Reconnaissance de visages par réseaux d’ondelettes de Gabor

Face recognition by Gabor wavelet networks

• Auteur / Autrice : Ahmed Chaari
• Direction : François Cabestaing, Nabil Derbel, Dorra Sellami-Masmoudi
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Génie informatique, Traitement du signal et des images
• Date : Soutenance le 08/12/2009
• Etablissement(s) : Lille 1 en cotutelle avec Université de Sfax (Tunisie)
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)

Mots clés

Mots clés contrôlés

Identification

Visage

Traitement d'images -- Techniques numériques

Apprentissage automatique

Ondelettes

Informatique

Perception des visages

Reconnaissance des formes (informatique)

Mots clés libres

Réseaux d'ondelettes

Résumé

Les travaux de recherche menés dans le cadre de cette thèse portent sur la reconnaissance de visages par réseaux d’ondelettes de Gabor. Ce réseau est très utilisé pour la représentation d’image. Après une étape d’apprentissage, il reconstruit l’image en se basant sur un nombre défini d’ondelettes dont les paramètres ont été ajustés. L’originalité du travail se situe au niveau de l’utilisation de plusieurs images pour l’extraction de la signature d’un individu. Un algorithme d’apprentissage dédié a été développé de façon à prendre en compte plusieurs images et à en extraire une signature discriminante associée à un masque des confiances accordées aux pixels. Ce masque est construit en associant un coefficient d’importance à chaque ondelette. Ce coefficient est calculé en suivant et analysant l’évolution des paramètres des ondelettes au cours de l’apprentissage. Une étude comparative sur la base de données YaleFaces a montré qu’avec cette méthode la discrimination des individus est améliorée par rapport aux méthodes conventionnelles

This research work is oriented toward face recognition by Gabor Wavelet networks. This network has proved to be very efficient for image representation. It reconstructs, after a learning step, the image with a set of adapted wavelets. The originality of this work lies in the use of multiple images to extract the signature of an individual. A special learning algorithm was developed to use several images and extract a distinct signature, associated to a mask of significant pixels. This mask is built from coefficients of significance associated to each wavelet. The coefficients are calculated by analyzing the evolution of wavelet parameters during the learning step. A comparative study, on YaleFaces database, has shown that with this method face recognition is improved compared to conventional methods.