suspect est ajoutée aux bases de données pour être scannée dès que la police effectue une autre recherche de criminel. Motivation • Contrôles dans les aéroports et aux frontières La reconnaissance faciale est de plus en plus courante dans les aéroports du monde entier. De nombreux voyageurs utilisent des passeports biométriques qui leur permettent de ne pas faire la queue et de passer par un contrôle des passeports automatisé pour rejoindre plus rapidement leur terminal. La reconnaissance faciale réduit les files d'attente et permet aux aéroports d'améliorer la sécurité. Le Département de la Sécurité intérieure des États‑Unis prédit que la reconnais<sance faciale sera utilisée sur 97 % des voyageurs d'ici 2023. En plus des aéroports et des frontières, cette technologie sert à améliorer la sécurité lors d'événements à grande échelle comme les Jeux olympiques. Motivation • Retrouver des personnes disparues La reconnaissance faciale peut servir à trouver des personnes disparues et les victimes de la traite d'êtres humains. Imaginons que les personnes disparues soient ajoutées à une base de données. Les autorités peuvent alors être alertées dès que ces personnes sont repérées par la reconnaissance faciale, que ce soit dans un aéroport, un magasin ou un espace public. Sommaire • 1 Principes de la reconnaissance de visages • 2 Problématique • 3 Introduction : la reconnaissance de visages d’un point de vue neurocognitif • 4 Les algorithmes de reconnaissance de visage: 1/Dimensionalité de l'espace visage 2/Analyse en composantes principales 3/Fisher Discriminant Analysis 4/Tests et comparaisons des algorithmes Sommaire • 5 Bases de données: 1/La base de donnée FERET 2/La base de donnée BIORAFALE 6 Performances des systèmes de reconnaissance en conditions contrôlées 7 Performances des systèmes de reconnaissance dans un contexte de vidéosurveillance Principes de la reconnaissance de visages Problématique • Le problème de la reconnaissance de visages peut être formulé comme suit : étant données une ou plusieurs images d’un visage, la tâche est de trouver ou de vérifier l’identité d’une personne par comparaison de son visage à l’ensemble des images de visage stockées dans une base de données. Il faut être capable de trouver de manière fiable un visage et ses repères. Ceci est essentiellement un problème de segmentation et systèmes pratiques, la plupart des efforts sont déployés pour résoudre cette tâche. En fait, la reconnaissance réelle basée sur les caractéristiques extraites de ces repères faciaux est seulement une dernière étape mineure. Il existe deux types de problèmes de détection de visage: • 1- Détection de visage dans les images. • 2- détection de visage en temps réel. Introduction Dans ce chapitre, nous présenterons donc trois algorithmes de réduction d'espace : l'ACP, la LDA et la DLDA. Une présentation théorique de ces approches, et surtout leur application au domaine du visage, est faite dans la première partie de ce chapitre. Une étude comparative entre ces algorithmes est présentée dans la deuxième partie de ce chapitre Dimensionnalité de l'espace visage Une image du visage est un signal à 2 dimensions, acquis par un capteur digital (caméra numérique, scanner...). Ce capteur codera la couleur ou l'intensité des différents points de l'image dans une matrice de pixels à deux dimensions . Dimensionnalité de l'espace visage Après une normalisation de l'image et une mise à l'échelle vers une taille xe (ex : m∗n), l'image du visage peut être considérée comme un vecteur dans un espace multi-dimensionnel R**mn Ce vecteur est obtenu en mettant, simplement, dans un ordre xe les éléments de la matrice des pixels. An de dénir une image (ou un point) dans l'espace des images, nous devons spécier une valeur pour chaque pixel de cette image Dimensionnalité de l'espace visage Le cas du visage est assez particulier. Le visage est formé par des surfaces lisses et une texture régulière. Il possède une forte symétrie (dans le cas des images frontales) et il est formé à partir de mêmes objets (yeux, nez et bouche), qui ont les mêmes positions pour tous les visages Analyse en composantes principales L'analyse en composantes principales (ACP )est une méthode de la famille de l'analyse des données et plus généralement de la statistique multivariée, qui consiste à transformer des variables liées entre elles (dites « corrélées » en statistique) en nouvelles variables décorrélées les unes des autres. Ces nouvelles variables sont nommées « composantes principales » ou axes principaux. Elle permet au statisticien de résumer l'information en réduisant le nombre de variables. Analyse en composantes principales
• On applique généralement une ACP sur un
ensemble de N variables aléatoires X1, …, XN connues à partir d'un échantillon de K réalisations conjointes de ces variables. • Cet échantillon de ces N variables aléatoires peut être structuré dans une matrice M, à K lignes et N colonnes. Analyse en composantes principales
• Poids • Transformations de l'échantillon • Calcul des covariances et des corrélations • Critère d'inertie • Projection • Diagonalisation