Mesure de similarité pondérée dans l'espace 2D: Application à la reconnaissance de visages.
Year: 2010
Type: conference-paper
Abstract: RÉSUMÉ . Cet article propose une nouvelle mesure de similarité pondérée basée sur des matrices pour la classification et la reconnaissance de visages. Le calcul de distances s'effectue entre deux matrices caractéristiques obtenues par deux méthodes bidimensionnelles à savoir l'Analyse en Composantes Principales (ACP2D) et l'Analyse Discriminante Linéaire (ADL2D). Les poids de pondération utilisés sont l'inverse des valeurs propres de la matrice de covariance des matrices de visages triés dans l'ordre décroissant. Quant à la stratégie de classification des images test, elle est l'affectation au plus proche voisin. Pour évaluer les performances de la distance proposée, des tests de simulations ont été menés sur la base de visages internationale ORL. Cette dernière a été partitionnée en deux sous bases de 200 images chacune, l'une pour l'apprentissage et l'autre pour le test. Les résultats montrent l'efficacité et la supériorité de la distance pondérée vis-à-vis les distances de Yang et Frobenius.
Authors: Rouabhia, Chahrazed, Tebbikh, Hicham
Language: French
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W207198795