Veuillez utiliser cette adresse pour citer ce document : https://di.univ-blida.dz/jspui/handle/123456789/31588
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorGhellem, Douaa Zohra-
dc.contributor.authorZaaf, Ikram Rania-
dc.contributor.authorLahiani, Nesrine ( Promotrice)-
dc.contributor.authorMekide, Hamza ( Promoteur)-
dc.date.accessioned2024-10-22T12:11:17Z-
dc.date.available2024-10-22T12:11:17Z-
dc.date.issued2024-
dc.identifier.urihttps://di.univ-blida.dz/jspui/handle/123456789/31588-
dc.descriptionill., Bibliogr. Cote:ma-004-1011fr_FR
dc.description.abstractPour affronter et résoudre efficacement tous les problèmes d’insécurité que l’on rencontre quotidiennement dans tous les domaines, à savoir le travail, l’accès aux administrations, aux résidences, la reconnaissance faciale a été conçue. La reconnaissance faciale, un domaine phare de la vision par ordinateur. Cette technique est basée sur la capture des données faciales d’un individu pour permettre son identification à partir d’images de leurs visages. Cependant, la reconnaissance faciale 2D traditionnelle présente des limites liées aux variations d’éclairage et d’expressions faciales, etc. qui affectent négativement les performances de ces systèmes. Pour surmonter ces défis et résoudre ce problème, ce projet propose une nouvelle méthode de vérification de visage en 3D exploitant la modélisation tensorielle des données RGB-D. Cette approche combine les informations de texture (RGB) et de profondeur (depth 3D). La méthodologie proposée repose sur l’extraction de caractéristiques par CNN et le regroupement utilisant triplet loss function. La similarité entre les représentations d’images est mesurée par la distance Euclidienne. L’exploitation des données 3D vise à surpasser les limites de la reconnais- sance 2D classique, offrant ainsi une solution sécurisée d’identification dans divers contextes professionnels et personnels. En somme, cette recherche vise à exploiter de manière optimale les avantages des données de profondeur et des méthodes d’apprentissage profond afin de développer notre modèle avec CNN et 3D CNN. Nous utiliserons ce modèle afin de mettre en évidence le fonctionnement d’un système de reconnaissance faciale 3D (RGB-D) en respectant trois étapes fondamentales : le stockage des données, la comparaison et la prise de décision. Nous testons notre modèle, on obtient un taux de reconnaissance (accuracy) atteint 77.53%sur le jeu de donnée Texas 3D Faces [1] qui contient des variations difficiles dans la pose, l’occlusion, l’expression et l’illumination . Mots clés : Reconnaissance faciale en 3D, RGB-D, CNN, Image en profondeur, apprentis-sage profond, Depth Sensors, Extraction des caractéristiques,Texas 3D faces dataset, Tenserflowfr_FR
dc.language.isofrfr_FR
dc.publisherUniversité Blida 1fr_FR
dc.subjectReconnaissance faciale en 3Dfr_FR
dc.subjectRGB-Dfr_FR
dc.subjectCNNfr_FR
dc.subjectImage en profondeurfr_FR
dc.subjectapprentis-sage profondfr_FR
dc.subjectDepth Sensorsfr_FR
dc.subjectExtraction des caractéristiquesfr_FR
dc.subjectTexas 3D faces datasetfr_FR
dc.subjectTenserflowfr_FR
dc.titleLa Reconnaissance Faciale En 3Dfr_FR
dc.typeThesisfr_FR
Collection(s) :Mémoires de Master

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
Ghellem Douaa Zahra et Zaaf Ikram Rania.pdf2,42 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.