Vérification de Visage utilisant Gabor et PCA/KPCA
Résumé
Résumé :
La reconnaissance de visage est très utilisée dans les applications de contrôle d’accès. Dans la littérature, on trouve plusieurs méthodes globales, locales et hybrides de reconnaissance de visages. Le but de ce travail est d’établir une étude comparative entre deux approches monomodales l’une basée sur l’Analyse en Composantes Principales (ACP) et la deuxième est une ACP à laquelle on associe un noyau (Kernel) pour mieux assurer la classification non linéaire (KPCA). L’approche est basée sur un filtrage de Gabor dont les paramètres sont pris en considération dans l’amélioration des performances du Système de Reconnaissance de Visages (SRV). Nous utilisons un classifieur à Machines de Vecteurs Supports(MVS ou SVM) qui donne des résultats satisfaisants. Une étude comparative est menée entre une approche (PCA) et une approche KPCA associées à deux types de classifieurs : (i) SVM et (ii) mesure de distances. Le SRV à base de KPCA et SVM est réalisé sur la base de donnée XM2VTS et nous pouvons dire que le noyau PCA sur cette base donne de bons résultats surtout avec l’utilisation de filtre Gabor. Dans le cas du SVM nous pouvons aussi dire que le Kernel_RBF donne de meilleurs résultats que les Kernel_linéaire et Kernel_MLP. Les résultats sont dans l’ensemble satisfaisants, mais le taux de faux rejet reste moyen. Ceci est sûrement dû au fait que dans ce cas de classification, notre apprentissage prend en compte que les deux premiers paramètres de l’ACP. La valeur du paramètre de compromis γ est aussi un hyper-paramètre qui régit la performance du SVM. Ce paramètre sert à fixer le compromis entre la minimisation de l’erreur d’apprentissage et la maximisation de la marge. En réalité ce ne sont pas seulement ces paramètres qui influent sur les résultats, il y a aussi les exemples d’apprentissage, leur nombre et leur diversité. Il faut toujours prendre un nombre suffisant d’exemples (1000 par exemple) distribués d’une façon équitable entre les classes. Ce qui est bien notre cas avec 1098 exemples.
Mots clés : Vérification de Visage; Gabor ; SVM ; PCA ; KPCA.
Références
[Bel 12] M.Belahcene, A.Ouamae; Fusion des scores par logique floue, Journées Algéro Françaises, ENPolytechnique Alger Décembre 2012
[Belh 97] P. Belhumeur, J. Hespanha, and D. Kriegman. “Eigenfaces vs. Fisherfaces :Recognition Using Class Specific Linear Projection”. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, pp. 711–720, 1997.
[Beve 05] R. Beveridge and M. Kirby. “Biometrics and
Face Recognition”. IS&T Colloquium, p. 25, 2005.
[Bled 64] W. Bledsoe. “The model method in facial recognition”. Tech. Rep. PRI :15, Stanford University, Palo Alto, CA, USA, 1964.
[Boll 05] R. M. Bolle, J. H. Connell, S. Pankanti, N. K. Ratha, and A. W. Senior. “The Relation between the ROC Curve and the CMC”. In : Proceedings of the Fourth IEEE Workshop on Automatic Identification Advanced Technologies, pp. 15 20,2005.
[Coot 01] T. Cootes, G. Edwards, and C. Taylor. “Active Appearance Models”. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, No. 6,pp. 681–685, June 2001.
[Guo 00]G. Guo, S. Li, and K. Chan. “Face Recognition by Support Vector Machines”.In : Proceedings of the IEEE International Conference on Automatic Face and Gesture Recognition, pp. 196–201, 2000
[Kirb 90] M. Kirby and L. Sirovich. “Application of the Karhunen-Loeve Procedure for the Characterization of Human Faces”. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 12, No. 1, 1990.
[Krig 97] Norbert Krüger. An algorithm for the learning of weights in discrimination functions using a priori constraints. IEEE Trans. Pattern Anal. Mach.Intell., 19(7) :764_768, 1997.
[Jian 04] Y. Jian, D. Zhang, A. Frangi, and J.-Y. Yang. “Two-Dimensional PCA : A NewApproach toAppearance-Based Face Representation and Recognition”.IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 26, No. 1,pp. 131–137, January 2004.
[Liu 98] C. Liu and H. Wechsler. “A Unified Bayesian
Framework for Face Recognition”.In : Proceedings of the
IEEE International Conference on Image Processing,pp.
151–155, 1998.
[Mell 09]A. Mellakh ‘‘Reconnaissance des visages en conditions dégradées’’ Avril 2009 pp. 24-29.
[Mika 99]S. Mika, G. Ratsch, J.Weston, B. Schölkopf, and
K.-R. Müller. “Fisher Discriminant Analysis With Kernels”. In : Neural Networks for Signal Processing IX,pp. 41–48, 1999.
[Perl 05] V. Perlibakas. “Face recognition using Principal
Component Analysis and Log-Gabor Filters”. March 2005.
[Perr 02] F. Perronnin and J.-L. Dugelay. “Introduction à la biométrie – Authentification des individus par traitement audio-vidéo”. Traitement du signal, Vol. 19, No. 4, 2002.
[Scho 98] B. Schölkopf, A. Smola, and K.-R. Müller. “Nonlinear component analysis as a kernel eigenvalue problem”. Neural Computation, Vol. 10, No. 5, pp. 1299–1319, 1998.
[Shen 07] Sheng Cai Liao, Xiangxin Zhu, Zhen Lei, Lun Zhang and Stan Z. Li, “Learning Multi-scale Block Local Binary Patterns for Face Recognition”, Proceedings of IAPR/IEEE International Conference on Biometrics, (ICB-2007). Seoul, Korea , August 2007.
[Smac 06] F. Smach, M. Atri, J. Miteran, and M. Abid. “Design of a Neural Network Classifier for Face Detection”. Journal of Computer Science, Sciences Publications, Vol. 2, No. 3, pp. 261–268, 2006.
[Turk 91] M. Turk and A. Pentland. “Eigenfaces for recognition”. Journal of Cognitive Neuroscience, Vol. 3, No. 1, pp. 71–86, 1991.
[Wangli13] Wangli Hao, Jianwu Li, Xiao Zhang Learning KPCA for Face Recognition, Emerging Intelligent Computing Technology and Applications Communications in Computer and Information Science Volume 375, 2013, pp 142-146
[Yang 03] F. Yang and M. Paindavoine. “Implementation of a RBF neural network on embedded systems :Real time face tracking and identity verification”. IEEE Transactions on Neural Networks, Vol. 14, No. 5, pp. 1162–1175, September 2003.
