c. Approches
basées sur la connaissance généralisée :
Dans cette approche, les algorithmes développés
sont basés sur des heuristiques au sujet de l'aspect de visages. Bien
qu'il soit simple de créer une heuristique pour décrire le visage
humain, la difficulté principale est dans la traduction de ces
heuristiques dans des règles de classification d'une manière
efficace.
Yang et Huang [4, 10] ont employé une méthode
basée sur la connaissance hiérarchique pour détecter des
visages. Leur système se compose de trois règles allant du niveau
général au détaillé. Cette méthode ne
rapporte pas un taux élevé de détection, mais, des
méthodes plus récentes ont utilisé des règles de
niveaux multiples.
L'avantage de ces méthodes 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 quand il s'agit de prendre en considération
plusieurs vues du visage ainsi que le manque de précision dans la phase
« extraction » des points, constituent leur
inconvénient majeur [6].
2. Les Méthodes
Globales
Cette classe regroupe les méthodes qui mettent en
valeur les propriétés globales du visage. Le visage est
traité comme un tout. Dans ces méthodes (`Neural Networks',
`Support Vecteur Machine', `Principal Component Analysis', `Eigen faces',
`Hidden Markov Model'...), on génère une base d'exemples à
partir de laquelle un classificateur va apprendre ce qu'est un visage
(apprentissage). Ces systèmes sont très performants, mais
très lents en phase d'apprentissage donc lourds à mettre en
oeuvre [6]. Parmi les approches les plus importantes réunies au sein de
cette classe on trouve:
a. Approche PCA ou Les
Visages Propres :
Vers la fin des années 80, Sirovich et Kirby [42] ont
développé une technique en utilisant PCA pour représenter
efficacement les visages humains. Le but est de capturer la variation dans une
collection d'images de visages et d'utiliser cette information pour coder et
comparer les visages (en termes mathématiques : trouver les vecteurs
propres de la matrice de covariance de l'ensemble des images de visages). Le
nombre possible de visages propres peut être approximé en
utilisant seulement les meilleurs visages propres qui correspondent aux plus
grandes valeurs propres [5].
Plus tard, au début des années 90, M. Turc et A.
Pentland [4, 47] ont amélioré cette technique pour
l'identification de visages. Leur méthode profite de la nature distincte
des poids de `Eigen faces' pour la représentation individuelle de
visages.
Plus récemment, en utilisant DFFS (Distance From Face
Space), B. Moghaddam et A. Pentland ont proposé un détecteur
facial de dispositif qui produit des `Eigen features' (`Eigen eyes', `Eigen
nose', `Eigen mouth'), qui sont obtenus à partir de divers calibres
faciaux de dispositif dans un ensemble de formation [27].
Ensuite, ils ont développé cette technique dans
un cadre probabiliste à l'aide d'un détecteur de maximum de
vraisemblance qui tient compte de l'espace de visage et de son
complément orthogonal pour manipuler des densités arbitraires.
Comparé au détecteur de DFFS, les résultats étaient
sensiblement meilleurs [28].
L'approche PCA (Principal Components Analysis) est une
manière intuitive et appropriée de construire un sous-espace pour
représenter une classe d'objet dans beaucoup de cas. Cependant, pour
modeler la variété dans des images de visages, PCA n'est pas
nécessairement optimal. L'espace de visage pourrait mieux être
représenté en le divisant en sous-classes. La plupart des
méthodes qui ont été proposées sont basées
sur un certain mélange de Gaussiens multidimensionnel.
| 
