Apprentissage Supervisé Pour La Reconnaissance Facial Des Images à Basse Résolution

Abstract

La reconnaissance faciale est une technologie clé des systèmes biométriques, largement utilisée dans la sécurité et la surveillance. Toutefois, ses performances dépendent fortement de la qualité des images. Dans les cas de basse résolution typiques des vidéos de surveillance ou d’images web les modèles classiques perdent en efficacité à cause du manque de détails visuels. Cetravail traite de la reconnaissance faciale en basse résolution (LRFR). Il vise à surmonter des défis majeurs tels que la perte de traits faciaux, les variations de pose, d’éclairage et les occultations, en adoptant une approche hybride. La méthode repose sur l’utilisation de CNN pour l’extraction de caractéristiques, de mo dèles pré-entraînés (VGG-Face, MobileNetV2) pour une représentation robuste, et de tech niques de super-résolution (Bicubic, Lanczos, FSRCNN) pour améliorer la netteté des images avant reconnaissance. Nous intégrons également le Few-Shot Learning, permettant d’identifier un individu avec très peu d’exemples annotés une contrainte fréquente dans les bases de données réelles. Les résultats montrent qu’une reconnaissance efficace est possible, même à partir d’images de faible qualité, grâce à une combinaison cohérente de traitement d’image et d’apprentissage profond. Mots-clés : Reconnaissance faciale en basse résolution (LRFR), Réseaux de neurones convo lutifs (CNN), Super-résolution (SR), VGG-Face, MobileNetV2, Few-Shot Learning, Appren tissage profond, Prétraitement d’images, Données faibl