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

c. Approches basées sur la connaissance généralisée :

Dans cette approche, les algorithmes développés sont basés sur des heuristiques au sujet de l'aspect de visages. Bien qu'il soit simple de créer une heuristique pour décrire le visage humain, la difficulté principale est dans la traduction de ces heuristiques dans des règles de classification d'une manière efficace.

Yang et Huang [4, 10] ont employé une méthode basée sur la connaissance hiérarchique pour détecter des visages. Leur système se compose de trois règles allant du niveau général au détaillé. Cette méthode ne rapporte pas un taux élevé de détection, mais, des méthodes plus récentes ont utilisé des règles de niveaux multiples.

L'avantage de ces méthodes est qu'elles prennent en compte la particularité du visage en tant que forme naturelle à reconnaître, et un nombre réduit de paramètres en exploitant les résultats de la recherche en neuropsychologie et psychologie cognitive sur le système visuel humain. La difficulté éprouvée quand il s'agit de prendre en considération plusieurs vues du visage ainsi que le manque de précision dans la phase « extraction » des points, constituent leur inconvénient majeur [6].

2. Les Méthodes Globales

Cette classe regroupe les méthodes qui mettent en valeur les propriétés globales du visage. Le visage est traité comme un tout. Dans ces méthodes (`Neural Networks', `Support Vecteur Machine', `Principal Component Analysis', `Eigen faces', `Hidden Markov Model'...), on génère une base d'exemples à partir de laquelle un classificateur va apprendre ce qu'est un visage (apprentissage). Ces systèmes sont très performants, mais très lents en phase d'apprentissage donc lourds à mettre en oeuvre [6]. Parmi les approches les plus importantes réunies au sein de cette classe on trouve:

a. Approche PCA ou Les Visages Propres :

Vers la fin des années 80, Sirovich et Kirby [42] ont développé une technique en utilisant PCA pour représenter efficacement les visages humains. Le but est de capturer la variation dans une collection d'images de visages et d'utiliser cette information pour coder et comparer les visages (en termes mathématiques : trouver les vecteurs propres de la matrice de covariance de l'ensemble des images de visages). Le nombre possible de visages propres peut être approximé en utilisant seulement les meilleurs visages propres qui correspondent aux plus grandes valeurs propres [5].

Plus tard, au début des années 90, M. Turc et A. Pentland [4, 47] ont amélioré cette technique pour l'identification de visages. Leur méthode profite de la nature distincte des poids de `Eigen faces' pour la représentation individuelle de visages.

Plus récemment, en utilisant DFFS (Distance From Face Space), B. Moghaddam et A. Pentland ont proposé un détecteur facial de dispositif qui produit des `Eigen features' (`Eigen eyes', `Eigen nose', `Eigen mouth'), qui sont obtenus à partir de divers calibres faciaux de dispositif dans un ensemble de formation [27].

Ensuite, ils ont développé cette technique dans un cadre probabiliste à l'aide d'un détecteur de maximum de vraisemblance qui tient compte de l'espace de visage et de son complément orthogonal pour manipuler des densités arbitraires. Comparé au détecteur de DFFS, les résultats étaient sensiblement meilleurs [28].

L'approche PCA (Principal Components Analysis) est une manière intuitive et appropriée de construire un sous-espace pour représenter une classe d'objet dans beaucoup de cas. Cependant, pour modeler la variété dans des images de visages, PCA n'est pas nécessairement optimal. L'espace de visage pourrait mieux être représenté en le divisant en sous-classes. La plupart des méthodes qui ont été proposées sont basées sur un certain mélange de Gaussiens multidimensionnel.

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








"Nous voulons explorer la bonté contrée énorme où tout se tait"   Appolinaire