Appariement robuste de formes visuelles complexes : application à la détection de visages

Robust matching of complex visual forms : application to object detection

• Auteur / Autrice : Sébastien Onis
• Direction : Jean-Luc Dugelay
• Type : Thèse de doctorat
• Discipline(s) : Signal et images
• Date : Soutenance en 2009
• Etablissement(s) : Paris, Télécom ParisTech

Mots clés

Mots clés contrôlés

Analyse discriminante

Perception des visages

Apprentissage

Traitement d'images

Résumé

L'augmentation des moyens informatiques associée à l'avènement de méthodes de classification performantes tels que l'AdaBoost ou les réseaux de neurones ont permis d'obtenir des systèmes de détection d’objets efficaces, mais nécessitant l’annotation manuelle de plusieurs milliers d’images exemples. Ce document présente une méthode permettant d'obtenir un système de détection d’objets capable de fonctionner avec une base d'images exemples de dimension réduite, tout en obtenant les taux de détection de l’état de l’art en détection de visages. Nous commençons par présenter les diverses méthodes utilisées en détection d’objets, et en particulier, les méthodes d’apprentissages associées. Puis, nous expliquons un système de détection basé sur la corrélation et fonctionnant avec une base d’exemples de moins d’une centaine d’images. Ce système nous a permis de mettre au point une méthode d’association de mesures de similarité utilisant des filtres de contours orientés orthogonaux. Les filtres sont obtenus par une méthode dérivée de la PCA qui permet de calculer des filtres orthogonaux adaptés à la classe d’objets à détecter. Nous montrons alors qu’il est possible de mettre au point un système de détection de visages fonctionnel avec très peu d’exemples. La corrélation s’avérant le facteur limitant le plus les résultats, nous avons ensuite remplacé cette dernière par un Perceptron Multicouche. Nous avons appliqué les méthodes d’associations d’images de contours orientés et montré une nette amélioration des taux de détection en utilisant des bases d’apprentissages de dimension réduite. Finalement, nous mettons en évidence les perspectives et solutions possibles.

The increase in computer resources, associated with the advent of powerful classification methods such as AdaBoost and neural networks allow current object detection systems to reach high detection rates. However those methods require a large training database of several thousands of examples. This paper presents an object detection method that gives state-of-the-art results, while using a reduced training database. First, we present the various methods used in object detection systems, and particularly the machines learning methods involved. Then, we explain a detection system based on correlation and using a database of less than one hundred images. This system allowed us to develop a method of association of similarity measures using orthogonal edges filters obtain using a method derived from the PCA. We then show that we can develop a face detection system able to work with a small number of examples. The similarity measure based on correlation is the most limiting factor of our detection system; that’s why we replaced it by a Multilayer Perceptron. We then applied the association of filtered images to the new similarity measure and showed an improvement in detection rate using a small learning database. Finally, we highlight the possible solutions able to improve the detection system speed and to decrease the number of learning examples.