Reconnaissance de Visage basée sur l’Analyse Multidimensionnelle

Au cours de ces dernières décennies, la biométrie a fait l’objet d’une grande attention en raison du besoin sans cesse croissant d’authentification d’identité. Parmi diverses modalités biométriques, le visage offre des avantages compétitifs, car l’acquisition de données faciales est naturelle, non intrusive et bien acceptée par les humains. L’utilisation des techniques d’apprentissage de sous-espaces multilinéaires dans la reconnaissance de visage a suscité un vif intérêt par la communauté scientifique pour la réduction de la dimensionnalité et la classification des données multidimensionnelles. Cette thèse est consacrée à la reconnaissance automatique de visage basée sur l’analyse multidimensionnelle. Dans la première partie, nous proposons une nouvelle méthode de projection supervisée multilinéaire, appelée MEFDA (Multilinear Enhanced Fisher Discriminant Analysis), pour la vérification du visage multimodale (2D+3D). Cette méthode améliore la capacité de généralisation en décomposant le processus d'analyse discriminante en une diagonalisation simultanée des matrices de dispersion inter-classes et intra-classes, résultant du déploiement des données tensorielles. En plus, MEFDA utilise le critère de tenseur discriminant basé sur une procédure itérative afin d’obtenir les matrices de projection optimale dans chaque mode du tenseur. En outre, dans cette méthode, la structure originale et la géométrie naturelle des données sont respectées. L'algorithme proposé a été évalué sur trois bases de données de visages 3D, FRGC V2.0, CASIA 3D et Bosphorus, dans le contexte difficile des poses, expressions, illuminations et occlusions. Les résultats expérimentaux démontrent que la méthode proposée surpasse de manière significative les méthodes de l’état de l’art. Dans la deuxième partie, nous proposons une nouvelle méthode multilinéaire semi supervisée pour la vérification de visage et la parenté dans les environnements non contrôlés. Nous appelons le nouvel algorithme MSIDA (Multilinear Side-Information based Discriminant Analysis) et l’utilisons pour résoudre le problème de la correspondance de paires de visages, qui sont caractérisées par des données faiblement étiquetées. Cette nouvelle méthode permet de représenter naturellement des images multidimensionnelles et d'extraire des informations utiles directement à partir de données tensorielles plutôt que de matrices ou de vecteurs. Dans la méthode MSIDA, plusieurs sous-espaces inter-reliés sont obtenus sur différentes modes de tenseurs, de sorte que les sous-espaces sont appris de manière itérative en dépliant le tenseur dans les différentes modes. En utilisant uniquement les informations d'étiquette faibles, MSIDA projette le tenseur de visages dans un nouvel sous-espace dans lequel la discrimination est améliorée. L’évaluation expérimentale sur quatre bases de données de visages (LFW, Cornell KinFace, UB KinFace et TSKinFace) montre que l’approche proposée surpasse de manière significative l’état de l’art actuel