2.2.2 Méthodes
locales
Les méthodes locales, basées sur des
modèles, utilisent des connaissances a priori que l'on possède
sur la morphologie du visage et s'appuient en général sur des
points caractéristiques de celui-ci. Kanade présenta un des
premiers algorithmes de ce type en détectant certains points ou traits
caractéristiques d'un visage puis en les comparant avec des
paramètres extraits d'autres visages. Ces méthodes constituent
une autre approche pour prendre en compte la non-linéarité en
construisant un espace de caractéristiques local et en utilisant des
filtres d'images appropriés, de manière à ce que les
distributions des visages soient moins affectées par divers
changements.
Les approches Bayesiennes, les machines à vecteurs de
support, la méthode des modèles actifs d'apparence ou encore la
méthode «local binary pattern» ont été
utilisées dans ce but.
Toutes ces méthodes ont l'avantage de pouvoir
modéliser plus facilement les variations de pose, d'éclairage et
d'expression par rapport aux méthodes globales. Toutefois, elles sont
plus lourdes à utiliser puisqu'il faut souvent placer manuellement un
assez grand nombre de points sur le visage alors que les méthodes
globales ne nécessitent de connaître que la position des yeux afin
de normaliser les images, ce qui peut être fait automatiquement et de
manière assez fiable par un algorithme de détection.
2.2.3 Méthodes
hybrides
Les méthodes hybrides permettent d'associer les
avantages des méthodes globales et locales en combinant la
détection de caractéristiques géométriques (ou
structurales) avec l'extraction de caractéristiques d'apparence locales.
Elles permettent d'augmenter la stabilité de la performance de
reconnaissance lors de changements de pose, d'éclairement et
d'expressions faciales.
L'analyse de caractéristiques locales et les
caractéristiques extraites par ondelettes de Gabor (comme l'Elastic
Bunch Graph Matching, dont on trouvera une présentation plus
détaillée en Annexe B.3), sont des algorithmes hybrides
typiques.
Plus récemment, l'algorithme LogGabor PCA effectue une
convolution avec des ondelettes de Gabor orientées autour de certains
points caractéristiques du visage afin de créer des vecteurs
contenant la localisation et la valeur d'amplitudes énergétiques
locales ; ces vecteurs sont ensuite envoyés dans un algorithme PCA afin
de réduire la dimension des données.
La figure 6 fournit une classification des algorithmes
principaux de reconnaissance faciale.
| 
