Abstract:
Poussée par le besoin de sécurité, la biométrie en tant que domaine de recherche a atteint
un stade assez progressif où elle est très utilisée. En prenant en compte le temps qu'a pris la
biométrie pour atteindre ce point, on peut dire, sans risque de se tromper, qu'elle a pu trouver
assez rapidement sa place dans la routine quotidienne des êtres humains. De nos jours, nous
assistons à un grand saut dans une technologie où les matériels d'acquisitions utilisés en
biométrie sont de bonne qualité, ce qui conduit à une immense quantité de données capturées.
Maintenant, disposer d'une énorme quantité de données peut être bénéfique, mais cela
consomme, généralement, beaucoup de temps pour les traiter toutes. Par conséquent,
l'intervention d'une autre discipline capable de contrôler le flux pour sélectionner les
"caractéristiques" de données les plus pertinentes est indispensable, par exemple l'optimisation
peut remplir ce rôle.
Le visage est l'un des traits biométriques les plus largement utilisé et accepté. Les systèmes de
reconnaissance faciale sont maintenant utilisés dans de nombreuses applications allant des
scénarios individuels (l’authentification des utilisateurs de smartphones) aux scénarios à grande
échelle (le contrôle des passages frontaliers). La plupart des systèmes de reconnaissance faciale
utilisent la sélection des caractéristiques après extraction des caractéristiques pour améliorer la
précision du système. En d'autres termes, la sélection des caractéristiques est l'une des phases
importantes que tout système de reconnaissance doit effectuer car les résultats finaux en
dépendent. Cette thèse aborde principalement l'aspect de sélection des caractéristiques dans la
reconnaissance faciale, où nous avons introduit une méthode de sélection de caractéristiques
optimisée et basée sur Particle Swarm Optimization (PSO) pour sélectionner un bloc de
caractéristiques au lieu d'une seule caractéristique. Afin d'assurer le caractère distinctif et les
variations des caractéristiques dans un système de reconnaissance faciale. D’abord l'image du
visage est capturée et divisée en un nombre régulier de blocs (sous-images), puis le descripteur
local des caractéristiques Binarized Statistical local features (BSIF) est appliqué sur chaque
bloc pour l'extraction des caractéristiques. Ensuite, un schéma PSO est utilisé pour sélectionner
les blocs. Le KNN classificateur est utilisé pour obtenir la valeur de la fonction objectif (ici,
Error Equal Rate (EER)) pour la sélection de bloc. Les blocs avec les plus petits EER sont
choisis pour représenter l’individu. Les résultats expérimentaux sur la base de données publique
de visages ORL montrent des résultats prometteurs. En plus de la sélection des caractéristiques
dans cette thèse, nous avons également abordé la question de l'extraction des caractéristiques et
de la réduction de la dimensionnalité en proposant un nouveau descripteur basé sur la
représentation du signal monogénique et le descripteur BSIF pour extraire les caractéristiques
distinctives et pertinentes de l'image du visage, nommé (M-BSIF). Notre schéma de description
des caractéristiques proposé, applique d'abord un mécanisme passe-bande via un filtre logGabor sur l'image, puis un filtre monogénique est appliqué pour décomposer l'image du visage
en trois composants complémentaires. Ensuite, BSIF est utilisé pour coder ces composants
complémentaires afin d'extraire les caractéristiques M-BSIF. Des analyses expérimentales sur
trois bases de données accessibles au public (c'est-à-dire ORL, AR, JAFFE) démontrent
l'efficacité du descripteur M-BSIF.