• Langue : Français
• Discipline : Informatique
• Identifiant : 2012LIL10002
• Type de thèse : Doctorat
• Date de soutenance : 12/05/2012

Résumé en langue originale

La biométrie du visage a suscité, ces derniers temps, l’intérêt grandissant de la communauté scientifique et des industriels de la biométrie vue son caractère naturel, sans contact et non-intrusif. Néanmoins, les performances des systèmes basés sur les images 2D sont affectées par différents types de variabilités comme la pose, les conditions d’éclairage, les occultations et les expressions faciales. Avec la disponibilité de caméras 3D capables d’acquérir la forme tridimensionnelle, moins sensibles aux changements d’illumination et de pose, plusieurs travaux de recherche se sont tournés vers l’étude de cette nouvelle modalité. En revanche, d’autres défis apparaissent comme les déformations de la forme faciales causées par les expressions et le temps de calcul que requièrent les approches développées. Cette thèse s’inscrit dans ce paradigme en proposant de coupler la géométrie Riemannienne avec les techniques d’apprentissage pour une biométrie faciale 3D efficace et robuste aux changements d’expressions. Après une étape de pré-traitement, nous proposons de représenter les surfaces faciales par des collections de courbes 3D qui captent localement leurs formes. Nous utilisons un cadre géométrique existant pour obtenir les déformations « optimales » entre les courbes ainsi que les distances les séparant sur une variété Riemannienne (espace des formes des courbes). Nous appliquons, par les suites, des techniques d’apprentissage afin de déterminer les courbes les plus pertinentes pour deux applications de la biométrie du visage: la reconnaissance d’identité et la classification du genre. Les résultats obtenus sur le benchmark de référence FRGC v2 et leurs comparaison avec les travaux de l’état de l’art confirment tout l’intérêt de coupler l’analyse locale de la forme par une approche géométrique (possibilité de calculer des moyennes, etc.) avec des techniques d’apprentissage (Boosting, etc.) pour gagner en temps de calcul et en performances.

Résumé traduit

Since facial biometric recognition is contactless, non-intrusive, and somehow natural (i.e more accepted by end-users), it emerges as one attractive way to achieve identity recognition. Unfortunately, 2D-based face technologies (still image or image sequence) still face difficult challenges such as pose variations, changes in lighting conditions, occlusions, and facial expressions. Over the last ten years, face recognition using the 3D shape of the face has become a major research area due to its robustness to lighting conditions and pose variations. Most of state-of-the-art works focused on the variability caused by facial deformations and proposed methods robust to such shape variations. Achieving good performances in automatic 3D face recognition and gender classification is an important issue when developing intelligent systems. In this thesis we propose a unified framework, which is fully automatic 3D face recognition and gender classification. We propose to represent a 3D facial surface by a set of radial curves and iso-level curves. The proposed framework combines machine learning techniques (Boosting, etc.) and Riemannain geometry-based shape analysis in order to select relevant facial curves extracted from 3D facial surfaces. The feature selection step improves the performances of both our identity recognition and gender classification approaches. Besides, the set of the obtained relevant curves provides a compact signature of 3D face, which significantly reduces the computational cost and the storage requirements for face recognition and gender classification.. The main contributions of this thesis include:1) A new geometric feature selection approach for efficient 3D face recognition, which operating the most relevant characteristics to resolve the challenge of facial expressions. In particular, we are interested in selecting facial curves that are most suitable for 3D face recognition by using machine learning techniques.2) A new gender classification approach using the 3D face shape represented by collections of curves. In particular, we are interested in finding the set of facial curves that are most suitable for gender discrimination.Exhaustive experiments were conducted on the FRGCv2 database, the obtained results were compared with those of the state-of-the-art work, and the effectiveness of local geometric shape analysis of facial surfaces combined with machine learning techniques were outlined.