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

 > 

Apprentissage des réseaux d'ondelettes bêta basé sur la théorie des frames : application à  la détection de visages

( Télécharger le fichier original )
par Faouzi Hajjem
Université de Gabés - Mastère de recherche en informatique 2008
  

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

Liste des figures

Figure 1.1 : Exemple d'images comportant un seul visage 13

Figure 1.2 : Exemple d'images comportant plusieurs visages 14

Figure 1.3 : Modèle géométrique du visage 16

Figure 1.4 : Exemple de la détection de visages de Schneiderman and Kanade 20

Figure 1.5 : Le système de Rowley et al. (IEEE1998) 21

Figure 1.6 : L'architecture proposée par I. Boaventura et al 23

Figure 2.1 : Quelques exemples d'ondelettes 1D 29

Figure 2.2 : Exemple d'une ondelette dilatée et translatée 30

Figure 2.3 : Exemple d'une ondelette 2D 30

Figure 2.4 : Structure d'un neurone 34

Figure 2.5 : La synapse d'un neurone 34

Figure 2.6 : Perceptron Multicouches à une couche cachée 36

Figure 2.7 : Un réseau à fonction radiale de base 38

Figure 2.8 : Modèle1 de réseaux d'ondelettes 40

Figure 2.9 : Modèle2 de réseaux d'ondelettes 41

Figure 3.1 : Exemple de l'ondelette Bêta2D 47

Figure 3.2 : Exemples de la dérivée première de l'ondelette Bêta1D 48

Figure 3.3 : Exemples de la dérivée seconde de l'ondelette Bêta1D 48

Figure 3.4 : L'ondelette Bêta2D et le filtre associé 49

Figure 3.5 : Exemples de la dérivée 1ére & 2éme de l'ondelette Bêta2D 49

Figure 3.6 : Représentation des bases orthogonale, biorthogonale et frame 51

Figure 3.7 : Les sept premières ondelettes de la bibliothèque et un signal à analyser 52

Figure 3.8 : Architecture de l'approche proposée 56

Figure 3.9 : Modèle illustrant la démarche d'apprentissage adoptée 58

Figure 3.10: Modèle illustrant la démarche de détection adoptée 61

Figure 4.1: Interface de l'application de détection de visages développée 64

Figure 4.2: Interface d'insertion d'une nouvelle image de test 65

Figure 4.3: Interface d'ajustement des paramètres de la détection 65

Figure 4.4: Interface représentant le menu d'aide 65

Figure 4.5: Exemples d'images d'apprentissage de la classe Visage 66

Figure 4.6: Exemples d'images d'apprentissage de la classe Non-Visage 67

Figure 4.7: Application de détection de visages sur une image à un seul visage 67

Figure 4.8: Exemples de détection dans une image contenant un seul visage 68

Figure 4.9: Exemples de détection dans une image contenant plusieurs visages 69

Liste des tableaux

Tableau 4.1: Les valeurs du PSNR de la classe Visage et de la classe Non-Visage 67

Tableau 4.2 : Calcul de performances de l'approche proposée 70

Tableau 4.3 : Calcul de performances en fonction du PSNR 71

Abréviations

v Bêta1D : Ondelette Bêta unidimensionnelle

v Bêta2D : Ondelette Bêta bidimensionnelle

v DE : Distance Euclidienne

v DFFS : Distance From Face Space

v EQM : Erreur Quadratique Moyenne

v HMM : Hidden Markov Model

v HSV : Hue Saturation Value

v IHM: Interface Homme Machine

v K-PPV : K- Plus Proches Voisins

v NRGB (RVBN) : Normal Red Green Blue

v PCA : Principal Components Analysis

v PDBNN: Probabilistic Decision Based Neural Networks

v PMC: Perceptron MultiCouche

v PSNR : Peak Signal Noise Ratio

v RBF : Radial Basis Function

v RGB(RVB) : Red Green Blue (Rouge Vert Bleu)

v SVM: Support Vector Machine

v TF : Transformée de Fourier

v TSL : Tint Saturation Luminance

précédent sommaire suivant


















World Family Special Ops of the Day: