Reconnaissance Faciale Utilisant des Réseaux de Neurones Convolutifs et des Descripteurs de Texture dans des Environnements Contraints et Non-Contraints

Abstract

La reconnaissance faciale est un domaine de recherche très actif dans la vision par ordinateur. Grâce à l'intelligence artificielle, des avancées significatives ont été réalisées dans ce domaine. Les premières études se concentraient sur des conditions contrôlées dont les approches traditionnelles ont donné de bons résultats. Cependant, ces dernières années, la recherche s'est orientée vers des conditions non contrôlées où l'apprentissage profond, en particulier les réseaux de neurones convolutifs (en anglais, convolutional neural network (CNN)), s'est révélé très efficace pour faire face aux variations telles que les changements d'expression, l'éclairage, et l'occlusion, qui peuvent affecter la reconnaissance faciale. Dans les situations de la vie réelle tels que la surveillance de la sécurité dans les aéroports, les contrôles frontaliers, ou encore les vérifications d'identité en ligne, la reconnaissance faciale à échantillon unique par personne (en anglais, single sample per person (SSPP)) est largement utilisée et considéré comme un défi majeur en reconnaissance faciale, car il n'existe qu'une seule image par personne dans l'ensemble d'apprentissage. Pour relever ce défi, trois contributions sont développées et évaluées dans le cadre de cette thèse. La première contribution propose une méthode efficace appelée multi-block color binarized statistical image features (MB-C-BSIF) qui exploite les informations de texture et de couleur pour obtenir une représentation précise des visages. La deuxième contribution combine une approche traditionnelle avec l'apprentissage profond en utilisant le descripteur MBC- BSIF et un CNN pour bénéficier les avantages de ces deux méthodes. Enfin, la troisième contribution propose une méthode d'analyse en multi-résolution basée sur la transformée en ondelettes discrètes (en anglais, discrete wavelet transform (DWT)), permettant d'extraire des caractéristiques statistiques à différentes résolutions pour améliorer la reconnaissance des visages dans des conditions variables. Les résultats obtenus pour chacune des contributions de cette thèse ont démontré des performances excellentes par rapport aux autres méthodes existantes: 96.17 % pour la méthode MB-C-BSIF, 97.33 % pour la méthode hybride, et 98.00 % pour la méthode d'analyse en multi-résolution, en ce qui concerne la reconnaissance des variations en expression faciale dans la base de données Alex and Robert (AR).