Improvement of facial recognition systems using MSFA cameras and artificial intelligence techniques
Amélioration des systèmes de reconnaissance faciale par l'utilisation de caméra MSFA et des techniques d'intelligence artificielle
Résumé
Recent years have seen the emergence of biometric systems for access control and security. The best-known of these biometric applications is facial recognition, which continues to make progress. Several existing approaches to facial recognition use images acquired in the visible spectrum. These systems suffer mainly from problems of light variation. Infrared facial recognition systems overcome these limitations. Other approaches to facial recognition systems combine the visible and infrared spectrums, again to improve recognition performance. Multispectral cameras are then used in heterogeneous face recognition systems. Artificial intelligence (AI) methods, more specifically Deep Learning (DL), have made enormous progress in face recognition. The purpose of this thesis is to exploit the potential of deep learning algorithms, and the multispectral filter array (MSFA) to develop and improve face recognition systems. Four contributions are made to this thesis work. Firstly, we have built a multispectral face image base for facial recognition with MSFA one-shot cameras operating from 650 to 950 nm. Secondly, we developed a robust facial recognition system using MSFA one-shot cameras, the discrete curvelet transform, and convolutional neural networks (CNN). Next, we optimized the system using dimensionality reduction. Fourthly, we conducted a comparative study to assess the impact of demosaicing on facial recognition.The experimental results demonstrate the effectiveness of the proposed methods in building a more efficient facial recognition system.
Ces dernières années, nous assistons à une émergence des systèmes biométriques utilisés dans le contrôle d'accès et la sécurité. La plus connue de ces applications biométriques reste la reconnaissance faciale qui ne cesse de connaître des progrès. Plusieurs approches existantes de la reconnaissance faciale utilisent des images acquises dans le spectre visible. Ces systèmes souffrent surtout de problèmes de variation de la lumière. Ces limitations sont améliorées avec les systèmes de reconnaissance dans l'infrarouge. D'autres approches de systèmes de reconnaissance faciale combinent le visible et l'infrarouge toujours dans le but d'améliorer leur performance de reconnaissance, elles sont dites hétérogènes. Les caméras multispectrales sont alors utilisées dans les systèmes de reconnaissance faciale hétérogènes. Aussi les méthodes d'intelligence artificielle plus précisément les méthodes d'apprentissage profond appelées Deep Learning (DL) en anglais ont favorisé d'énormes progrès en reconnaissance faciale. Dans le cadre de cette thèse, il est question d'exploiter les potentialités des algorithmes d'apprentissage profond et le réseau de filtre multispectraux (MSFA) pour développer et améliorer les systèmes de reconnaissance faciale. Quatre contributions sont apportées pour ces travaux de thèse. Premièrement, nous avons construit une base d'images multispectrales de visage pour la reconnaissance faciale avec les caméras MSFA one-shot qui opère de 650 à 950 nm. Deuxièmement nous avons développé un système robuste de reconnaissance faciale avec les caméras MSFA one-shot, la transformée discrète de curvelet et les réseaux de neurones convolutifs (CNN). Ensuite une optimisation du système est faite par la réduction de dimensionalité. Quatrièmement nous avons effectué une étude comparative pour évaluer l'impact du demosaicing sur la reconnaissance faciale.Les résultats des expériences démontrent l'efficacité des méthodes proposées pour construire un système de reconnaissance faciale plus performant.
| Origine | Version validée par le jury (STAR) |
|---|