WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Reconnaissance de visages par Analyse Discriminante Linéaire(LDA )

( Télécharger le fichier original )
par Amira Chiheb
Université du 8 mai 45 de Guelma Algérie - Licence en informatique 2003
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

Introduction Générale :

Dans la civilisation babylonienne, l'empreinte du pouce laissé sur une poterie d'argile permet de sceller des accords commerciaux. Les Egyptiens utilisaient les descriptions physiques des commerciaux pour différencier ceux qui sont connu et ceux qui sont nouveaux sur le marché. Ces exemples montrent que les caractéristiques physiques ont toujours été utilisées par l'homme, bien avant l'avènement des sciences modernes et des ordinateurs, pour identifier les personnes. Donc le visage est la modalité la plus naturelle pour reconnaitre les personnes.

Durant les vingt dernières années, la reconnaissance automatique de visages est devenue un enjeu primordial, notamment dans le domaine de la sécurité, elle offre beaucoup d'avantages : non intrusive c'est-à-dire elle n'exige pas la coopération du sujet (en observant les individus à distance),coût moyen et garantie une sécurité satisfaisante , mais malgré la multitude de techniques proposées et les progrès réalisés, le problème reste non résolu à cause de la forte variabilité des données à classer et dans le fait que les images de visages constituent des données de très grandes dimensions.

Comme toute tâche de reconnaissance de formes, le processus de reconnaissance automatique de visages se décompose en deux étapes : l'extraction d'éléments caractéristiques et la classification de ceux-ci. Pour cela on va utiliser la méthode LDA (Linear Discriminent Analysis) qui utilise le critère de réduction qui se base sur la notion de séparabilité de classe. Cette méthode comporte deux étapes aussi : la réduction de l'espace d'origine par l'ACP, puis les vecteurs de l'espace de projection final « Fisherfaces » sont calculés sur le critère de séparabilité des classes mais dans l'espace réduit.La classification avec LDA est également utilisée avec succès mais couteuse en temps de calcul quand les dimensions de l'image sont hautes et la taille de l'échantillon d'apprentissage est grande.

Le présent mémoire est organisé comme suit:

Le chapitre 1 : est composé de deux partie : la première partie est une introduction au domaine de la biométrie on donne également sa définition, l'architecture d'un system biométrique, les types de systèmes biométriques et les biométries utilisées pour l'authentification des personnes et la deuxième partie est un état d'art sur lessystèmes de reconnaissance de visages ainsi que les méthodes utilisées pour évaluer ce type de systèmes.

Le chapitre 2 : est une présentation de la méthode LDA, son fondement mathématique et l'algorithme de reconnaissance, puis un ensemble d'avantages et d'inconvénients sont ainsi exposées.

Le chapitre 3 : est consacré à la partie conception et réalisation de notre système, où nous présenterons les bases de visages qui seront utilisées lors de la phase d'apprentissage et de test, aussi un ensemble de test est réalisées et nous montrant la suite des résultats obtenues toute en discutons ses résultats.

On terminera par une conclusion générale.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Soit réservé sans ostentation pour éviter de t'attirer l'incompréhension haineuse des ignorants"   Pythagore