Analyse d'images d’expressions faciales et orientation de la tête basée sur la profondeur.

Abstract

Au cours des deux dernières décennies, le système de la reconnaissance automatique de visage est devenu l'une des tâches les plus intéressantes dans le domaine de la vision par ordinateur. Ces systèmes ont attirés beaucoup d'intérêt en raison de leurs diverses applications dans la vie humaine. La reconnaissance de visage est une approche biométrique basée sur des méthodes automatiques pour vérifier l'identité des personnes à base de modalités. Cette thèse est consacrée à la vérification automatique de visage basée sur les images de profondeurs 3D. Malheureusement, les conditions non contrôlées telles que les variations d'illuminations, les expressions faciales et les variations de poses affectent négativement les performances de ces systèmes surtout les systèmes basés sur les images 2D. L'obtention d'une performance élevée dans le monde réel reste donc un problème ouvert. Récemment, les travaux de recherche sont tournés vers la reconnaissance de visage utilisant l’information faciale 3D qui représente des caractéristiques plus discriminantes. Dans un premier temps, nous menons une étude approfondie des techniques récentes de la reconnaissance faciale 3D ainsi qu’algorithmes qui traitent les difficultés mentionnées. Ensuite, une nouvelle méthode de détection de visage est proposée : la segmentation de la zone du visage avec les courbes de projection intégrale IPC (Integral Projection Curves) suivi par la localisation de bout du nez. Les résultats obtenus sur les bases de données CASIA3DV4 et GavabDB et leurs comparaisons avec les travaux de l’état de l’art confirment tout l’intérêt de la bonne précision de la détection pour un système de reconnaissance efficace. Enfin, nous proposons un nouveau cadre pour la vérification 3D du visage en utilisant la réduction de la dimensionnalité basée sur les histogrammes des descripteurs locaux multi-blocs. À cet effet, cinq descripteurs locaux sont évalués, LBP (Local Binary Patterns), TPLBP (Three-Patch Local Binary Patterns), FPLBP (Four-Patch Local Binary Patterns), BSIF (Binarized Statistical Image Features) et LPQ (Local Phase Quantization). Des expériences sur les combinaisons de ces descripteurs au niveau des caractéristiques à l'aide d’une concaténation des histogrammes sont effectuées. La performance de l'approche proposée est évaluée avec différents algorithmes de réduction de la dimension: Principal Component Analysis (PCA), Orthogonal Locality Preserving Projection (OLPP) et PCA (Principal Composant Analyses) + EFM (Enhanced Fisher linear discriminant Model). La multi-classe machine à vecteurs de support (SVM) est utilisée comme un classificateur pour effectuer la vérification entre les imposteurs et les clients. Nous proposons aussi une nouvelle stratégie de vérification de visage 3D robuste et efficace aux grandes variations des poses en utilisant, l'apprentissage par les angles d'Euler (poses : ± 60° selon l’axe Y) et la modélisation tensorielle basée sur la méthode proposée HOSVD (Higher Order Singular Value Decomposition) + PCA+EFM en utilisant l’algèbre multilinéaire.