Traitement automatique d’images de visages algorithmes et architecture

Abstract

De nos jours, les techniques de reconnaissance automatique des visages et d’expressions faciale snécessitent des résultats de reconnaissance précis et un temps d’exécution réduit. Pour assurer une reconnaissance efficace et effective des visages et d’expressions faciales, nous proposons plusieurs contributions dans le domaine de la reconnaissance faciale et ses expressions émotionnelles. La première contribution est l’évaluation des performances de sept techniques d’apprentissage automatique standard sur la base de données CK+. Les résultats expérimentaux montrent que le classificateur quadratique offre d’excellentes performances avec 94.25%. La deuxième contribution est la proposition de deux nouveaux descripteurs qui réduisant la complexité en termes de temps de calcul et assurant une précision de reconnaissance élevée.Le premier descripteur est appelé LGN (Local Gradient Neighborhood) basée sur la combinaison des deux descripteurs LBP et LGC, le deuxième est appelé HDG (Histogram Gradient Directional) qui étendre le descripteur HOG. Plusieurs expérimentations ont été menées en utilisant des bases de données standard des visages. Les résultats d’expérimentations montrent que les classificateurs SVM-LGNet SVM-HDG donnent respectivement des taux de précisions élevées de94.50% et92.12%et un temps de calcul rapide pour la reconnaissance de visage et leurs expressions émotionnelles.