Reconnaissance faciale du genre humain basée sur les modèles d’apprentissage automatique

Abstract

La reconnaissance du genre facial est l’une des tâches fondamentales de la vision par ordinateur, avec des applications variées telles que l’interaction homme-machine, la vidéosurveillance et le marketing ciblé. Notre travail consiste à implémenter un système performant de reconnaissance faciale du genre (RFG) basé sur le descripteur HOG (Histogram of Oriented Gradients), combiné à trois algorithmes d’apprentissage automatique : SVM (Support Vector Machine), LDA (Linear Discriminant Analysis) et KNN (K-Nearest Neighbor). Les performances du système ont été évaluées sur une sous base de données extraite de la base de données FERET, composée de 836 images faciales des deux genres (masculin, féminin). Les résultats ont montré que le modèle SVM avec noyau RBF atteint le meilleur taux de reconnaissance de 94,50 % avec une taille d’image de 256×256 pixels et une cellule HOG de 8×8, suivi du LDA avec 90,19 % et du KNN avec 84,69 %. En parallèle, une étude comparative a été menée avec le descripteur LBP, qui s’est révélé efficace pour représenter la texture faciale, mais dont les performances restent inférieures à celles obtenues avec HOG. Cette comparaison confirme la pertinence du choix du descripteur HOG associé au classificateur SVM pour notre système de reconnaissance faciale.