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

II. Approches et méthodes de détection de visages

Des nombreuses méthodes de détection de visages sont apparues dans les deux dernières décennies et qui se diffèrent, aussi bien par les approches qu'elles emploient, que par les techniques d'apprentissage qu'elles utilisent. Yang et al. classifient ces techniques en quatre classes [3, 8]:

Ø techniques descriptives basées sur la connaissance,

Ø techniques basées sur l'extraction de paramètres caractéristiques invariants,

Ø techniques basées sur la superposition de caractéristiques,

Ø techniques basées sur l'apparence.

Les techniques, basées sur l'apparence, utilisent l'analyse statistique et l'apprentissage automatique pour construire des machines capables de séparer les visages des non-visages. Les réseaux de neurones, les machines à vecteurs de support (SVM), les classificateurs Bayesiens, les modèles de Markov cachés (HMM) sont parmi les méthodes d'apprentissage automatique les plus souvent utilisées.

Ces méthodes peuvent être divisées en deux catégories : les méthodes géométriques et les méthodes globales. La performance de ces méthodes dépend de la précision (nombre de paramètres) avec laquelle les informations utiles du visage sont extraites.

1. Les Méthodes basées sur les caractéristiques du visage

On les appelle aussi les méthodes à traits, à caractéristiques locales, ou analytiques. L'analyse du visage humain est donnée par la description individuelle de ses parties, leurs positions et de leurs relations. Ce modèle correspond à la manière avec laquelle l'être humain perçoit le visage, c'est à dire, à nos notions de traits de visage et ses parties comme les yeux, le nez et la bouche, ce qui permet de conclure la présence ou non du visage dans l'image à analyser [6].

a. Approches basées sur la géométrie de visages :

Les travaux réalisés se sont au début basés contours (les années 70) [5], ensuite la plupart des approches se sont concentrées sur l'extraction des traits du visage à partir d'une image et sur la définition d'un modèle adéquat pour représenter ce visage. Un certain nombre de stratégies ont modélisé et classé les visages sur la base de distances normalisées et angles entre points caractéristiques : les yeux, les sourcils, la bouche, le nez,... mais peuvent être d'un niveau de détail beaucoup plus fin.

Cette phase d'extraction des traits caractéristiques du visage constitue l'étape clé du processus, car la performance du système entier en dépend.

Figure 1.3 : Modèle géométrique du visage

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








"Entre deux mots il faut choisir le moindre"   Paul Valery