Soutenance mémoire
Introduction Générale:
La reconnaissance du visage est un domaine très actif dans la Vision par Ordinateur et dans la Biométrie. Elle a été étudiée vigoureusement il y a déjà 25 ans et sa finalité est de produire des applications de sécurité, des applications en robotique, d’interface homme-machine, applications pour les appareils photo numériques, jeux et divertissement. La reconnaissance du visage implique généralement deux étapes:
– La détection de visage qui consiste à chercher et à détecter un ou plusieurs visages en parcourant une image numérique ou une vidéo.
– La reconnaissance de visage qui consiste à comparer le visage détecté à celui se trouvant dans la base de données de visages reconnus afin de savoir quel est ce visage reconnu ou à qui appartient-il. De façon plus indirecte, la détection de visage est la première étape vers des applications plus évoluées, qui nécessitent la localisation du visage.La détection de visage est un domaine de la vision par ordinateur consistant à détecter un visage humain dans une image numérique ou un vidéo. C’est un cas spécifique de détection d’objet, où l’on cherche à détecter la présence et la localisation précise d’un ou plusieurs visages dans une image. C’est l’un des domaines de la vision par ordinateur parmi les plus étudiés avec de très nombreuses publications et de conférences spécialisées. La forte activité de recherche en détection de visage a également permis de faire émerger des méthodes génériques de détection d’objet. La détection de visage a de très nombreuses applications directes en vidéo-surveillance, biométrie , robotique, commande d’interface homme- machine photographie, indexation d’images et de vidéos, recherche d’images par le contenu, etc. Elle permet également de faciliter l’automatisation complète d’autres processus comme la reconnaissance de visage ou la reconnaissance d’expressions faciales. Parmi les applications directes, la plus connue est sa présence dans de nombreux appareils photo numérique, où elle sert à effectuer la mise au point automatique sur les visages. C’est également une technique importante pour les interfaces homme-machine évoluées, afin de permettre une interaction plus naturelle entre un humain et un ordinateur. La détection de visage est aussi utilisée en indexation d’images et recherche d’information, où elle peut être utilisée pour rechercher des images contenant des personnes, associer automatiquement un visage à un nom dans une page web, identifier les principales personnes dans une vidéo par clustering.
Méthodes de détection :
Une classification des méthodes de localisation faciale a été proposée par Yang et al[2]. Les méthodes sont divisés en quatre catégories :
Approche basée sur la reconnaissance
Approche basée sur les caractéristiques invariants
Approche basée sur l’ appariement de gabarits
Approche basée sur l’apparence
a. Approche basée sur la reconnaissance : Ces méthodes se basent sur la connaissance des différents éléments qui constituent un visage et des relations qui existent entre eux. Ainsi, les positions relatives de différents éléments clés tels que la bouche, le nez et les yeux sont mesurées pour servir ensuite à la classification ’visage’ , ’nonvisage’ par Chiang et al. [3]. Le problème dans ce type de méthode est qu’il est difficile de bien définir de manière unique un visage.
b. Approche basée sur les caractéristiques invariants : Ces approches utilisent les éléments invariants aux variations d’illumination, d’orientation ou d’expression tels que la texture ou la signature de couleur de la peau pour la détection
c. Approche basée sur l’appariement de gabarits : Des modèles caractéristiques d’un visage entier ou de sous-partie de visage (bouche, oeil, nez) sont crées. La localisation se fait ensuite sur base de la corrélation de ces modèles avec les candidats [4].
d. Approche basée sur l’apparence : Ces méthodes utilisent le même principe que présenté au point précédent mais se basent sur des modèles appris à partir d’un ensemble d’essai. Ces méthodes pré- sentent l’avantage de s’executer trés rapidement mais demandent un long temps d’entraînement. Les méthodes appartenant à cette catégorie ont montré de bons résultats par rapport aux trois autres types de méthodes [5]. On peut citer parmi celles-ci, la méthode basée sur les réseaux de neurones de Rowley et al. [6], la méthode de Schneiderman et Kanade [7] basée sur un classifieur de Bayes naîf ainsi que le fameux algorithme de Viola et Jones [8] fonctionnant en temps réel, et ce dernier sera détaillé ci-dessous.
La méthode de Viola et Jones :
Une avancée majeure dans le domaine a été réalisée par les chercheurs Paul Viola et Michael Jones en 2001 [8]. Ces derniers ont proposé une méthode basée sur l’apparence. La méthode de Viola et Jones est une méthode de détection d’objet dans une image numérique, proposée par les chercheurs Paul Viola et Michael Jones en 2001. Elle fait partie des toutes premières méthodes capables de détecter efficacement et en temps réel des objets dans une image. Inventée à l’origine pour détecter des visages, elle peut également être utilisée pour détecter d’autres types d’objets comme des voitures ou des avions. La méthode de Viola et Jones est l’une des méthodes les plus connues et les plus utilisées en particulier pour la détection de visages et la détection de personnes. En tant que procédé d’ apprentissage supervisé, la méthode de Viola et Jones nécessite de quelques centaines à plusieurs milliers d’exemples de l’objet que l’on souhaite détecter pour entraîner un classifieur. Une fois son apprentissage réalisé ce classifieur est utilisé pour détecter la présence éventuelle de l’objet dans une image en parcourant celle-ci de manière exhaustive, à toutes les positions et dans toutes les tailles possibles. Cette méthode bénéficie d’une implémentation sous licence BSD dans Open CV qui est comme nous l’avons vu, une librairie très utilisée en vision par ordinateur.
Sélection de caractéristiques par boosting :
Le deuxième élément clé de la méthode de Viola et Jones est l’utilisation d’une méthode de boosting afin de sélectionner les meilleures caractéristiques. Le boosting est un principe qui consiste à construire un classifieur « fort » à partir d’une combinaison pondérée de classifieurs « faibles », c’est-à-dire donnant en moyenne une réponse meilleure qu’un tirage aléatoire. Viola et Jones adaptent ce principe en assimilant une caractéristique à un classifieur faible, en construisant un classifieur faible qui n’utilise qu’une seule caractéristique. L’apprentissage du classifieur faible consiste alors à trouver la valeur seuil de la caractéristique qui permet de mieux séparer les exemples positifs des exemples négatifs. Le classifieur se réduit alors à un couple (caractéristique, seuil). L’algorithme de boosting utilisé est en pratique une version modifiée d’ AdaBoost, qui est utilisée à la fois pour la sélection et pour l’apprentissage d’un classifieur « fort ». Les classifieurs faibles utilisés sont souvent des arbres de décision. Un cas remarquable, fréquemment rencontré, est celui de l’arbre de profondeur 1, qui réduit l’opération de classification à un simple seuillage. L’algorithme est de type itératif, à nombre d’itérations déterminé. À chaque itération l’algorithme sélectionne une caractéristique qui sera ajoutée à la liste des caractéristiques sélectionnées aux itérations précédentes et le tout va contribuer à la construction du classifieur fort final. Cette sélection se fait en entraînant un classifieur faible pour toutes les caractéristiques et en élisant celle de ces dernières qui génère l’erreur la plus faible sur tout l’ensemble d’apprentissage. L’algorithme tient également à jour une distribution de probabilité sur l’ensemble d’apprentissage, réévaluée à chaque itération en fonction des résultats de classification. En particulier, plus de poids est attribué aux exemples difficiles à classer, c’est à dire ceux dont l’erreur est élevée. Le classifieur « fort » final construit par AdaBoost est composé de la somme pondérée des classifieurs sélectionnés..
Conclusion Générale :
La detection de visage dans la foule demeure un problème complexe et non parfaitement résolu, malgré tous les travaux réalisés au cours des dernières années. Plusieurs problèmes incombent à cette tâche de détection de visage et chacun d’eux est non trivial. De nombreuses conditions réelles affectent la performance d’un système. A travers ce projet j’ai mis en oeuvre une approche de détection de visage, et pour aboutir à ce but, il fallait au préalable aborder le problème d’apprentissage par algorithme de boosting . Pour cela j’ai détaillé dans le chapitre 3 mes travaux de détection et l’approche pour améliorer le résultat obtenu en ajoutant un module de prétraitement. Bien que ma méthode d’amélioration ait montré de bons résultats, au niveau de l’interpolation de visages non détectés par la librairie OpenCV, elle élimine parfois de vrais visages. Après la phase de détection, j’ai pu aborder la tâche de reconnaissance. Mon apport dans cette tâche délicate, est d’utiliser la notion des points d’intérêt pour reconstruire un modèle de visage.Ce projet ne manque pas de perspectives : pour la tâche de détection, et à partir des visages détectés par la librairie OpenCV, il est intéressant de trouver d’autres méthodes d’élimination des fausses alarmes et de détecter en contre-partie les visages oubliés par la méthode de boosting. je passe d’utiliser des approches heuristiques, pour prévoir si une telle détection correspond à un visage ou non, en tenant compte des positions des autres visages.
|
Table des matières
Introduction Générale
Chapitre1 : Méthodes de détection du visage
1. Introduction
2. Méthodes de détection
a) Approche basée sur la reconnaissance
b) Approche basée sur les caractéristiques invariants
c) Approche basée sur l’appariement de gabarits
d) Approche basée sur l’apparence
3. La méthode de viola et jones
3.1 Éléments de la méthode
a) Caractéristiques
b) Calcul
c) Sélection de caractéristiques par boosting
d) Cascade de classifieurs
3.2 Étapes clés de la méthode
a) Apprentissage
b) Détection
3.3 Limitations et extensions de la méthode
4.Conclusion
Chapitre2 : Les algorithmes de boosting
1. Introduction
2. Principe
3.Les algorithmes de boosting
3.1 Algorithme AdaBoost
3.2 Algorithme Real AdaBoost
3.3 Algorithme Logit Boost
3.4 Algorithme Gentle AdaBoost
3.5 Algorithme Modest AdaBoost
3.6 Algorithme Float Boost
4.Conclusion
chapitre3 :Application
1.Introduction
2.Vue d’ensemble du système
2.1Conception globale
3.Les Etapes d’apprentissage
4.Détection de visage
5.Suivi du visage
5.1Suivi des filtres à particules
5.2Extraction des caractéristiques de la couleur
6.Conclusion
Conclusion Générale
Bibliorgraphie
Télécharger le rapport complet
