Reconnaissance de Visage par Eigenfaces (PCA) - Version Améliorée

===========================================================

Table des Matières

1. Introduction
2. Nouvelles Fonctionnalités
3. Prérequis
4. Structure
5. Utilisation
6. Notes Techniques
7. Améliorations de Performance
8. Dépannage
9. Structure des Fichiers
10. Auteur

Introduction

Ce prototype utilise la technique d'Eigenfaces (PCA) pour la reconnaissance de visage. Il prend en charge le contrôle d'accès binaire avec plusieurs utilisateurs autorisés. Si le visage détecté correspond à un utilisateur autorisé, le système affiche "ACCES AUTORISE", sinon "ACCES REFUSE".

Nouvelles Fonctionnalités

Détecteur DNN OpenCV

Le détecteur DNN OpenCV est utilisé pour détecter les visages avec une plus grande précision. En cas d'indisponibilité des modèles DNN, un fallback automatique vers Haar cascade est activé.

Alignement de Visage

L'alignement de visage est effectué en utilisant les landmarks pour réduire la variabilité angulaire. Cela permet d'améliorer la précision de la reconnaissance.

Vote Majoritaire Amélioré

Le vote majoritaire est effectué sur une fenêtre glissante de 20 frames par défaut. Cela permet de réduire le bruit et les faux positifs/négatifs.

Support Multi-Utilisateurs

Le système prend en charge plusieurs utilisateurs autorisés avec des centroïdes séparés. Cela permet d'améliorer la précision de la reconnaissance en fonction de l'utilisateur.

Prétraitement Amélioré

Le prétraitement utilise la CLAHE (Contrast Limited Adaptive Histogram Equalization) pour améliorer la robustesse à l'éclairage.

Prérequis

• Python 3.9+
• Webcam fonctionnelle
• pip install -r requirements.txt

Structure

Mode Simple (Un Utilisateur)

• data/authorized/ : Visages de l'utilisateur autorisé
• data/others/ : Visages des autres personnes (négatifs)

Mode Multi-Utilisateurs

• data/user_1/ : Visages du premier utilisateur autorisé

• data/user_2/ : Visages du deuxième utilisateur autorisé

• data/user_3/ : etc.

• data/others/ : Visages des autres personnes (négatifs)

• models/eigenfaces.joblib : Modèle entraîné

Utilisation

1) Collecte des Visages

Mode Simple

python collect_faces.py --label authorized --count 80
python collect_faces.py --label others --count 40

Mode Multi-Utilisateurs

python collect_faces.py --label user_1 --count 80
python collect_faces.py --label user_2 --count 80
python collect_faces.py --label others --count 40

Options Disponibles :

• --use-dnn : Utiliser le détecteur DNN (par défaut activé, fallback Haar si indisponible)
• --use-alignment : Activer l'alignement de visage (par défaut activé)
• --delay : Délai entre captures (défaut: 0.25s)

2) Entraînement Eigenfaces (PCA)

Mode Simple

python train.py --data-dir data --n-components 80

Mode Multi-Utilisateurs

python train.py --data-dir data --n-components 80 --multi-user

Options Disponibles :

• --n-components : Nombre de composantes PCA (défaut: 80)
• --multi-user : Activer le mode multi-utilisateurs
• --use-dnn : Utiliser le détecteur DNN pour le prétraitement
• --use-alignment : Activer l'alignement de visage

3) Démonstration en Direct

python live_demo.py --model-path models/eigenfaces.joblib --camera-index 0

Options Disponibles :

• --confidence-scale : Facteur de multiplication du seuil (<1 plus permissif, >1 plus strict, défaut: 1.0)
• --buffer-size : Taille du buffer pour vote majoritaire (défaut: 20 frames)
• --min-frames : Nombre minimum de frames avant décision (défaut: 8)
• --use-dnn : Utiliser le détecteur DNN
• --use-alignment : Activer l'alignement de visage

Notes Techniques

Détection de Visage

• Détecteur DNN OpenCV : Plus robuste aux angles et éclairages variés
• Fallback Haar Cascade : Si les modèles DNN ne sont pas disponibles
• Détection automatique du plus grand visage dans le cadre

Prétraitement

• Conversion en niveaux de gris
• Alignement Automatique : Rotation basée sur la position des yeux pour normaliser l'orientation
• Redimensionnement à 200x200 pixels
• CLAHE : Égalisation adaptative d'histogramme pour robustesse à l'éclairage

Reconnaissance

• PCA (Principal Component Analysis) avec whiten=True pour décorréler les composantes
• Projection dans un espace de faible dimension (80 composantes par défaut)
• Distance euclidienne au centroïde de l'utilisateur autorisé
• Seuil Adaptatif : Calculé entre le 95e percentile des distances autorisées et le 5e percentile des distances négatives

Décision Temporelle

• Vote Majoritaire sur une fenêtre glissante de 20 frames
• Décision après au moins 8 frames consécutifs avec visage détecté
• Réduction du bruit et des faux positifs/négatifs

Améliorations de Performance

1. Détecteur DNN : Meilleure précision de détection, moins de faux négatifs
2. Alignement : Réduction de la variabilité due aux angles de vue
3. Vote Majoritaire : Stabilité temporelle, réduction du bruit
4. CLAHE : Robustesse aux variations d'éclairage
5. Multi-Utilisateurs : Support natif pour plusieurs personnes autorisées

Dépannage

Le Système Ne Reconnaît Pas Mon Visage

• Vérifiez que vous avez capturé suffisamment d'images (≥80 recommandé)
• Variez les angles, distances et éclairages lors de la capture
• Ajustez --confidence-scale à 0.8 ou 0.9 pour être plus permissif
• Vérifiez l'éclairage lors de la démo (évitez les reflets, ombres fortes)

Trop de Faux Positifs

• Augmentez --confidence-scale à 1.2 ou 1.3
• Ajoutez plus d'images négatives dans data/others/
• Augmentez --buffer-size pour un vote plus conservateur

Détection Instable

• Augmentez --min-frames pour exiger plus de frames avant décision
• Vérifiez que la webcam fonctionne correctement
• Assurez-vous d'avoir un bon éclairage frontal

Structure des Fichiers

.
├── face_utils.py          # Utilitaires : détection, prétraitement, alignement
├── collect_faces.py       # Script de capture depuis webcam
├── train.py               # Entraînement du modèle Eigenfaces
├── live_demo.py           # Démonstration en temps réel
├── requirements.txt       # Dépendances Python
├── README.md              # Ce fichier
├── data/
│   ├── authorized/       # Visages autorisés (mode simple)
│   ├── user_1/           # Utilisateur 1 (mode multi-user)
│   ├── user_2/           # Utilisateur 2 (mode multi-user)
│   └── others/           # Visages négatifs
└── models/
    └── eigenfaces.joblib # Modèle entraîné

Auteur

Ilyas Fardaoui