Conception et implémentation d'un classifieur SVM pour la reconnaissance de visage humain / Louaim,Maroua  

Public ISBD Titre : Conception et implémentation d'un classifieur SVM pour la reconnaissance de visage humain Type de document : texte imprimé Auteurs : Louaim,Maroua, Auteur ; Douidi ,Lamri, Directeur de thèse Editeur : Setif:UFA Année de publication : 2019 Importance : 1 vol (75 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Reconnaissance faciale SVM Noyau Classification Eigenface Optimisation des paramètres Index. décimale : 004 Informatique Résumé : La reconnaissance faciale est largement utilisée dans la vision par ordinateur et dans de nombreuses autres applications biométriques où la sécurité est une préoccupation majeure. En effet, La reconnaissance faciale possède plusieurs avantages sur les autres technologies biométriques : elle est non intrusive, peu coûteuse et facile à utiliser. Le problème le plus courant dans la reconnaissance faciale se pose en raison de variations de pose, de conditions d’éclairage différentes, etc. Support Vector Machine (SVM) est très populaire en tant que classifieur à vaste marge en raison de sa théorie mathématique robuste. En fait, c'est l'un des techniques les plus utiles pour résoudre les problèmes de classification. Il peut classer des données non linéairement séparables en utilisant une fonction noyau. Cette étude décrit comment implémenter une machine à vecteurs de support pour la reconnaissance des visages avec un noyau linéaire, polynomial et RBF. La méthode Eigenface qui est basée sur la technique d’analyse en composantes principales (ACP) a été choisie pour la réduction des dimensions avant la phase de classification. La technique grid-search a été utilisée avec une validation croisée pour trouver les paramètres optimaux pour chaque noyau de classifieurs. Pour appliquer SVM au problème multiclass, la méthode one-vs-one a été choisie en raison de sa simplicité et de ses bonnes performances. Les performances des différents classificateurs ont été comparées en termes de précision. Les résultats expérimentaux avec la base de données ORL montrent que le classifieur SVM avec le noyau RBF atteint la meilleure précision de classification de 96%. Note de contenu : Sommaire Liste des figures Liste des tables Introduction générale............................................................................................................... 1 Chapitre 1 : État de l’art de la Reconnaissance Faciale 1 Introduction......................................................................................................................... 3 2 34TUSystème de reconnaissance facialeU34T ..................................................................................... 3 2.1 Identification (ou reconnaissance)............................................................................... 3 2.2 Vérification (ou authentification) ................................................................................ 4 3 Domaines d’application ...................................................................................................... 4 4 Avantages et limites de reconnaissance faciale .................................................................. 6 5 Les challenges de reconnaissance faciale ........................................................................... 6 5.1 Variation inter sujet ..................................................................................................... 7 5.2 Variation intra sujet ..................................................................................................... 7 5.2.1 34TULes changements d’éclairageU34T ............................................................................... 7 5.2.2 Les expressions faciales ....................................................................................... 8 5.2.3 Variation de pose.................................................................................................. 9 5.2.4 34TULes occultations partiellesU34T .................................................................................. 10 5.2.5 Le vieillissement et le changement d’aspect ...................................................... 10 5.2.6 Falsification d'image .......................................................................................... 11 6 Le processus de reconnaissance faciale ............................................................................ 11 6.1 Détection de visage.................................................................................................... 12 6.1.1 L'approche basée sur les caractéristiques ........................................................... 13 6.1.2 L'approche basée sur l'image.............................................................................. 13 6.2 L’extraction des caractéristiques ............................................................................... 13 6.3 Classification des visages .......................................................................................... 14 7 Techniques de reconnaissance de visage .......................................................................... 14 7.1 Approches globales ou holistiques ............................................................................ 14 7.1.1 Techniques linéaires ........................................................................................... 15 7.1.2 Techniques non linéaires .................................................................................... 15 7.2 Approches locales...................................................................................................... 15 7.2.1 Méthodes de reconnaissance de visage basées sur les points d’intérêt .............. 16 7.2.2 Méthodes de reconnaissance de visage basées sur l'apparence locale ............... 16 7.3 Approches et méthodes hybrides ............................................................................... 16 8 Conclusion ........................................................................................................................ 17 Chapitre 2 : L’apprentissage Automatique 1 Introduction....................................................................................................................... 18 2 Apprentissage automatique............................................................................................... 18 3 Types d’apprentissage automatique.................................................................................. 18 3.1 L'apprentissage supervisé .......................................................................................... 18 3.2 L'apprentissage non supervisé ................................................................................... 19 3.3 L’apprentissage semi supervisé ................................................................................. 19 3.4 L’apprentissage par renforcement ............................................................................. 19 4 Tâches d'apprentissage automatiques ............................................................................... 20 4.1 Régression ................................................................................................................. 20 4.2 Clustring .................................................................................................................... 20 4.3 Classification ............................................................................................................. 21 4.3.1 Quelques méthodes de classification.................................................................. 21 4.3.1.1 KNN.............................................................................................................. 21 4.3.1.2 Régression logistique .................................................................................... 22 4.3.1.3 SVM.............................................................................................................. 23 4.4 Réduction de dimensions........................................................................................... 24 4.4.1 Analyse en Composantes Principales (ACP) ..................................................... 25 4.3.1.1 Les étapes principales de la technique EigenFace ........................................ 26 5 Conclusion ........................................................................................................................ 27 Chapitre 3 : Machines à vecteur support 1 Introdution......................................................................................................................... 28 2 Historique.......................................................................................................................... 28 3 Notions de base ................................................................................................................. 29 3.1 Vecteur....................................................................................................................... 29 3.2 Hyperplan .................................................................................................................. 30 3.3 Vecteurs de support ................................................................................................... 31 3.4 Marge......................................................................................................................... 32 4 Définition des SVMs......................................................................................................... 32 5 SVMs binaires................................................................................................................... 33 5.1 Cas des données linéairement séparables .................................................................. 33 5.1.1 SVMs à marge dure (Hard margin SVMs) .......................................................... 34 5.1.2 SVMs à marge souple (Soft margin SVMs)....................................................... 40 5.2 Cas des données non linéairement séparables ........................................................... 42 5.2.1 SVM à noyau...................................................................................................... 43 6 SVMs multiclasse ............................................................................................................. 44 6.1 One-versus-all............................................................................................................ 45 6.2 One-versus-one.......................................................................................................... 45 7 Métriques de performances............................................................................................... 46 7.1 Matrice de confusion ................................................................................................. 46 7.1.1 Précision ............................................................................................................. 47 7.1.1 Sensitivité et Spécificité ..................................................................................... 47 7.1.1 F-Score ............................................................................................................... 47 8 Estimation de l’erreur de généralisation ........................................................................... 48 8.1 Validation croisée en k parties................................................................................... 48 9 Conclusion ........................................................................................................................ 49 Chapitre 4: Base de données et Implémentation 1 Introduction....................................................................................................................... 50 2 Environnement de travail .................................................................................................. 50 2.1 Environnement matériel ............................................................................................ 50 2.2 Outils de développement ........................................................................................... 50 3 Base de données ORL (Olivetti) ....................................................................................... 51 4 Description du système de reconnaissance faciale proposé ............................................. 52 4.1 Chargement et description du jeu de données ........................................................... 53 4.2 Séparation du jeu de données .................................................................................... 55 4.3 Réduction de dimensions........................................................................................... 57 4.4 Classification des visages .......................................................................................... 60 4.4.1 Optimisation des paramètres .............................................................................. 61 5 Tests et Résultats............................................................................................................... 64 5.1 Performance des noyaux............................................................................................ 64 5.2 Temps d’entrainement ............................................................................................... 64 5.3 Images mal classées................................................................................................... 65 5.4 Validation des résultats avec « k folds cross validation » ......................................... 65 6 Choix du meilleur modèle SVM....................................................................................... 66 6.1 Matrice de confusion ................................................................................................. 66 6.2 Rapport de classification ........................................................................................... 67 8 Conclusion ........................................................................................................................ 69 Conclusion générale................................................................................................................ 70 Bibliographie............................................................................................................................ 71 Web graphie ............................................................................................................................. 75 Liste d Côte titre : MAI/0292 En ligne : https://drive.google.com/file/d/17ybWWTVxYplnPLT9BHNCJPElkAp8odjL/view?usp=shari [...] Format de la ressource électronique : pdf Conception et implémentation d'un classifieur SVM pour la reconnaissance de visage humain [texte imprimé] / Louaim,Maroua, Auteur ; Douidi ,Lamri, Directeur de thèse . - [S.l.] : Setif:UFA, 2019 . - 1 vol (75 f .) ; 29 cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Reconnaissance faciale SVM Noyau Classification Eigenface Optimisation des paramètres Index. décimale : 004 Informatique Résumé : La reconnaissance faciale est largement utilisée dans la vision par ordinateur et dans de nombreuses autres applications biométriques où la sécurité est une préoccupation majeure. En effet, La reconnaissance faciale possède plusieurs avantages sur les autres technologies biométriques : elle est non intrusive, peu coûteuse et facile à utiliser. Le problème le plus courant dans la reconnaissance faciale se pose en raison de variations de pose, de conditions d’éclairage différentes, etc. Support Vector Machine (SVM) est très populaire en tant que classifieur à vaste marge en raison de sa théorie mathématique robuste. En fait, c'est l'un des techniques les plus utiles pour résoudre les problèmes de classification. Il peut classer des données non linéairement séparables en utilisant une fonction noyau. Cette étude décrit comment implémenter une machine à vecteurs de support pour la reconnaissance des visages avec un noyau linéaire, polynomial et RBF. La méthode Eigenface qui est basée sur la technique d’analyse en composantes principales (ACP) a été choisie pour la réduction des dimensions avant la phase de classification. La technique grid-search a été utilisée avec une validation croisée pour trouver les paramètres optimaux pour chaque noyau de classifieurs. Pour appliquer SVM au problème multiclass, la méthode one-vs-one a été choisie en raison de sa simplicité et de ses bonnes performances. Les performances des différents classificateurs ont été comparées en termes de précision. Les résultats expérimentaux avec la base de données ORL montrent que le classifieur SVM avec le noyau RBF atteint la meilleure précision de classification de 96%. Note de contenu : Sommaire Liste des figures Liste des tables Introduction générale............................................................................................................... 1 Chapitre 1 : État de l’art de la Reconnaissance Faciale 1 Introduction......................................................................................................................... 3 2 34TUSystème de reconnaissance facialeU34T ..................................................................................... 3 2.1 Identification (ou reconnaissance)............................................................................... 3 2.2 Vérification (ou authentification) ................................................................................ 4 3 Domaines d’application ...................................................................................................... 4 4 Avantages et limites de reconnaissance faciale .................................................................. 6 5 Les challenges de reconnaissance faciale ........................................................................... 6 5.1 Variation inter sujet ..................................................................................................... 7 5.2 Variation intra sujet ..................................................................................................... 7 5.2.1 34TULes changements d’éclairageU34T ............................................................................... 7 5.2.2 Les expressions faciales ....................................................................................... 8 5.2.3 Variation de pose.................................................................................................. 9 5.2.4 34TULes occultations partiellesU34T .................................................................................. 10 5.2.5 Le vieillissement et le changement d’aspect ...................................................... 10 5.2.6 Falsification d'image .......................................................................................... 11 6 Le processus de reconnaissance faciale ............................................................................ 11 6.1 Détection de visage.................................................................................................... 12 6.1.1 L'approche basée sur les caractéristiques ........................................................... 13 6.1.2 L'approche basée sur l'image.............................................................................. 13 6.2 L’extraction des caractéristiques ............................................................................... 13 6.3 Classification des visages .......................................................................................... 14 7 Techniques de reconnaissance de visage .......................................................................... 14 7.1 Approches globales ou holistiques ............................................................................ 14 7.1.1 Techniques linéaires ........................................................................................... 15 7.1.2 Techniques non linéaires .................................................................................... 15 7.2 Approches locales...................................................................................................... 15 7.2.1 Méthodes de reconnaissance de visage basées sur les points d’intérêt .............. 16 7.2.2 Méthodes de reconnaissance de visage basées sur l'apparence locale ............... 16 7.3 Approches et méthodes hybrides ............................................................................... 16 8 Conclusion ........................................................................................................................ 17 Chapitre 2 : L’apprentissage Automatique 1 Introduction....................................................................................................................... 18 2 Apprentissage automatique............................................................................................... 18 3 Types d’apprentissage automatique.................................................................................. 18 3.1 L'apprentissage supervisé .......................................................................................... 18 3.2 L'apprentissage non supervisé ................................................................................... 19 3.3 L’apprentissage semi supervisé ................................................................................. 19 3.4 L’apprentissage par renforcement ............................................................................. 19 4 Tâches d'apprentissage automatiques ............................................................................... 20 4.1 Régression ................................................................................................................. 20 4.2 Clustring .................................................................................................................... 20 4.3 Classification ............................................................................................................. 21 4.3.1 Quelques méthodes de classification.................................................................. 21 4.3.1.1 KNN.............................................................................................................. 21 4.3.1.2 Régression logistique .................................................................................... 22 4.3.1.3 SVM.............................................................................................................. 23 4.4 Réduction de dimensions........................................................................................... 24 4.4.1 Analyse en Composantes Principales (ACP) ..................................................... 25 4.3.1.1 Les étapes principales de la technique EigenFace ........................................ 26 5 Conclusion ........................................................................................................................ 27 Chapitre 3 : Machines à vecteur support 1 Introdution......................................................................................................................... 28 2 Historique.......................................................................................................................... 28 3 Notions de base ................................................................................................................. 29 3.1 Vecteur....................................................................................................................... 29 3.2 Hyperplan .................................................................................................................. 30 3.3 Vecteurs de support ................................................................................................... 31 3.4 Marge......................................................................................................................... 32 4 Définition des SVMs......................................................................................................... 32 5 SVMs binaires................................................................................................................... 33 5.1 Cas des données linéairement séparables .................................................................. 33 5.1.1 SVMs à marge dure (Hard margin SVMs) .......................................................... 34 5.1.2 SVMs à marge souple (Soft margin SVMs)....................................................... 40 5.2 Cas des données non linéairement séparables ........................................................... 42 5.2.1 SVM à noyau...................................................................................................... 43 6 SVMs multiclasse ............................................................................................................. 44 6.1 One-versus-all............................................................................................................ 45 6.2 One-versus-one.......................................................................................................... 45 7 Métriques de performances............................................................................................... 46 7.1 Matrice de confusion ................................................................................................. 46 7.1.1 Précision ............................................................................................................. 47 7.1.1 Sensitivité et Spécificité ..................................................................................... 47 7.1.1 F-Score ............................................................................................................... 47 8 Estimation de l’erreur de généralisation ........................................................................... 48 8.1 Validation croisée en k parties................................................................................... 48 9 Conclusion ........................................................................................................................ 49 Chapitre 4: Base de données et Implémentation 1 Introduction....................................................................................................................... 50 2 Environnement de travail .................................................................................................. 50 2.1 Environnement matériel ............................................................................................ 50 2.2 Outils de développement ........................................................................................... 50 3 Base de données ORL (Olivetti) ....................................................................................... 51 4 Description du système de reconnaissance faciale proposé ............................................. 52 4.1 Chargement et description du jeu de données ........................................................... 53 4.2 Séparation du jeu de données .................................................................................... 55 4.3 Réduction de dimensions........................................................................................... 57 4.4 Classification des visages .......................................................................................... 60 4.4.1 Optimisation des paramètres .............................................................................. 61 5 Tests et Résultats............................................................................................................... 64 5.1 Performance des noyaux............................................................................................ 64 5.2 Temps d’entrainement ............................................................................................... 64 5.3 Images mal classées................................................................................................... 65 5.4 Validation des résultats avec « k folds cross validation » ......................................... 65 6 Choix du meilleur modèle SVM....................................................................................... 66 6.1 Matrice de confusion ................................................................................................. 66 6.2 Rapport de classification ........................................................................................... 67 8 Conclusion ........................................................................................................................ 69 Conclusion générale................................................................................................................ 70 Bibliographie............................................................................................................................ 71 Web graphie ............................................................................................................................. 75 Liste d Côte titre : MAI/0292 En ligne : https://drive.google.com/file/d/17ybWWTVxYplnPLT9BHNCJPElkAp8odjL/view?usp=shari [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0292	MAI/0292	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)