Memoire Online - Conception et réalisation d’un système moteur de recherche des enfants perdus par reconnaissance faciale

Sujet : Conception et réalisation d'un système moteur de recherche des enfants perdus par reconnaissance faciale

In accordance with UCBC policies, this thesis is accepted in partial fulfillment of requirements for the degree of Licencié.

« Conception et réalisation d'un système moteur de recherche des enfants perdus par reconnaissance faciale »

est original et n'a été soumis à aucun autre collège ou institution universitaire pour le crédit universitaire. Tout texte ou digramme tiré d'un ouvrage, travail scientifique, Site Web, et autres ressources ont et utilisés et cités correctement dans les textes et dans la liste des références. Je reconnais avoir mentionné toute personne ayant porté une contribution scientifique à ce travail.

Je suis conscient que toute déclaration fausse annule ce travail et entraine des pénalités sévères selon la loi.

EPIGRAPHE

DEDICACE

REMERCIEMENTS

La réalisation de ce travail a été possible grâce au concours de plusieurs personnes à qui je voudrais témoigner toute ma reconnaissance.Toutes les lettres ne sauraient trouver les mots qu'il faut... Tous les mots ne sauraient exprimer la gratitude, l'amour, le respect, la reconnaissance...

Mes remerciements les plus sincères s'adressent à Dieu le père qui a toujours combattu pour moi durant les moments difficiles.

Je tiens à exprimer toute ma reconnaissance à mon Directeur de mémoire MonsieurERICK KALWANA et à mon Encadreur Monsieur SAGE KATALIKO. Je remercie ces derniers de m'avoir encadré, orienté, aidé et conseillé tout au long de ce travail.

J'adresse mes sincères remerciements à tous les membres de staff de l'UCBC, intervenants et toutes les personnes qui, par leurs paroles, leurs écrits, leurs conseils et leurs critiques ont guidé mes réflexions et ont accepté à me rencontrer et répondre à mes questions durant mes recherches.

Je tiens àremercier ma très chère mère HELENE KASALI qui m'a comblé avec sa tendresse et affection tout au long de mon parcours.

D'une façon très singulière, je remercie mon très cher père OBED MUKANIRWA qui a su m'inculquer le sens de la responsabilité, de l'optimisme et de la confiance en soi face aux difficultés de la vie.Que ce travail soit l'accomplissement de vos voeux tant allégués, et le fruit de votre soutien infaillible.

Je remercie trop ma chère grand-mère IVONE KANZANZA, pour les expressions des voeux que vous qu'elle n'a pas cessé de formuler dans ses prières.

Je remercie mes frères Richy MUKANIRWA, Johnny MUKANIRWA, Fabrice KAMBALE et mes soeurs Souzan MUKANIRWA, Glorieuse MUKANIRWA, Grace MUKANIRWA, Joy MUKANIRWA, Esperance SENGEMOJA, pour leur encouragement.

Je désire aussi remercier le groupe People in Big Union (PBU, en sigle) qui a toujours prouvé son union envers tout le monde et m'a particulièrement arraché de stress dès lors que j'étais en stress et me rendait toujours dans ma bonne humeur.

Mes remerciements les plus sincères s'adressent à tous mes compagnons de lutte, mes camarades de classe ; les 17 apôtres de la promotion 2020 en faculté des sciences appliquées : KASEREKA Mathina, POSITE Pochelin, SARAH Fina, ROSINE Alimasi, Clément WASUKUNDI, SELYABO Bonheur, MASINDA Jonathan, Franck MULYAMA, Emmanuel KANDUKI, KATSUVA Bienfait, Benjamin OMVUANI, Cherubin WAMBELE, Gédéon LUBEMBA, Fiston KAMALA, BARAKA Darcy, Dany MUNDUA pour leur accompagnement.

Enfin, je remercie particulièrement tous mes Ami(e)s que j'aime tant David Muviri, Farahani Nyembo, Claudine Winya, Rachel Kapinga, Anuarite Mathe pour leur sincère amitié et confiance, et à qui je dois ma reconnaissance et mon attachement.

Mes sincères remerciements à la famille SUDA pour l'hospitalité et de nous avoir octroyé un espace serein de travail tout le long de notre cursus.

SIGLES ET ABBREVIATIONS

LISTE DES FIGURES

LISTE DES TABLEAUX

RESUME

La reconnaissance faciale étant une discipline assez étendu dans le monde actuel, ce présent travail traite sur la conception et réalisation d'un système moteur de recherche des enfants perdus par reconnaissance faciale. Il faut en effet constater que les avancées de la reconnaissance faciale offrent des avantages inégalement répartis sur la surface de la terre. Ce système permet une recherche indexée de l'enfant perdu en analysant les caractéristiques biométriques de son visage.

Un enfant perdu et dépourvu, sera amené dans une station de police ou vers un service spécialisé et sera placé devant une caméra pour que certaines informations lui concernant soient dégagées. Ces informations permettront bien à l'agent de police de contacter les parents de l'enfant ou de le ramener directement à son domicilegrâce à un module intégré pour la géolocalisation du domicile de l'enfant. Notons ici que toutes ces tâches ne sont possibles qu'après l'enrôlement en avancede l'enfant

Différentes méthodologies sont utilisées pour atteindre l'objectif que nous nous sommes assigné dans ce travail, dont la revue de la littérature, la simulation et bien d'autres. Le système conçu comporte deux parties, la première centrée autour de l'enrôlement des enfants de, et la seconde centrée autour de la reconnaissance de l'enfant.

ABSTRACT

Facial recognition being a fairly extensive discipline in today's world, this work deals with the design and implementation of a search engine system for lost children through facial recognition. Indeed, it must be noted that advances in facial recognition offer benefits unevenly distributed over the surface of the earth. This system allows an indexed search of the lost child by analyzing the biometric characteristics of his face.

A lost and deprived child will be brought to a police station or to a specialized service and will be placed in front of a camera to release certain information about him/her. This information will allow the police officer to contact the child's parents or to bring the child directly to his or her home through an integrated module for the geolocation of the child's home. Note here that all these tasks are only possible after the child has been enlisted in advance.

Different methodologies are used to achieve the goal we have set for ourselves in this work, including literature review, simulation and many others. The system designed has two parts, the first centered around the enrolment of children, and the second centered around the recognition of the child.

INTRODUCTION GENERALE

0.1. PREAMBULE

À la fin de la seconde guerre mondiale, des centaines de milliers d'enfants ont disparu. Sous l'invite « Qui connaît nos parents et nos origines ? », leurs visages ornent les affiches de la Croix-Rouge. Que ce soit à cause des bombardements, du service militaire, de la déportation, du travail forcé, du nettoyage ethnique ou des meurtres, un nombre sans précédent d'enfants se retrouve séparé de leurs parents pendant la guerre. La Croix-Rouge allemande reçoit plus de 300 000 requêtes pour retrouver la trace d'enfants ou de parents disparus entre 1945 et 1958 alors que le Service international de recherche (ITS, International Tracing Service) piste 343 057 enfants perdus entre 1945 et 1956[1].

Le problème de la réunification des familles après la seconde guerre mondiale s'avère être bien plus qu'un puzzle logistique dantesque. S'ils ne représentent qu'une faible partie des millions de personnes déplacées (DPs) dans l'Europe d'après-guerre, les enfants dits perdus occupent une place toute particulière dans l'imaginaire de l'époque. Ils se trouvent au centre de conflits politiques aigus entre les autorités militaires, les familles d'accueil allemandes, les social workers[2], les agences juives, les officiels communistes d'Europe de l'Est et les personnes déplacées elles-mêmes, chacun se pensant le plus à même de déterminer leur avenir. Ces conflits sont liés, à tour de rôle, aux idéaux émergents des Droits de l'homme, aux conceptions de la famille, de la démocratie, de la protection de l'enfance et de façon plus large au processus de reconstruction de la civilisation européenne. Vinita A. Lewis, une représentante de l'Organisation internationale pour les réfugiés (OIR) en Allemagne, déclare : « L'identité perdue de ces enfants est aujourd'hui le problème social numéro un en Europe[3].

Selon RFI, environ 500 enfants Sud-Africains se sont perdus sur les plages de la ville durant la seule journée du 1er janvier 2015. La police débordée a passé la journée à arpenter les plages à l'aide de haut-parleurs pour tenter de retrouver les parents. Quelques 70 enfants n'avaient toujours pas retrouvé leurs parents le même jour et ont passé la nuit dans les différents postes de police de la ville[4].

Comme l'a dit `Alexandre Dumasfils', « L'enfant n'a pas de meilleure amie que sa mère »[5], il est cependant très nécessaire de bien fournir plus d'effort pour le garder à côté de sa mère (de son père ou de son tuteur) afin qu'il jouisse beaucoup plus d'une éducation de base pertinente et adéquate. Etant prêt de ses parents, celui-ci a un avenir tant garanti.

En effet, il est donc pertinent de s'intéresser aux outils de la technologie de l'information et de la communication pour sauver les vies des enfants perdus en leurs offrant encore une autre chance de passer beaucoup plus de temps à côté de leurs parents. Les informations locales sur les pertes des enfants ont soulevé des questionnements qui m'ont interpellé et ont piqué mon intérêt pour la réalisation d'un tel système faisant usage de la vision par ordinateur et de l'apprentissage machine pour retrouver facilement les informations nécessaires sur l'enfant et de rapidement le faire parvenir à ses parents.

0.2. PROBLEMATIQUE

Aujourd'hui, plusieurs enfants disparaissent pour plusieurs causes ; travail forcé, des meurtres et d'autres se perdent et se volatilisent dans la nature. Mais, malheureusement, les parents ne peuvent pas toujours surveiller leurs enfants qui ont constamment envie d'expérimenter de nouvelles choses et de vivre de grandes et intrépides aventures.

Chaque jour, les informations locales relatent que les enfants se perdent et certains d'entre eux partent se retrouver à la police ou dans les bureaux des chaines des radios locales tout simplement parce qu'ils ne savent pas s'exprimer correctement et implicitement, ils ignorent leurs adresses. Les parents des enfants disparus s'inquiètent trop pour leurs enfants disparus et de fois se questionnent sur l'état dans lequel ils les retrouveront (vivant, mort, tamponné par une moto, voiture, etc.). En république tchèque par exemple, plus de 1000 enfants de moins de 15 ans se perdent et sont trouvés peu après et quelques enfants disparus sont victimes d'un crime[6], cela prouve donc qu'il est très nécessaire de bien concentrer beaucoup plus d'efforts pour la lutte contre ces jours passés hors du toit paternel.

Cependant, vu l'inquiétude des parents, ceux-ci se mettent à investir des frais à payer dans plusieurs chaines de radios locales pour lancer un avis de recherche de leurs enfants. Dans le contexte local, la population souffrante qu'elle est, se voit peiner à payer tous ces frais dans toutes ces chaines et peuvent se choisir de ne payer que les frais dans une des radios mais avec des frais moins chers et malheureusement la moins captée.

En effet, pour parvenir à la résolution des problèmes mentionnés ci-haut, nous nous sommes posé certaines questions qui guideront les idées de notre recherche :

2. Comment la personne ayant retrouvé l'enfant serait à mesure de savoir des identitéscomplètes et adresses de l'enfant ?

0.3. HYPOTHESES

Pour les questions posées ci-haut, voici les réponses anticipatives que nous proposons :

1. Mettre en place un systèmemoteur de recherche par reconnaissance faciale serait une solution rapide pour rechercher un enfant perdu dans la nature.

2. Implémenter un module qui se chargerait de retourner les informations nécessaires sur l'enfant serait une solution prometteuse face à ce problème.

0.4. OBJECTIFS DU TRAVAIL

0.4.1 Objectif global

Ce travail a comme objectif d'implémenter un système capable reconnaitre l'image d'un enfant perdu et de retourner une pop-up des informations trouvées sur l'enfant enfin de permettre à la personne qui l'a retrouvé de facilement retrouver son domicile et/ou de joindre ses parents via la ligne téléphonique. Juste avec un smartphone, la vie de cet (cette) enfant sera évidemment sauvée.

0.4.2. Objectifs spécifiques

Afin d'atteindre l'objectif global de ce travail, nous nous sommes assigné certaines étapes clés à suivre :

Ø Intégrer un module de communication entre la personne responsable de l'enfant et la personne ayant retrouvé ce dernier,

Ø Tester le système réalisé par rapport aux fonctionnalités assignées durant l'extraction des exigences du système pour ainsi tester les hypothèses.

0.5. CHOIX ET INTERET DU TRAVAIL

La question épineuse de la perte des enfants demeure jusqu'à présent un problème dans le monde. Ces derniers se perdent presque tous les jours et sont en difficulté de retrouver leurs toits quotidiens tout simplement parce qu'ils ne savent pas mieux s'exprimer, ils ignorent innocemment l'adresse d'où ils vivent. Or, en faisant usage des TIC, en concevant des systèmes informatiques utilisant une intelligence artificielle par exemple, ceux-ci seraient innocentés de passer plusieurs jours hors de leurs maisons et leurs parents seraient moins inquiets car ils pourront être contactés à l'avance.D'ici, ce travail intitulé « conception et réalisation d'un système moteur de recherche des enfants perdus par reconnaissance faciale », vise donc à effectuer une recherche par image d'un(des) enfant(s) perdus en renvoyant certaines informations nécessaires sur l'enfant en vue de permettre à la personne qui l'a retrouvé de facilement retrouver les identités de l'enfant et absolument celles des parents de l'enfant.

Notre travail revêt d'abord un intérêt social, économique, puis scientifique.

Du point de vue sociétal, ce sujet intéresse toute la société dans laquelle nous vivons car la perte des enfants est une affaire de tous et nous devons bien mener les luttes pour diminuer les risques qui découleraient de ces pertes incessantes d'enfant.

Du point de vue économique, les personnes ayant perdu leurs enfants se verront soulagées car les frais à payer aux radios comme cautions de communiquer vont surement diminuer.

Scientifiquement, ce sujet est très important aux futurs chercheurs car s'inscrivant dans le siècle d'automatisation, servira d'aide à ceux-ci sur l'utilisation rationnelle de l'intelligence artificielle avec une kyrielle de ses sous branches comme le machine Learning et la vision par ordinateur (computer vision). Les futurs chercheurs pourront donc comprendre l'utilisation rationnelle des branches de l'informatique dans la recherche par image.

0.6. LIMITATION ET DELIMITATION DU TRAVAIL

A. LIMITATION

Quant au contenu, nous nous limiterons à la modélisation du système, la reconnaissance faciale de l'enfant perdu en retournant ses identités et celles de ses parents ainsi que certaines autres informations conquises lors de l'enregistrement de l'enfant dans le système. Toutes autres raisons hors de celles citées ci-haut ne seront pas donc concernées dans ce travail.

B. DELIMITATION

Tout travail scientifique doit avoir toujours des limites spatiales et temporelles, c'est pourquoi, nous avons pris soin de circonscrire aussi le nôtre dans le temps et dans l'espace.

a. Délimitation dans le temps

Vu l'importance et la nécessité en ce qui concerne l'aspect temporel, la présente étude s'étend sur l'intervalle de temps allant de Décembre 2019 à Novembre 2020.

b. Délimitation dans l'espace

Toutes nos recherches ont été faites spécifiquement en ville de Beni, mais ce travail peut être appliqué dans n'importe quel coin du monde.

0.7. AUDIENCE

Etant donné que toute personne peut être frappée par la perte d'un enfant sous sa tutelle et que toute personne peut se heurter sur le chemin d'un quelconque enfant perdu, ce travail ne fera pas distinction entre différentes couches des personnes. Les papas, les mamans, les tuteurs et toutes personnes majeures sachant au moins manipuler un smartphone constitueront l'audience de ce présent travail. Les étudiants et chercheurs s'intéressant à l'usage de l'apprentissage machine et vision par ordinateur trouveront leur part dans ce présent travail.

0.8. SUBDIVISION DU TRAVAIL

Hormis l'introduction et la conclusion, ce présent travail est subdivisé en trois chapitres :

Dans cette partie nous présentons et définissons certains concepts clés que regorge notre travail. Aussi, nous cherchons à comprendre les pensées des autres auteurs sur la recherche par reconnaissance faciale. Nous allons faire l'étude des travaux existants pourvu que le présent travail soit conscientiel des anciens. Enfin, nous présentons les exigences logicielles de notre projet.

Dans ce chapitre nous présentons les différents schémas et diagrammes qui traduisent directement comment notre système va fonctionner.

Ce dernier chapitre explique clairement les différentes manipulations de notre système de recherche d'un enfant perdu par reconnaissance faciale avec les différents modules qu'offre ce dernier ; lesquels modules spéculés dans la partie d'hypothèse. Enfin, cette partie comportera les indications sur le déroulement des tests et les résultats obtenus après ces tests.

CHAPITRE I. GENERALITES

Tout travail scientifique revêtant un caractère innovant a toujours un fondement terminologique approprié. C'est ainsi que dans ce chapitre nous épinglons, définissons et détaillons les concepts opérationnels constituant notre travail. Nous présentons aussi la revue de la littérature qui nous permettra de relever les démarches méthodologiques qu'ont suivis les auteurs lus tout en spéculant les préoccupations de départ de ceux-ci, leurs objectifs, les résultats de leurs recherches ainsi que leurs recommandations ; ce qui nous permettra donc tirer certains points différenciant notre travail des leurs. Enfin, nous présentons la spécification d'exigences logicielles qui décrira le comportement externe de l'application à concevoir.

I.1. GENERALITES SUR L'INTELLIGENCE ARTICIFIELLE

1. Définition de l'IA

C'est en 1956 que Marvin Lee Minsky [7], scientifique américain, définit pour la première fois l'intelligence artificielle comme étant « la construction de programmes informatiques qui s'adonnent à des tâches qui sont, pour l'instant, accomplies de façon plus satisfaisante par des êtres humains, car elles demandent des processus mentaux de haut niveau tels que : l'apprentissage perceptuel, l'organisation de la mémoire et le raisonnement critique ».

En d'autres termes, l'Intelligence artificielle est un ensemble de théories et de techniques développant des programmes informatiques complexes capables de simuler certains traits de l'intelligence humaine (raisonnement, apprentissage...).

2. Types d'intelligence artificielle

Il existe deux grands types de l'intelligence artificielle : l'Intelligence Artificielle faible et l'Intelligence Artificielle forte :

A. L'intelligence Artificielle faible

L'IA Faible est utilisé dans des tâches simples. C'est une intelligence assez limitée par ses fonctions car elle ne fonctionne qu'avec une succession d'algorithmes programmés par des humains pour simuler une intelligence.

C'est la forme la plus courante d'IA disponible dans les industries d'aujourd'hui. L'IA faible ne peut pas fonctionner au-delà de ce qui est assigné au système. En effet, il est formé pour effectuer une seule tâche spécifique.

Le Siri d'Apple, par exemple, est un exemple pour l'AI faible. Siri est formé pour exécuter un ensemble limité de fonctions prédéfinies. D'autres exemples incluent les voitures autonomes, les systèmes de reconnaissance d'images et de parole.

B. L'intelligence Artificielle forte

L'IA Forte, qui est encore une idée futuriste, se base sur l'analyse d'une situation concrète (algorithme évolutionniste, système de neurone). Elle est à la recherche d'une réelle autonomie ; pour les chercheurs, le robot possédant une IA forte serait doté d'une réelle conscience et éprouverait des sentiments. De plus, son raisonnement doit se rapprocher de celui de l'être humain, c'est le rêve ambitieux de beaucoup de chercheurs d'arriver à ce stade [8].

3. Quelques sous-disciplines de l'IA

L'intelligence artificielle est en soit une discipline trop vaste. En effet, elle regorge une multitude de sous-disciplines dont en voici certaines :

· Le machine Learning

Le Machine Learning (ML) aussi appelé apprentissage automatique ou « apprentissage statistique », est un sous-ensemble de l'IA, parmi d'autres sous-disciplines. Ce terme renvoie à un processus de développement, d'analyse et d'implémentation conduisant à la mise en place de procédés systématiques [9]. Pour faire simple, il s'agit d'une sorte de programme permettant à un ordinateur ou à une machine un apprentissage automatisé, de façon à pouvoir réaliser un certain nombre d'opérations très complexes. Tout ML est AI, mais toute IA n'est pas ML. Dans l'apprentissage automatique, la machine exécute quelque chose qu'on ne lui a pas commandé, elle a ses propres règles. Ce système permet donc à la machine d'apprendre de ses erreurs. Concrètement, on nourrit la machine d'une quantité importante des données pour l'aider à « devenir intelligente ».

L'objectif visé est de rendre la machine ou l'ordinateur capable d'apporter des solutions à des problèmes compliqués, par le traitement d'une quantité astronomique d'informations. Cela offre ainsi une possibilité d'analyser et de mettre en évidence les corrélations qui existent entre deux ou plusieurs situations données, et de prédire leurs différentes implications.

1. Fonctionnement du Machine Learning

Le diagramme ci-dessous explique comment l'algorithme de Machine Learning fonctionne :

2. Classification du Machine Learning

Le Machine Learning implique deux principaux systèmes d'apprentissage qui définissent ses différents modes de fonctionnement. Il s'agit de :

Ici, la machine s'appuie sur des classes prédéterminées et sur un certain nombre de paradigmes connus pour mettre en place un système de classement à partir de modèles déjà catalogués. Dans ce cas, deux étapes sont nécessaires pour compléter le processus, à commencer par le stade d'apprentissage qui consiste à la modélisation des données cataloguées. Ensuite, il s'agira au second stade de se baser sur les données ainsi définies pour attribuer des classes aux nouveaux modèles introduits dans le système, afin de les cataloguer eux aussi [9].

Dans ce mode de fonctionnement du machine Learning, il n'est pas question de s'appuyer sur des éléments prédéfinis, et la tâche revient à la machine de procéder toute seule à la catégorisation des données. Pour ce faire, le système va croiser les informations qui lui sont soumises, de manière à pouvoir rassembler dans une même classe les éléments présentant certaines similitudes. Ainsi, en fonction du but recherché, il reviendra à l'opérateur ou au chercheur de les analyser afin d'en déduire les différentes hypothèses [9].

En effet, en entrée nous avons une catégorie de fruits mélangées. Notre collection de données ne contient pas d'exemple qui indique ce que l'on cherche, alors l'apprentissage non-supervisé permettra de classifier ces fruits selon leurs ressemblances. On peut ainsi regrouper ces fruits dans des clusters ; c'est le Clustering. D'où à la sortie, on aura les fruits regroupés selon leurs ressemblances. Les pommes dans un cluster, les bananes dans un autre cluster et les tomates dans un autre cluster.

Ainsi les algorithmes les plus utilisés en clustering sont : le K-means Clustering et le hierarchical clustering.

· Le deep learning

Venons-en au concept de deep learning qui est, lui aussi, lié à l'Intelligence Artificielle. Cette méthode est une technologie d'apprentissage, basée sur des réseaux de neurones artificiels. Le deep learning permet à un programme de reconnaître le contenu d'une image ou de comprendre le langage parlé. Ce système d'apprentissage et de classification, basé sur des « réseaux de neurones artificiels » numériques, est utilisé par Siri, Cortana et Google Now pour comprendre la voix et être capable d'apprendre à reconnaître des visages.

Pour bien comprendre le deep learning, il faut parler de l'apprentissage supervisé, une technique courante en IA, permettant aux machines d'apprendre. Par exemple, pour qu'un programme apprenne à reconnaître une voiture, on le « nourrit » de dizaines de milliers d'images de voitures. Un « entrainement », qui peut nécessiter des heures, voire des jours. Une fois entraîné, le programme peut reconnaitre des voitures sur base de nouvelles images.

Aujourd'hui, l'intelligence artificielle regorge des nombreuses capacités et beaucoup de taches sont actuellement faciles à grâce celle-ci. L'IA s'applique :

Ø Dans la conception des systèmes experts : ici le système va simuler le raisonnement d'un expert dans un domaine quelconque et ses compétences seront évaluées à un niveau élevé d'expertise. Le premier système expert était fait en 1972 par les chercheurs de Stanford University. Ce système devrait diagnostiquer certaines infections.

Ø Dans la reconnaissance : l'IA fait des nombreux progrès dans ce domaine par le fait qu'il possible actuellement de reconnaitre les écritures, les visages, la parole...

Ø Dans la robotique : les robots se trouvent actuellement dans nombreuses exploitations comme les industries, la médecine, l'exploitation spatiale...

Google, très impliqué dans l'intelligence artificielle, procède habituellement par rachat. En 2014, Google a acheté la société anglaise DeepMind, qui avait développé des réseaux de neurones pour jouer aux jeux vidéo. Mais l'objectif avoué de DeepMind est actuellement de « comprendre ce qu'est l'intelligence ». DeepMind est célèbre pour son programme AlphaGo, qui a battu le champion du monde de go. En octobre 2017, le programme a franchi une étape supplémentaire : en jouant contre lui-même, non seulement son apprentissage a été plus court, mais surtout il est devenu plus fort que la version précédente. Nous avons ici un premier exemple d'apprentissage non supervisé, facilité par le fait que le contexte, à savoir les règles du jeu de go, est parfaitement mathématisable. Google a aussi son propre moteur de recommandation nommé Google Home, un haut-parleur et un assistant vocal disponible en trois versions différentes [7].

Amazon utilise de l'intelligence artificielle dans son moteur de recommandation, nommé Echo, et dans ses assistants basés sur son système de reconnaissance vocale, Alexa, disponible en sept versions différentes. Via son offre de services dans le cloud, Amazon propose également des services fondés sur l'intelligence artificielle, comme la reconnaissance de la parole ou des robots de discussion, les fameux chatbot [7].

Facebook est un énorme utilisateur d'intelligence artificielle. Il choisit les messages qu'il affiche en utilisant un moteur de type moteur de recommandation. Récemment, Facebook a mis en place un moteur d'intelligence artificielle pour détecter les tendances suicidaires 24. Comme le dit Joaquin Candela, directeur du département d'intelligence artificielle appliquée, « Facebook n'existerait pas sans intelligence artificielle »[7]

I.2. GENERALITE SUR LA RECONNAISSANCE FACIALE

I.2.1. APERÇU GLOBAL

Dans notre vie quotidienne, nous identifions différents visages des gens tout le long de la journée. Cependant, lorsque nous rencontrons une personne sur notre chemin, notre cerveau cherche dans notre mémoire si la personne vue est connue ou non. C'est une tâche facile et aisée pour nous les humains. Pour un ordinateur, le processus est presque pareil ; le visage d'un individu est localisé sur une photo ou une vidéo puis les caractéristiques de son visage sont d'abord extraites puis ensuite converties en données, et ces données peuvent ensuite être comparées avec celles de visage entrées dans une base de données centralisée.

La biométrie est« l'analyse des caractéristiques physiques strictement propres à une personne ». Ces caractéristiques sont les données biométriques. Il peut s'agir par exemple des empreintes digitales, de l'iris, du visage, de la voix ou même de l'ADN d'une personne[10]. Les données biométriques sont de plus en plus utilisées à des fins d'authentification et identification. En effet, les données biométriques de chaque individu sont uniques et immuables. Les appareils électroniques sont donc en mesure de les mesurer, de les collecter, et de les comparer avec une base de données afin d'identifier instantanément une personne.

Notons ici, qu'il existe principalement deux catégories des technologies biométriques : les mesures physiologiques et les mesures comportementales. Les mesures physiologiques peuvent être morphologiques ou biologiques. Ce sont surtout les empreintes digitales, la forme de la main, du doigt, le réseau veineux, l'oeil (iris et rétine), ou encore la forme du visage, pour les analyses morphologiques. En matière d'analyse biométrique, on trouve le plus souvent l'ADN, la salive ou l'urine utilisés dans le domaine médical, pour des investigations criminelles ou même dans le domaine du sport pour des contrôles de dopage. Les mesures comportementales? les plus répandues sont la reconnaissance vocale, la dynamique des signatures (vitesse de déplacement du stylo, accélérations, pression exercée, inclinaison), la dynamique de frappe au clavier d'un ordinateur, la façon d'utiliser des objets, la démarche, le

Figure 0 : Différentes modalités biométriques: (a) Empreintes digitales, (b) Geste, (c) Iris, (d) Rétine, (e) Visage, (f) Empreinte de la paume, (g) Oreille, (h) ADN, (i) Voix, (j) Marche, (k) Signature, (l) Frappes du clavier.

On estime que les mesures physiologiques ont l'avantage d'être plus stables dans la vie d'un individu. Par exemple, elles ne subissent pas autant les effets du stress, contrairement à l'identification par mesure comportementale.

En effet, chaque caractéristique (ou modalité biométrique) possède ses forces et ses faiblesses, et faire correspondre un système biométrique à une application quelconque dépend du mode opérationnel de l'application et des caractéristiques biométriques choisies.

I.2.2. LES SYSTEMES BIOMETRIQUES

Un système biométrique est essentiellement un système de reconnaissance des formes qui utilisent les données biométriques d'un individu. Selon le contexte de l'application, un système biométrique d'enrôlement, en mode de vérification ou bien en mode d'identification :

· Le mode d'enrôlement : est une phase d'apprentissage qui a pour but de recueillir des informations biométriques sur les personnes à identifier. Plusieurs campagnes d'acquisitions de données peuvent être réalisées afin d'assurer une certaine robustesse au système de reconnaissance aux variations temporelles des données. Pendant cette phase, les caractéristiques biométriques des individus sont saisies par un capteur biométrique (ou plus généralement une interface utilisateur), puis représentées sous forme numérique (signatures), et enfin stockées dans la base de données [12]. En effet, cette étape peut être supervisée par un expert qui peut orienter le processus d'acquisition.

· Le mode vérification ou authentification : c'est une comparaison « un à un », dans laquelle le système valide les identités d'une personne en comparant les données biométriques saisies avec le modèle biométrique de cette personne stocké dans la base des données du système. Dans ce mode, le système doit répondre à la question suivant : « Suis-je vraiment la personne que je suis en train de proclamer ? »

· Le mode d'identification : est une comparaison « 1 à N » dans laquelle le système reconnait un individu en l'appariant un des modèles de la base des données. Ce mode consiste donc à attribuer une identité à une personne. Autrement dit, le système répond à question « Qui suis-je ? ».

Figure 0 : Principaux modules d'un système biométrique ainsi que les différents modes.

La figure (4) inclut les différents modules que comporte un système biométrique. Le fonctionnement de ces modules est résumé dans les lignes suivantes :

§ Module capteur biométrique : correspond à la lecture de certaines caractéristiques comportementales, physiologiques ou biologiques d'une personne en utilisant un appareil de capture biométrique (ou capteur biométrique) ;

§ Module extraction des données : extrait les informations nécessaires et pertinentes à partir des données biométriques brutes, par exemple des images de visage ou des régions caractéristiques de visage ;

§ Module création d'une signature : crée un modèle numérique afin de représenter la donnée biométrique acquise. Ce modèle, aussi appelé Signature sera conservé sur un support portable (puce ou autre) ou dans une base de données ;

§ Module comparaison : ici, il s'agit de la comparaison entre les données biométriques d'une personne soumises au contrôle (volontairement ou à son insu) avec les signatures enregistrées. Ce module fonctionne soit en mode vérification (pour une identité proclamée), soit en mode identification (pour une identité recherchée).

§ Module base de données : c'est dans ce module où l'on stocke les données biométriques d'un utilisateur enrôlé.

I.2.3. PLACE DE LA RECONNAISSANCE FACIALE PARMI LES AUTRES TECHNIQUES BIOMETRIQUES

Il est à noter que les empreintes digitales sont les caractéristiques biométriques les plus utilisées dans le monde dès 1888 et elles sont utilisées depuis un siècle pour l'identification criminelle [13]. Le premier système utilisant les empreintes digitales était commercialisé vers les annexes soixante. D'une autre part, plusieurs recherches affirment que l'iris est la caractéristique la plus extraordinairement fiable car il procure une unicité très élevées (1 sur 10 puissance 72) et sa stabilité est tendue jusqu'à la mort d'un individu [14]. Toutes fois ces méthodes présentent l'inconvénient d'être intrusives, ce qui limite énormément leurs domaines d'applications. Par ailleurs, cette méthode de l'identification de l'iris demeure gênante pour certains utilisateurs qui ne préfèrent pas placer leurs yeux devant un appareil de capture. La reconnaissance faciale quant à elle, peut être implémentée indépendamment des autres modalités biométriques, elle est souvent utilisée pour les systèmes de surveillance. D'ici, la reconnaissance faciale nous offre la possibilité de mettre en place les systèmes de capture (c.à.d. les caméras) qui sont facile à installer et cela le plus souvent dans des lieux publics ce qui nous permet d'obtenir des énormes bases des données qui permettraient d'améliorer même la performance de la reconnaissance.

I.2.4. SYSTEMES BIOMETRIQUES BASES SUR LA RECONNAISSANCE DE VISAGE

La reconnaissance automatique des visages s'effectue en trois principales étapes :

Certaines techniques de traitement de l'image peuvent être communes à plusieurs étapes. Comme la reconnaissance faciale est aussi parmi les mesures biométriques physiologiques, celles-ci nous permettent alors d'exploiter certaines informations nécessaires relatives à l'homme ; comme déterminer son identité par exemple. Le système de reconnaissance faciale est souvent une approche logicielle visant à reconnaitre une personne grâce à son visage d'une manière automatique. Cette reconnaissance peut alors prendre plusieurs aspects : déterminer à qui appartient le visage (identification), décider si oui ou non le visage est connu ou non (identification), et dans un autre cas de vérifier qu'une personne est bien celle qu'elle prétend être (authentification : dans le cadre d'un contrôle d'accès).

Détecter et reconnaître une personne nécessite un apprentissage de ses caractéristiques faciales inhérentes et remarquables. Partant du même principe de la reconnaissance humaine des visages, la détection et la reconnaissance automatique nécessite un processus d'apprentissage qui diffère selon les modèles et les techniques mis en oeuvre.

Cependant, la reconnaissance faciale peut être faite à l'aide des images fixes (photos) ou à partir des séquences d'images (vidéos). Dans le présent travail nous allons bien utiliser la deuxième approche qui est celle de la reconnaissance faciale à partir des séquences images (vidéos) pour reconnaitre le visage d'un enfant perdu et tirer certaines informations nécessaires sur l'enfant qui sont enregistrées lors du recensement (noms, numéros des parents, adresses...).

Nous détaillerons dans les paragraphes qui suivent chaque étape de reconnaissance faciale et nous présenterons les difficultés auxquelles on fait face dans les systèmes de reconnaissance faciale.

A. Détection de visage

L'efficacité des systèmes biométriques basés sur l'authentification de visage dépend essentiellement de la méthode utilisée pour localiser le visage dans l'image. Dans la littérature scientifique, le problème de localisation de visages est aussi désigné par la terminologie « détection de des visages ». Plusieurs travaux de recherches ont été effectués dans ce domaine [12]. Ils ont donné lieu au développement d'une multitude de techniques allant de la simple détection du visage, à la localisation précise des régions caractéristiques visage, tels que les yeux, le nez, les narines, les sourcils, la bouche, les lèvres, les oreilles, etc. Cependant, les solutions proposées jusqu'à présent sont loin d'être satisfaisantes car elles fonctionnent uniquement dans des environnements contrôlés, et par conséquent elles ne gèrent pas la variabilité des conditions d'acquisition de la vie quotidienne, notamment :

La pose : les images d'un visage changent en fonction de l'orientation de ce dernier (frontal, 45 degré, profil). Notons ici que le taux de reconnaissance de visage baisse très considérablement quand des variations de pose apparaissent dans les images.La variation de pose est considérée comme un problème majeur pour les systèmes de reconnaissance faciale. Quand le visage est de profil dans le plan image (orientation < 30°), il peut être normalisé en détectant au moins deux traits faciaux (passant par les yeux). Cependant, lorsque la rotation est supérieure à 30°, la normalisation géométrique n'est plus possible (voir figure 9) [12].

§ La présence ou absence des composantes structurales : les caractéristiques faciales telles que la barbe, la moustache, les lunettes causent une grande variabilité des composantes structurales du visage, notamment au niveau de la forme, la couleur et de la taille.

§ Les occultations : les visages peuvent être partiellement occultés par d'autres objets. En effet, dans une image contenant un groupe de personnes par exemple, des visages peuvent partiellement masquer d'autres visages.

§ Les conditions d'illumination : des facteurs tels que l'éclairage (distribution de la source de lumière, son intensité, son spectre) et les caractéristiques de l'appareil photographique affectent l'aspect d'un visage dans l'image acquise [12].

Cependant, cette étape de détection de visage consiste à localiser la position du visage soit sur une image soit sur une séquence d'images (sur la vidéo).

La détection de visage dans l'image est un traitement indispensable et crucial avant la phase de reconnaissance. En effet, le processus de reconnaissance de visages ne pourra jamais devenir intégralement automatique s'il n'a pas été précédé par une étape de détection efficace [15].

Le traitement consiste à rechercher dans une image la position des visages et de les extraire sous la forme d'un ensemble d'imagettes dans le but de faciliter leur traitement ultérieur. Un visage est considéré correctement détecté si la taille d'imagette extraite ne dépasse pas 20% de la taille réelle de la région faciale, et qu'elle contient essentiellement les yeux, le nez et la bouche [16].

B. Extraction des caractéristiques du visage

L'extraction des caractéristiques telles que les yeux, le nez, la bouche est étape de prétraitement nécessaire à la reconnaissance faciale. On peut distinguer deux pratiques différentes : la première repose sur l'extraction des régions entières du visage, elle est souvent implémentée avec une approche globale de reconnaissance de visage. La deuxième pratique extrait des points particuliers des différentes régions caractéristiques du visage, tels que les coins des yeux, la bouche et du nez. Elle est utilisée avec une méthode locale de reconnaissance et aussi pour l'estimation de la pose du visage.

Par ailleurs, plusieurs études ont été menées afin de déterminer les caractéristiques qui semblent pertinentes pour la perception, la mémorisation et la reconnaissance d'un visage humain. Certaines études affirment que les caractéristiques pertinentes rapportées sont : les cheveux, le contour du visage, les cheveux et la bouche [12].

Cette étape est le coeur du système de reconnaissance, les données importantes sont extraites de l'image est sont sauvegardées dans la mémoire pour être utilisées dans la phase décisionnelle. Le choix de ces informations utiles revient à ressortir un modèle pour le visage, elles doivent être non redondantes.

A. La reconnaissance du visage

La module de reconnaissance exploite les caractéristiques du visage ainsi extraites pour créer une signature numérique qu'il stocke dans une base de données. Ainsi, à chaque visage de la base est associée une signature unique qui caractérise la personne correspondante. La reconnaissance d'un visage requête est obtenue par l'extraction de la signature requête correspondante et sa mise en correspondance avec la signature la plus proche dans la base de données. La reconnaissance dépend du mode de comparaison utilisé : vérification ou identification.

Figure 0: Schéma fonctionnel d'identification d'un individu dans un système de reconnaissace faciale.

A la première étape qui est celle de l'acquisition de l'image, l'image est capturée soit avec la caméra d'un dispositif de susceptible d'effectuer cette tâche, soit tirée d'une base des données d'images (ou gallérie). Vu que les images peuvent se présenter avec les éclairages et des ombres différentes ou encore avec des résolutions différentes. Il est donc important que les données soient normalisées et que les variations de contraste soient ainsi représentatives des caractéristiques du visage et non de son environnement pour que celle soit reconnaissable (détectable) ; d'où l'apparition des étapes détection et prétraitement. Ensuite suivra le processus d'extraction de signatures dans l'image recueillie au processus précèdent. Selon le mode de fonctionnement, une décision sera dégagée. Si le système fonctionne en mode enrôlement la signature sera stockée dans une base de signatures et si on est en mode identification ou vérification, cela sera associée à une décision quelconque.

I.2.5. LES ALGORITHMES DE DETECTION ET RECONNAISSANCE FACIALE

Comme nous l'avons souligné dans les lignes précédentes, un système automatique de reconnaissance de visages est composé de trois sous-systèmes : détection de visage, extraction des caractéristiques et reconnaissance de visages. La mise en oeuvre d'un système automatique et fiable de reconnaissance faciale est un verrou technologique qui n'est toujours pas résolu.

Cependant, il existe plusieurs algorithmes, de reconnaissance faciale. Voici quelques-uns de ces algorithmes :

Notons ici que nous n'allons détailler que l'algorithme K-Nearest Neighbors car c'est lui que nous allons utiliser pour la classification des visages.

I.2.5.1. L'algorithme K-Nearest Neighbors

K-Nearest Neighbors (les voisins les plus proches) est un algorithme de l'apprentissage supervisé. Il peut être utilisé aussi bien pour la classification que pour la régression. Son fonctionnement peut être assimilé à l'analogie suivante : «dis-moi qui sont tes voisins, je te dirai qui tu es» [17].

En effet, cet algorithme est qualifié comme paresseux (Lazy Learning) car il n'apprend rien pendant la phase d'entraînement. Pour prédire la classe d'une nouvelle donnée d'entrée, il va chercher ses K voisins les plus proches (en utilisant la distance euclidienne, ou autres) et choisira la classe des voisins majoritaires [18].

Pour appliquer la méthode des voisins les plus proches, on suit certaines étapes qui sont :

§ On détecte k-voisins les plus proches de la nouvelles données d'entrées qu'on veut classer,

Pour bien choisir le paramètre k, on prend arbitrairement un entier et on le fait varier. Ensuite, pour chaque valeur de cas, on calcule le taux d'erreur de l'ensemble de test et on garde la valeur de k qui minimise ce taux d'erreur de test. Cet algorithme va nous servir de classification des visages de ce présent travail. Nous donnerons l'image d'un enfant en entrée et celui va calculer les voisins les plus proches des images se situant dans la base de données.

I.2.6. APPLICATIONS D'UN SYSTEME DE RECONNAISSANCE FACIALE

La reconnaissance faciale est aujourd'hui utilisée dans des divers domaines et on trouve ses applications dans presque toutes les activités routinières des hommes bien que plusieurs recherches sont en cours afin de trouver la bonne approche pour effectuer la reconnaissance de visages. Nous citons quelques domaines d'application de la reconnaissance faciale :

v En sécuritéet authentification : dans ce domaine, le système de reconnaissance faciale s'assure que l'utilisateur est bien un utilisateur valide avant de l'autoriser à accéder à un élément donné. Cela peut être utilisé dans un lieu public : accès à un avion, par exemple. Signalons la sécurité est le principal domaine d'application de la reconnaissance faciale.

v En suivi des présences dans une organisation : actuellement, le suivi des présents des agents d'une organisation quelconque est devenue une tâche facile et précise grâce à la reconnaissance faciale. Le système capture la face de l'agent juste au moment où celui est détecté dans la cours de l'organisation et certains autres détails nécessaires et les sauvegarde dans une base des données.

v Dans les recherches indexées : la reconnaissance faciale permet facilement de ressortir l'identité d'une personne sans même qu'il s'en rendre compte mais cela si et seulement si celui a un jour suivi la première étape de reconnaissance de visage (rappel : l'enrôlement).

I.2. REVUE DE LA LITTERATURE

En effet, nous ne sommes pas le premier à parler de la reconnaissance faciale en générale et la reconnaissance faciale pour les recherches indexées des personnes en particulier. Nombreux en ont précédemment parlé et ont aboutis à des résultats finals. Ainsi, voici certains travaux détaillés brièvement qui ont des traits similaires avec le nôtre :

1. Authentification d'individus par reconnaissance de caractéristiques biométriques liées aux visages 2D/3D

Dans sa thèse de doctorat, SOUHILA GUERFI ABABSA [12] a traité deux problématiques majeures et complémentaires rencontrées en reconnaissance de visage. Il s'agit d'une part de l'extraction automatique de visage et de ses régions caractéristiques, et d'autres part de la reconnaissance du visage. Il signale dans celle-ci que la difficulté de l'extraction de visage et de ses caractéristiques est due principalement aux variations des conditions d'éclairage et il a enfin proposé une nouvelle approche d'extraction qui s'adapte aux changements de l'illumination et de pose. Propose que dans un premier temps un algorithme de segmentation de couleur de visage dans l'espace TLS (Teinte, Luminance, Saturation) soit appliqué sur l'image afin de déterminer les régions d'intérêt du visage ; c'est pourquoi il a modifié la méthode de fusion des bassins versants obtenus à partir de l'algorithme de lignes de partage des eaux (LPE) en ajoutant un critère basé sur la pertinence de la teinte. Il a défini un domaine de la peau sur l'espace de la teinte afin d'extraire la région de visage à partir de l'image segmentée. La méthode qu'il propose pour l'extraction des zones du visage combine une classification basée sur la méthode de kmeans avec une approche géométrique afin d'identifier deux régions caractéristiques du visage en l'occurrence les yeux et la bouche.

En addition, l'auteur a travaillé sur le problème de la reconnaissance de visage 2D/3D, dans le contexte de la vérification. Ill a par ailleurs évalué l'influence de la détection de régions sur la reconnaissance de visage en extrayant les régions su visage manuellement puis de manière automatique son approche d'extraction et il a comparé les résultats de reconnaissance obtenus sur ces régions en appliqua les méthodes classiques « EigenFace » et « EigenFace » modulaire. Les résultats obtenus ont montré que l'approche modulaire donne les meilleures performances.

Dans son travail de thèse, Walid Hizem [19]a mené une étude sur le capteur intelligent pour la reconnaissance de visage. Etant beaucoup plus intéressé par les problèmes liés à la lumière dans le domaine de la reconnaissance faciale, dans son travail, Walid s'est fixé comme objectif de mettre en place une solution capable d'éliminer le problème lié à la luminosité. Pour y arriver, l'auteur à utiliser l'illumination active avec deux méthodes d'acquisition : la première avec un capteur CMOS différentiel, la seconde, et qui a présenté son apport personnel dans son travail, une acquisition avec réduction du temps d'exposition et un flash synchrone à la période d'acquisition. Ainsi, comme résultat, il a mis au point une caméra CCD permettant d'avoir des images de bonne qualité en proche infrarouge et à moindre cout en éliminant la variation d'illimitation.

BOUDJEL Sofiane [20]a travaillé sur un système de reconnaissance faciale en utilisant la méthode EigenFace. Son système a pour objectif de mettre en place un système de reconnaissance faciale et contrôle d'accès. La solution qu'il a trouvée était le développement d'une application qui, malgré des bons résultats que celle-ci a apporté, l'auteur signale que certains problèmes comme celui de pose et d'éclairage restent les challenges qui susciteront les curiosités des futurs chercheurs.

4. Etude et réalisation d'un système de suivi de présences par reconnaissance faciale dans une salle d'université (UCBC)

L'auteur de ce travail de mémoire, monsieur Vyakuno Kathe Joel [21], avait pour objectif de concevoir une application de suivi de présence dans un auditoire et cela en temps réel. Le constant le plus amère de l'auteur était que dans beaucoup d'universités les présences se font toujours manuellement. Il avait constaté aussi un problème de fatigue, oublie ou inconscience qui peut ramener les chefs de promotions à cocher tous les étudiants comme présents même ceux qui ne le sont pas. Pour remédier à ce problème, cet auteur avait jugé mieux concevoir un système de reconnaissance faciale en temps réel qui noterai un étudiant présent que si sa face est détectée et que celui s'est présenté personnellement dans l'auteur.

5. An improved face recognition algorithm and its application in attendance management system

Serign Modou Bah et Fang Ming [22]présentent une approche efficace et efficiente sur l'utilisation de techniques avancées de traitement de l'image pour améliorer la reconnaissance des visages précision basée sur l'algorithme des motifs binaires locaux. Dans la première partie, ces auteurs utilisent le classificateur en cascade LBPpour la détection et suivi des visages. En effet, les visages sont capturés à partir d'une caméra ou d'une image stockée sur un support et enfin l'algorithme de classification en cascade sera appliqué pour la détection des faces. Ils sont parvenus à améliorer le taux de précision de la détection des visages, qui fait partie intégrante du taux de précision global de la reconnaissance des visages, tout en réduisant le nombre de faux positifs et de faux négatifs.

La figure montre l'organigramme de l'algorithme. Comme le montre l'organigramme, les images de visages capturées en entrée sont traitées à l'aide des techniques de traitement d'images que ces deux auteurs ont proposés, puis l'algorithme de détection des visages est appliqué pour détecter les visages. Une fois les visages détectés, l'algorithme de reconnaissance des visages, assisté de la méthode proposée, sera appliqué pour reconnaître les visages. Une fois les visages reconnus, les métadonnées des visages reconnus seront extraites pour marquer les présences à l'aide du système de présence.

Varun Jan [23] dans son travail de thèse avait comme objectif de développer des méthodes et des techniques permettant d'inférer l'état affectif d'une personne à partir des informations visuelles, c'est-à-dire l'analyse d'expressions du visage. Dans ses démarches, il avait utilisé l'approche Gaussienne Multi-Echelle en tant que scripteur d'image pour l'estimation de la pose de la tête, pour la détection de sourire, puis aussi pour la mesure de l'affect. En plus de cette approche, il avait tout de même aussi utilisé l'Analyse en composant principal pour la réduction de la dimensionnalité et les machines à support des vecteurs pour la classification et les régressions. Lors de ses expérimentations, l'auteur a constaté que dans le cas d'un éclairage partiel du visage, les dérivées Gaussiennes aves des histogrammes locaux de type LBP (Local Binary Pattern). Avec cette combinaison il avait obtenu des résultats à la hauteur de l'état de l'art pour la détection de sourire dans les bases d'images GENKI qui comporte des images de personnes trouvées dans la nature, sur internet, et avec la difficile « extended YaleB database ».

7. Authentification et identification de visages basées sur les ondelettes et réseaux de neurones

Dans son article [24], Mérbaka avait le but de concevoir un système d'authentification d'identité qui serait facile et peu couteux dans l'implémentation utilisant le visage humain. Cette étude menée avec la méthode ACP et la classification avec le réseau de neurones avait comme objectif de vouloir minimiser le TEE (Taux d'erreur égale) afin de renforcer les capacités d'une application de reconnaissance faciale. L'auteur abouti aux résultats selon lesquels en utilisant la classification d'ACP il a un taux d'erreur égale (TEE=11,5%) sur une base de données de 40 sujets avec un TFA (Taux de Fausse Acceptation) égal à 9% et un TFR (Taux de Faux rejet) égal à 15.32%. En faisant la classification avec le réseau de neurones, TFA=5%, TFR=57 pour une base de données de 60 sujets et avec la normalisation TFA=12 et un TFR=23 pour la même base de 60 sujets.

8. Génération des modèles synthétiques de visages à partir d'une image frontale

Francis Charette Migneault [25] avait pour objectif de mettre en place un système qui implémente un algorithme de génération synthétique de visages. La solution développée par l'auteur permet de modéliser l'illumination ambiante observée dans l'environnement à partir d'un visage d'individu quelconque pour transférer l'information obtenue vers un visage d'individu d'intérêt. La personne cible à retrouver à l'aide d'une reconnaissance de visage dans un système de surveillance aurait alors plus de chance d'être adéquatement classifiée grâce aux représentations additionnelles qui modélisent des variations possibles d'illumination, qui pourraient être observées sur son visage lors d'une capture par caméra en environnement non contrôlé.

Mohamed Aymen FODDA [26] avait mis en oeuvre une approche d'identification du visage, et pour aboutir à ce but, il fallait au préalable aborder un travail de détection du visage. Bien que la méthode d'amélioration ait montré de bons résultats, au niveau de l'interpolation de visages non détectés par la librairie OpenCV, elle élimine parfois de vrais visages. Après la phase de détection, nous avons pu aborder la tâche de reconnaissance. Notre apport dans cette tâche délicate, est d'utiliser la notion des points d'intérêt pour reconstruire un modèle de visage. L'auteur signale dans son travail que pour la tâche de détection, et à partir des visages détectés par la librairie OpenCV, il est intéressant de trouver d'autres méthodes d'élimination des fausses alarmes et de détecter en contrepartie les visages oubliés par la méthode « Viola-Jones ». Nous proposons d'utiliser des approches heuristiques, pour prévoir si une telle détection correspond à un visage ou non, en tenant compte des positions des autres visages. Pour l'identification, il propose d'ajouter ou d'améliorer d'autres paramètres aux vecteurs qui caractérisent le visage comme par exemple : la géométrie de la tête et les distances entre les composantes faciales.

10. Nouvelle approche d'indentification dans les bases de données biométriques basée sur une classification non supervisée

Anis Chaari [27], dans sa thèse a mené une étude sur la localisation du visage dans une image faciale. L'auteur signale que la détection parfaite du visage était une un objectif difficile à atteindre lors de la réalisation de son travail. Il signale ensuite que la localisation de 30 points d'un contour de visage par un réseau de neurones entrainé par l'une ou l'autre des méthodes est à l'avantage des moments de Zernike pour élaborer le vecteur d'entrée du réseau. Le visage une fois détecté, une procédure classique de normalisation est appliquée. Enfin il conclut en disant : « meilleur est la précision de détection du visage, plus grande sont les performances des systèmes de reconnaissance qui s'ensuivent.

Eu égard aux travaux précédemment mentionnés, nous tenons à mentionner quelques éléments constituent les traits de différence entre notre travail et ceux des autres. Notre système a comme cas d'étude les enfants perdus. Apres reconnaissance, certaines informations nécessaires sur l'enfant seront renvoyées. Nous enverrons aussi les coordonnées GPS préenregistrés qui permettront à l'utilisateur du système de retrouver d'une facile l'adresse de l'enfant.

I.3. SPECIFICATION D'EXIGENCES LOGICIELLES

Dans cette partie de notre travail nous allons décrire le comportement externe de notre système. Nous allons donner une idée globale décrivant comment notre système fonctionnera et nous allons aussi décrire les caractéristiques des utilisateurs de notre système.

I.3.1 Description globale

a. Perspectives du logiciel

Notre application de recherche des enfants perdus doit être dotée d'une base des données contenant certaines informations nécessaires sur l'enfant comme ses noms, ses adresses et celles de ses parents. En gros, un répertoire sera créé pour contenir les images des enfants recensés d'avance. L'application sera en mesure de reconnaitre la face de l'enfant lorsque celui-ci se positionne devant la caméra et de retourner quelques éléments qui l'identifient afin de trouver un moyen probant de le faire revenir sur son toit habituel.

b. Fonctionnalités du logiciel

L'administrateur sera chargé d'enrôler les enfants en récoltant biens leurs identités et celles des parents ; il peut supprimer un ou plusieurs enfants du système et il peut mêmement modifier les informations de ce dernier. Le système contient aussi la possibilité de localiser la maison de l'enfant moyennant les coordonnées géographiques fournit d'avance lors de l'enrôlement. L'enfant va se présenter devant la caméra connectée directement au système pour prélever ses identités et créer un ensemble des données (photos) qui seront entrainées pour permettre une reconnaissance plus tard. Le système contient la possibilité de contacter le parent de l'enfant. Notons ici qu'avant d'effectuer n'importe quelle opération ; le système prévoit une partie d'authentification pour l'administrateur du système. La figure ci-dessous décrit très clairement les taches de chacun des utilisateurs (l'administrateur et l'utilisateur simple):

c. Caractéristiques des utilisateurs

Cette application sera utilisée dans une station de police où se retrouvent les enfants qui sont perdus. Donc un agent de police pouvant utiliser ce système est sensé avoir des notions basiques sur l'utilisation des outils informatiques.

d. Fonctionnalités reportées à une version ultérieure

Vu que le système actuel a un statut stationnaire, dans les versions précédentes ce système changera le statut et sera bien mobile. Bref, une application mobile grand public sera conçue pour rendre la tache de la recherche de l'enfant perdue plus facile.

I.3.2. Performance

Ce système supportera l'enregistrement de plusieurs enfants (utilisateurs) en un même temps vu que la perte d'enfant revient intempestivement et d'une manière à laquelle on ne s'attend pas.

I.3.3. Fiabilité

Le système devra être disponible pendant les heures de service de la station de police. L'administrateur se connecte quand il veut mais dans la cours de la station de police vu le stationnement du système. En cas, de panne ou de faille, une équipe est prête pour le dépannage. Les opérateurs de correction d'une ou plusieurs erreurs et de la maintenance pourront quelques heures pour réaliser ladite tache de dépannage.

I.3.4. Sécurité

Vu la sensibilité des identités enregistrées dans la base de données, une authentification sera requise pour l'accéder au système pour que n'importe qui n'aie pas accès à ces données.

I.3.5. Portabilité

Il a été dit dans les lignes précédentes que le système sera utilisé dans une station de police. Que le système ne sera pas trop portable. Signalons que ça sera plus facile de le déplacer vu que ce sera une plateforme hébergée sur un serveur distant. Seule l'administrateur peut y accéder de là où il veut.

Dans ce chapitre nous avons taché lister et définir certains concepts clés de notre travail, passé en revue de la littérature et enfin chuté par les exigences logicielles.

CHAPITRE II. METHODOLOGIES ET CONCEPTION DU SYSTEME

Après une étude panoramique des concepts de base de notre système, ce chapitre explique de façon claire et précise les méthodologies appliquées pour la collecte et l'analyse des données pour parvenir à la résolution des problèmes liés à la reconnaissance d'un enfant perdu par reconnaissance faciale. Etant du domaine des sciences informatiques, dans cette partie traitant sur les méthodologies de travail, nous nous focaliserons sur la modélisation, la simulation, et l'expérimentation comme méthodes et la documentation et le prototypage comme techniques utilisées pour l'accomplissement de ce présent travail.

II.1 METHODOLOGIES ET TECHNIQUES

II.1.1 METHODES

La méthode désigne l'ensemble des canons guidant ou devant guider le processus de production des connaissances scientifiques, qu'il s'agisse d' observations, d' expériences, de raisonnements, ou de calculs théoriques [28]. En d'autres termes, le chercheur, après avoir répertorié un problème à résoudre dans la société, se plonge dans la confrontation d'idées pour appréhender au mieux le problème. Pour ce faire, il n'y va pas aveuglement, mais il se conforme à des principes établis, lesquels principes sont susceptibles de le conduire à la compréhension du problème. Elle peut également être définie comme : « un ensemble d'opérations intellectuelles permettant d'analyser, de comprendre et d'expliquer la réalité étudiée [29]». Certaines méthodes scientifiques ont été suivies lors de l'élaboration de ce travail scientifique pour pouvoir vérifier et confirmer la véracité des hypothèses posées dès le début du travail parmi lesquelles nous citons :

A. Modélisation

La modélisation consiste à créer une représentation simplifiée d'un problème : le modèle. Grâce au modèle il est possible de représenter simplement un problème, un concept et le simuler. La modélisation comporte deux composantes [30]:

· L'analyse, c'est-à-dire l'étude du problème dans le but de le comprendre profondément,

· La conception, soit la mise au point d'une solution au problème. Le modèle constitue ainsi une représentation possible du système pour un point de vue donné.

Le modèle est alors une représentation abstraite et simplifiée (i.e. qui exclut certains détails), d'une entité (phénomène, processus, système, etc.) du monde réel en vue de le décrire, de l'expliquer ou de le prévoir. Modèle est synonyme de théorie, mais avec une connotation pratique : un modèle, c'est une théorie orientée vers l'action qu'elle doit servir.

Concrètement, un modèle permet de réduire la complexité d'un phénomène en éliminant les détails qui n'influencent pas son comportement de manière significative. Il reflète ce que le concepteur croit important pour la compréhension et la prédiction du phénomène modélisé. Les limites du phénomène modélisé dépendant des objectifs du modèle [31].

Ainsi, plusieurs langages, conventions et notations existent pour faire la modélisation. Dans ce présent travail nous avons fait usage d'UML (Unifed Modeling Langage) vu sa popularité dans le domaine et nous a ouvert à l'implémentation de notre système.

B. Simulation

Selon futuraTech[32], la simulation informatique, ou simulation numérique, est une série de calculs effectués sur un ordinateur et reproduisant un phénomène physique. Elle aboutit à la description du résultat de ce phénomène, comme s'il s'était réellement déroulé. Cette méthode nous a ainsi permise de simuler la base des données des enfants considérant que ceux-ci ont déjà été recensés d'avance. Notons qu'elle nous a permis de simuler les faces des personnes majeures en considérant ceux-ci comme des enfants.

C. L'expérimentation

Par expérimentation on sous-entend le fait d'éprouver, apprendre ou découvrir à partir de l'expérience, personnelle ou scientifique. Cependant, cette méthode nous a permis de réaliser certains tests par rapport aux différentes contraintes de consommation de mémoire, le nombre d'utilisateur pouvant être connectés simultanément. Bref, ça nous a permis de tester la performance de notre système nouvellement implémenté.

II.1.2 TECHNIQUES

Par techniques de recherches, on sous-entend les moyens indispensables par lesquels un chercheur passe pour récolter les données nécessaires en vue d'élaborer son travail scientifique. Pendant l'élaboration de notre travail, nous avons fait usage de quelques techniques que voici :

A. La technique documentaire

Cette méthode nous a aidé dans l'enrichissement de notre travail car elle nous a permis de consulter plusieurs archives des travaux scientifiques qui ont un trait de ressemblance avec le nôtre. Nous avons ainsi consulté quelques thèses, mémoire, article et nous y avons tiré certaines informations nécessaires qui sont d'une façon ou d'une autre intervenues dans la rédaction comme dans l'implémentation de notre système.

B. La technique d'interview

Nous avons eu à échanger avec quelques parents des enfants sur la perte de ces derniers et ils ont soulevé un point commun qui était l'inquiétude de comment sera l'état de leurs enfants une fois retrouvés.

II.2 CONCEPTION DU SYSTEME DE RECONNAISSANCE FACIALE

La conception est la phase créative d'un projet d'ingénierie. Le but premier de la conception est de permettre de créer un système ou un processus répondant à un besoin en tenant compte des contraintes. Le système doit être suffisamment défini pour pouvoir être installé, fabriqué, construit et être fonctionnel, et pour répondre aux besoins du client [33].

Notons cependant qu'ici, nous avons fait usage de UML pour la modélisation dudit système. Par ailleurs, nous nous sommes basés sur les trois (3) axes de modélisation avec UML pour mieux modéliser notre système. Ces 3 axes sont : l'axe fonctionnel, l'axe dynamique et enfin l'axe statique.

Cet axe permet de donner un aperçu global sur le système à modéliser. Il est à noter que nous nous sommes servi du diagramme cas d'utilisation pour faire une illustration de notre système.

Cet axe va nous permettre de montrerle comportement du système, les interactions des objets et leur ìévolution dans le temps. Bref, il met beaucoup d'accent sur la chronologie. Cet axe comprend plusieurs diagrammes. Nous citions les diagrammes d''état-transition, de séquence, d'activité, de collaboration... Cependant, nous avons fait usage des diagrammes d'activités pour quelques cas seulement et le diagramme de séquence.

Sur cet axe, on modélise les concepts du domaine d'application, qui est affiché dans les diagrammes de classes, ainsi nommés, car leur objectif principal est la description des classes. Une classe est la description d'un concept du domaine d'application ou de la solution d'application [34]. Cet axe comporte les diagrammes de classe, de déploiement, d'objet, de composants... Pour modéliser la vue statique de notre système, nous avons utilisé le diagramme de classe.

En effet, le système que nous concevons est fait de deux modules principaux modules : le module d'enrôlement et module de reconnaissance. Nous représenterons les diagrammes dépendamment de chacun de ces deux modules. Pour le module d'enrôlement d'enfant nous allons démontrer les diagrammes de cas d'utilisation, d'activité, de séquence, de classe et enfin nous ressortiront le modèle relationnel pour notre base des données contenant les informations de l'enfant. En complémentaire, pour le module de reconnaissance, nous représenterons les diagrammes cas d'utilisation, d'activité et enfin celui de séquence.

II.2.1. Module d'enrôlement de l'enfant

Ce module est utilisé au départ pour l'enregistrement des enfants. A l'issue de cette opération, nous obtenons une base de données des informations des enfants mais aussi un model obtenu après entrainement d'un algorithme de machine learning. Voici quelques diagrammes UML illustrant le fonctionnement de ce module :

a. Diagramme de cas d'utilisation

Un diagramme de cas d'utilisation capture le comportement d'un système, d'un sous-système, d'une classe ou d'un composant tel qu'un utilisateur extérieur le voit. Il scinde la fonctionnalité du système en unités cohérentes, les cas d'utilisation, ayant un sens pour les acteurs. Les cas d'utilisation permettent d'exprimer le besoin des utilisateurs d'un système, ils sont donc une vision orientée utilisateur de ce besoin au contraire d'une vision informatique [31]. Ce diagramme sert donc à modéliser à QUOI sert le système en organisant les interactions possibles avec les acteurs. Celui-ci se base sur 3 principaux concepts que voici : acteurs, cas d'utilisation et liens entre les acteurs et les cas d'utilisation et entre les acteurs eux-mêmes.

§ L'administrateur : celui-ci est le maitre du système. Il gère l'enfant (enrôler, supprimer, modifier), il est primordial qu'il s'authentifie avant d'effectuer toutes tâches dans le système.

§ Utilisateur simple:c'est un acteur qui est censé faire les mêmes taches que l'administrateur. Il hérite tout ce que fait l'administrateur.

Le diagramme cas d'utilisation illustré dans la figure 13est brièvement expliqué dans le tableau ci-dessous :

b. Diagramme d'activité

Le diagramme d'activité permet de représenter graphiquement le comportement d'une méthode ou le déroulement d'un cas d'utilisation [35]. C'est ainsi que nous allons détailler un cas d'utilisation ; celui de l'enrôlement de l'enfant. Nous représentons dans la figure suivant le diagramme d'activité du cas enrôler l'enfant :

Explication de la figure :l'administrateur (ou l'utilisateur simple) fait une demande de formulaire à remplir au système via une interface utilisateur et le système affiche le formulaire toujours via cette même interface. Ensuite l'utilisateur va remplir le formulaire avec les informations nécessaires de l'enfant comme ses noms, son adresse... Si ces données sont bien remplies, il déclenche la capture en cliquant sur un bouton et la caméra va s'activer et commencera à sans doute à capturer les images mais cela à condition d'une quelconque détection de la face devant la caméra. Pendant que la caméra capture les images, le système attendra quelques secondes et il appliquera certains prétraitements sur les images capturéespour finalement enregistrer ces images capturées ainsi que les informations dans la base de donnée.

c. Diagramme de séquence

Le diagramme de séquence affiche les évènements par ordre chronologique ; en d'autres termes, il nous permet de décrire comment les objets (instances) échangent les messages dans un ordre particulier.

Explication de la figure : Avant d'effectuer toute tache, l'administrateur doit se rassurer qu'il s'est bien authentifié. Après suivra la demande du formulaire comme expliqué dans les lignes précédentes. Le système fera une vérification des données entrées par l'utilisateur si elles sont conformes aux données qui devraient être saisies dans les champs remplis. Si elles sont correctes alors l'administrateur pourra déclencher la capture. La camera s'activera qu'une fois l'administrateur l'a requêter et commencera àcapturer les images.

d. Diagramme de classe

Le diagramme de classes est considéré comme le plus important de la modélisation orientée objet, il est le seul obligatoire lors d'une telle modélisation. Alors que le diagramme de cas d'utilisation montre un système du point de vue des acteurs, le diagramme de classe en montre la structure interne. Il permet donc de fournir une représentation abstraite des objets du système qui vont interagir entre eux pour réaliser les cas d'utilisation [31]. Le diagramme de classe permet donc de modéliser les classes du système et leurs relations indépendamment d'un langage de programmation particulier.

Description de la figure : Notre diagramme ne comprend que trois (3) classes comme vu dans la figure ci-dessous. Ainsi nous avons la classe Admin qui contient les attributs nécessaires correspondants à l'administrateur, la classe Enfant et enfin la classe Adressequi va nous permettre stocker les informations nécessaires pour facilement retrouver le domicile de l'enfant voire les identités de ses parents. Chacune de ces classes comprend ses attributs bien listés dans la figure. Pour la classe Admin, on retrouve un attribut nommétype. Celui-ci va nous permettre d'élargir le nombre d'utilisateurs pouvant venir en aide à l'administrateur principal une fois son absence est constatée.

e. Base de données

Une base de données est une collection d'informations organisées selon différents types et pouvant être facilement consultables, gérables et mises à jour.Les données sont organisées donc en colonnes, les lignes et tableaux.

La création d'une base des données normalisée se fait suivant trois grands niveaux :

- Niveau conceptuel : ici nous voyons le diagramme de classe présentée dans la figure 16,

- Niveau physique : à ce niveau on implémente le modèle dans un SGBDR. C'est le traduire dans un langage de requête ; ici SQL est utilisé.

Pour passer du diagramme de classe au modèle relationnel, il faut que le diagramme de classe respecte primordialement les formes de normalisation d'une base de données. Après suivront les règles de transformation qui dépendront bien des multiplicités ou cardinalités maximales des associations entre les classes. On distingue trois familles d'associations :

- un-à-plusieurs : ici il faut ajouter un attribut de type clé étrangère dans la relation fils de l'association. L'attribut portera donc le nom de la clé primaire de la relation père de l'association. La relation père est celle où on trouve une cardinalité égale à 1 et la relation fils est celle où on trouve une cardinalité plusieurs. Pour se rappeler facilement de cette règle, on la décrit de la manière suivante : la clé primaire du père migre dans la relation fils ;

- plusieurs-à-plusieurs et n-aires : ici l'association (classe-association) devient une relation dont la clé primaire est composée par la concaténation des identifiants des entités (classes) connectés à l'association. Les attributs de l'association (classe association) doivent être ajoutés à la nouvelle relation et ne sont ni clé primaire, ni clé étrangère.[36] ;

- un-à-un :si les deux relations minimales sont égales à un, il est préférable de fusionner les deux entités (classes).

Partant des règles cites ci-haut, voici ce que nous avons produit comme modèle :

ENFANT [idEnfant, nomEnfant, postnomEnfant, prenomEnfant, nomPere, nomMere, phonePere, phoneMere, dateNaissance, photoEnfant, #idAdmin, #idAdresse]

ADRESSE [idAdresse, ville, quartier, avenue, cellule, numParcelle, longitude, latitude]

II.2.2. Module de reconnaissance de l'enfant

Dans le chapitre précédent, nous avons détaillé en large la reconnaissance de visage. En titre de rappel, le module de reconnaissance se décompose en trois étapes : la détection de visage et prétraitement, extraction et normalisation des caractéristiques et enfin l'identification ou vérification (confer chapitre I). Dans cette partie nous démontrons les diagrammes y afférents dont : les diagrammes de cas d'utilisation, d'activité et enfin celui de séquence.

a. Diagramme de cas d'utilisation

Description du diagramme : Ce diagramme représente le cas d'utilisation pour la reconnaissance de l'enfant. Tout doit être commandé par l'utilisateur. Si l'enfant est reconnu alors le système devra nous afficher les informations lui correspondant.

b. Diagramme d'activité

Description de la figure :Au départ nous avons la caméra qui s'initialise, ensuite suit le début de la capture de l'image.

- Effectuer les prétraitements : cette activité nous a permis de convertir l'image capturée de RVB en niveau niveaux de gris (grayscale^1(*)).

- Détection de la face : dans cette partie le système va détecter n'importe quel visage humain présent dans la photo ou dans un flux vidéo. Notons qu'il existe plusieurs méthodes pour la détection de la face. Dans notre cas nous avons fait usage de Haar Cascade Classifier qui est l'une des méthodes les plus connues dans la détection d'objets. L'entrainement d'un classificateur est une étape trop longue. Il est nécessaire de réunir et d'annoter un grand nombre d'image contenant l'objet à détecter. Heureusement, il existe des classificateurs déjà entrainés disponibles dans les fichiers^2(*) d'OpenCv [37]. Nous pouvons ainsi trouver les détecteurs pour :

Il nous sied de signaler que nous avons utiliséhaarcascade_fontalface_default.xml pour la détection des visages.

- La reconnaissance sera faite par l'algorithme des voisins les plus proches (confer section I.2.5.1) qui va comparer la nouvelle face détectée avec celles qui sont dans la base et enfin afficher les informations correspondantes à la face ; si celle-ci existe bien. Si elle n'existe pas elle sera enregistrée par la suite avec les informations qui y correspondent ; il y aura donc un enrôlement déclenché.

c. Diagramme de séquence

II.2.3. Le diagramme de déploiement

Le diagramme de déploiement permet de spécifier la projection des artefacts logiciels exécutables sur le matériel, ainsi que les liens logiques et physiques via le réseau utilisé [38].

Ce chapitre a traité sur les méthodologies et la conception du système. Nous avons premièrement présenté les méthodes et techniques que nous avons utilisées pour la réalisation de ce présent travail. En définitif, nous avons présenté les différents diagrammes qui, d'une manière abstraite, on décrit notre système. En effet, nous avons fait usage du langage de modélisation UML pour concevoir les quelques diagrammes présentés récemment. Citons donc : le diagramme de cas d'utilisation, le diagramme d'activité, le diagramme de séquence, le diagramme de classe et enfin le diagramme de déploiement.

CHAPITRE III. IMPLEMENTATION ET PRESENTATION DU SYSTEME

Le chapitre précédent a traité sur la conception du système qui est une partie indispensable dans la réalisation d'un produit informatique. Ce chapitre, par contre, est consacréà la présentation de l'architecture du système, les technologies et outils utilisés lors de l'implémentation de celui-ci, la présentation des résultats, l'analyse de performance et enfin nous présentons quelques vues de notre application web capturées lors des différents tests issus du fonctionnement de ce dernier.

III.1. ARCHITECTURE DU SYSTEME

Eu égard à ce qui précède, notre système n'a qu'un seul type d'utilisateur actif; il s'agit bien d'un ou plusieurs administrateurs des différentes bases. En outre, l'administrateur peut accéder au système via son ordinateur portable en effectuant une requête des données sur le serveur de bases de données. Cependant, le PC de l'administrateur sera considéré comme une entité de présentation ou d'interaction avec ce dernier.

Commentaire : comme vu dans cette architecture, notre système contient trois grande entités. La première est constituée d'une interface utilisateur qui va permettre l'interaction entre le système de l'utilisateur (ici l'admin et utilisateur simple). Le serveur web ou serveur d'application effectue les traitements applicatifs et celui-ci sert d'intermédiaire entre l'interface et les données. Ensuite, le serveur de base de données stocke les données de l'application.

III.2. TECHNOLOGIES ET OUTILS UTILISES

Pour parvenir au bout de l'implémentation du présent système, nous nous sommes servis des technologies logicielles, matérielles que voici :

1. Technologies utilisées

§ Python : est un langage de script interprété, actuellement utilisé pour programmer les applications coté serveur, les applications mobiles. Sa force réside dans la production du code compréhensible, son intégration des composants écrits dans d'autres langages comme le C, C++. Notons que dans notre cas, nous avons utilisé la version 3.7.3 qui nous a permis de coder la partie logique ou back-end de notre système.

§ SQL : celui-ci n'est pas un langage de programmation au vrai sens du terme. Il est destinéà la manipulation de la base de données dans un SGBD et plus précisément dans un SGBR. Il nous a permis de requêter notre base de données pour récupérer les informations sur l'enfant (comme son nom par exemple), sur l'administrateur.

§ Html et Css : respectivement langages de balisage et de style, ces deux langages ne se classent pas trop souvent parmi les langages de programmation. Ils nous ont respectivement permis de créer les structures de nos pages web et y applique un certain style. En d'autres termes ils nous permettent de coder le font-end de notre système.

Pour parvenir à la détection et reconnaissance visage, nous avons utilisé les librairies, bibliothèques et modules, suivants :

Ø OpenCv^3(*) : est une librairie spécialisée dans le traitement d'images ou des vidéos. Elle s'utilise dans la vision assistée par ordinateur, qui, est une sous branche de l'IA. En effet, elle peut s'utiliser sur plusieurs système d'exploitation et existe pour les langages : Python, Java, C++. Ici elle nous a permis d'effectuer certains prétraitements sur les images à traiter; à reconnaitre.

2. Outils logiciels

§ Visual Studio Code : est un éditeur de code open-source, gratuit et multiplateforme (Windows, Mac et Linux), développé par Microsoft, à ne pas confondre avec Visual Studio^4(*), qui nous a permis d'écrire et éditer nos différentes lignes de code. En effet, quelques raisons nous ont motivé de choisir cet IDE: son intégration native avec Git^5(*), la ligne de commande intégrée, son intégration avec IntelliSense^6(*),

§ Microsoft Visio 2016 : cet outil nous a permis de faire une conception architecturale de notre système et les différents diagrammes UML présentés dans les sections précédentes,

§ Adobe Photoshop CC 2019 : pour l'édition des différentes images utilisées dans le dans le travail et pendant de l'implémentation du système,

§ WampServer : nous a permis d'avoir un serveur web local pour le déploiement de notre système.

3. Outilsmatériels

III.3. PRESENTATION DES RESULTATS

Nonobstant les difficultés rencontrées, nous sommes parvenus à la réalisation du premier modèle de notre logiciel.Visant les réponses aux problèmes soulevés dans la partie de la problématique, ce premier modèle réalisé devra y porter gage autant qu'il le peut. Eu égard à ce qui précède, notre système comporte 2 principales fonctionnalités ; celle de l'enrôlement de l'enfant et celle de reconnaissance. Nous illustrons dans cette partie ces deux fonctionnalitésen capture d'écran.

a. Enrôlement

Cette partie en tout trop importante car sans elle les autres fonctionnalités du système seraient en difficulté de fonctionner. C'est pendant cette étape que l'administrateur :

- remplit le formulaire susceptible de remplir la table enfant dans la base de données ;

- lance la capture les images nous permettant d'entrainer le modèle pour la classification.

Description de la figure : la figure ci-dessus décrit l'étape d'enrôlement de l'enfant au sein du système. Après avoir accédé à son tableau de bord, sur le volet gauche du tableau de bord, l'administrateur doit cliquer sur l'option enrôlement pour faire une demande du formulaire à compléter. Il est clairement vu que l'administrateur doit remplir tous les champs possibles pour que l'enregistrement réussisse. Notons que le bouton enregistrer nous sert de double fonctionnalité ; celle d'enregistrer les éléments complétés dans le formulaire ainsi que celle de lancer la capture des images de l'enfant, lesquellesimages seront utilisées pour la comparaison de la nouvelle image qui sera à chaque fois entrée pour la reconnaissance.

b. Reconnaissance

Ici l'enfant va se présenter devant la caméra (la webcam intégrée). Après la détection de son visage, la reconnaissance s'en suivra et son nom, post nom, prénom, âge, sexe, noms des parents et autres informations serons afficher par la suite.

Description de la figure :cette figure est celle qui décrit le module de la reconnaissance de l'enfant. Nous voyons les faces qui sont détectées et reconnues. La méthode de simulation décrit dans le chapitre II nous permis d'utiliser les faces des personnes majeures pour faire des tests de notre système. Nous voyons alors deux personnes détectées simuler aux enfants.

Ce chapitre a présenté notre système dans la partialité. Avant de montrer les résultats auxquels nous avions aboutis, nous avons commencé par présenter l'architecture du système qui s'inspire de l'architecture 3-Tiers. Enfin, nous avons présenté les technologies et outils utilisés pour parvenir à cette réalisation. Nous avons aussi montré quelques captures issues des tests préliminaires du système.

CONCLUSION GENERALE

La reconnaissance faciale a rendu des multiples services dans la recherche d'images par contenu. Par ailleurs, plusieurs organisations utilisent celle-ci pour faire des recherches indexées basées sur le visage ; ce qui les permet de rendre cette tâche de recherche simple etd'une manière souple. De surcroît, nous nous sommes aussi basés sur la reconnaissance faciale pour résoudre le problème fréquemment constaté dans la vie quotidienne; celui des pertes des enfants.

En effet, nous nous sommes fixes comme objectifs de concevoir un moteur de recherche des enfants perdus par reconnaissance faciale.Les problèmes énoncés dans la partie introductive ont motivé la réalisation de ce présent travail. Ainsi donc, plusieurs méthodes et techniques, parmi lesquelles la documentation, l'interview, l'expérimentation, la modélisation, le prototypage, la simulation ont été mises en oeuvre pour son accomplissement.

Dans le but de détecter le visage l'enfant, nous avons été contraints d'utiliser le classificateur en Cascade de Haar. Par contre, pour la reconnaissance de l'enfant, nous avons utilisé la librairie face_détection. Notons que tout ceci à été possible grâce à la célèbre librairie utilisé dans la vision par ordinateur; Opencv. Elle nous a permis de faire certains prétraitements sur les images de l'enfant, d'appliquer certaines méthodes pour que la tache de reconnaissance soit adéquate.

Après l'expérimentationdes différents tests et essais, nos hypothèses émises dans l'introduction de ce travail sont confirmées à ce sens où la biométrie faciale a été utilisée et intégrée dans la recherche indexée des enfants perdus et résout le problème d'inquiétude des parents de ces derniers tout en permettant à l'administrateur du système qui est dans notre cas un agent de police de notifier ceux-ci au cas où l'enfant est retrouvé.

Tout compte fait, notre travail n'est ni le premier, ni le dernier dans le domaine de la reconnaissance faciale. Il en existe toute une kyrielle. Cependant, la différence réside au niveau des technologies utilisées et le domaine d'intervention qui est la recherche indexée des enfants. Par ailleurs, notre système présente encore certaines failles comme la lenteur lors de la détection et cela est dû à notre équipement qui nous a servi à faire les tests (Hp Probook 6470b, core i5). Aux futurs chercheurs, ensemble nous pouvons concevoir et implémenter un système de reconnaissance faciale trop consistant.Nous restons donc ouverts à tout chercheur voulant se lancer dans ce domaine de vision artificielle dans la recherche indexée.

Références

[1]	L. W. Holborn, The International Refugee Organization: A Specialized Agency of the United Nations: Its History and Work, , 1946-1952, New York: American Political Science Review, 1956, p. 502.
[2]	T. Zahra, «Les enfants « perdus »,» Revue d'histoire de l'enfance « irrégulière », pp. 23-74, 2013.
[3]	M. p. M. A. Dunn, Politique de l'enfance non accompagnée, Paris, 1949.
[4]	RFI, «rfi,» 02 Janvier 2015. [En ligne]. Available: https://www.rfi.fr/fr/afrique/20150102-afrique-sud-record-enfants-perdus-plages-cap. [Accès le 01 Novembre 2020].
[5]	A. D. fils, La vie à vingt ans, Paris: Michel Lévis Frère, Libraire-Editeurs, 1850.
[6]	J. Gissübelová, «Des enfants qui se perdent,» Radio Prague International, 22 06 2001. [En ligne]. Available: https://francais.radio.cz/des-enfants-qui-se-perdent-8047260. [Accès le 19 10 2020].
[7]	S. SOUDOPLATOFF, L'Iintelligence Artificielle :L'expertise partout accessible à tous, Fondation pour l'innovation politique, 2018.
[8]	[En ligne]. Available: https://sites.google.com/site/iatpe2011/1ere-partie-fonctionnement-et-caracteristiques-de-l/deux-types-d-ia. [Accès le 09 Mars 2020].
[9]	[En ligne]. Available: https://digitalinsiders.feelandclic.com/construire/definition-quest-machine-learning. [Accès le 09 Mars 2020].
[10]	B. L., Magazine IA, Cloud et Big Data, 22 Mars 2019. [En ligne]. Available: https://www.lebigdata.fr/donnees-biometriques-definition-securite. [Accès le 29 Octobre 2020].
[11]	«thalesgroupe,» [En ligne]. Available: https://www.thalesgroup.com/fr/europe/france/dis/gouvernement/inspiration/biometrie. [Accès le 10 Mai 2020].
[12]	S. G. ABABSA, «Authentification d'individus par reconnaissance de caractéristiques biométriques liées aux visages 2D/3D,» Université Evry Val d'Essonne, Paris, 2008.
[13]	J. L. L. J. P. L. C. G. Bernadette DORIZZI, «Technique de l'ingénieur,» 10 Avril 2004. [En ligne]. Available: https://www.techniques-ingenieur.fr/base-documentaire/technologies-de-l-information-th9/cryptographie-authentification-protocoles-de-securite-vpn-42314210/la-biometrie-h5530/les-differentes-modalites-h5530niv10002.html. [Accès le 01 Novembre 2020].
[14]	M. C. ESME-Sudria, «Biométrie online,» Biometrie online, [En ligne]. Available: https://www.biometrie-online.net/technologies/iris. [Accès le 01 Novembre 2020].
[15]	K. Bouchra, «Mise au point d'une application de reconnaissance faciale,» Université Abou Bakr Belkaid - Tlemcen, Algérie, 2013.
[16]	B. S., «Détection et identification de personne par méthode biomé-trique.,» Tizi-ouzou : Uni-versité Mouloud Mammeri.
[17]	Y. Benzak, Octobre 2 2018. [En ligne]. Available: https://mrmint.fr/introduction-k-nearest-neighbors. [Accès le 15 Novembre 2020].
[18]	K. Harifi, «Medium,» 8 Juin 2020. [En ligne]. Available: https://medium.com/@kenzaharifi/bien-comprendre-les-m%C3%A9thodes-semi-supervis%C3%A9es-pour-la-d%C3%A9tection-danomalies-fonctionnement-et-a6a993a478cf. [Accès le 15 Novembre 2020].
[19]	W. Hizem, «Capteur intelligent pour la reconnaissace de visage,» Evry, Institut national des télécommunications, Paris, 2009.
[20]	B. Sofiane, «Détection et identification de personne par méthode biométrique,» Université Mouloud MAMMERI de TIZI-OUZOU (UMMTO) , Algérie.
[21]	V. K. Joel, «Etude et réalisation d'un système de suivi de présences par reconnaissance faciale dans une salle d'université (UCBC),» Université Chrétienne Bilingue du Congo, Beni, 2017.
[22]	F. M. Serign Modou Bah, «An improved face recognition algorithm and its application in attendance,» 2019.
[23]	V. Jain, «Visual Observation of Human Emotions,» Université Grenoble Alpes, Grenoble, 2015.
[24]	M.-B. Mébarka, «Authentification et Identification de Visagesbaséessur les Ondelettes et les Réseaux de Neurones.,» Revue science des matériaux, pp. 01-08, 2014.
[25]	F. C. Migneault, «Génération de modèles synthétiques de visages à partir d'une image frontale,» 2016.
[26]	M. A. FODDA, «Détéction et Reconnaissance de visage,» 2010.
[27]	A. Chaari, «Nouvelle approche d'identification dans les bases de données biométriques basée sur une classification non supervisée,» Université d'Evry-Val d'Essonne, 2009.
[28]	L. parisien, «Methode Scientifiques,» [En ligne]. Available: http://dictionnaire.sensagent.leparisien.fr/M%C3%A9thode%20scientifique/fr-fr/. [Accès le 4 Septembre 2020].
[29]	LAUBET (DB) Jean Louis, Initiation aux méthodes de recherches en sciences sociales, Paris: Le Harmattan, 2000.
[30]	«modelisation-avec-uml,» [En ligne]. Available: https://www.commentcamarche.net/contents/1142-modelisation-avec-uml. [Accès le 04 Septembre 2020].
[31]	L. AUDIBERT, UML 2.0, Paris: Institut Universitaire de Technologie de Villetaneuse, 2008.
[32]	F. TECH. [En ligne]. Available: En ligne sur : https://www.futura-sciences.com/tech/definitions/informatique-simulation-informatique-11319/. [Accès le 13 10 2020].
[33]	[En ligne]. Available: Consulté sur : http://gpp.oiq.qc.ca/conception.htm. [Accès le 14 Novembre 2020].
[34]	[En ligne]. Available: Consulté sur : https://www.archimetric.com/faq-items/uml-state-view-uml/. [Accès le 14 Novembre 2020].
[35]	L. Audibert. [En ligne]. Available: Consulté sur : https://laurent-audibert.developpez.com/Cours-UML/?page=diagramme-activites. [Accès le 14 Novembre 2020].
[36]	C. Soutou, UML 2 pour les bases de données, EYROLLES.
[37]	Florent, «Pymotion,» 12 Février 2019. [En ligne]. Available: https://pymotion.com/detection-objet-cascade-haar/. [Accès le 17 Novembre 2020].
[38]	[En ligne]. Available: Consulté sur : http://www-inf.it-sudparis.eu/COURS/CSC4002/EnLigne/Cours/CoursUML/8.47.html. [Accès le 14 November 2020].

ANNEXE

24. cur.execute("INSERT INTO enfant (nomEnfant, postnomEnfant, prenomEnfant, sexe, nomPere, nomMere, dateNaissance, phonePere, phoneMere, ville, commune, quartier, cellule, avenue, numParcelle, longitude, latitude, idAdmin) VALUES(%s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s, %s)", (nom, postnom, prenom, sexe, nomPere, nomMere, date, phonePere, phoneMere, ville, commune, quartier, cellule, avenue, numParcelle, longitude, latitude, 1))

* ¹Est simplement une image dans laquelle les seules couleurs sont des nuances de gris.

* ² Ces fichiers se retrouvent sur l'URL : https://github.com/opencv/opencv/tree/master/data/haarcascades.

* ³ Celle-ci peut s'installer en utilisant la commande pip install opencv-python.

* ⁵ Git est un système de contrôle de versions distribué. Ça permet aux développeurs de disposer d'une copie de travail du code et garde toutes les historiques de changement.

* ⁶Une technologie avancée qui propose, outre à la mise en évidence de la syntaxe et la complétion automatique du code