Doctorat en sciences en automatique Combinaisons de ... · Mimoune et le Dr. A. Titaouine pour leur soutien moral et l’ambiance ... Je dédie ce travail à mon père Mostefa…

Thse prsente en vue de lobtention

du diplme de

Doctorat en sciences en automatique

Combinaisons de donnes despaces couleurs et de

mthodes de vrification didentit pour

lauthentification de visages

Prsente par :

Fedias Meriem

Soutenue publiquement le

Devant le jury compos de :

Dr. Okba Kazar Professeur Prsident Universit de Biskra

Dr. Djamel Saigaa Maitre de Confrences A Rapporteur Universit de M'Sila Dr. Redha Benzid Maitre de Confrences A Examinateur Universit de Batna

Dr. Nabil Benoudjit Professeur Examinateur Universit de Batna

Dr. M.S Mimoune Professeur Examinateur Universit de Biskra

Dr. Mohamed

Boumahraz Maitre de Confrences A Examinateur

Universit de Biskra

Rpublique Algrienne Dmocratique et Populaire

Ministre de lEnseignement Suprieur et de la Recherche Scientifique

Universit Mohamed Khider Biskra

Facult des Sciences et de la technologie

Dpartement : Gnie Electrique

Ref :

: ..:

RemerciementRemerciementRemerciementRemerciement

Je remercie tout dabord Allah Allah Allah Allah le tout puissant, de mavoir donne le courage et la patience afin de mener bien mon projet de doctorat. Je remercie chaleureusement ma mre qui est toujours cot de moi dans les moments difficiles. Je remercie considrablement mon encadreur Dr : Djamel Saigaa, pour son investissement mon tude, la libert quil ma laisse dans mon travail et ces encouragement. Je remercie vivement Dr. Bahri Mbarek pour m'avoir accueilli au sein du laboratoire de modlisation des systmes nergtiques LMSE dont il est le directeur, et pour ces encouragements, et son gentillesse pendant ces annes de mes projets de magistre et doctorat. Je remercie galement tous les membres de LMSE pour leur soutien au cours de ces annes de travail. Je remercie personnellement le Dr. M. Boumehrez pour ces conseils ces encouragements et son aide illimit et je remercie le professeur M.S. Mimoune et le Dr. A. Titaouine pour leur soutien moral et lambiance qui mont aid beaucoup de terminer mon travail dans un environnement accueillant. Et je remercie aussi le Dr. A.K Allag et Mme R.Boumaaraf pour ces encouragements. Je voudrais transmettre aux membres du jury ma sincre considration. Je remercie chaleureusement Mme Betka Faiza pour son aide sa gentillesse et son soutient moral ds le premier jour que je la connatre. Enfin, Jaimerais galement souligner le support de mon frre et mes surs et tous les membres de ma famille. Grandes remerciements mes meilleures amies Bacha Nadjet et Medaouakh Saadia et tout ceux qui maiment et tout ceux qui maident dans les moments difficiles. Je ddie ce travail mon pre Mostefa et mes grandes mres

Fedias Meriem

Rsum

Ce travail de recherche s'inscrit dans le contexte de la biomtrie dont lobjectif est de

lauthentification dune personne partir de limage de son visage. Les systmes

d'authentification de visage utilisent gnralement la reprsentation en niveaux de gris de l'image

de visage comme caractristique d'entre de ces systmes. Mais nous proposons lutilisation de la

reprsentation en couleurs qui amliore les performances de ces systmes. Nous avons test

Plusieurs espaces de couleur pour la transformation des composantes colorimtriques RGB des

images originales. Les rsultats obtenus dans les diffrentes espaces/ou composantes

colorimtriques sont combins par lutilisation dune fusion logique et non linaire pour la

classification avec un rseaux de neurones simple de type MLP (Multi Layer Perceptron).

Concernant les techniques utilis pour lextraction des caractristiques de limage de visage nous

avons appliqu la mthode d'analyse linaire discriminante (LDA), le modle amlior de ficher

(EFM), la transform en cosinus discrte (DCT), la transform de radon, la mthode appel

Local Binary Pattern (LBP) et les statistiques dordre deux de la matrice de cooccurrence. Enfin

nous avons propos une nouvelle mthode base sur les statistiques dordre un de limage de

visage quon lappelle (MS) labrviation en anglais de Mean and Standard dviation. Les

rsultats prsents montrent lintrt du dveloppement de la nouvelle approche (MS) qui

permettent de diminuer le temps de calcule grce sa simplicit et la robustesse lorsquon travail

avec une grande base de donnes. Pour valider ce travail nous avons test ces approches sur des

images frontales de la base de donnes XM2VTS selon son protocole associ (protocole de

Lausanne).

Mots-cls : Biomtrie, Couleur, authentification de visage, fusion des experts, extraction de

caractristiques.

::::

.

. .

.

.

(LDA, EFM, DCT, Radon, LBP, matrice Cooccurrence).

.

( ). XM2VTS .

i

Table des matires

INTRODUCTION GENERALE ...........1

Chapitre 1 Les Technologies Biomtriques

1.1 Introduction...6

1.2 Les principales techniques biomtriques.....6

1.3 Les proprits d'une modalit biomtrique..8

1.4 Les domaines dapplications de la biomtrie ..9

1.5 Comparaison des technologies biomtriques 11

1.6 Principaux modules du systme biomtrique 14

1.7 Evaluation de la performance dun systme biomtrique..15

1.8 Conclusion 20

Chapitre 2 La Reconnaissance Faciale

2.1 Introduction....21

2.2 Les avantages et les inconvnients de la reconnaissance de visage ..21

2.3 Processus de la reconnaissance faciale..23

2.4 tat de lart sur la reconnaissance de visage..24

2.5 Les techniques utilises..27

2.5.1 Analyse Linaire Discriminante de Fischer (LDA).28

2.5.2 Le Model Discriminant linaire amlior de Fisher (EFM).30

2.5.3 Transforme de cosinus discrte (DCT) ....31

2.5.4 La transformation de radon 33

2.5.5 La mthode LBP (Local Binary Pattern)....36

2.5.6 Les statistiques dordre deux de la matrice de co-occurrence.37

2.5.7 Algorithme propos (les statistiques dordre un)42

2.6 Conclusion 47

Chapitre 3 Environnement de travail

3.1 Introduction ...48

3.2 Prsentation de la base de donnes XM2VTS...48

3.3 Le protocole de Lausanne..50

3.4 Conclusion.52

Chapitre 4 Linformation Couleur

4.1 Introduction.53

ii

4.2 Image numrique couleur53

4.3 Les espaces couleurs utiliss...54

4.3.1 Lespace de couleur RGB. .54

4.3.2 Lespace de couleur XYZ. .55

4.3.3 Lespace de couleur LAB. .56

4.3.4 Lespace de couleur HSV .57

4.3.5 Lespace de couleur I1I2I3 59

4.3.6 Lespace de couleur YCrCb. ..59

4.3.7 Lespace de couleur YUV...61

4.3.8 Lespace de couleur YIQ62

4.4 Conclusion.62

Chapitre 5 Mise en uvre et Rsultats

5.1 Introduction ...63

5.2 Prtraitement...63

5.3 Extraction des caractristiques...64

5.4 Classification..64

5.5 Mesure de similitude..65

5.6 Fusion des experts..65

5.6.1 La fusion logique.65

5.6.2 La Fusion non linaire .....66

5.7 Prsentation des rsultats de chaque technique utilises.....67

5.7.1 Authentification de visage par LDA ..68

5.7.2 Authentification de visage par EFM ..72

5.7.3 Authentification de visage par DCT...79

5.7.4 Authentification de visage par la transforme de radon. 80

5.7.5 Authentification de visage par LBP....81

5.7.6 Authentification de visage par les caractristiques de la matrice de cooccurrence. ..83

5.7.7 Authentification de visage par lapproche propose (Statistiques dordre un) .86

5.8 Comparaison des techniques utilises....97

5.9 Combinaison des techniques et des espaces de couleur 97

5.10 Conclusion...98

CONCLUSION GENERALE...99

REFERENCES..100

v

Liste des Tableaux

Table 1.1 Avantages et inconvnients des diffrentes technologies biomtriques.13

Tableau 3.1 Rpartition des photos dans les diffrents ensembles..52

Tableau 5.1 la fusion logique des rsultats..66

Tableau 5.2 les rsultats par la mthode LDA avec lutilisation des images en couleurs69

Tableau 5.3 taux derreurs de la fusion logique OR de la mthode LDA. ..70

Tableau 5.4 taux derreurs de la fusion logique AND de la mthode LDA. 70

Tableau 5.5 taux derreurs de la fusion logique (2 AND) de la mthode LDA. ..71

Tableau 5.6 les taux d'erreurs par la fusion non linaire de LDA72

Tableau 5.7 les rsultats par la mthode EFM avec lutilisation des images en couleurs74

Tableau 5.8 taux derreurs de la fusion logique OR de la mthode EFM. ...77

Tableau 5.9 taux derreurs de la fusion logique AND de la mthode EFM. 77

Tableau 5.10 taux derreurs de la fusion logique (2 AND) de la mthode EFM. 78

Tableau 5.11 les taux d'erreurs par la fusion non linaire de EFM..79

Tableau 5.12 les rsultats par la mthode DCT en combinaison avec ACP LDA et EFM...80

Tableau 5.13 les rsultats par la transform de radon des images en niveaux de gris..80

Tableau 5.14 les rsultats par la transform de radon des images en couleur..81

Tableau 5.15 les rsultats par LBP avec lespace couleur YCbCr82

Tableau 5.16 les rsultats de la fusion logique de lespace couleur YCbCr par la mthode

LBP ..82

Tableau 5.17 les rsultats par la mthode LBP de la composante Y de lespace couleur YCbCr

en combinaison avec ACP LDA et EFM..83

Tableau 5.18 les rsultats par cooccurrence avec 8 niveaux de gris et un angle de 0.84

Tableau 5.19 les rsultats par cooccurrence avec 16 niveaux de gris et un angle de 0...84

Tableau 5.20 les rsultats par cooccurrence avec 32 niveaux de gris et un angle de 0...84

Tableau 5.21 les rsultats de 13 paramtres de Haralick avec 16 niveaux de gris et diffrentes

angles : 0,45,90,13585

Tableau 5.22 les rsultats par cooccurrence avec 16 niveaux de gris et un angle de 0 en

combinaison par ACP LDA et EFM.86

Tableau 5.23 les rsultats par les statistiques dordre un en niveaux de gris...87

Tableau 5.24 Comparaison des performances de MS, PCA, LDA et EFM Utilisant la base de

donnes XM2VTS (Pentium 4, 1.6GHZ)....89

vi

Tableau 5.25 Les rsultats de la mthode MS en appliquent le filtre (wavelet9/7)..90

Tableau 5.26 taux derreur de la mthode MS pour diffrentes espaces de couleur....92

Tableau 5.27 taux derreurs de la fusion logique OR de la mthode MS. ...93

Tableau 5.28 taux derreurs de la fusion logique AND de la mthode MS. ....94

Tableau 5.29 taux derreurs de la fusion logique (2 AND) de la mthode MS. ..94

Tableau 5.30 les taux d'erreurs par la fusion non linaire de MS....95

Tableau 5.31 les rsultats par la mthode MS en combinaison avec ACP LDA et EFM de la

composante S de lespace couleur HSV...96

Tableau 5.32 comparaison des rsultats de ACP LDA et EFM sur limage originale et aprs

lapplication de la mthode MS de la composante S de lespace couleur HSV...96

Tableau 5.33 comparaison des techniques utilis en terme de taux de succe et taille de

vecteur caractristique. .97

Tableau 5.34 Fusion logique entre : EFM pour la composante couleur Y de YCrCb, LDA sur

la composante Cr de YCrCb et MS de la composante S de HSV.....98

iii

Listes des Figures

Figure 1.1 les diffrentes caractristiques biomtriques....8

Figure 1.2 les applications de la biomtrie dans notre vie....11

Figure 1.3 Analyse Zephyr ...12

Figure 1.4 Principaux modules dun systme biomtrique...15

Figure 1.5 Illustration du TFR et du TFA.....17

Figure 1.6 Courbe ROC....19

Figure 1.7 Courbes CMC du CSU System 5.0 pour le FERET Probe Set FC et pour diffrents

algorithmes de reconnaissance faciale..20

Figure 2.1 Exemple de variation de pose, changement dillumination et prsence des lunettes..22

Figure 2.2 architecture gnrale dun systme de reconnaissance faciale....23

Figure 2.3 les projections ACP et LDA dun ensemble de donnes.29

Figure 2.4 squence zigzag de lecture dun bloc de (8x8)...32

Figure 2.5 Projection unique un angle de rotation spcifi....33

Figure 2.6 Les projections horizontale et verticale dune simple fonction f(x,y).34

Figure 2.7 La gomtrie de la transforme de Radon...35

Figure 2.8 illustration qualitative de la transforme de radon...35

Figure 2.9 exemple sur LBP..36

Figure 2.10 plus proches voisins du pixel x selon 4 directions.37

Figure 2.11 Exemple de matrices de co-occurrences construites partir dune image 4x4 compose

de 4 niveaux de gris...38

Figure 2.12 exemple sur deux images de visages.....38

Figure 2.13 Moyenne de limage de visage.....45

Figure 2.14 Lcart type de limage de visage.....45

Figure 2.15 le vecteur caractristique en combinant la moyenne et lcart type. ...46

Figure 2.16 (a) image de visage (b) lcart type verticale (c) lcart type horizontale.... 47

Figure 3.1 Images typiques de la base de donnes XM2VTS...49

Figure 3.2 Rpartition des images de la base de donnes selon la configuration I...51

Figure 3.3 Rpartition des images de la base de donnes selon la configuration II..51

Figure 4.1 Vision artificielle.53

Figure 4.2 Cube des Couleurs..54

iv

Figure 4.3 Les courbes dappariement R(), G() et B() correspondant aux expriences

dgalisation avec standardises par la CIE en 193155

Figure 4.4 Les fonctions colorimtriques X(), Y() et Z()56

Figure 4.5 Espace chromatique CIE LAB....57

Figure 4.6 Reprsentation du modle HSV...58

Figure 4.7 Reprsentation de lespace YCrCb..60

Figure 4.8 Diagramme de chromaticit (U,V)..61

Figure 5.1 quelques exemples dimages de visages de la base de donnes XM2VTS.63

Figure 5.2 a) image dentre, b) image aprs dcoupage et c) image aprs dcimation...64

Figure 5.3 Un rseau MLP une couche cache. ....67 Figure 5.4 Taux dgale erreur TEE de la mthode EFM en utilisant diffrentes espaces de

Couleur......75

Figure 5.5 Taux de succe TS de la mthode EFM en utilisant diffrentes espaces de

couleur...76

Figure 5.6 les trios stages de la transformation de (wavelet 9/7) pour une image de visage de la

base de donnes XM2VTS....89

Figure 5.7 les rsultats de la mthode MS en appliquent le filtre (wavelet9/7)90

Figure 5.8 les diffrentes distances de la mthode MS. (a) Distance intra de

lensemble .dvaluation (b) distance intra de lensemble de test (c) Distance extra lensemble

dvaluation (d) distance extra de lensemble de test...91

Contributions originales

Les contributions originales de cette thse sont les suivantes:

[1] M. Fedias, D. Saigaa A New approach based in mean and standard deviation for

authentication system of face , International Review on computers and software (IRECOS), pp.

309-314, Vol. 5 n3 May 2010, Italy.

[2] M. Fedias, D. Saigaa Non linear fusion of colors to face authentication using EFM method ,

Journal of Applied Computer Science & Mathematics (JACSM), n9 (4) Nov 2010, pp. 42-50,

Romania.

[3] M. Fedias, D. Saigaa A New Fast method of face Authentication based on First order

Statistical Feature , International Journal of Computer Applications (IJCA), Vol. 14 n8

February 2011, pp. 32-37, New York USA.

[4] M. Fedias, D. Saigaa, M. Boumehrez Logic Fusion of Color based on new Fast Feature

extraction for face authentication, International Journal of Computer Science Issues (IJCSI),

Vol.8 n3 May 2011.pp.36- 44.

[5] M. Fedias, D. Saigaa Nonlinear fusion of colors to face authentication , Proc. Conf.

ICEEDT08, International conference on electrical engineering design and technologies,

Hammamet, Tunisia, Nov. 2008.

[6] M. Fedias, D. Saigaa Linear Discriminant Analysis LDA and logic fusion of Colors

decisions to face authentication , Proc. Conf. ICEEDT08, International conference on

electrical engineering design and technologies, Hammamet, Tunisia, Nov. 2008.

[7] M. Fedias, D. Saigaa Comparison between LDA and PCA with the use of the color to face

authentication , Proc. Conf. STA'2008, the 9th international conference on sciences and

techniques of automatic control and computer engineering, Sousse, Tunisia, 2008.

[8] M. Fedias, D. Saigaa Linear Discriminant Analysis LDA and the nonlinear fusion of colors

to face authentication, Proc. Conf. STA'2008, the 9th international conference on sciences and

techniques of automatic control and computer engineering, Sousse, Tunisia 2008.

[9] M. Fedias, D. Saigaa Non linear fusion of colors to face authentication using EFM method

, the International Workshop on Systems Communication and Engineering in Computer Science

CECS 2010, 3 to 5 Oct 2010 Batna Algeria (Collaboration with TU-Berlin German University

and University of Batna, to appear in Springer ).

[10] D. Saigaa, M. Fedias, A.Harrag, A.Bouchelaghem, D.Drif Color space MS based feature

extraction method for face verification , the 11th International conference on hybrid intelligent

systems HIS 2011, 5 to 8 Dec 2011 Melaka, Malaysia. (IEEE proceeding).

1

INTRODUCTION GENERALE

La croissance internationale des communications, tant en volume qu'en diversit (dplacements

physiques, transactions financires, accs aux services...), implique le besoin de s'assurer de

l'identit des individus. En effet, l'importance des enjeux peut motiver les fraudeurs mettre en

chec les systmes de scurit existants. Il existe donc un intrt grandissant pour les systmes

lectroniques d'identification et de reconnaissance. Leur dnominateur commun est le besoin d'un

moyen simple, pratique, fiable et peu onreu de vrifier l'identit d'une personne sans l'assistance

d'un tiers. Le march du contrle d'accs s'est ouvert avec la prolifration de systmes, mais

aucun ne se rvle efficace contre la fraude, car tous utilisent un identifiant externe tel que :

badge/carte, cl, code. Il est frquent d'oublier un code d'accs. Il existe dailleurs de nombreux

bureaux o les mots de passe sont nots dans des listes, ce qui reprsente une dangereuse faille

dans la scurit informatique de lentreprise puisque toute confidentialit est alors perdue .De

mme, un badge ou une cl peuvent tre, vols ou copis par des personnes mal intentionnes. Le

dfaut commun tous les systmes d'authentification est que l'on identifie un objet (code, carte...)

et non la personne elle-mme. Face la contrainte de l'authentification par objets , la

biomtrie apporte une simplicit et un confort aux utilisateurs. Cette discipline sintresse en

effet, lanalyse du comportement ainsi qu lanalyse de la morphologie humaine et tudie, par

des mthodes mathmatiques (statistiques, probabilits,), les variations biologiques des

personnes. Ce thme se situe dans la problmatique gnrale de la biomtrie qui est une science

qui propose didentifier les personnes partir de la mesure de leurs indices biologiques. La

biomtrie recouvre deux approches principales : analyse comportementale (vitesse de signature,

marche,) ou analyse de la morphologie humaine (empreintes digitales, iris, rtine, voix, main,

visage, ). Un des objectifs de la biomtrie est de scuriser des accs des locaux ou des

matriels. Ceci peut se faire aujourdhui par un contrle de pice didentit ou par la saisie dun

mot de passe, mais les deux modes de contrle sont contraignants et peuvent donner lieu des

falsification. Lutilisation de techniques biomtriques doit permettre didentifier une personne

travers la consultation dune base de donnes, ou de vrifier lidentit affirme dun individu.

Nous avons retenu la modalit visage car cest un indice biologique trs fort contenant de

nombreuses indications sur lidentit de la personne et dont limage peut tre acquise de manire

non invasive. La reconnaissance de la forme du visage est la technique la plus commune et

populaire. Elle est la plus acceptable parce quon peut l'utiliser distance sans contact avec

2

lobjet. Utiliser une camra permet d'acqurir la forme du visage d'un individu et puis retirer

certaines caractristiques. Les caractristiques essentielles pour la reconnaissance du visage sont:

les yeux, la bouche, le tour du visage, le bout du nez, etc. Selon le systme utilis, l'individu

doit tre positionn devant la camra o peut tre en mouvement une certaine distance. Les

donnes biomtriques qui sont obtenues sont compares au fichier rfrence. Le logiciel doit tre

capable d'identifier un individu malgr diffrents artifices physiques (moustache, barbe, lunettes,

etc..). Le visage est une biomtrie relativement peu sre. En effet, le signal acquis est un sujet

des variations beaucoup plus leves que d'autres caractristiques. Celles-ci peuvent tre causes,

entre autres, par le maquillage, la prsence ou l'absence de lunettes, le vieillissement et

l'expression d'une motion. La mthode de la reconnaissance du visage est sensible la variation

de l'clairage et le changement de la position du visage lors de l'acquisition de l'image.

Cette thse traite de lauthentification du visage. Un systme dauthentification a pour but de

vrifier lidentit dun individu aprs que celui-ci se soit identifi. Il ne sagit donc pas dun

systme didentification qui lui se charge de dcouvrir lidentit a priori inconnue dun individu.

Dans ce contexte, nous dvelopperons un algorithme pour lauthentification du visage vu de face.

Plusieurs mthodes ont t dveloppes dans la littrature pour la reconnaissance de visage

[15][16]. Dans ce travail les techniques utilises pour lextraction des caractristiques de limage

de visage sont : la mthode d'analyse linaire discriminante (LDA) [24], le modle amlior de

ficher (EFM)[10], la transforme en cosinus discrte (DCT) [38], la transforme de radon [40], la

mthode appele Local Binary Pattern (LBP) [22] et les statistiques dordre deux de la matrice

de cooccurrence[43][44]. Enfin, nous avons propos une nouvelle mthode base sur les

statistiques dordre un de limage de visage quon lappelle (MS) labrviation en anglais de

Mean and Standard dviation. Pour valider ce travail nous avons test ces approches sur des

images frontales de la base de donnes XM2VTS selon son protocole associ (protocole de

Lausanne). Cette base de donne a t choisie grce sa popularit puisquelle est devenue une

norme dans la communaut biomtrique audio et visuelle de vrification didentit afin de

comparer les rsultats obtenus des diffrentes techniques utilises dans cette thse et parce que

les images sont en couleur et cest linformation de couleur qui nous intresse dans ce travail afin

de prouver limportance de la couleur lauthentification de visage.

3

Rcemment, trs peu de travaux o l'information couleur est utilise dans les applications de la

reconnaissance faciale pourrait tre trouves dans la littrature, parce que la croyance commune

et que la couleur nest pas ncessaire la reconnaissance faciale [55]. Heureusement, ce sujet a

attir l'attention de plusieurs chercheurs et le nombre de publications sur ce thme a augment

dune manire significative au cours des dernires annes. Cependant, la plupart des travaux qui

ont t faits jusqu' prsent appartiennent essentiellement au moins un des deux groupes. Le

premier groupe n'utilise pas pleinement l'information couleur, tandis que le second groupe

lutilise pour augmenter la performance de systme de reconnaissance de visage. Une approche

suggre d'utiliser des images gris chelle, avec un ajout de la couleur de la peau comme une

nouvelle fonctionnalit propose par Marcal et Bengio en 2002 [56]. Cette approche amliore la

prcision de la reconnaissance faciale avec un cot bas de transformation supplmentaire. Une

image 30x40 en chelle de gris est utilise, ce qui nous donne une entre vectorielle de dimension

1200. Le vecteur supplmentaire que reprsente la fonction de la couleur de peau est de

dimension 96. Ainsi, le vecteur d'entre est d'une dimension totale de 1296. Cette approche est

bonne, du point de vue des cots de traitement et nous donne une meilleure performance au cours

similaires des approches qui utilisent uniquement des images en niveaux de gris, mais ce n'est pas

faire un plein usage de la couleur sur les images. Marcal et Bengio ont aussi mentionn dans leur

article que leur mthode a un point faible en raison de la similitude de couleur des pixels cheveux

et la peau, ce qui amne une incertitude sur le vecteur de caractristique extrait. Une autre

approche suggre d'utiliser un codage de canal de couleur avec les matrices normaliss non

ngatives (NMF) propose par Rajapakse, et al. en 2004 [57] o les canaux de couleur comme le

rouge, vert et bleu (RGB) agissent en tant que des vecteurs distincts des donnes indexes

reprsentant chaque image. NMF est ensuite utilise pour la couleur de codage. Bien que cette

mthode permet une meilleure utilisation des informations de couleur, elle a un cot de traitement

grand et inhrent en raison de lencodage et lexcessive itrative des oprations qui comprend

linversion de la matrice. Ainsi, dans ce cas, l'amlioration des performances est au prix de

l'efficacit du traitement. Les rseaux de neurones se sont rvls tre parmi les meilleurs outils

dans les applications de reconnaissance faciale et sont largement utiliss dans des approches

bases sur des images en niveaux de gris. Mais L'approche de Youssef et Woo en 2007 [58] est

initialement propos pour l'utilisation de Rseau de neurone avec des images colores d'une

4

manire qui rend l'utilisation optimale des informations de couleur, sans frais de traitement

supplmentaire par rapport aux mmes approches qui utilisent des images en niveaux de gris.

Des approches utilisent la couleur sur ACP [61][67][62]. Une autre approche propose par

Zhiming Liu, Jian Yang et Chengjun Liu en 2010 [59] est la production dun nouveau espace

couleur (CID) appliqu principalement la reconnaissance faciale o chaque composante couleur

est drive par lutilisation dun algorithme itrative. Larticle de Jian Yang, Chengjun Liu et Lei

Zhang en 2010 [60] propose une technique appele CSN pour la normalisation est qui peut

augmenter la discrimination faible des espaces couleurs et qui augmente ainsi la performance de

la systme de reconnaissance faciale. Ces dernires annes limportance de la couleur dirige les

chercheurs dutiliser linformation de la couleur pour la reconnaissance faciale comme dautres

domaines de traitement dimages comme la compression, la segmentation, la reconnaissance des

formes et suivi dobjetetc.

Le but essentiel de ce travail est de prouver que linformation couleur augmente la performance

de systme dauthentification. Pour cela nous avons test Plusieurs espaces de couleur pour la

transformation des composantes colorimtriques RGB des images originales. Les rsultats

obtenus dans les diffrents espaces/ou composantes colorimtriques sont combins par

lutilisation dune fusion logique et non linaire pour la classification avec un rseau de neurone

simple de type MLP (Multi Layer Perceptron). Les rsultats prsents montrent que la couleur

augmente la performance de systme dauthentification par la majorit des techniques.

Aussi les rsultats trouvs prsentent lintrt du dveloppement de la nouvelle approche (MS)

qui permettent de diminuer le temps de calcule grce sa simplicit et sa robustesse lorsquon

travaille avec une grande base de donnes.

Plan de la thse

Le chapitre 1 prsentera quelques techniques biomtriques qui existent dans la littrature, ses

applications et les dtails sur la technique biomtrique base sur le visage.

Dans le chapitre 2, nous allons mettre en vidence les diffrents avantages et inconvnients de la

reconnaissance faciale, le processus de la reconnaissance de visage, les techniques utilises et

enfin nous avons propos une technique base sur les statistiques dordre un.

5

En chapitre 3, nous allons prsenter la base de donnes des visages qui a t choisie pour nos

expriences. Ainsi le protocole exprimental qui a t soigneusement conu pour cette base de

donnes.

En suite nous allons exposer les espaces couleur utilises dans notre travail en chapitre 4.

Le chapitre 5 prsentera les amliorations possibles en utilisant linformation couleur pour

amliorer les rsultats obtenus par les algorithmes dcrits en chapitre 2.

Nous terminons enfin par une conclusion gnrale et perspective.


6

1.1 Introduction

Le piratage, la fraude, les virus informatiques posent un grand problme pour les personnes

les entreprises et les gouvernements dans leur qute de protection de donnes contre le vol.

Une solution qui parait logique est dexploiter des caractristiques humaines physiques ou

comportementales telles que l'empreinte digitale, la signature, l'iris, la voix, le visage, la

dmarche, et un geste de main pour diffrencier des personnes, toutes ces dernires sappelle

les caractristiques biomtriques. Ces caractristiques sont traites par certain ordre de

processus automatiss l'aide des dispositifs comme des modules de balayage ou des

appareils photo. la diffrence des mots de passe ou des PINs (numros d'identification

personnelle) qui sont facilement oublis ou exposs l'utilisation frauduleuse, ou des clefs ou

des cartes magntiques qui doivent tre portes par l'individu et qui sont faciles tres

copies ou perdues.

Dans ce chapitre, nous allons expliquer quelques techniques biomtriques qui existent dans la

littrature, ses applications et les dtails sur la technique biomtrique bass sur le visage.

1.2 Les principales techniques biomtriques

Une des dfinitions de la biomtrie est donne par Roethenbaugh [1] : La biomtrie

s'applique des particularits ou des caractres humains uniques en leur genre et mesurables,

permettant de reconnatre ou de vrifier automatiquement l'identit . Mais Aucune modalit

biomtrique nest en elle-mme fiable 100 %. Il existe des problmes, lies aux dispositifs

de capture des donnes, lutilisateur lui-mme ou au condition lors de la capture, dans

lesquelles une modalit quelconque peut savrer dfaillante. Parmi les principales modalits

biomtriques physiologiques (empreintes digitales, forme de la main, traits du visage,...) et

comportementales (dynamique du trac de la signature, frappe sur un clavier d'ordinateur,...)

les traces biologiques (odeur, salive, ADN,...) on note [1][2][3][4][5] :

La voix

Base sur lanalyse des caractristiques comme la frquences, les harmoniques, la puissance

sonore, etc.

Les empreintes digitales

Analyse des caractristiques des sillons cutans, terminaison des sillons, croisements,

bifurcations, etc.


7

Loeil

Base sur ltude de la disposition des muscles circulaires et radiaux qui ouvrent et ferment la

pupille.

La main

Mesure de la longueur, largeur, forme des phalanges, des articulations, des lignes de la main,

etc

Le visage

Cherche la gomtrie du visage de face et profil, Le visage est sujet une variabilit tant

naturelle (vieillissement, par exemple) que volontaire (maquillage, chirurgie esthtique,

grimaces, etc.). Son traitement est donc difficile (forme des yeux, de la bouche, du nez,

position des pommettes, etc.) partir dune photographie numrique ou dune camra

infrarouge (thermographie pour utilisation dans le noir).

Loreille

Analyse de la forme de loreille.

La signature (reconnaissance statique ou dynamique)

Analyse de la forme (statique) et/ou de la vitesse et de la trajectoire de la signature

(dynamique).

LADN

La mthode la plus fiable pour identifier une personne, mais actuellement pas adapte la

reconnaissance en temps rel.

Muli-modalit

Plusieurs techniques biomtriques peuvent tre utilises dans un mme systme afin

daugmenter son performance. Il existe par exemple un systme combinant la reconnaissance

de la voix avec la reconnaissance de l'criture (signature). Les systmes biomtriques peuvent

aussi s'utiliser en conjugaison avec d'autres systmes ou d'autres technologies. Il existe des

systmes o l'image de l'empreinte digitale du pouce est emmagasine sur une carte

microprocesseur et l'activation de cette carte ncessite l'utilisation d'un mot de passe. Ces

technologies sont appeles multimodales.


8

Figure 1.1 les diffrentes caractristiques biomtriques [2].

1.3 Les proprits d'une modalit biomtrique

Lidentification et lauthentification par la biomtrie sont plus prcises que celle utilisant les

moyens classiques d'identification tels que les cartes, cls ou mots de passe car elle constitue

un lien fort et permanent entre une personne physique et son identit. Les proprits

principales d'une modalit biomtrique sont :

l'universalit : toute la population doit possder cette modalit.

l'unicit : deux personnes diffrentes doivent avoir des reprsentations de leur

biomtrie diffrentes.

la stabilit : une stabilit dans le temps et une stabilit pour chaque personne.

l'acceptabilit et la facilit d'usage : se rapportent aux contraintes lies l'acquisition

et l'utilisation d'une modalit biomtrique.

la non reproductibilit : concerne la facilit ou non falsifier une modalit

biomtrique.


9

En effet aucune biomtrie nest parfaite mais du moins avec des degrs diffrents. Le

compromis entre prsence ou absence de certaines de ces proprits se fait selon les besoins

de chaque application [4].

1.4 Les domaines dapplications de la biomtrie

Les technologies biomtriques se retrouvent dsormais la base dune vaste gamme de

solutions de vrification personnelle et didentification hautement fiables. De nombreux

dispositifs et systmes technologiques mettent dsormais en oeuvre des solutions

biomtriques, notamment pour le contrle daccs aux locaux, aux postes de travail, aux

rseaux et certaines applications logicielles. Utilise seule ou intgre dautres

technologies telles que les cartes intelligentes, les cls de cryptage et les signatures nu-

mriques, la technologie biomtrique devrait simposer de plus en plus dans bon nombre de

secteurs de lconomie ainsi que dans notre vie quotidienne. De plus en plus de produits

lectroniques grand public intgrent la technologie didentification biomtrique comme, par

exemple certains ordinateurs portables, certains assistants numriques personnels, certains t-

lphones cellulaires ou lecteurs MP3 [6][7].

Les solutions biomtriques sont-elles vraiment ncessaires ? Le recours aux caractristiques

biologiques comme alternative aux systmes didentification par mot de passe rencontre de

moins en moins de rticences. Compte tenu du nombre de mots de passe retenir au quotidien

(carte de crdit, porte daccs, anti-dmarrage cod des vhicules, etc.), il apparat en effet

plus simple et plus rapide de passer le doigt devant un cran plutt que de mmoriser et de

saisir un nouveau mot de passe. Dans le cadre de lauthentification personnelle, la biomtrie

semble mieux adapte que les autres techniques actuelles (telles que mots de passe ou cartes

intelligentes). La tendance est la centralisation de la gestion des identits par le biais dune

combinaison de paramtres daccs tant physiques que logiques diffrents types de

ressources. Cest une solution laquelle tendent de plus en plus dentreprises, et qui implique

le recours la biomtrie. Compte tenu de laugmentation des brches de scurit et des

transactions frauduleuses, les technologies de vrification personnelle et didentification

hautement fiables trouvent toute leur utilit. Donc la biomtrie des avantages sur divers

domaines, o la scurit biomtrique a dj prouv son importance.


10

On peut distinguer huit grands types dapplications biomtriques [8] :

Accs physique: ici, lavantage est l'application de l'identification biomtrique pour

contrler l'accs des employs aux zones sensibles des organisations d'entreprises,

banques, aroports et autres lieux. L'accs physique aux maisons et les garages peut

aussi tre contrles par cette technologie.

PC et l'accs au rseau: les applications biomtriques pour contrler l'accs non

autoris aux ordinateurs et rseaux dans une organisation ou la maison. La grande

importance, si on parle dune organisation avec des ordinateurs et des ressources

rseau en tant que ses composants vitaux.

Temps et Prsence: L'importance des donnes biomtriques dans le maintien de temps

des employs et la participation une organisation a augment collecteurs dans les

dernires annes.

Accs logique: La scurit biomtrique joue un rle important dans le contrle d'accs

logique aux ordinateurs, facilite par des mots de passe et autres outils d'identification.

Scurit financire: oprations de commerce lectronique, de souscrire une assurance

en ligne et autres activits similaires des procdures d'avances telles que

l'identification biomtrique.

Secteur de la sant: ces dispositifs biomtriques sont largement utiliss pour protger

l'identit des utilisateurs. En outre, assurer la scurit dans les locaux de l'hpital.

Application de la loi: les services de police et d'autres organes rpressifs utilisent de

l'identification biomtrique pour la capture de criminels et d'enquter.

Limmigration et les aroports : les applications biomtriques sont aussi prospre dans

le domaine de lindustrie et limmigration dans les aroports pour assurer la scurit

contre le terrorisme.

Autres- Ordinateurs portables, tlphone portable, Verrouillage.

La figure suivante prsentes quelques domaines dapplication de la biomtrie dans la vie

quotidienne.


11

Figure 1.2 les applications de la biomtrie dans notre vie [8].

1.5 Comparaison des technologies biomtriques

Il n'y a pas de systme biomtrique parfait. L'International Biometric Group a procd une

comparaison des diffrentes technologies sur base de 4 critres :

Effort : effort fourni par l'utilisateur lors de lauthentification.

Intrusion : information sur lacceptation du systme par les usagers.

Cot : cot de la technologie (lecteurs, capteurs, etc.).

Prcision : efficacit de la mthode (lie au taux derreur).


12

Figure 1.3 Analyse Zephyr [9]

Cette comparaison permet de choisir une technologie en fonction des contraintes lies

l'application. La Figure 1.3 montre quil nexiste pas de mthode idale. Les mthodes se

divisent en deux grands groupes. Le premier groupe englobe les mthodes conviviales pour

les utilisateurs (effort fournir faible, mthode peu intrusive, prix modr) mais assez peu

performantes. Ce groupe qui correspond aux mthodes bases sur la biomtrie

comportementale (reconnaissance de la voix, de la signature). Lautre groupe contient les

mthodes plus sres (mthodes intrusives et prix levs, performances trs bonnes). Il est

donc ncessaire de dterminer, au cas par cas, pour chaque problme, la mthode qui

conviendra le mieux la situation. Pour cela, il faut tudier attentivement le niveau

dexigence en scurit, le budget pouvant tre investi dans le systme et la faon dont risque

de ragir les utilisateurs. Actuellement, pour la mise en place des grands projets de passeports

biomtriques, les systmes retenus par lEurope semble tre un stockage de la photo

didentit, des empreintes digitales et de liris sous forme numrique. A noter que le choix du


13

ou des dispositifs biomtriques peut aussi dpendre de la culture locale. Ainsi en Asie, les

mthodes ncessitant un contact physique comme les empreintes digitales, sont rejetes pour

des raisons dhygine alors que les mthodes bases sur liris sont trs bien acceptes. La

dynamique de frappe fait partie des mthodes biomtriques les moins performantes mais trs

intressantes au niveau du cot, de leffort fournir et du niveau dintrusion peru. Elle est

donc adapte aux applications de scurisation des zones peu sensibles et pour lesquelles il ny

a pas la volont ou la possibilit de dbloquer des budgets trs levs.

En France, le CLUSIF a galement propos une comparaison (avantages / inconvnients) des

principales technologies biomtriques. Comme le montre le tableau suivant :

Techniques Avantages Inconvnients

Empreintes

digitales

Cot, ergonomie moyenne,

facilit de mise en place,

taille du capteur

Qualit optimale des appareils de mesure

(fiabilit), acceptabilit moyenne, possibilit

d'attaques (rmanence de l'empreinte,...)

Forme de la

main

Trs ergonomique, bonne

acceptabilit

Systme encombrant, cot, perturbation

possible par des blessures et l'authentification

des membres d'une mme famille

Visage Cot, peu encombrant, bonne

acceptabilit

Jumeaux, psychologie, religion, dguisement,

vulnrabilit aux attaques

Rtine Fiabilit, prennit Cot, acceptabilit faible, installation difficile

Iris Fiabilit Acceptabilit trs faible, contrainte d'clairage

Voix Facilit Vulnrable aux attaques

Signature Ergonomie Dpendant de l'tat motionnel de la personne,

fiabilit

Frappe au

clavier

Ergonomie Dpendant de l'tat physique de la personne

Table 1.1 Avantages et inconvnients des diffrentes technologies biomtriques.

Pour la reconnaissance de visage cest une technique commune, populaire, simple et qui a

beaucoup davantage savoir lutilisation des visages qui sont des donnes publiques, la

possibilit de sintgrer aux systmes de surveillance existants et elle ne ncessite pas des

quipements chers. Pour cela la reconnaissance de visage est la technologie biomtrique


14

quon utilisera dans notre systme de reconnaissance. Dans le chapitre suivant nous voyons

brivement les algorithmes principaux qui ont t dvelopps pendant les deux dernires

dcennies pour aborder le problme provocant de l'identification ou de la vrification de

visages. Nous dcrivons alors en dtails les algorithmes que nous avons utiliss dans cette

thse.

1.6 Principaux modules du systme biomtrique

Que ce soit pour une application dauthentification ou d'identification, le processus d'un

systme biomtrique est toujours la mme et comprend deux phases distinctes :

lapprentissage et la reconnaissance (authentification ou identification). Le processus

dapprentissage a pour but dassembler des informations biomtriques sur les personnes

identifier. Plusieurs campagnes dacquisitions de donnes peuvent tre ralises afin dassurer

une certaine robustesse au systme de reconnaissance aux variations temporelles des donnes.

Pendant cette phase, les caractristiques biomtriques des individus sont saisies par un capteur

biomtrique, puis reprsentes sous forme numrique (signatures), et enfin stockes dans la

base de donnes.

On parle de vrification (authentification) didentit lorsquune personne clame tre dj

enrle dans le systme biomtrique (et possderait donc une ID-card ou un login name).

Dans ce cas, les donnes biomtriques obtenues de cette personne sont compares avec sa

signature dutilisateur qui est enregistr dans la base de donnes. En rsum, un systme

biomtrique oprant en mode vrification rpond la question "Suis-je rellement la personne

que suis-je entrain de proclamer?".

On parle didentification quand lidentit de lutilisateur est priori inconnue. Dans ce cas, les

donnes biomtriques de lutilisateur sont compares aux signatures de tous les utilisateurs

enregistrs dans la base de donnes du systme biomtrique, car lutilisateur pourrait tre

nimporte lequel (sinon aucun) dentre eux. Un exemple de systme oprant en mode

identification serait laccs un btiment scuris : tous les utilisateurs qui sont autoriss

entrer dans le btiment sont enrls par le systme ; lorsquun individu essaye de pntrer

dans le btiment, il doit dabord prsenter ses donnes biomtriques au systme et, selon la

dtermination de lidentit de lutilisateur, le systme lui accorde le droit dentre ou non. En

rsum, un systme biomtrique oprant en mode identification rpond la question "Suis-je

bien connu du systme ?".


15

Figure 1.4 Principaux modules dun systme biomtrique [3].

1.7 Evaluation de la performance dun systme biomtrique

Tout dabord, afin de comprendre comment dterminer la performance dun systme

biomtrique, il nous faut dfinir clairement deux types derreurs :

Une erreur de faux rejet, qui survient lorsquun utilisateur lgitime est faussement

rejet, parce que le systme trouve que ses donnes biomtriques ne sont pas

suffisamment similaires celles du profil matre de la base de donnes.

Une erreur de fausse acceptation, qui survient quand un imposteur est

malencontreusement accept en tant quutilisateur lgitime, parce que le systme

trouve que ses donnes biomtriques sont suffisamment similaires celles du profil

matre de la base de donnes.

Dans un systme idal, il ny a pas de faux rejet et de fausse acceptation. Dans un systme

rel cependant, leur nombre nest pas nul et peut prendre des valeurs non ngligeables lorsque

les modalits et conditions dutilisation augmentent la variabilit des donnes. Les taux de

faux rejet et de fausse acceptation dpendent du seuil de scurit. Plus la valeur du seuil sera


16

grande, plus il y aura de faux rejets et moins de fausses acceptations, et inversement, plus la

valeur du seuil sera petite, moins il y aura de faux rejets et plus de fausses acceptations. Le

nombre de faux rejets et celui de fausses acceptations sont inversement proportionnels. Le

choix de la valeur de seuil utiliser dpend principalement de la finalit du systme

biomtrique. Cette valeur est choisie de manire faire un compromis adquat entre la

scurit et lutilisabilit du systme. Par exemple, un systme biomtrique aux portes dun

parc dattraction comme Disneyland appliquera typiquement un seuil beaucoup plus petit

quun systme biomtrique aux portes des quartiers gnraux.

Le nombre de faux rejets et de fausses acceptations est habituellement exprim en un

pourcentage par rapport au nombre total de tentatives daccs autoriss (resp. non autoriss).

Ces taux sont appels taux de faux rejet (TFR) et taux de fausse acceptation (TFA) et sont

donc lis une certaine valeur de seuil. Ces taux d'erreur sont dfinis comme suit:

( )

'

nombre des clients rejets FRTFR

nombre total d accs clients= (1.1)

( )

'

nombre des imposteurs accepts FATFA

nombre total d accs imposteurs= (1.2)

Certains appareils biomtriques (ou les logiciels les accompagnant) prennent le seuil de

scurit dsir comme paramtre du processus de dcision. Les autres appareils biomtriques

retournent un score (born) sur la base duquel la dcision daccepter ou de rejeter lutilisateur

va tre prise par lapplication elle-mme. En gnral, si le score est plus grand ou gal au

seuil, lutilisateur va tre accept et, si le score est plus petit, il sera rejet [10]. Dans le cas o

le dispositif biomtrique retourne un score, on peut gnrer un graphe indiquant la

dpendance des taux de fausse acceptation (TFA) et de faux rejets (TFR) au seuil. La figure

1.5 montre un exemple dun tel graphe.


17

Figure 1.5 Illustration du TFR et du TFA [2].

Les courbes des TFA et TFR se coupent en un point o les taux de fausse acceptation et de

faux rejet sont gaux ; la valeur en ce point est appele taux dgale erreur (TEE). Cette

valeur na presque pas dutilit pratique car on ne souhaite gnralement pas que le TFA et le

TFR soient les mmes, mais elle constitue un bon indicateur de la prcision du dispositif

biomtrique. Par exemple, si lon a deux appareils avec des taux dgale erreur de 1% et 10%,

on sait alors que le premier est plus prcis (i.e. quil fait moins derreurs) que le second.

Pourtant, de telles comparaisons ne sont pas aussi simples en ralit. Dune part, les valeurs

fournies par les fabricants sont incomparables parce que ces derniers ne publient

habituellement pas les conditions exactes de leurs tests, et dautre part, mme sils le font, les

tests dpendent vraiment du comportement des utilisateurs et dautres influences extrieures,

telles que la qualit des senseurs ou lutilisation de ceux-ci. Dans une banque par exemple, un

dispositif de reconnaissance vocal sur le systme tlphonique induira un TFR lev et un

TFA petit, car si les personnes qui veulent tlphoner se font sans cesse rejeter, elles vont tre

frustres et risquent de rompre leur relation avec la banque, ce qui va coter beaucoup plus

cher cette dernire que si quelques personnes non autorises se font un peu trop facilement

accepter. Au contraire, un systme biomtrique sur un coffre fort induira un TFR petit et un

TFA lev, car si une personne autorise veut accder au coffre (ce quelle ne fait en gnral

qu de rares occasions) et quelle se fait rejeter, ce ne sera pas grave. Elle va recommencer le


18

processus de vrification peut-tre une fois ou deux jusqu ce quelle soit accepte. Elle sera

mme ravie de la rticence du systme accepter toute personne et finira par avoir accs ses

biens, ce qui ne va pas coter grande chose la banque. Par contre, si un imposteur se fait

malencontreusement accepter, il pourra avoir accs au contenu du coffre et le voler, ce qui va

coter cher la banque qui va devoir ddommager son client [11].

En effet, une vrification parfaite d'identit (FAR=0 et FRR=0) est non ralisable dans la

pratique. Mais n'importe lequel de ces deux taux (TFA, TFR) peut tre rduit une petite

valeur arbitraire en changeant le seuil de dcision, avec l'inconvnient d'augmenter l'autre.

Une seule mesure peut tre obtenue en combinant ces deux taux derreurs dans le taux erreur

totale (TET) ou son complment, le taux de succs total (TS):

( ) ( )

'

nombre de fausses acceptations FA nombre de faux rejets FRTET

nombre totale d accs

+= (1.3)

1TS TET= (1.4)

Cependant, un soin devrait tre pris en utilisant une seule mesure. En effet, cette seule mesure

(TET ou TS) pourrait tre fortement pondre par l'un ou l'autre type d'erreurs (TFA ou TFR),

dpendant seulement du nombre d'accs qui ont t utiliss en obtenant ce type derreur. Le

TET sera toujours plus prs de l'erreur (TFA ou TFR) qui a t obtenue en utilisant le plus

grand nombre d'accs dans son type. Selon la nature (authentification ou identification) du

systme biomtrique, il existe deux faons den mesurer la performance :

1. Lorsque le systme opre en mode authentification, on utilise ce que lon appelle une

courbe ROC (pour Receiver Operating Characteristic en anglais). La courbe ROC

(Figure 1.6) trace le taux de faux rejet en fonction du taux de fausse acceptation. Plus

cette courbe tend pouser la forme du repre, plus le systme est performant, cest--

dire possdant un taux de reconnaissance global lev.


19

Figure 1.6 Courbe ROC [11].

Le domaine dapplication de la biomtrie impose la nature de lerreur tolrable. Pour une

application hautement scuritaire, la fausse acceptation est intolrable. On fixe le seuil pour

avoir le moins de TFA au dtriment du TFR. Alors que pour les applications personnelles, on

privilgie un TFR bas. Dans tout les cas un TEE faible est demand par les utilisateurs, pour

sapprocher le plus des systmes de mot de passe traditionnels. De l, on peut fixer un autre

point de fonctionnement plus adquat. Le taux de vrification 0.1% de TFA donne une autre

ide sur le comportement du systme faible taux de TFA. Dans ce cas on ne veut pas

dimposteurs. Ce point de fonctionnement est gnralement utilis avec des modalits tels

que liris ou lempreinte. Trs souvent, on utilise le TEE pour comparer entre les

performances de diffrents systmes biomtriques [12].

2. En revanche, dans le cas dun systme utilis en mode identification, on utilise ce que

lon appelle une courbe CMC (pour Cumulative Match Characteristic en anglais).

La courbe CMC (Figure 1.7) donne le pourcentage de personnes reconnues en

fonction dune variable qui sappelle le rang [13]. On dit quun systme reconnat au

rang 1 lorsquil choisit la plus proche image comme rsultat de la reconnaissance. On

dit quun systme reconnat au rang 2, lorsquil choisit, parmi deux images, celle qui


20

correspond le mieux limage dentre, etc. On peut donc dire que plus le rang

augmente, plus le taux de reconnaissance Correspondant est li un niveau de

scurit faible.

Figure 1.7 Courbes CMC du CSU System 5.0 pour le FERET Probe Set FC et pour

diffrents algorithmes de reconnaissance faciale [2].

1.8 Conclusion

Dans ce chapitre nous avons mis en relief quelques notions et dfinitions de base lies la

biomtrie et ses diverses technologie, les principales modules des systmes biomtriques et

comment mesurer leurs performance ainsi que les domaines dapplications. Aprs une

comparaison des technologies biomtriques on a choisit la reconnaissance de visage pour sa

popularit et sa simplicit ainsi le cot faible de raliser ce systme parce quil suffit un

camra pour capter les images de visages et un micro-ordinateur pour faire les calcules. Dans

le chapitre suivant nous dcrivons en dtaille les diffrents techniques utilises.


21

2.1 Introduction

La reconnaissance faciale, en tant quune des technologies biomtriques de base, a pris une

part de plus en plus importante dans le domaine de la recherche, ceci tant d aux avances

rapides dans des technologies telles que les appareils photo numriques, Internet et les

dispositifs mobiles, le tout associ des besoins en scurit sans cesse en augmentation. Selon

IBG (International Biometric Group) [9], la modalit la plus utilise aprs lempreinte est le

visage.

2.2 Les avantages et les inconvnients de la reconnaissance de visage

Plusieurs facteurs rendent la modalit visage attractive pour une utilisation grande chelle :

acceptable : les personne sont moins rsistantes pour la capture de visage, vu que cest

une partie apparente du corps. Et aussi que nous avons nos photos de visage sur toutes

nos pices didentit.

vrifiable : nimporte quel oprateur peut facilement vrifier la dcision dun systme

biomtrique a base de visage. La modalit visage peut dans certains cas, comme le cas

de contrle des frontires, conforter la dcision de lagent pour la vrification

didentit et constituer un systme daide la dcision et non de remplacement de

lagent ce qui rend cette modalit plus acceptable.

Sans contact (intrusive) : la capture du visage est assez facile sans contact si on

compare avec dautres modalits tel que liris qui sont difficiles capter. La

vrification peut tre faite sans trop dranger l'utilisateur : l'utilisateur doit seulement

se prsenter devant une camra.

Cot bas du capteur : De plus les capteurs dimages sont moins chers sur le march.

Ce qui facilite une commercialisation dun systme base de reconnaissance de

visage.

Cette technologie nous aide viter quune personne puisse avoir deux cartes

didentit ou usurpe lidentit dune autre personne.

La diffrence d'apparence d'un mme visage captur dans deux conditions d'acquisition

distincte pose un norme problme dans le domaine de la reconnaissance faciale. Cette

diffrence est d, gnralement, des facteurs d'environnement comme les conditions

d'clairage, les caractristiques des capteurs et aussi leur positionnement par rapport au visage


22

lors de l'acquisition. Cette variation peut aussi tre dus aux modifications du visage lies aux

expressions ou aux changements de poids ainsi qu' l'ge.

La modalit de visage prsente des inconvnients qui influent sur la qualit de la

reconnaissance. On peut cit les aspects suivants [3][10][12] :

Changement dillumination : Les variations dclairage rendent la tche de

reconnaissance de visage trs difficile. En effet, le changement dapparence dun

visage du l'illumination, se rvle parfois plus critique que la diffrence physique

entre les individus, et peut entraner une mauvaise classification des images d'entre.

Variation de pose : Le taux de reconnaissance de visage baisse considrablement

quand des variations de pose sont prsentes dans les images.

Expressions faciales : La dformation du visage qui est due aux expressions faciales

est localise principalement sur la partie infrieure du visage. L'information faciale se

situant dans la partie suprieure du visage reste quasi invariable. Elle est gnralement

suffisante pour effectuer une identification. Toutefois, tant donn que l'expression

faciale modifie l'aspect du visage, elle entrane forcment une diminution du taux de

reconnaissance. L'identification de visage avec expression faciale est un problme

difficile qui est toujours dactualit et qui reste non rsolu.

Prsence ou absence des composants structurels : La prsence des composants

structurels telle que la barbe, la moustache, ou bien les lunettes peut modifier

normment les caractristiques faciales telles que la forme, la couleur, ou la taille du

visage. De plus, ces composants peuvent cacher les caractristiques faciales de base

causant ainsi une dfaillance du systme de reconnaissance.

Les vrais jumeaux qui ont le mme indicatif dADN, peuvent tromper les personnes

qui ne les connaissent pas (les personnes familiers avec les jumeaux ont reu une

grande quantit d'information sur ces derniers et sont donc beaucoup plus qualifis

distinguer les jumeaux.). Il est peu probable que la vrification automatique de visage,

ne pourra jamais dtecter les diffrences trs subtiles qui existent entre les jumeaux.

Figure 2.1 variation de pose, changement dillumination et prsence des lunettes [3].


23

2.3 Processus de la reconnaissance faciale

De nos jours, le visage peut tre utilis pour identifier une personne dans une base mais il est

plus communment utilis pour vrifier l'identit. Il s'agit alors de dterminer si une identit

rclame est correcte ou fausse. Pour la vrification des visages, ce processus est effectu en

comparant un modle du demandeur (une ou plusieurs images de test), avec un modle stock

(une ou plusieurs images de rfrence).

Figure 2.2 architecture gnrale dun systme de reconnaissance faciale [2].

Le processus complet de vrification des visages est dcrit ci-dessous [3][12][10] :

Capture du visage : En effet, avoir des images de bonne qualit en rfrence amliore

les performances de reconnaissance. Il faut russir capter l'information pertinente

sans bruit. Il existe plusieurs types de capteurs pour l'acquisition du visage qui se

classent selon leur mode de fonctionnement, leur domaine de sensibilit spectrale et

leur mode d'acquisition. On trouve sur le march les capteurs classiques d'image 2D

tels que : les CCD (Couple charged device) ou CMOS pour capturer des images dans

le spectre visible et/ou proche infrarouge, ou les capteurs thermiques qui permettent

une acquisition dans l'infrarouge. Des informations spcifiques la capture peuvent

tre dtermines aussi lors de l'acquisition de l'image, comme la pose de la personne

par rapport la camra, l'expression ou aussi les conditions d'illumination de la

capture de l'image.

Dtection : L'image 2D acquise peut contenir la fois le visage de la personne et

ventuellement, un arrire-plan. Dans le processus de dtection, le visage est localis

dans l'image. Cette tape est dpendante de la qualit des images acquise.


24

Normalisation : Le rle de la normalisation est, dune part dviter les influences des

facteurs dchelle quand les donnes varient dans des intervalles diffrents. Dautre

part La normalisation tente d'liminer ou de rduire les effets de l'illumination de

l'image. Il existe un grand nombre doprateurs de normalisations classiquement

utiliss et prsents notamment dans [14]. Pour normaliser une donne, il est

ncessaire de possder des informations sur sa distribution. Les informations

utilisables sont le maximum , le minimum, la moyenne, lcart type de la variable

partir desquelles une transformation mathmatique est applique la donne afin

dobtenir la donne normalise.

Extraction des caractristiques : le but est d'extraire les caractristiques du visage qui

peuvent le rendre la fois diffrent de celui des autres personnes et robuste aux

variations de la personne elle-mme. C'est l'information ncessaire pour que le visage

d'une personne ne ressemble pas celui d'une autre personne et en mme temps qu'il

ressemble lui-mme dans d'autres conditions d'acquisition. Plusieurs techniques

existent pour cette tape par exemple les techniques qui utilisent LDA, EFMetc.

Comparaison des caractristiques : selon les caractristiques extraites prcdemment,

les algorithmes de comparaison diffrent. On trouve dans la littrature plusieurs

approches : calcul de distance, calcul de similaritetc. Cette comparaison produit un

score, reprsentant la similarit ou la distance de l'image test par rapport l'image ou

au modle rfrence.

Dcision : Le score est compar un seuil qui dtermine si l'image est accepte ou

rejete en tant que reprsentant de l'identit proclame.

Nous voyons maintenant brivement ltat de lart sur les algorithmes principaux qui ont t

dvelopps pendant les deux dernires dcennies pour aborder le problme provocant de

l'identification ou de la vrification de visages. Et puis nous dcrivons en dtails les approches

que nous avons utiliss ainsi que notre approche propose dans cette thse.

2.4 tat de lart sur la reconnaissance de visage

De nombreux algorithmes ont t proposs dans la littrature pour la reconnaissance faciale

[15][16], elles peuvent tre classes en trois catgories :

Les approches Gomtriques: On les appelle aussi les mthodes traits,

caractristiques locales, ou analytiques qui extraient des caractristiques faciales, puis

les combinent au sein dun modle plus global pour ensuite effectuer une


25

Classification. Ce modle correspond la manire avec laquelle l'tre humain peroit

le visage, c'est dire, nos notions de traits de visage et de parties comme les yeux, le

nez, la bouche, etc. La tche de reconnaissance proprement dite est ensuite ralise en

effectuant certaines mesures (comme la distance entre les yeux) sur ces

caractristiques. Un certain nombre de stratgies ont modlis et class les visages sur

la base de distances normalises et angles entres points caractristiques. Cette phase

dextraction des traits caractristiques du visage constitue l'tape cl du processus, car

la performance du systme entier en dpend. L'avantage de ces mthodes est qu'elles

prennent en compte la particularit du visage en temps que forme naturelle

reconnatre, et un nombre rduit de paramtres (de 9 14 distances au maximum a

considrer) La difficult prouve quand il s'agit de prendre en considration plusieurs

vues du visages ainsi que le manque de prcision dans la phase "extraction" des points

constituent leur inconvnient majeur. Lapproche locale la plus populaire est

lElasticGraphMatching (EGM) o un ensemble de point dintrts est extrait du

visage, partir duquel un graphe est cr. Brunelli et Poggio [17] utilisent des modles

gomtriques comme la distance entre des paires de points caractristiques pour

raliser la reconnaissance faciale.Wiskott et al.[18] utilisent des filtres de Gabor sur le

voisinage de ces points pour calculer un ensemble de jets pour crer la mthode dite de

lElastic BunchGraphMatching (EBGM). Les mthodes locales, bases sur des

modles, utilisent des connaissances a priori que lon possde sur la morphologie du

visage et sappuient en gnral sur des points caractristiques en dtectant certains

points ou traits caractristiques dun visage puis en les comparant avec des paramtres

extraits dautres visages. Ces mthodes constituent une autre approche pour prendre en

compte la non-linarit en construisant un espace de caractristiques local et en

utilisant des filtres dimages appropris, de manire ce que les distributions des

visages soient moins affects par divers changements. Les approches Bayesiennes

(comme la mthode BIC [19], les machines vecteurs de support (SVM) [20], la

mthode des modles actifs dapparence (AAM) [21] ou encore la mthode local

binary pattern (LBP) [22] ont t utilises dans ce but. Toutes ces mthodes ont

lavantage de pouvoir modliser plus facilement les variations de pose, dclairage et

dexpression par rapport aux mthodes globales.

Les approches Globales : qui ralisent souvent une forme de projection linaire de

lespace de grande dimension dans un espace de dimension plus faible. La mthode

la plus populaire appele Eigenfaces (introduite par Turk et Pentland [23]) est base


26

sur lAnalyse en Composantes Principales (ACP) des visages. L'Approche ACP (ou

Les Visages Propres), son 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

mathmatiques : trouver les vecteurs propres de la matrice de covariance de l'ensemble

des images de visages). Le nombre possible de visages propres peut tre approxim en

utilisant seulement les meilleurs visages propres qui correspondent aux plus grandes

valeurs propres. Cette approche rencontre le problme du cot des calculs lev et

celui de la dtermination du nombre de visages propres utiles. Une autre technique

populaire appele FisherFaces est base sur une Analyse Discriminante Linaire

(LDA) [24], [25], [26], qui divise les visages en classes selon le critre de Fisher. Une

comparaison de ces mthodes est effectue par Socolinsky et Selinger dans [27], et par

Wu et al. dans [28] qui testent galement lutilisation des Transformes en Cosinus

Discrets (DCT). Le principal inconvnient des approches globales est leur sensibilit

aux changements de luminosit. En effet, lorsque la luminosit dun visage change,

son apparence subit une transformation nonlinaire, et tant donn laspect linaire

des approches globales, la classification peut chouer. Des extensions de ces

approches linaires ont t proposes comme lAnalyse en Composantes Principales

Noyaux (KernelPCA) [29], ou lAnalyse Discriminante Linaire Noyaux (Kernel

LDA) [30] pour la reconnaissance faciale. Linconvnient de ces extensions est quil

ny a pas dinvariance certaines transformations moins que cellesci ne soient

prises en compte lors de la cration du noyau, et donc encore une fois manuellement.

Cest galement le dfaut dautres techniques dapprentissage comme les Machines

Vecteurs de Support (SVM) [31], et la mthode de la ligne caractristique [32]. La

mthode de Laplacianfaces [33] qui dpendent largement du nombre dexemples

dapprentissage par personne. Dans le cas d'un exemple par personne, ces mthodes se

ramnent encore la mthode eigenface . L'Approche connexionniste [34]

L'inconvnient de cette approche est que l'apprentissage est long. A ce jour, il n'est pas

claire comment de tels systmes vont s'tendre des problmes plus larges, il faut

prendre en compte un grand nombre d'individus. Pour l'approche Stochastique les

images frontales sont balayes de haut en bas il y a un ordre naturel dans lequel les

caractristiques apparaissent, et de ce fait peut tre modlis dune manire pratique

en utilisant un modle cach de Markov (HMM : Hidden Markov Model ) [35]. Ce

modle rencontre les problmes de prises de vue des images en entre. Lapproche

statistique et lapproche probabiliste: cette approche repose essentiellement sur la


27

thorie de dcision pour rsoudre les problmes de classement et de classification, et

pour cela en utilise gnralement la classification fonde sur le thorme de Bayes.

Les approches Hybrides : Les mthodes hybrides sont des approches qui combinent

les caractristiques holistiques et locales afin damliorer les performances de la

reconnaissance de visages. En effet, les caractristiques locales et les caractristiques

globales ont des proprits tout fait diffrentes. Plusieurs techniques peuvent parfois

tre combines o fusionnes afin de rsoudre un problme de reconnaissance des

formes. Chacune dentre elles possde videmment ses forces et ses faiblesses qui,

dans la majorit des cas, dpendent des situations (pose, clairage, expressions

faciales, etc.). Il est par ailleurs possible dutiliser une combinaison de classificateurs

bass sur des techniques varies dans le but dunir les forces de chacun et ainsi pallier

leurs faiblesses. Cette approche nest cependant pas triviale, ni miraculeuse et

certaines erreurs de classification peuvent parfois survenir mme lorsquun des

classificateurs est correct [3].

Les caractristiques locales et globales ragissant diffremment aux facteurs de variation. Par

exemple, les changements d'illumination peuvent avoir plus d'influence sur les

caractristiques locales, tandis que les changements d'expression ont plus d'impact sur les

caractristiques holistiques. Ainsi, les mthodes hybrides peuvent constituer une approche

efficace pour rduire la complexit des classifieurs et amliorer leur capacit de

gnralisation.

Maintenant et aprs ce rapide survol sur les diffrentes mthodes existantes dans le domaine

dauthentification de visage, on peut donner, en dtail, les techniques qui ont t utilises dans

ce travail avec la proposition dune nouvelle mthode. Et pour laugmentation de la

performance de notre systme dauthentification de visage on a ajout linformation couleur

et on a appliqu la fusion entre les composantes colorimtriques pour chaque technique.

2.5 Les techniques utilis

Parmi toutes les mthodes prsentes dans ltat de lart, certaines demeurent plus

avantageuses que dautres. On a choisi quelques techniques de reconnaissance pour la

ralisation de notre application. Les critres utiliss pour cette slection reposent notamment

sur les temps dexcution et les taux de reconnaissance. Une des techniques les plus utilises

dans la reconnaissance de visage est l'Analyse en Composantes Principales (ACP). Une

mthode trs populaire, base sur la technique ACP, est la mthode eigenface introduite


28

en 1991 par Turk et Pentland [23]. Son principe est le suivant : tant donn un ensemble

dimages de visages exemples, il sagit tout dabord de trouver les composantes principales de

ces visages. Ceci revient dterminer les vecteurs propres de la matrice de covariance forme

par lensemble des images exemples. Chaque visage exemple peut alors tre dcrit par une

combinaison linaire de ces vecteurs propres. Pour construire la matrice de covariance,

chaque image de visage est transforme en vecteur. Chaque lment du vecteur correspond

lintensit lumineuse dun pixel. La technique Eigenface globale est une mthode trs utilise

pour la reconnaissance de visage. Sa popularit est due sa nature relativement simple, son

fondement mathmatique fort et ses rsultats bons. Il faut noter que plusieurs mthodes

globales comme LDA et EFM repose sur cette mthode de base. Mais le problme avec

lACP est quelle ne prend pas en compte la discrimination des classes. Pour augmenter la

sparabilit des classes dans le sous-espace de composantes principales on utilise l'analyse

discriminante linaire de Fischer bien connue en anglais (Fischer Linear Discriminant

Analysis : FLD ou LDA) dcrite en dtail ci-dessous.

2.5.1 Analyse Linaire Discriminante de Fischer (LDA)

Les tapes suivre pour extraire les discriminants pour un ensemble d'images sont

[24][25][26] :

a) Pour la ime classe, une matrice de dispersion (Si) est calcul comme la somme des

matrices de covariance des images centres dans cette classe.

( )( )Tii mxmx = ixx

iS (2.1)

O chaque x est un vecteur visage et mi est la moyenne des images dans la classe. La

dispersion de la matrice (SW) est la somme de toutes les matrices de dispersion.

=

=c

i 1

iw SS (2.2)

C est le nombre des classes.

b) La dispersion entre la classe (SB) mesure la quantit de dispersion entre les classes.

( )( )=

=c

i

T

iii mmmmn1

BS (2.3)

ni est le nombre d'images dans la classe, m est la moyenne de toutes les images.

c) Rsoudre le problme gnralis eigenvalue :

Rsoudre la gnralisation des vecteurs propres (V) et valeurs propres au sein de la classe

et la dispersion entre les classes.


29

VV .SS WB = (2.4)

d) Trier les vecteurs propres associs par leurs valeurs propres du plus haut au plus bas

vecteurs propres. Ces vecteurs propres forment la base.

e) Projeter de toutes les images originales sur base des vecteurs en calculant le point de

produits de l'image avec chacun des vecteurs de base.

LDA est une technique qui cherche les directions qui sont efficaces pour la discrimination

entre les donnes.

Figure 2.3 les projections ACP et LDA dun ensemble de donnes.

Comme lACP ne prend pas en compte la discrimination des classes mais LDA rsoudre ce

problme, et que les mthodes bases sur LDA standard telles que Fisherfaces, appliquent en

premier lieu lACP pour la rduction de dimension et puis l'analyse discriminante. Des

questions appropries au sujet de lACP sont habituellement lies au nombre des composantes

principales (CP) utilises et comment elles affectent la performance. Concernant l'analyse

discriminante on doit comprendre les raisons de sur-ajustage de prcision et comment l'viter.

Les rponses ces deux questions sont troitement lies. On peut rellement montrer

quemployer plus de CP peut mener la diminution de la performance de l'authentification.

L'explication de ce comportement est que les CP correspondantes aux vecteurs qui ont des

petites valeurs propres correspondent aux composantes de hautes frquences codent

habituellement le bruit. En rsulte, si les vecteurs propres correspondant aux petites valeurs

propres sont employs pour dfinir le sous-espace rduit de PCA, le procd FLD

s'accompagne aussi bien par le bruit et par consquence le sur-ajustage de prcision a lieu.

Pour cette raison le modle amlior du FLD (Enhanced FLD Model : EFM) est employ

pour surmonter ces problmes lis au sur-ajustage de prcision, montre en dtail ci-dessous.


30

2.5.2 Le Model Discriminant linaire amlior de Fisher (EFM)

Le modle discriminant linaire amlior de Fisher (EFM) amliore les possibilits de

gnralisation de LDA en dcomposant le procd LDA en diagonalisation simultane des

deux matrices de dispersion intra-classe et inter-classe [36]. La diagonalisation simultane est

une tape sagement quivalente deux oprations comme prcis par Fukunaga [37]:

blanchissant la matrice de dispersion intra-classe et application du lACP sur la matrice de

dispersion inter-classe en utilisant les donnes transformes. Durant lopration de

blanchissement de la matrice de dispersion intra-classe apparaisse dans le dnominateur de la

sparabilit des petites valeurs propres qui tendent capturer du bruit [36][37]. Pour raliser

des performances amliores lEFM prserve un quilibre appropri entre le choix des valeurs

propres (correspondant aux composantes principales de l'espace d'image original) qui tiennent

compte la majeure partie de l'nergie spectrale des donnes brutes, c.--d., une reprsentation

adquate, et la condition que les valeurs propres de la matrice de dispersion intra-classe (de

l'espace ACP rduit) ne sont pas trop petites, c.--d., une meilleure gnralisation [10].

On doit alors calculer les valeurs propres de la matrice de dispersion intra-classe dans l'espace

ACP rduit pour faciliter le choix du rang des composantes principales de sorte que lordre de

grandeur soit satisfait. Vers cette fin, on effectue le LDA par des tapes comme dcrit ci-

dessous. En particulier, ces tapes de LDA permettent de trouver les valeurs propres et les

vecteurs propres de 1w bS S comme rsultat de la diagonalisation simultane de wS et bS .

Blanchissons d'abord la matrice de dispersion intra-classe :

T

WS and I = = (2.5)

1 2 1 2T

WS I = (2.6)

o , mxm sont la matrice des vecteurs propres et la matrice diagonale des valeurs

propres de WS respectivement. et m est le rang des composantes principales pour la rduction

de dimension.

EFM diagonalise en premier lieu la matrice de dispersion de intra-classe WS en utilisant les

quations (2.11) et (2.12). Notez que etE sont maintenant les matrices des vecteurs


31

propres et des valeurs propres correspondants aux vecteurs caractristiques. En second lieu

EFM procde calculer la matrice de dispersion inter-classe comme suit [36]:

1 2 1 2T

b bS K = (2.7)

Diagonalisons maintenant la nouvelle matrice de dispersion inter-classe bK :

T

bK et I = = , (2.8)

o , mxmH sont respectivement, la matrice des vecteurs propres et la matrice diagonale

des valeurs propres de bK . La matrice de transformation globale du procd EFM est dfinie

maintenant comme suit [36] [37] :

1 2D H= (2.9)

La prochaine technique de reconnaissance de visage retenue utilise lespace frquentiel

laide de la transforme de cosinus discrte (DCT). Plus de dtail dans la section suivante.

2.5.3 Transforme de cosinus discrte (DCT)

Gnralement la transforme DCT est plus utilisable dans le domaine de compression

multimdia. Et lutilisation de la transforme de cosinus discrte (Discrete Cosine Transform

ou DCT) [38] la reconnaissance de visage est assez rcente [39]. Mais si on le compare

avec lACP la mthode DCT est beaucoup plus rapide concernant lextraction de vecteur

caractristique. La mthode est simple chaque image de visage est reprsente par un vecteur

compos des premiers coefficients de la transforme DCT. Et lorsquun visage est prsent

sa transforme est calcule et un certain nombre de coefficients est retenu pour comparaison

avec ceux de la base de donnes. Et pour chacune des images de la base de donne on calcul

sa transforme en cosinus discrete de limage normalise et on extraire les premiers

coefficients de la DCT afin de former un vecteur unifi, puis on sauvegarde des

reprsentations. Donc le processus dapprentissage est ralis sur chaque image

indpendamment contrairement aux techniques ACP LDA et EFM. On remarque que lun des

avantages de cette mthode repose sur sa grande flexibilit en cas dajouts dimages ou de

personnes. En effet, cette opration nimplique donc aucun r-apprentissage complet,

contrairement aux mthodes comme lACP, LDA et EFM. Une autre avantage cest que les


32

ressources requises par cette mthode ne concernent que la liste des reprsentations

vectorielles, ce qui rsulte en une trs faible consommation de mmoire.

Premirement limage de visage est dcompose en blocs de taille (8x8) puis on applique la

transforme en deux dimension de la DCT sur chaque bloc individuellement. Les 64

coefficients de chaque bloc sont regroups en parcourant les lments dans lordre impos par

une squence particulire appele squence zigzag. On lit les valeurs en zigzags inclins 45

en commenant par le coin suprieur gauche et finissant en bas droite. Cette squence la

proprit de parcourir les lments en commenant par les basses frquences et de traiter les

frquences de plus en plus hautes. Puisque la matrice DCT contient beaucoup de composantes

de hautes frquences nulles, lordre de la squence zigzag va engendrer de longues suites de 0

conscutives. Le rsultat est donc une suite monodimensionnelle des coefficients quantifis

numrots de 1 64 pour chaque bloc. Et pour tous les blocs on gnrent le vecteur

caractristique pour le processus de reconnaissance de visage.

Pour une image de taille (NxN ) la transform DCT en deux dimension est dfinit par :

N

y

N

uxyxfvuvuC

N

x

N

y 2

)12(cos

2

)12(cos),()()(),(

1

0

1

0

++=

=

=

(2.10)

O 1,...2,1,0 = Nv )(),( vu est dfinit par N

u2

)( = pour 0=v et N

v2

)( = pour

0v .

Figure 2.4 squence zigzag de lecture dun bloc de (8x8).


33

2.5.4 La transformation de radon

La transformation par radon et son inverse a t introduite premirement par le mathmaticien

australien Johann Radon en 1917. Cest une transformation intgrale qui calcule les

intgrales de ligne partir de plusieurs sources le long des chemins parallles. Mais ces

dernires annes, la transforme de Radon a reu beaucoup

dattention surtout dans le domaine de traitement d'images. La transformation de Radon est un

outil fondamental qui est utilis dans diverses applications Telles que limagerie radar,

imagerie gophysique, imagerie mdicale et des tests. Son principe est de calculer les

projections d'une image o matrice selon des directions spcifi. Une projection dune

fonction bidimensionnelle f (x, y) est un ensemble d'intgrales en ligne. Dans cette thse nous

allons appliqu la transform de radon sur lauthentification de visage. Les rsultats vont

montrer lefficacit, la rapidit et la simplicit de cette transformation [40][41].

Pour reprsenter une image, la fonction de radon prendre plusieurs projections parallles

de l'image sous diffrents angles en tournant la source autour du centre de l'image. La figure

Documents

Doctorat en sciences en automatique Combinaisons de ... · Mimoune et le Dr. A. Titaouine pour leur soutien moral et l’ambiance ... Je dédie ce travail à mon père Mostefa…