| Titre : | Reconnaissance biométrique par la mèthode ICA |
| Auteurs : | Abderrazak Achour, Auteur ; samia Hachani, Auteur ; Mèbarka Belahcene, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algerie] : Université Mohamed Kheider, 2010 |
| Format : | 72 P. / ILL / 30/20 cm |
| Accompagnement : | CD |
| Note générale : | Bibliographique |
| Langues: | Français |
| Résumé : |
L'utilisation massive de systèmes biométriques repose sur un prix et des performances
acceptables. Naguère élevé, le prix des systèmes d'authentification diminue rapidement, mais l'amélioration des performances promet d'être plus lente. Dans la littérature, plusieurs algorithmes de reconnaissance du visage ont été crées pendant ces dernières années. La performance de ces algorithmes dépend fortement de la qualité des résultats de détection et de normalisation des visages. Cela veut dire que: plus la précision obtenue est élevée, plus les conditions (d'acquisition ,d'éclairage, pose etc…) se rapprocheront de celles de la phase d’apprentissage, ce qui donne une authentification efficace. Nous rappelons la méthode qui fait objet de notre intérêt repose sur une méthode mathématique l’analyse en composante principale l’ACP. L'ACP est un simple changement de repère : sa grande force est de pouvoir ainsi recourir à l'Algèbre Linéaire comme outil mathématique principal, et de recevoir une interprétation géométrique simple. Mais cette force est aussi sa faiblesse. En effet, rien ne dit que des nouvelles variables plus complexes que celles résultant d'un changement de repère ne permettraient pas une description plus économe de données. L’analyse en composantes indépendantes (ICA) est une méthode statistique d’analyse de données récemment développée pour traiter des observations vectorielles (multivariées) afin d’en extraire des composantes linéaires aussi indépendantes que possible. Nous indiquons que l'utilisation des composantes principales ne donne pas nécessairement les meilleures solutions pour la discrimination, car les directions de variabilité principale ne correspondent pas nécessairement aux directions de meilleure discrimination. Ainsi, les problèmes de cohérence entre les fondements théoriques de l’ACI et son application pour l’analyse d’images ont été mis en évidence. Dans ce contexte, l’ACI pour l’analyse d’images est proposée. Sa mise en oeuvre est réalisée. Bien que l’application de son algorithme soit fastidieuse (plusieurs hypothèses sont à vérifier et plusieurs paramètres sont à choisir). L’application des méthodes citées ci-dessus dans la base de données XM2VTS conduit au résultat suivant : la distance L 2 corrélation est retenue avec une instabilité et un taux d’erreur moyen. Nous pouvons affirmer que l’ICA apporte un plus à la PCA sur le plan indépendances des données, de la rapidité et l’amélioration du TEE = 10.33% contre à peu près de 17% dans le cas de la PCA. |
Disponibilité (2)
| Cote | Support | Localisation | Statut | Emplacement | |
|---|---|---|---|---|---|
| M/0692 | Memoire ingenieur | BIB.FAC.ST. | Empruntable | Salle de mémoires et de théses | |
| M/0692 | Memoire ingenieur | BIB.FAC.ST. | Empruntable | Salle de mémoires et de théses |
Erreur sur le template
