Sujet TIPE : Système de Vidéosurveillance

avec la Reconnaissance Faciale

ETUDIANT : KORCHID Gaith

 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