WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Apprentissage des réseaux d'ondelettes bêta basé sur la théorie des frames : application à  la détection de visages

( Télécharger le fichier original )
par Faouzi Hajjem
Université de Gabés - Mastère de recherche en informatique 2008
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

Conclusion Générale
& Perspectives

Dans ce mémoire, nous avons apporté notre contribution dans le domaine de détection de visages dans une image en adoptant une approche basée sur l'exploitation des réseaux d'ondelettes Bêta basés sur la théorie des frames.

Nous avons commencé par une présentation de l'état de l'art comportant une explication du principe de la détection de visages ainsi qu'un survol sur les différentes méthodes et techniques antérieures.

Ensuite, nous avons présenté les réseaux d'ondelettes en décrivant la technique de l'analyse en ondelettes et ses avantages par rapport à l'analyse de Fourrier. Nous avons passé aussi par les avantages des réseaux d'ondelettes par rapport aux réseaux de neurones à travers une comparaison entre les deux approches. A la fin de cette partie, quelques méthodes utilisant les réseaux d'ondelettes ont été citées.

Les réseaux d'ondelettes sont largement utilisés dans les problèmes de la classification et l'identification. Nous avons d'une part, étudié les particularités des réseaux d'ondelettes dans ce domaine. D'autre part, nous avons démontré leur capacité de réaliser un taux de détection assez élevé.

Dans l'approche proposée dans ce travail, nous avons exploité les réseaux d'ondelettes Bêta. Nous avons présenté d'abord, les étapes d'une démarche permettant d'assurer la phase d'apprentissage en utilisant les frames. Puis, une autre démarche a été proposée pour la phase de détection de visages.

En fait, la théorie des frames assure une représentation exacte et sans redondance d'un signal en le projetant sur la base des ondelettes, ce qui nous permet un calcul direct et d'une façon optimale des poids de connexions de nos réseaux.

A la fin de ce mémoire, les résultats expérimentaux de l'implémentation sont présentés et interprétés pour montrer l'efficacité de la méthode proposée.

Ce travail réalisé peut être amélioré par son test sur d'autres bases d'images ou dans d'autres domaines de détection ou par son optimisation en adoptant une démarche sélective des ondelettes à introduire dans les réseaux. Il peut être exploité, aussi, par son intégration dans un processus de reconnaissance de visages par réseaux d'ondelettes dans une image ou une séquence vidéo.

Bibliographie

· Articles, ouvrages et mémoires

[1] H. A. Rowley, S. Baluja, and T. Kanade. Neural network-based face detection. IEEE Trans. Pattern Analysis Machine Intelligence, 20:23-38, 1998.

[2] S.-H. Lin, S.-Y. Kung, and L.-J. Lin. Face recognition/detection by probabilistic decision based neural network. IEEE Trans. Neural Networks, 8:114-132, 1997.

[3] W. Karam, C. Mokbel, H. Greige, B. Pesquet-Popescu, G. Chollet : Un système de détection de visage et d'extraction de paramètres basé sur les SVM et des contraintes, Computer Science Department, University of Balamand, Tripoli, Lebanon, Ecole Nationale Supérieure des Télécommunications, Paris, France, 2004.

[4] F. Boray Tek: Face detection using learning networks, A thesis from the middle east technical university, June 2002

[5] L.Carminati : Détection et suivi de visage par Support Vector Machine robustes aux changements d'echelle, Thèse du Centre National de la Recherche Sientifique.

[6] M. Benkiniouar, M. Benmohamed : Méthodes d'identification et de reconnaissance de visages en temps réel basées sur AdaBoost, Novembre 2005

[7] Y. Wang, C.S. Chua: Robust face recognition from 2D and 3D images using structural Hausdorff distance, Image and Vision Computing 24(2)(2006)176-185.

[8] G. Potamianos, C. Neti, J. Luettin, and I. Matthews, Audio-Visual Automatic Speech Recognition: An Overview. In: Issues in Visual and Audio-Visual Speech Processing, G. Bailly, E. Vatikiotis-Bateson, and P. Perrier (Eds.), MIT Press, 2004.

[9] D. Ginhac, E. Prasetyo, M. Paindavoine, Localisation et Reconnaissance de visages : Vers une implantation sur silicium, Laboratoire LE2I - UMR CNRS 5158 Université de Bourgogne

[10] G. Yang and T. S. Huang. Human face detection in complex background. Pattern Recognition, 27:53-63, 1994.

[11] Iyengar S.S., E.C. Cho and V. Phoha, Foundations of Wavelet Networks and Applications. Chapman and Hall/CRC Press, June 2002.

[12] L. Chiunhsiun, F. Kuo-chin, Human Face Detection using Geometric triangle relationship, 15th International Conference on Pattern Recognition ICPR'2000, Barcelona, September 3-8, 2000.

[13] M. Zaied, Etude des réseaux d'ondelettes Bêta : Application à la reconnaissance de visages. Thèse de doctorat, Laboratoire REGIM-ENIS. Sfax, Février 2008.

[14] A. J. Colmenarez and T. S. Huang. Face detection with information-based maximum discrimination. IEEE Proc. of Int. Conf. on Computer Vision and Pattern Recognition, 1997.

[15] O. Sawettanusorn, Y. Senda, S. Kawato, N. Tetsutani, and H. Yamauchi, Real-Time Face Detection Using Six-Segmented Rectangular Filter (SSR Filter) Ritsumeikan University, Shiga, Japan and ATR Media Information Science Laboratories, Kyoto, Japan

[16] S. Kawato and J. Ohya. Real-time detection of nodding and head-shaking by directly detecting and tracking the between-eyes. Proceedings Fourth IEEE International Conference on Automatic Face and Gesture Recognition, 2000.

[17] J. Cai and A. Goshtasby. Detecting human faces in color images. Image and Vision Comput., 18:63-75, 1999.

[18] R. Kjedsen and J. Kender. Finding skin in color images. Proc. of the 2nd Int. Conf. on Automatic Face and Gesture Recognition, pages 312-317, 1996.

[19] J. Yang and A. Waibel. A real-time face tracker. IEEE Proc. of the 3rd Workshop on Applications of Computer Vision, 1996.

[20] E. Osuna, R. Freund, and F. Girosi. Training support vector machines: An application to face detection. IEEE Proc. of Int. Conf. on Computer Vision and Pattern Recognition, 1997.

[21] R. O. Duda, P. Hart, and D. G. Stork. Pattern Classification. WileyInterscience, 2 edition, 2001.

[22] R. Fransens, C. Strecha, L. Van Gool, Parametric Stereo for Multi-Pose Face Recognition and 3D-Face Modeling, PSI ESAT-KUL, Leuven, Belgium 2005

[23] H. Schneiderman and T. Kanade. Probabilistic modeling of local appearance and spatial relationships for object recognition. IEEE Conference on Computer Vision and Pattern Recognition, 6, 1998.

[24] H. Schneiderman and T. Kanade. A statistical model for 3d object detection applied to faces and cars. IEEE Conference on Computer Vision and Pattern Recognition, 2000.

[25] V. Kumar and T. Poggio. Learning-based approach to real time tracking and analysis of faces. Proc. 4th IEEE Int. Conf. on Automatic Face and Gesture Recognition, Sept.1999.

[26] N. Oliver, A. Pentland and F. Berard. A real-time face and lips tracker with facial expression recognition. IEEE Trans. on Pattern Recognition, 33:1369-1382, 2000.

[27] A Pentland, B. Moghaddam, and T. Strarner. View-based and modular eigenspaces for face recognition. IEEE Proc. of Int. Conf. on Computer Vision and Pattern Recognition, pages 84-91, 1994.

[28] B. Moghaddam and A. Pentland. Probabilistic visual learning for object representation. IEEE Trans. Pattern Analysis and Machine Intelligence, 19(1), 1997.

[29] V. Kumar and T. Poggio. Learning-based approach to real time tracking and analysis of faces. Proc. 4th IEEE Int. Conf. on Automatic Face and Gesture Recognition, 2000.

[30] D. Roth, M.-H. Yang, and N. Ahuja. A snow-based face detector. Advances in Neural Information Processing Systems. 12, 2000.

[31] Y. Zhu, S. Schwartz, and M. Orchard. Fast Face Detection Using Subspace Discriminant Wavelet Features. Electrical Engineering, Princeton University. IEEE Int. Conf. on Computer Vision and Pattern Recognition, 2000.

[32] I. Boaventura, V. M. Volpe, A. Sanches et A. Gonzaga. A face detector using Neural Networks and Discrete Wavelet Transforms. IBILCE-UNESP UNIRP EESC-USP.

[33] R. Lim, M. J.T. Reinders and Thiang. Face Detection Using Skin Color and Gabor Wavelet Representation. Proc. of the International Conf. on Electrical, Electronics, Communication, and Information CECI'2001, March 7-8, Jakarta

[34] M.H. Yang, N. Ahuja, D. Kriegman: Detecting Human Faces in Color Images. Proc. of the 1998 IEEE International Conference on Image Processing (ICIP 98), pp. 127-139, Chicago, October, 1998.

[35] M.H. Yang, N. Ahuja, D. Kriegman: Face Detection Using a Mixture of Factor Analyzers. Proc. of the 1999 IEEE International Conference on Image Processing (ICIP 99), Kobe, Japan, 1999.

[36] E. Viennet and F. Fogelman Soulié. Connectionist methods for human face processing, in Face Recognition: From Theory to Application. Springer-Verlag, Berlin/New York, 1998.

[37] C. Garcia, G. Zikos and G. Tziritas. Face Detection in Color Images using Wavelet Packet Analysis. Institute of Computer Science, Foundation for Research and Technology-Hellas. Greece.

[38] S. Zhou, V. Krueger, and Rama Chellappa. Face Recognition from Video: A CONDENSATION Approach. Center for Automation Research (CfAR), Department of Electrical & Computer Engineering, University of Maryland.

[39] S. Satoh, Y. Nakamura, and T. Kanade. Name-it: naming and detecting faces in news videos. IEEE Multimedia, 6:22-35, 1999.

[40] R.S. Feris, J. Gemmell, V. Krüger, and K. Toyama. Facial Feature Detection Using A Hierarchical Wavelet Face Database. Microsoft Research, University of Maryland.

[41] Y. Oussar. Réseaux d'ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus. Thèse de doctorat de l'université Pierre et Marie Curie. Paris, France. Juillet 1998.

[42] L. Sirovich and M. Kirby. Low-dimensional procedure for the characterization of human faces. Journ. Optical Society America, 4:519-524, 1987.

[43] T. H. Lin, W. P. Shih. Automatic face authentication with self compensation. Image and Vision Computing. October 2007.

[44] I. Daubechies. Ten Lectures of Wavelets. Rutgers University and AT & T bell Laboratories, Sept.1992.

[45] D. Jonathan, B. Michael et F. Sébastien. Les Ondelettes. Université Libre de Bruxelles. Printemps des Sciences. Bruxelles. Belgique.

[46] J.-C. Terrillon, M. Shirazi, H. Fukamachi, and S. Akamatsu. Comparative performance of different skin chrominance models and chrominance spaces for the automatic detection of human faces in color images. in Proceedings Fourth IEEE International Conference on Automatic Face and Gesture Recognition, 2000.

[47] M. Turk and A. Pentland. Eigenfaces for recognition. Journal Cognitive Neuroscience, 3(1) : 71-86. 1991.

[48] M. Zaied,C. Ben Amar and A. M. Alimi. Beta Wavelet Networks For Face Recognition. Intelligent Decision Systems, pages 109-122. JDS-14/2005.

[49] W.Bellil, C. Ben Amar et M. A. Alimi. Etude d'une nouvelle famille d'ondelettes à base de la fonction Bêta. Laboratoire REGIM-ENIS, Sfax, Tunisie. 2004.

· Références Web 

v Face Detection & Recognition
http://www.liacs.nl/home/lim/face.detection.html

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"I don't believe we shall ever have a good money again before we take the thing out of the hand of governments. We can't take it violently, out of the hands of governments, all we can do is by some sly roundabout way introduce something that they can't stop ..."   Friedrich Hayek (1899-1992) en 1984