II. Réalisation :
Dans cette partie nous allons décrire l'aspect
implémentation de l'application réalisée. Parler de
l'implémentation revient à détailler l'aspect
matériel, l'environnement de développement et les
différents modules qui composent le système.
II.1.Aspect matériel:
Notre projet a été développé sur un
micro portable:
Ø Processeur : Intel(R) Core (TM) 2 Duo CPU T6570
Ø Capacité Mémoire (RAM) : 2.00 Go
Ø Vitesse d'horloge : 2.10 Ghz
Ø Capacité disque dur : 320 Go
Ø Système d'exploitation : Windows 7 Edition
intégrale.
II.2. Outils de développement :
Pour la réalisation de notre système nous avons
choisi le langage de programmation
MATLAB Version 7.5 (R2007b). MATLAB est
un environnement de calcul scientifique et de
visualisation de données. Sa facilité
d'apprentissage et d'utilisation (due à une syntaxe très claire)
en ont fait un standard adapté pour les divers problèmes
l'ingénierie.
Parmi les raisons qui nous ont poussés à
l'utiliser, on trouve :
" Ses très nombreuses fonctions prédéfinies
et prêtes à l'emploi.
" Sa simplicité à l'implémentation et
rapidité de calculs.
" Sa fiabilité et sa robustesse.
MATLAB offre un certain nombre de fonctionnalités pour
la documentation et le partage du travail. On peut intégrer le code
MATLAB avec d'autres langages et applications, et distribuer les algorithmes et
applications MATLAB.
Figure III-4 : Fenêtre
principale de MATLAB
II.3. Différents fonctions de l'application :
Notre application comporte un ensemble de fonctions qui assure
les points discutées dans la partie conception, dans ce qui suit nous
donnerons une description de ces fonctions :
· La création de la base de données est
l'étape initiale qui permet d'introduire les images d'apprentissage,
cela est assuré dans notre application par la fonction
Acquisition.
· La fonction Acquisition utilise la
variable« AppDatabasePath » comme entrée et retourne
« T » une matrice contenant tous les images
transformée en vecteur colonne. Cette fonction transforme toutes les
images de la base d'apprentissage en un vecteur colonne 1D,
· Chaque colonne de la matrice « T » est
une personne de la base d'apprentissage qui est a été
remodelée.
· La fonction Fisherface2 a comme entré
la matrice « T » et retourne la moyenne des images
d'apprentissage «m_databse », les vecteurs propres
«V_PCA » de la matrice de covariance, les vecteurs propres
« V_Fisher » de la matrice de projection et la variable
« ProjectedImages_Fisher » qui est la projection de toutes
les images dans l'espace de Fisher.
· Pour la reconnaissance on fait appel à la
fonction Recognition qui a 5 entrées, « TestImage
» qui est l'une des images qu'on cherche à identifier, elle
est extraite de la base de teste, « m-database », «
V_PCA », « V_Fisher », et
«ProjectedImages_Fisher » qu'on a vu
précédemment. Et elle retourne «équivalentImage
» qui est l'image équivalente à l'image de test dans la
base d'apprentissage, en outre c'est l'image qui a la distance la plus petite
avec l'image test.
| 
