Intitulé du sujet : Conception d’un logiciel d’authentification des individus par reconnaissance faciale

Abstract

La reconnaissance faciale est la technique biométrique la plus utilisée au monde. Elle passe en générale par deux principaux phases de traitement : l’apprentissage et la reconnaissance. L’apprentissage machine consiste : - Dans un premier temps à créer une base de données avec lesquelles l’ordinateur sera entrainé à reconnaitre un individu en particulier parmi tant d’autre sur une image statique ou dynamique, - Enfin à extraire les caractéristiques pour une classification. La reconnaissance est l’opération qui consiste à vérifier ou proclamer l’identité d’un individu. Plusieurs méthodes peuvent être utilisées pour entrainer un ordinateur à reconnaitre une personne, elles se regroupent en trois grands catégories : - Les méthodes globales sensibles : à la pose, le bruit, la lumière, les expressions faciales… (tel que l’analyse en composante principale mais qui est néanmoins capable de reconnaitre une personne même avec une seule image d’apprentissage), - Les méthodes locales beaucoup plus fluide mais relativement complexe et - Et les méthodes hybrides, une combinaison de méthode globale et locale. Le modèle de Markov et les réseaux neurones peuvent êtes cités bien qu’ils soient des méthodes n’entrant dans aucun de ces catégories. Au terme de nos recherches, le logiciel que nous avons implémenté du nom de FARES_MAK permet d’authentifier une personne avec une performance très élévée. Pour témoigner de sa grande robustesse, nous nous sommes permis de prendre une seule image en acquisition (de l’individu à authentifier) dans notre base de données et de procéder aux tests suivants : changement de pose, expressions faciale, variation de lumière, camera de différentes résolutions, le port de lunette et de casquette pour voir à quel point sa capacité de reconnaissance serait affectée. Nous avons constaté que la résolution de la caméra lors de la reconnaissance ainsi que la qualité de l’image d’acquisition influençaient beaucoup plus le taux de reconnaissance que la variation de pose, de lumière, le port de lunette ou de caquette. Cela est dû au fait que nous avons utilisé une technique multi algorithme (en traitant la même image par plusieurs programmes lors du prétraitement : conversion en niveau de gris, égalisations de l’histogramme, même axe pour les yeux, même résolution et dimension pour les images acquises et à comparer…).