b. Approches
Probabilistes (Statistiques) :
Ces approches reposent essentiellement sur la théorie
de décision pour résoudre les problèmes de classement et
de classification, et c'est pour ça qu'ils utilisent
généralement la classification fondée sur le
théorème de Bayes.
Colmenarez et Huang [4, 14] ont proposé un
système basé sur l'information relative de Kullback (divergence
de Kullback) pour créer des fonctions de probabilité pour les
classes de Visages et de Non-Visages.
Yang et al. [4, 34, 35] ont présenté une
méthode pour détecter des visages humains à partir
d'images en couleur. Un modèle de la couleur de peau humaine basé
sur une analyse statistique multivariante est construit pour capturer les
propriétés chromatiques. Ensuite, dans un autre travail, ils ont
présenté une autre méthode de probabilité qui
utilise un mélange d'analyseurs de facteur.
Dans une autre approche, E. Osuna et al. [4, 20] ont
développé une méthode efficace pour former un SVM pour des
problèmes à grande échelle, et l'ont appliqué
à la détection de visages.
Kumar et Poggio [4, 19] ont, ensuite, incorporé un
algorithme du SVM dans un système pour l'analyse des visages en temps
réel. Ils appliquent cet algorithme du SVM sur des régions
segmentées de peau dans les images d'entrée pour éviter le
balayage approfondi.
W. Karam et al. [3] ont crée, plus tard, un
système de détection de visage et d'extraction de
paramètres basé sur les SVM et appliqué sur des visages
parlants dans des séquences vidéo. Une machine SVM est apprise
sur des fenêtres après leur transformation dans le domaine
D'ondelettes. Un modèle géométrique statistique est
ensuite appliqué afin de lisser la sortie de la machine SVM et d'affiner
la détection. Un autre modèle probabiliste sur les distances aux
frontières SVM permet plus de lissage et une meilleure sélection
des composantes faciales.
Schneiderman et Kanade [4, 23, 24] décrivent deux
détecteurs de visage basés sur la décision de Bayes
(présenté comme essai de rapport de probabilité) :
Si le rapport de probabilité (côté gauche)
de l'équation ci-dessus est plus grand que l'autre côté,
alors on décide qu'un objet (un visage) est présent à
l'endroit courant.
L'avantage de cette approche est l'optimalité de la
règle de décision de Bayes [9], si les images sont
précises.
Figure 1.4 : Exemple de la détection de
visages
Schneiderman and Kanade (IEEE 2000/2001)
S. Zhou et al. [38] proposent un modèle probabiliste
paramétrisé par un vecteur de cheminement d'état et une
variable de reconnaissance d'identité caractérisant
simultanément la dynamique et l'identité des humains. Ils
appellent, alors, des approches de condensation pour fournir une solution
numérique au modèle. Une fois que la distribution
postérieure commune du vecteur d'état et de la variable
d'identité est estimée, ils la marginalisent au-dessus du vecteur
d'état pour rapporter une évaluation robuste de la distribution
postérieure de la variable d'identité.
Ces approches posent le problème de la
complexité de calcul qui reste très élevée.
| 
