II.3. Les méthodes utilisées pour la
reconnaissance de visage:
Les méthodes de reconnaissance de visages peuvent
être classées en deux grandes catégories : les
méthodes locales et globales [8]. Quelques principales d'entre elles
seront présentées dans ce qui suit.
II.3.1. Les méthodes globales :
Les méthodes globales basées sur des techniques
d'analyse statistique bien connues. Dans ces méthodes, les images de
visage (qui peuvent être vues comme des matrices de valeurs de pixels)
sont utilisées comme entrée à l'algorithme de
reconnaissance et sont généralement transformées en
vecteurs, plus faciles à manipuler. L'avantage principal des
méthodes globales est qu'elles sont relativement rapides à mettre
en Suvre. En revanche, elles sont très sensibles aux variations
d'éclairement, de pose et d'expression faciale. [1] [7].
Les principales méthodes existantes sont :
v L'Analyse en Composante principale(ACP) :
L'algorithme ACP appliqué au visage est né des
travaux de MA. Türk et AP. Pentland au MIT Media Lab, en 1991 [1]. Il est
aussi connu sous le nom de « Eigenfaces » car il utilise des vecteurs
propres et des valeurs propres. Sa simplicité à mettre en Suvre
contraste avec une forte sensibilité aux changements
d'éclairement, de pose et d'expression faciale.
v L'Algorithme LDA (Linear Discriminant Analysis):
Appliqué aux images en 1997 par Belhumer et al Yale de
la Yale University aux USA, aussi connu sous le nom de Fisherfaces[7].
Contrairement à l'ACP, il permet d'effectuer une véritable
séparation de classes.
v Les réseaux de neurones:
Les réseaux de neurones sont des modèles de
calcul qui date des années 40. C'est une technique inspirée des
réseaux de neurones biologiques pour exécuter des tâches
calculatoires. Elle a la particularité de s'adapter, d'apprendre, de
généraliser pour classer les données en entrée
[2].
v SVM (Machine à vecteurs de support):
Le principe de cette méthode est de trouver le meilleur
hyperplan séparant aux mieux les points dans un espace de grande
dimension et qui minimise le taux d'erreur total de classification [6].
II.3.2. Les méthodes
locales(Géométrique):
Les méthodes locales consistent à appliquer des
transformations en des endroits spécifiques
de l'image, le plus
souvent autour de points caractéristiques (coins des yeux, de la bouche,
le
nez,...). Elles nécessitent donc une connaissance
à priori sur les images. Ces méthodes sont plus difficiles
à mettre en place mais sont plus robustes aux problèmes
posés par les variations d'éclairement, de pose et d'expression
faciale [8]. Les principales méthodes existantes sont :
v EBGM (Elastic Bunch Graph Matching):
L'algorithme EBGM est né des travaux de Wiskott et
al ,1997 [13]. À partir d'une image de visage, on localise des
points caractéristiques (coins des yeux, de la bouche, nez,...etc.).
Cette localisation peut se faire manuellement ou automatiquement à
l'aide d'un algorithme.
v EingenFace modulaire :
Cette méthode possède le même principe que
les EigenFaces, mais appliquée à des parties précises du
visage comme les yeux. Mais elle rencontre le problème de non
précision lors de la localisation des points caractéristiques du
visage avant l'application de la méthode.
v Méthode de Markov caché:
Les HMMs (Hidden Markov Models) sont appliqués à la
reconnaissance du visage en considérant l'information du visage comme
étant une séquence variable dans le temps.
L'avantage des méthodes locales, est qu'elles prennent
en compte la particularité du visage en tant que forme naturelle
à reconnaître et un nombre réduit de paramètres en
exploitant les résultats de la recherche en neuropsychologie et
psychologie cognitive sur le système visuel humain.
La difficulté éprouvée c'est quand il
s'agit de prendre en considération plusieurs vues du visage ainsi que le
manque de précision dans la phase « extraction » des points
qui constitue leur inconvénient majeur.
| 
