ebook img

Apprentissage de métriques et méthodes à noyaux appliqués à la reconnaissance de personnes ... PDF

127 Pages·2017·2.65 MB·French
Save to my drive
Quick download
Download
Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.

Preview Apprentissage de métriques et méthodes à noyaux appliqués à la reconnaissance de personnes ...

Apprentissage de métriques et méthodes à noyaux appliqués à la reconnaissance de personnes dans les images Alexis Mignon To cite this version: Alexis Mignon. Apprentissage de métriques et méthodes à noyaux appliqués à la reconnaissance de personnesdanslesimages. Traitementdesimages[eess.IV].universitédecaen, 2012. Français. ￿NNT: ￿. ￿tel-01076898￿ HAL Id: tel-01076898 https://hal.archives-ouvertes.fr/tel-01076898 Submitted on 23 Oct 2014 HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non, lished or not. The documents may come from émanant des établissements d’enseignement et de teaching and research institutions in France or recherche français ou étrangers, des laboratoires abroad, or from public or private research centers. publics ou privés. UNIVERSITÉ DE CAEN BASSE NORMANDIE U.F.R. de Sciences ÉCOLE DOCTORALE SIMEM T H È S E Présentée par M. Alexis MIGNON et soutenue le 13 Décembre 2012 en vue de l’obtention du DOCTORAT de l’UNIVERSITÉ de CAEN Spécialité : Informatique et applications Arrêté du 07 août 2006 Titre : Apprentissage de métriques et méthodes à noyaux appliqués à la reconnaissance de personnes dans les images [\ MEMBRES du JURY : M.StéphaneCANU ProfesseurdesUniversités INSAdeRouen (Rapporteur) M.ChristopheGARCIA ProfesseurdesUniversités INSAdeLyon (Rapporteur) MmeMarinetteREVENU ProfesseuréméritedesUniversités UniversitédeCaen M.FrédéricJURIE ProfesseurdesUniversités UniversitédeCaen (Directeurdethèse) UNIVERSITÉ DE CAEN BASSE NORMANDIE U.F.R. de Sciences ÉCOLE DOCTORALE SIMEM T H È S E Présentée par M. Alexis MIGNON et soutenue le 13 Décembre 2012 en vue de l’obtention du DOCTORAT de l’UNIVERSITÉ de CAEN Spécialité : Informatique et applications Arrêté du 07 août 2006 Titre : Apprentissage de métriques et méthodes à noyaux appliqués à la reconnaissance de personnes dans les images [\ MEMBRES du JURY : M.StéphaneCANU ProfesseurdesUniversités INSAdeRouen (Rapporteur) M.ChristopheGARCIA ProfesseurdesUniversités INSAdeLyon (Rapporteur) MmeMarinetteREVENU ProfesseuréméritedesUniversités UniversitédeCaen M.FrédéricJURIE ProfesseurdesUniversités UniversitédeCaen (Directeurdethèse) Table des matières 1 Lareconnaissancedepersonnesdanslesimages 1 1.1 Lareconnaissancedepersonnesdanslesimages:besoinsetdifficultés . . . . . . . . 2 1.1.1 Lesdifférentstypesdebesoins . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.1.2 Lareprésentationdesvisages . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.1.3 Basesdedonnéespubliquesutilisées . . . . . . . . . . . . . . . . . . . . . . . . 4 1.1.3.1 LabaseMultiPIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.1.3.2 LabeledFacesintheWild(LFW) . . . . . . . . . . . . . . . . . . . . . . 5 1.1.3.3 LabaseCUFSF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.1.3.4 ViewpointInvariantPersonRe-identification(VIPeR) . . . . . . . . . . . 8 1.2 Reconnaissancedevisageetnoyaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2.1 Lareconnaissancedevisages:principesetrésultatsrécents . . . . . . . . . . . 8 1.2.1.1 Lesprincipauxdescripteursvisuelsutiliséspourreprésenterlesvisages 9 1.2.1.2 Mesuredesimilaritéentredescripteurs . . . . . . . . . . . . . . . . . . 10 1.2.2 Lesméthodesànoyauxetle«trucdunoyau» . . . . . . . . . . . . . . . . . . . 11 1.2.2.1 Distanceetproduitscalaire . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.2.2.2 Fonctionsnoyaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2.2.3 Le«trucdunoyau» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2.2.4 Lethéorèmedureprésentant . . . . . . . . . . . . . . . . . . . . . . . . 14 1.2.3 Contributionsdelathèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2 Lerecalagedevisages 17 2.1 Recalageetreconnaissancedevisages . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2 Localisationdepoints-clésparrégression . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.1 Travauxantérieurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.2 Modèlederégression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.3 Algorithmedelocalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2.4 LedescripteurHOLD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2.5 Résultatsexpérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.2.6 Améliorationspossibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3 Alignementdevisage2D-3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.3.1 Optimisationauto-cohérente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.3.2 Résultatsexpérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3 Apprentissagededistanceetdistancedecommutationsurgraphe 33 3.1 L’apprentissagededistance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2 Lesalgorithmespourl’apprentissagededistance . . . . . . . . . . . . . . . . . . . . . . 35 3.2.1 LadistancedeMahalanobis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.2.2 Lesapprochesbaséessurlesgraphesetl’apprentissagedevariété . . . . . . . 36 3.3 Apprentissagededistanceparanalyseencomposanteslogistiquesdiscriminantes . . . 38 3.3.1 Formulationdedépart(LDML) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.3.2 InconvénientsdelaméthodeLDML . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.3.3 Notrecontribution:LogisticDiscriminantComponentAnalysis (LDCA) . . . . . . 39 3.3.4 Convexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4 Distancesurgrapheetapprentissagesemi-supervisé . . . . . . . . . . . . . . . . . . . 40 3.4.1 Apprentissagesemi-supervisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.4.2 Notionsdethéoriesdesgraphes . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 ii Tabledesmatières 3.4.3 Marchealéatoiresurungraphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.4.4 Tempsmoyendepremierpassageettempsmoyendecommutation . . . . . . . 44 3.4.5 Lamatricelaplacienneetsapseudo-inverse . . . . . . . . . . . . . . . . . . . . 45 3.4.6 Classificationpark-plusprochesvoisinssurgraphe . . . . . . . . . . . . . . . . 47 3.5 Expériences. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.5.1 Descriptiondelaméthode. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.5.2 Représentationdesvisages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.5.3 ÉvaluationdelaméthodeLDCA . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 3.5.4 Évaluationdelaméthodepark-PPVsurgraphe . . . . . . . . . . . . . . . . . . 49 3.5.5 Classificationpark-PPVsurgraphe . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.5.6 CombinaisondesreprésentationsLDCAetk-PPVsurgraphe . . . . . . . . . . . 50 3.5.7 Évaluationdelaméthodecomplète . . . . . . . . . . . . . . . . . . . . . . . . . 51 3.6 Conclusionsetperspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4 Apprentissagededistancecontraintesurlespaires 53 4.1 PairwiseConstrainedComponentAnalysis(PCCA) . . . . . . . . . . . . . . . . . . . . . 53 4.1.1 Contraintesdesimilaritésurlespaires . . . . . . . . . . . . . . . . . . . . . . . . 53 4.1.2 Formulationmathématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.1.3 Choixdel’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 A 4.1.4 Optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.1.4.1 Convexité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4.1.4.2 Algorithmed’optimisationutilisé . . . . . . . . . . . . . . . . . . . . . . 58 4.1.4.3 Casdesnoyauxetpréconditionnement . . . . . . . . . . . . . . . . . . 58 4.2 Expériences. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 4.2.1 Vérificationdevisages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 4.2.1.1 Variationdunombredepairesd’entraînement . . . . . . . . . . . . . . 60 4.2.1.2 Lesnoyauxutilisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 4.2.1.3 Choixdesparamètres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 4.2.2 Ré-identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 4.2.2.1 Protocoleexpérimental . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 4.2.2.2 Variationsdesparamètres . . . . . . . . . . . . . . . . . . . . . . . . . 63 4.2.2.3 Lesautresméthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 4.2.3 Résultatsexpérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 5 Apprentissagededistancetrans-modale 69 5.1 L’appariementtrans-modal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 5.2 Lesalgorithmesexistantspourl’appariementtrans-modal . . . . . . . . . . . . . . . . . 71 5.3 CMML:Apprentissagededistancetrans-modale . . . . . . . . . . . . . . . . . . . . . . 73 5.4 Applications et etoptimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 A B 5.5 Résultatsexpérimentaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 5.5.1 Reconnaissancemulti-pose:résultatssurMulti-PIE . . . . . . . . . . . . . . . . 75 5.5.2 Reconnaissancedevisagesphotographie/dessin:résultatssurCUFSF . . . . . 77 5.5.3 Vérificationdevisagetrans-modale:résultatssurLFW . . . . . . . . . . . . . . 78 5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 6 Approximationetapprentissagedenoyauxadditifshomogènes 81 6.1 Travauxantérieurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 6.2 Noyauxadditifshomogènesetfonctiondere-description . . . . . . . . . . . . . . . . . . 82 6.2.1 Définitions. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82 6.2.2 Fonctiondere-description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 Tabledesmatières iii 6.2.3 Fonctiondere-descriptionapprochée . . . . . . . . . . . . . . . . . . . . . . . . 85 6.3 Lenoyaudelamoyennepuissance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 6.3.1 Moyennegénéralisée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 6.3.2 Lenoyaudelamoyennepuissance . . . . . . . . . . . . . . . . . . . . . . . . . 86 6.3.3 Fonctiondere-descriptiondunoyaudelamoyennepuissance . . . . . . . . . . 87 6.3.4 Utilisationdunoyaudelamoyennepuissance . . . . . . . . . . . . . . . . . . . 89 6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 7 Conclusion 91 7.1 Recalageetextractiond’informations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91 7.2 L’apprentissagededistance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 7.3 Lesnoyaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 7.4 Versuneméthodedereconnaissancerobuste . . . . . . . . . . . . . . . . . . . . . . . 93 A Moyennepuissance :noyaudéfinipositif 95 B Quantitésremarquablesetpseudo-inversedulaplaciend’ungraphe 97 B.1 Rappelsetdéfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 B.2 CalculenfonctiondesélémentsdeL+ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 B.3 Réseauxélectriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 B.4 Caractérisationdespontsd’ungraphe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 C Optimisationsurlavariétédesmatricessemi-définiespositives 105 CHAPITRE 1 La reconnaissance de personnes dans les images LAreconnaissancedespersonnesdanslesimagessusciteunvifattraitdanslacommunautéscien- tifique, à un tel point qu’il serait difficile de faire une revue exhaustive de l’ensemble des travaux sur le sujet. Ceci s’explique d’une part par l’énorme intérêt applicatif (aussi bien en matière de sé- curité, vidéosurveillance, etc. que pour les applications multimédia grand public) mais aussi de par le défi que cela représente pour les algorithmes de vision artificielle. En effet, ceux-ci doivent être capables de faire face à la grande variabilité des visages eux-mêmes tout autant qu’aux variations desparamètresdeprisedevue(pose,éclairage,coupedecheveux,expression,arrière-plan,etc.). Danscechapitre,nousprésentonsdemanièregénéralelesdifférentestâchesquerecouvrelano- tiondereconnaissancedespersonnesdanslesimages,expliquonspourquoicestâchessontdifficiles, présentons les différentes bases du domaine public utilisable pour expérimenter des algorithmes de reconnaissance, expliquons comment les méthodes à noyaux peuvent apporter à la reconnaissance depersonnes,et,finalement,présentonslescontributionsdelathèse. ❙♦♠♠❛✐r❡ ✶✳✶ ▲❛ r❡❝♦♥♥❛✐ss❛♥❝❡ ❞❡ ♣❡rs♦♥♥❡s ❞❛♥s ❧❡s ✐♠❛❣❡s ✿ ❜❡s♦✐♥s ❡t ❞✐✣❝✉❧tØs ✳ ✳ ✳ ✷ ✶✳✶✳✶ ▲❡s ❞✐✛Ør❡♥ts t②♣❡s ❞❡ ❜❡s♦✐♥s ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✷ ✶✳✶✳✷ ▲❛ r❡♣rØs❡♥t❛t✐♦♥ ❞❡s ✈✐s❛❣❡s ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✸ ✶✳✶✳✸ ❇❛s❡s ❞❡ ❞♦♥♥Ø❡s ♣✉❜❧✐q✉❡s ✉t✐❧✐sØ❡s ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✹ ✶✳✶✳✸✳✶ ▲❛ ❜❛s❡ ▼✉❧t✐ P■❊ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✹ ✶✳✶✳✸✳✷ ▲❛❜❡❧❡❞ ❋❛❝❡s ✐♥ t❤❡ ❲✐❧❞ ✭▲❋❲✮ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✺ ✶✳✶✳✸✳✸ ▲❛ ❜❛s❡ ❈❯❋❙❋✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✽ ✶✳✶✳✸✳✹ ❱✐❡✇♣♦✐♥t ■♥✈❛r✐❛♥t P❡rs♦♥ ❘❡✲✐❞❡♥t✐✜❝❛t✐♦♥ ✭❱■P❡❘✮ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✽ ✶✳✷ ❘❡❝♦♥♥❛✐ss❛♥❝❡ ❞❡ ✈✐s❛❣❡ ❡t ♥♦②❛✉① ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✽ ✶✳✷✳✶ ▲❛ r❡❝♦♥♥❛✐ss❛♥❝❡ ❞❡ ✈✐s❛❣❡s ✿ ♣r✐♥❝✐♣❡s ❡t rØs✉❧t❛ts rØ❝❡♥ts ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✽ ✶✳✷✳✶✳✶ ▲❡s ♣r✐♥❝✐♣❛✉① ❞❡s❝r✐♣t❡✉rs ✈✐s✉❡❧s ✉t✐❧✐sØs ♣♦✉r r❡♣rØs❡♥t❡r ❧❡s ✈✐s❛❣❡s✳ ✾ ✶✳✷✳✶✳✷ ▼❡s✉r❡ ❞❡ s✐♠✐❧❛r✐tØ ❡♥tr❡ ❞❡s❝r✐♣t❡✉rs ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✶✵ ✶✳✷✳✷ ▲❡s ♠Øt❤♦❞❡s (cid:224) ♥♦②❛✉① ❡t ❧❡ ✓tr✉❝ ❞✉ ♥♦②❛✉✔ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✶✶ ✶✳✷✳✷✳✶ ❉✐st❛♥❝❡ ❡t ♣r♦❞✉✐t s❝❛❧❛✐r❡ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✶✶ ✶✳✷✳✷✳✷ ❋♦♥❝t✐♦♥s ♥♦②❛✉① ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✶✷ ✶✳✷✳✷✳✸ ▲❡ ✓tr✉❝ ❞✉ ♥♦②❛✉✔ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✶✸ ✶✳✷✳✷✳✹ ▲❡ t❤Ø♦rŁ♠❡ ❞✉ r❡♣rØs❡♥t❛♥t ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✶✹ ✶✳✷✳✸ ❈♦♥tr✐❜✉t✐♦♥s ❞❡ ❧❛ t❤Łs❡ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✳ ✶✺

Description:
Alexis Mignon. Apprentissage de métriques et méthodes `a noyaux appliqués `a la reconnaissance Harmonic Analysis on Semigroups : Theory of.
See more

The list of books you might like

Most books are stored in the elastic cloud where traffic is expensive. For this reason, we have a limit on daily download.