Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

Projet de Fin d’études (PFE) Intégration des filtres de Gab

No description
by

Ahmad Rahhal

on 5 February 2014

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of Projet de Fin d’études (PFE) Intégration des filtres de Gab

INTÉGRATION DES FILTRES DE GABOR AVEC LE CLASSIFIEUR NAÏF BAYÉSIEN DANS LE DOMAINE DE DÉTECTION DE VISAGE
TABLE DE MATIÈRE
I- Introduction
a) Motivation
b) Problématique
II- État de l’art
III- Approche Proposée
IV- Expérimentation
V- Conclusion
INTRODUCTION
ÉTAT DE L'ART
CONCLUSION
- Malgré ses limites, l’approche a apporté une contribution

- Les performances de l’approche proposée présentent des résultats intéressantes

- Concernant les travaux futurs:
Ce travail peut être exploité par son intégration dans un processus de reconnaissance de visages

INTÉGRATION DES FILTRES DE GABOR AVEC LE CLASSIFIEUR NAÏF BAYÉSIEN DANS LE DOMAINE DE DÉTECTION DE VISAGE
Présenté par RAHHAL Ahmad, INF101811, OGL
Sous la direction de Dr. ABOU JAOUDE Chady

APPROCHE PROPOSÉE
EXPÉRIMENTATION
- La détection du visage consiste à déterminer la présence ou l’absence de visages


- Le problème de détection a attiré de nombreux chercheurs


- Ces chercheurs ont effectué des recherches sur le traitement du visage



Détection de visage (1/2)
Détection de visage (2/2)
- Nos visages sont des objets complexes

- Le problème de détection reste difficile à résoudre

- Cette difficulté rend le problème intéressant
Figure 1: Détection de visage
Problématique
- Quelle sera la méthode la plus appropriée à adopter en utilisant les filtres de Gabor afin de détecter un visage?



- En particulier, est ce que l’utilisation du « classifieur Naïf Bayésien » va fournir des résultats plus intéressants que ceux fournir par l’utilisation de la « machine à vecteur de support (SVM) » ?

- Différentes approches ont été proposées

- Elles peuvent être subdivisées en quatre différents types [1]:
approche basée sur les connaissances acquises
approche basée sur des caractéristiques invariantes
approche basée sur un modèle
approche basée sur l'apparence

Approche basée sur les connaissances acquises
- Elles sont basées sur la définition de règles

Figure 2: Correspondance entre un visage « input » et un visage de la « DB »

Approche basée sur les caractéristiques invariantes
- Elles visent à trouver les caractéristiques structurales d’un visage


- Parmi les méthodes appartenant à cette approche: celles basées sur la couleur de la peau


- Utiliser la couleur de la peau est une technique vulnérable

Approche basée sur un modèle
- Plusieurs modèles standards sont utilisés pour définir un modèle de visage

- La corrélation entre ce modèle et l’image de test est évaluée pour détecter la présence de visage

Figure 3: Modèle de visage composé de 16 régions

Approche basée sur l’apparence
- Ce sont des techniques fondées sur l’apparence

- Elles utilisent l'analyse statistique et l'apprentissage automatique

- Parmi les méthodes d'apprentissage automatique
Modèles de Markov cachés (HMM)
Machine à vecteurs de support (SVM)

Modèles de Markov cachés (HMM) [2]
- Ce sont un ensemble de modèles statistiques

Figure 4: Principe de HMM

Machine à vecteurs de support (SVM) [3]
- C’est une technique de discrimination

- Elle consiste à séparer deux (ou plus) ensembles de points par un hyperplan
Figure 5: SVM
Figure 6: Approche proposée
Filtres de Gabor
- Les filtres de Gabor [4] sont utilisées pour extraire les caractéristiques utiles

- L’extraction de caractéristiques est une forme particulière de réduction de la dimensionnalité
Figure 7: 25 filtres de Gabor

- La transformation de Gabor est la convolution complexe d’une image par un filtre de Gabor
Figure 8: 25 résultat des transformation de Gabor
Filtres de Gabor (1/2)
Filtres de Gabor (2/2)
Classifieur Naïf Bayésien [5]
Classifieur Naïf Bayésien (1/2)
- Il est utilisé pour prédire à quelle classe (visage, non-visage) appartient un objet dans une image

- C’est un type de classification probabiliste basée sur le théorème de Bayes

Classifieur Naïf Bayésien (2/2)
- Étant donné:
2 classes Y1 et Y2
les caractéristiques x1, x2,…,xn

- À quelle classe appartiennent ces caractéristiques?

- Si P1(Y1|x1,…,xn) > P2(Y2|x1,…,xn)
les caractéristiques appartiennent à la classe Y1
- Sinon , ils appartiennent à la classe Y2

Algorithme de l'approche
Fonction d'extraction de caractéristique
- C’est une fonction qui extraire les caractéristiques pertinentes de l'objet

- Elle est basée sur les filtres de Gabor (25 filtres)

- Elle transforme chaque image à un vecteur

- Elle est suivie par une normalisation

Figure 9: Extraction de caractéristiques

Génération de données pour l’apprentissage

- Chercher des images pour la phase d’apprentissage

- La fonction d'extraction de caractéristiques est appliquée sur chaque image

- Chaque image d’apprentissage est transformée ensuite en un vecteur

Phase d’apprentissage
- C’est une phase essentielle dans la détection de visage

- C'est la phase où le système apprend les visages des non-visages

- À la fin de cette étape:
Chaque classe (Visage et Non-Visage) aura un modèle unique qui le caractérise

Balayage d’une image de test

- Elle consiste à balayer une image de test à l'aide d'une fenêtre de détection

- Elle applique la fonction d’extraction de caractéristiques sur chaque partie de l’image

- Le vecteur résultant est passé ainsi au classifieur

Mesure de performance
- 303 images sont choisies afin de les tester

- Quelques indices de mesure sont appliqués sur ces images
taux des bonnes détections positives TP
taux des bonnes détections négatives TN
taux des mauvaises détections négatives FN
taux des mauvaises détections positives FP

Évaluation des résultats (1/2)
Figure 10:  Comparaison entre 2 algorithmes de détection de visage
Évaluation des résultats (2/2)
-L'application des critères de performance a permis d'avoir les résultats suivants
Limitations
- Le taux de mauvaise détection augmente en fonction de la complexité de l'image

- La grande taille d’une image affecte sur la performance

- La grande taille d’une image affecte sur la rapidité de la détection

Références
[1] M. H. Yang; D. Kriegman; and N. Ahuja, Detecting faces in images: A survey, IEEE Trans Pattern Analysis and Machine Intelligence, 2002, 24(1):34-58.

[2] Ara V. Nefian and Monson H. Hayes III, Face Detection And Recognition Using HiddenMarkov Models, Center of Siganl and Image Processing, School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, USA.

[3] B.E. Boser; I.M. Guyon; and V.N. Vapnik, A training algorithm for optimal margin classifiers, Proc. 5th Annual ACM Workshop on COLT, pages 144–152, Pittsburgh, PA, 1992.

[4] B. Zhang; S. Shan; X. Chen and W. Gao, Histogram of Gabor Phase Patterns (HGPP): A Novel Object Representation Approach for Face Recognition, IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 16, NO. 1, JANUARY 2007.

[5] H. Schneiderman; and T. Kanade, Probabilistic Modeling of Local Appearance and Spatial Relationships for Object Recognition, Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 45-51, 1998.
1/24
2/24
3/24
4/24
5/24
6/24
7/24
8/24
9/24
10/24
11/24
12/24
13/24
14/24
15/24
16/24
17/24
18/24
19/24
20/24
21/24
22/24
23/24
24/24
Full transcript