Fusion de différents modes de capture pour la reconnaissance de visages appliquée aux e_transactions

Fusion of modalities for face recognition applied to e_transactions

• Auteur / Autrice : Pierre Buyssens
• Direction : Marinette Revenu
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance en 2011
• Etablissement(s) : Caen

Mots clés

Mots clés contrôlés

Représentation parcimonieuse

Réseaux neuronaux (informatique)

Fusion multicapteurs

Imagerie infrarouge

Identification biométrique

Perception des visages

Mots clés libres

Modalité visible

Résumé

Dans cette thèse, nous décrivons le problème de la reconnaissance automatique de visages en lumière visible et infrarouge (grandes longueurs d'ondes). Les principales méthodes de la littérature sont étudiées, et nous nous concentrons dans un premier temps sur une méthode fondée sur les réseaux de neurones à convolution. Appliquée aux deux modalités, la méthode de fusion par pondération des scores proposée permet d'augmenter sensiblement les taux de reconnaissance. Dans un deuxième temps, l'application de méthodes de pré-apprentissage du réseau via des approches parcimonieuses est étudiée pour la reconnaissance faciale. Enfin, nous nous penchons sur une approche de décomposition parcimonieuse de visages, couplée à une méthode de classification fondée sur une minimisation l1. Cette dernière approche permet d'atteindre de bons taux d'identification sur la base de référence Notre-Dame.

In this thesis, we describe the problem of automatic face recognition in visible and long--wave infrared lights. The state of the art methods are described, and we study, in a first time, a method based on convolutional neural networks. Applied to both modalities, the proposed fusion method, based on a weighted sum of scores, yields a substantial increasing of the recognition rates. In a second time, a pretraining of the network with sparse methods is studied for automatic facial recognition. Finally, we propose an approach based on a sparse decomposition of faces, coupled with a classification scheme involving in a l1 minimization. This last approach gives good identification rates on the well known Notre-Dame database.