Résumé:
Pour 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, Tenserflow
