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

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.

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








"L'imagination est plus importante que le savoir"   Albert Einstein