Mesure de similarité pondérée dans l'espace 2D: Application à la reconnaissance de visages

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. ABSTRACT.This paper proposes a novel weighted matrix similarity measure for image face classification and recognition. The distance is measured between two feature matrices obtained by two-dimensional Principal Component Analysis (2DPCA) and two-dimensional Linear Discriminant Analysis (2DLDA). The weights are the inverse of the eigenvalues of the total scatter matrix of faces matrices sorted in decreasing order and the classification strategy adopted is the nearest neighbour algorithm. To test and evaluate the efficiency of the proposed similarity measure, experiments were carried out using the ORL image face database which was partitioned into two sets, one for training and the other for testing. The experimental results show the high performances of the weighted matrix distance metric over the Yang and the Frobenius distances.