Reconnaissance des formes et classification automatique : Application à l’identification biométrique
| dc.contributor.author | BENKADDOUR Mohammed Kamel | |
| dc.contributor.author | Encadreur: BOUNOUA Abdennacer | |
| dc.date.accessioned | 2024-01-23T14:41:42Z | |
| dc.date.available | 2024-01-23T14:41:42Z | |
| dc.date.issued | 2020-06-30 | |
| dc.description | Doctorat en Sciences | |
| dc.description.abstract | الملخص (بالعربية) : في الآونة الأخيرة، جذب التعرف البيو متري على الوجه اهتمام المجتمع العلمي. تزداد أهمية تقنية القياسات الحيوية الفعالة وغير التداخلية وغير المتصلة في مجال البحث. أدت التطورات الحديثة في مجال الشبكات العصبية الاصطناعية، والمعروفة الآن باسم التعلم العميق، إلى تحسين الحالة الحديثة في العديد من مجالات التعرف على الأنماط من خلال توفير فرصة لمعالجة المشاكل التي كان من الصعب التعامل معها عن طريق أساليب التعلم الآلي التقليدية. في هذه الأطروحة، نقترح نظام التعرف على الوجوه مع تقنيات التعلم التلقائي ونصف المشاكل الفرعية المحددة مثل استخراج ملامح الوجه واستراتيجية التعلم للشبكات العصبية العميقة. من أجل معالجة هذه المشكلة، نركز على تقنية تسمى الشبكة العصبية التلافيفية (CNN). الهدف من هذه الأطروحة هو تطوير نظام التعرف على الوجوه باستخدام الشبكات العصبية التلافيفية العميقة. في هذا العمل، نقترح طريقة للتعرف على الوجه وتصنيفه على أساس التعلم العميق، وخاصة الشبكة العصبية التلافيفية لاستخراج ملامح الوجه التي اتثبت أنها أداة قوية والتي كانت ناجحة للغاية في تصنيف الصورة والتعرف على الأنماط. تليها آلة ناقلات الدعم (SVM) للتصنيف العالي. لتقليل حجم هذه الميزات، يتم استخدام تقنية تحليل المكون الرئيسي. نجري تقييماً شاملاً لأساليبنا على مجموعة بيانات تقنية التعرف على الوجوه (FERET). أظهرت النتائج التي تم الحصول عليها أن شبكات CNN المرتبطة بتحليل المكونات الرئيسية وحلول SVM، تعمل على تحسين الأداء وكذلك دقة التعرف. الكلمات المفتاحية : القياسات الحيوية ، التعرف على الوجه ، استخلاص المعالم ، الشبكة العصبية التلافيفية FERET,، آلات ناقلات الدعم، SVM ، تحليل المكون الرئيسي. Résumé (en Français) : Récemment, la reconnaissance faciale a suscité l’intérêt de la communauté scientifique. Cette technique de biométrie efficace, non intrusive et sans contact occupe une place de plus en plus importante dans le domaine de la recherche. Les récents progrès dans le domaine des réseaux de neurones artificiels plus connu actuellement sous le nom d’apprentissage profond, ont permis d’améliorer l’état de l’art dans plusieurs domaines de reconnaissance de forme en offrant une possibilité de s’attaquer à des problématiques qui étaient difficilement traitables par les méthodes d’apprentissage automatique conventionnelles. Les travaux effectués dans le cadre de cette thèse portent sur l’identification automatique de visages sur des bases de données d’images numériques. Dans un premier temps, notre approche a consisté à explorer des techniques d’apprentissage automatique et les possibles gains par l’intégration de modèle pré-entrainé de réseaux neurones. Nous décrivons aussi des sous-problèmes spécifiques tels que l’extraction des caractéristiques, la classification et la stratégie d’apprentissage des réseaux de neurones profond pour la reconnaissance de visage. L'objectif de cette thèse est de développer un système de reconnaissance de visage qui combine les réseaux de neurones convolutifs (CNN) avec des approches de classification. Dans ce travail nous proposons une méthode de reconnaissance faciale et de classification basée sur un apprentissage profond, en particulier le réseau neuronal convolutif pour l’extraction des caractéristiques faciale, qui s'avère être un outil puissant qui a connu un grand succès dans la classification des images et la reconnaissance des formes. Afin réduire la dimension de ces caractéristiques, une technique d'analyse en composantes principales est utilisée, suivi par machine à vecteurs de support (SVM) pour une classification plus élevé. Nous avons effectué une évaluation approfondie de nos méthodes sur l'ensemble de données de la technologie de reconnaissance faciale (FERET). Les résultats obtenus ont montré que les réseaux CNNs associés aux solutions d’analyse en composantes principales et de SVM améliorent considérablement les performances ainsi que la précision de la reconnaissance. Les mots clés : biométrie, reconnaissance de visage, extraction de caractéristique, réseau de neurone convolutif, machines à vecteurs de support, FERET, analyse en composantes principale. Abstract (en Anglais) : Recently, face recognition has attracted the interest of the scientific community. This efficient, non-intrusive and non-contact biometrics technique is becoming increasingly important in scientific research. Recent advances in the field of artificial neural networks, now known as deep learning, have improved the state of the art in several areas of pattern recognition by providing an opportunity to tackle problems that were difficult to deal with by conventional machine learning methods. In this thesis, we propose face recognition system on digital image databases, with automatic learning techniques and we describe specific sub problems such as the extraction of faces features, classification and the learning strategy of deep neural networks. In order to address this problem, we are focusing on a technique called Convolutional Neural Network (CNN). The aim of this thesis is to evaluate the problem of face identification using deep convolutional neural networks. In this work we propose a method of facial recognition and classification based on deep learning, in particular the convolutional neural network for the extraction of facial features which proves to be a powerful tool and has been very successful in the field of image classification and pattern recognition. In order to reduce the size of these features, a principal component analysis technique is used, followed by a support vector machine (SVM) for a higher classification. We conduct a thorough evaluation of our methods on the facial recognition technology (FERET) dataset. The results obtained showed that the CNNs networks associated with the principal component analysis and SVM solutions, considerably improve the performance as well as the accuracy of the recognition. Keywords : biometrics, face recognition, feature extraction, convolutional neural network, CNN, support vector machines (SVM), FERET, principal component analysis, PCA. | |
| dc.identifier.uri | https://dspace.univ-sba.dz/handle/123456789/945 | |
| dc.title | Reconnaissance des formes et classification automatique : Application à l’identification biométrique | |
| dc.type | Thesis |
