REPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON

Paix-Travail-Patrie Peace-Work-Fatherland

*************** *****************

UNIVERSITE DE YAOUNDE I UNIVERSITY OF YAOUNDE I

******************* *******************

ECOLE NATIONALE SUPERIEUR NATIONAL ADVANCED SCHOOL OF

POLYTECHNIQUE DE YAOUNDE ENGINEERING OF YAOUNDE

**************** *****************

DEPARTEMENT DES GENIES DEPARTMENT OF ELECTRICAL ENGINEERING

ELECTRIQUE ET DES AND TELECOMMUNICATIONS
TELECOMMUNICATIONS
*************
****************

PROJET DE LOGIQUE FLOUE

& RESEAUX DE NEURONES

THEME :

Utilisation des RNAs multicouches par

rétropropagation pour la reconnaissance
faciale
MEMBRES DU GROUPE VI :

❖ AMBASSA Paul Éric

❖ ESSOLA ESSOLA Patrick
❖ HEUNA Anne-Lucie
❖ MOTAZE Louis-Paul (Chef)

ANNEE ACADEMIQUE: Sous la Supervision de :

2022-2023 Dr Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

Table des matières

INTRODUCTION : ................................................................................................................................................ 1
I- ETAT DE L’ART : ......................................................................................................................................... 4
A- Techniques de reconnaissance faciale existantes : ................................................................................. 4
1) Les techniques traditionnelles : ......................................................................................................... 4
2) Reconnaissance faciale 3D : .............................................................................................................. 5
3) Analyse de textures : ......................................................................................................................... 8
B- Les Réseaux de neurones artificiels multicouches :............................................................................... 9
1) Feedforward neural networks (Les réseaux de neurones à propagation avant) : ............................... 9
2) Recurrent neural networks (Les réseaux de neurones récurrents) : ................................................... 9
3) Convolutional neural networks (Les réseaux de neurones convolutifs) : ........................................ 10
4) Generative adversarial networks (Les réseaux de neurones adversaires) : ...................................... 10
C- La rétropropagation : ............................................................................................................................ 11
1) Réseaux neuronaux artificiels : ............................................................................................................11
2) Rétropropagation du gradient : ............................................................................................................ 12
3) Algorithme de rétropropagation : ........................................................................................................ 13
II- FONDEMENTS THEORIQUES : .............................................................................................................. 14
A- Les réseaux de neurones multicouches : .............................................................................................. 14
B- La rétropropagation : ........................................................................................................................... 16
C- Reconnaissance faciale : ...................................................................................................................... 17
III- MISE EN ŒUVRE : ................................................................................................................................ 18
A- Collecte des données : ......................................................................................................................... 18
B- Prétraitement des données : ................................................................................................................. 19
C- Construction et entrainement du modèle : ........................................................................................... 22
1- Construction du modèle : ................................................................................................................ 22
2- Entrainement du modèle :................................................................................................................ 23
IV- RESULTATS ET DISCUSSION : ............................................................................................................ 26
A- Evaluation des performances du modèle : ........................................................................................... 26
B- Comparaison avec d’autres méthodes de reconnaissance faciale : ...................................................... 27
C- Commentaires et Discussion des résultats : ......................................................................................... 29
TABLE DES ILLUSTRATIONS : ........................................................................................................................ 33
LISTE DES FIGURES :........................................................................................................................................ 34
CONCLUSION: .................................................................................................................................................... 35
REFERENCES BIBLIOGRAPHIQUES: ............................................................................................................. 36

P a g e 2 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

INTRODUCTION :

Le neurone est une cellule. Le corps humain compte dix mille milliards de cellules, dont 82 milliards de
cellules nerveuses ou neurones. Ces neurones sont considérés comme le support physique de l’intelligence
et d’ailleurs depuis quelques années, l’on cherche à copier les réseaux de neurones pour faire des
commandes intelligentes telles que le pilotage automatique d’un avion, les big-data, la reconnaissance
vocale et la reconnaissance faciale qui est le domaine sur lequel nous travaillons. L’une des méthodes
utilisées pour cette dernière repose sur l’utilisation des RNAs multicouches par rétropropagation. Ce projet
nous permettra de nous initier à l’apprentissage automatique (machine Learning) à travers la compréhension
des techniques utilisées par un tel système intelligent. Dès lors, nous pouvons nous demander quelles sont
les différentes méthodes de reconnaissance faciale existant et comment fonctionne chacune d’elles ?
Comment implémenter le système demandé en utilisant la méthode imposée ? Pour répondre à ces questions
nous vous invitons à suivre minutieusement la suite de notre travail.

P a g e 3 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

I- ETAT DE L’ART :
A- Techniques de reconnaissance faciale existantes :

Historique : L'une des premières tentatives de reconnaissance faciale est faite par Takeo Kanade en 1973
lors de sa thèse de doctorat à l'Université de Kyoto.

1) Les techniques traditionnelles :

Ces algorithmes identifient les caractéristiques faciales par l’extraction de Landmark et les traits d’une
image de visage. Par exemple, un algorithme peut analyser la position relative, la taille et / ou la forme des
yeux, le nez, les pommettes et la mâchoire. Ces caractéristiques sont ensuite utilisées pour rechercher
d’autres images avec des caractéristiques correspondantes. D’autres algorithmes normalisent une galerie
d’images de visage (une base de données), puis compressent les données de visage en enregistrant seulement
des données qui sont utiles pour la reconnaissance du visage. Une image de test est ensuite comparée avec
les données. Un des premiers systèmes réussis était basé sur l’appariement des templates (modèles), et
s’appliquait à un ensemble de traits saillants, fournissant une sorte de représentation du visage comprimé.
Ces algorithmes peuvent se diviser en deux grandes familles :

• La géométrique, qui ressemble à traits distinctifs.

• La photométrique, qui est une approche statistique qui distille une image à valeurs et qui compare
les valeurs avec des modèles pour éliminer les écarts.

Les algorithmes populaires incluent l’analyse des composantes principales en utilisant eigenfaces, Linear
Discriminate Analysis, Elastic Bunch Graph Matching, Hidden Markov model, Multilinear Subspace
Learning, et dynamic link matching.

Figure 1:Reconnaissance faciale 2D

P a g e 4 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

2) Reconnaissance faciale 3D :
L'état de l'art de la reconnaissance faciale est en constante évolution, avec de nombreuses avancées
récentes dans les techniques et les performances des modèles. Voici un aperçu des tendances actuelles en
matière de reconnaissance faciale :

➢ Les réseaux de neurones convolutifs (CNN) sont devenus la méthode de choix pour la
reconnaissance faciale, en raison de leur capacité à capturer des caractéristiques discriminantes à
partir d'images de visage. Les CNN ont été utilisés dans de nombreux systèmes de reconnaissance
faciale, tels que FaceNet, DeepFace et VGGFace.
➢ Les méthodes de reconnaissance faciale basées sur l'apprentissage profond ont considérablement
amélioré les performances de la reconnaissance faciale, en particulier pour les tâches de
reconnaissance faciale en temps réel.

Figure 2: Apprentissage profond

➢ L'utilisation de données massives pour l'entraînement des modèles de reconnaissance faciale a

permis d'améliorer considérablement les performances de la reconnaissance faciale. Des ensembles
de données tels que MS-Celeb-1M, Labeled Faces in the Wild (LFW) et MegaFace ont été utilisés
pour entraîner des modèles de reconnaissance faciale.

Figure 3:Exemple de Dataset pour la reconnaissance faciale

P a g e 5 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

➢ Les modèles de reconnaissance faciale sont souvent évalués sur plusieurs métriques de
performance, telles que l'exactitude, le temps de traitement et la robustesse aux variations
d'éclairage et de pose.
➢ Les systèmes de reconnaissance faciale sont de plus en plus utilisés dans des applications du monde
réel, telles que la sécurité, la surveillance et l'identification des personnes.

Cependant, la reconnaissance faciale soulève également des préoccupations en matière de protection de

la vie privée et de l'utilisation abusive de la technologie. Des préoccupations ont été soulevées quant à
l'utilisation de la reconnaissance faciale pour la surveillance de masse, la discrimination et la violation
de la vie privée. Les chercheurs travaillent actuellement sur des méthodes pour rendre la reconnaissance
faciale plus transparente, éthique et respectueuse de la vie privée. Elle se fait en plusieurs étapes :

• Détection des visages : Ici, il s’agit de localiser les visages sur une photographie avant de pouvoir
essayer de les différencier !

Figure 4: Détection de visage.

P a g e 6 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

• Acquisition de données : Cette étape consiste à capturer des images ou des vidéos de la personne
à reconnaître à l'aide d'un scanner 3D, d'une caméra stéréo ou d'un système de projection de lumière
structurée.

Figure 5: Acquisition de données

• Prétraitement des données : Les données acquises sont ensuite prétraitées pour éliminer les bruits
et les artefacts, et pour aligner les images ou les vidéos.

Figure 6: Prétraitement des données

• Extraction de caractéristiques : Cette étape consiste à extraire les caractéristiques faciales

pertinentes, telles que la forme du visage, les contours des yeux, du nez et de la bouche, les textures
de la peau, etc.

• Création d'un modèle 3D : Les caractéristiques extraites sont utilisées pour créer un modèle 3D
de la personne à reconnaître.

P a g e 7 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

Figure 7: Extraction des caractéristiques.

• Comparaison avec la base de données : Le modèle 3D est ensuite comparé avec une base de
données de modèles 3D préalablement enregistrés pour identifier la personne.
• Prise de décision : Enfin, une décision est prise sur l'identité de la personne en fonction de la
correspondance entre le modèle 3D et les modèles de la base de données.

3) Analyse de textures :
Une autre tendance émergente utilise les détails visuels de la peau, comme captures des images numériques
ou numérisées. Cette technique, appelée analyse de textures, transforme les lignes uniques, les modèles, et
les points apparents dans la peau d’une personne dans un espace mathématique. Des expériences ont montré
qu’avec l’analyse de la texture, la performance d’un système de FR (Face Recognition) peut augmenter
20%-25%.

Figure 8: Analyse de la texture

P a g e 8 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

B- Les Réseaux de neurones artificiels multicouches :

Il en existe plusieurs types dont les plus utilisés sont les suivants :

1) Feedforward neural networks (Les réseaux de neurones à propagation avant) :

Également connus sous le nom de perceptrons multicouches (multi-layer perceptrons), ils sont constitués
d'un certain nombre de couches de neurones, chacune étant entièrement connectée à la couche suivante. Ils
sont souvent utilisés pour la classification et la régression.

Figure 9: Les réseaux de neurones à propagation avant

2) Recurrent neural networks (Les réseaux de neurones récurrents) :

Ils sont conçus pour traiter des données séquentielles, telles que du texte, des signaux sonores ou des séries
chronologiques. Ils ont une boucle de rétroaction qui permet à l'information de circuler dans le réseau, ce
qui leur permet de modéliser les dépendances temporelles.

Figure 10: Les réseaux de neurones récurrents.

P a g e 9 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

3) Convolutional neural networks (Les réseaux de neurones convolutifs) :

Ceux-ci sont couramment utilisés pour la vision par ordinateur et le traitement d'images. Ils utilisent des
couches de convolution qui filtrent les données d'entrée pour extraire des caractéristiques significatives,
suivies de couches de pooling qui réduisent la dimension des données.

Figure 11: CNN.

4) Generative adversarial networks (Les réseaux de neurones adversaires) :

Ils sont utilisés pour la génération de données synthétiques réalistes, tels que des images ou du texte. Ils sont
composés de deux réseaux adversaires : un générateur qui crée des données synthétiques, et un
discriminateur qui essaie de distinguer les données synthétiques des données réelles.

Figure 12 : GAN

P a g e 10 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

C- La rétropropagation :
La rétropropagation est un outil ou un algorithme nécessaire pour apporter des améliorations lorsque
l’apprentissage machine et l’exploration des données donnent de mauvais résultats. Lorsque vous fournissez
beaucoup de données au système et les solutions correctes par un modèle tel que les réseaux neuronaux
artificiels, le système généralisera les données et commencera à les trouver. Par exemple, en imagerie, vous
fabriquez une machine qui apprend de ses erreurs et améliore ses fonctionnalités après avoir échoué dans
ses fonctions. Le système va trouver la solution et, en cas d’échec, deviner par lui-même une autre solution
au problème.

L’utilisation la plus courante de la rétropropagation est l’apprentissage machine pour former des réseaux
neuronaux artificiels. Cet algorithme utilise la descente de gradient pour le processus d’apprentissage en
changeant le poids de chaque erreur. Ci-dessous, nous verrons les étapes de l’algorithme de
rétropropagation :

➢ Propagation avant : Les entrées sont présentées au réseau, qui calcule une prédiction en passant
les données à travers les neurones et les connexions.
➢ Calcul de l'erreur : L'erreur de prédiction est calculée en comparant la sortie prédite du réseau
avec la sortie réelle de l'exemple d'entraînement.
➢ Propagation arrière : L'erreur est propagée en arrière à travers le réseau, en utilisant la règle de la
chaîne pour calculer la contribution de chaque neurone à l'erreur.
➢ Mise à jour des poids : Les poids des connexions sont ajustés en fonction de la contribution de
chaque neurone à l'erreur, en utilisant un algorithme d'optimisation tel que la descente de gradient.
➢ Répétition : Les étapes 1 à 4 sont répétées pour chaque exemple d'entraînement jusqu'à ce que le
réseau atteigne une performance satisfaisante.

1) Réseaux neuronaux artificiels :

Comme l’algorithme de rétropropagation est apparu en tenant compte de la fonctionnalité du cerveau
humain, les réseaux neuronaux artificiels ressemblent au système neuronal du cerveau. Cela rend le
P a g e 11 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

processus d’apprentissage rapide et efficace. Un seul neurone artificiel reçoit un signal et le transfère ensuite
aux autres neurones cachés après traitement et entraînement. La connexion d’un neurone à un autre est
soumise à différents poids. Ces connexions sont également connues sous le nom d’arêtes. L’augmentation
et la diminution du poids gèrent le changement de la force des signaux. Le signal est ensuite transmis aux
neurones de sortie. Ces neurones artificiels sont également connus sous le nom de réseaux de feedforward.

2) Rétropropagation du gradient :

La technique de rétropropagation du gradient (Backpropagation en anglais) est une méthode qui

permet de calculer le gradient de l'erreur pour chaque neurone du réseau, de la dernière couche vers
la première. De façon abusive, on appelle souvent technique de la rétropropagation du gradient
l'algorithme classique de correction des erreurs basé sur le calcul du gradient grâce à la
rétropropagation et c'est cette méthode qui est présentée ici. En vérité, la correction des erreurs peut
se faire selon d'autres méthodes, en particulier le calcul de la dérivée seconde.

Cette technique consiste à corriger les erreurs selon l'importance des éléments qui ont justement
participé à la réalisation de ces erreurs. Dans le cas des réseaux de neurones, les poids synaptiques
qui contribuent à engendrer une erreur importante se verront modifiés de manière plus significative
que les poids qui ont engendré une erreur marginale.

Ce principe fonde les méthodes de type descente de gradient, qui sont efficacement utilisées dans
des réseaux de neurones multicouches comme les perceptrons multicouches (MLP pour " multi-
layers perceptrons "). Les descentes de gradient ont pour but de converger de manière itérative vers
une configuration optimisée des poids synaptiques. Cet état peut être un minimum local de la
fonction à optimiser et idéalement, un minimum global de cette fonction (dite fonction de coût).

Normalement, la fonction de coût est non-linéaire au regard des poids synaptiques. Elle dispose
également d'une borne inférieure et moyennant quelques précautions lors de l'apprentissage, les
procédures d'optimisation finissent par aboutir à une configuration stable au sein du réseau de
neurones.

P a g e 12 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

3) Algorithme de rétropropagation :

La rétropropagation permet de former des réseaux neuronaux artificiels. Lorsque des réseaux
neuronaux artificiels se forment, les valeurs des poids sont assignées de manière aléatoire.
L’utilisateur fixe des poids aléatoires parce qu’il ne connaît pas les valeurs correctes. Lorsque la
valeur est différente de celle du réseau de rétrodiffusion attendu, il faut la considérer comme une
erreur. L’algorithme est réglé de telle sorte que le modèle change les paramètres chaque fois que
la sortie n’est pas celle attendue. L’erreur a un rapport avec les réseaux neuronaux artificiels. Ainsi,
lorsque le paramètre change, l’erreur change également jusqu’à ce que le réseau neuronal trouve la
sortie souhaitée en utilisant la méthode de rétropropagation du gradient.

L'algorithme de rétropropagation fonctionne en calculant l'erreur de prédiction du réseau pour

chaque exemple d'entraînement, puis en propageant cette erreur en arrière à travers le réseau pour
ajuster les poids des connexions.

Figure 13: Apprentissage d’un réseau multicouche avec la rétropropagation

Il en ressort de cette grande première partie que plusieurs techniques de reconnaissance faciale existent et
ont chacune leur technique d’approche pour résoudre le problème.

P a g e 13 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

II- FONDEMENTS THEORIQUES :

A- Les réseaux de neurones multicouches :
Les réseaux de neurones multicouches sont basés sur le modèle biologique du cerveau humain. Chaque
neurone dans le réseau est connecté à d'autres neurones via des synapses. Chaque synapse a un poids qui
détermine l'importance de l'entrée du neurone précédent pour le neurone suivant.

Lorsqu'un signal est envoyé à travers le réseau, chaque neurone calcule une somme pondérée de ses entrées
et applique une fonction d'activation pour déterminer sa sortie. Les sorties de chaque couche de neurones
sont propagées à travers le réseau jusqu'à ce qu'une sortie finale soit produite.

Figure 14:Architecture du neurone formel

Calcul de la sortie du neurone :

y = f ( w0 + x1w1 + x2w2 +…+ xnwn ) = f (w0 + wTx)

Correction des poids synaptiques :

wk+1 = wk + ∆wk

P a g e 14 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

On distingue deux types de neurones formels :

- Le Perceptron de [Link] (1958) + La règle de Hebb (1949) :

A chaque itération, on a : wk+1 = wk + ∆wk et ∆wk= ᵑ.y xk. k

ᵑ représente le coefficient d’apprentissage (généralement compris entre 0 et 1).

Pour traiter plusieurs sorties, on utilise plusieurs perceptrons en parallèle, on parle alors de réseau
monocouche. L’utilisation d’une fonction d’activation du type « automate linéaire à seuil » permet
de réaliser pour chaque neurone i une partition des vecteurs d’entrée en deux classes dont la frontière
est définie par un hyperplan de dimension n-1 avec n étant le nombre d’entrées et d’équation :

Figure 15: Equation de l'hyperplan du perceptron

Il permet donc de ne séparer que des exemples linéairement séparables. Il ne peut pas pas par
exemple réaliser un OU Exclusif encore appelé XOR (tâche de classification non linéaire dans
laquelle les exemples d'entraînement ne sont pas linéairement séparables). Les réseaux
multicouches pallient cette limitation en ceci que les couches cachées permettent au réseau de
neurones de capturer des relations non linéaires entre les caractéristiques d'entrée et les étiquettes
de sortie, ce qui lui permet de résoudre des tâches de classification non linéaires telles que le XOR.

P a g e 15 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

- L’Adaline (ADAptive LINear Element) de [Link] et [Link] (1960) :

Pour traiter plusieurs sorties, on utilise plusieurs Adaline en parallèle : on parle alors de Madaline
(Multi-Adaline).

L’apprentissage d’un Adaline s’effectue en ligne et est basé sur la minimisation d’une erreur,
l’erreur quadratique moyenne.

B- La rétropropagation :
La rétropropagation de l’erreur dans un réseau multicouches est un algorithme d'apprentissage supervisé qui
utilise la descente de gradient pour minimiser l'erreur de prédiction du réseau. L'algorithme fonctionne en
calculant l'erreur de prédiction pour chaque exemple d'entraînement, puis en rétropropageant cette erreur
dans le réseau pour ajuster les poids et les biais.

On présente un vecteur d’entrée pour lequel on détermine la sortie du réseau. L’ensemble des poids des
liaisons synaptiques détermine le fonctionnement du réseau de neurones. On compare les sorties estimées
des neurones de la couche de sortie avec les valeurs désirées et on calcule l’erreur de chacun.

Figure 16: Réseau de neurones multicouches

P a g e 16 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

C- Reconnaissance faciale :
La reconnaissance faciale est une méthode de reconnaissance biométrique qui utilise les caractéristiques du
visage pour identifier les individus. Les caractéristiques du visage peuvent être extraites manuellement en
utilisant des méthodes basées sur les caractéristiques, ou automatiquement en utilisant des réseaux de
neurones multicouches.

Figure 17: Evolution de la reconnaissance faciale

La reconnaissance faciale est un moyen d'identifier ou de confirmer l'identité d'un individu grâce à
son visage. Les systèmes de reconnaissance faciale peuvent servir à l'identification de personnes
sur des photos, dans des vidéos ou en temps réel. La reconnaissance faciale est une catégorie de
sécurité biométrique. D'autres formes de logiciel biométrique incluent la reconnaissance de la voix,
des empreintes digitales, de la rétine ou de l'iris. Cette technologie est surtout utilisée pour
lasécurité et l'application de la loi, bien que d'autres domaines s'y intéressent de plus en plus.
Beaucoup de gens connaissent la reconnaissance faciale grâce à l'utilisation de FaceID qui permet
de déverrouiller les iPhone (or ce n'est qu'une utilisation parmi d'autres). De manière générale, la
reconnaissance faciale ne repose pas sur une énorme base de données de photos pour déterminer
l'identité d'une personne : elle ne fait qu'identifier et reconnaître une personne comme propriétaire
unique de l'appareil, pour empêcher autrui d'y avoir accès. Au-delà du déverrouillage des
téléphones, la reconnaissance faciale fonctionne en comparant le visage des personnes qui passent
devant des caméras spéciales à des photos de personnes surveillées. Ces listes de personnes
surveillées peuvent contenir des photos de n'importe qui, même de personnes qui n'ont jamais rien
fait de mal, et les photos peuvent provenir de n'importe où, même des comptes de réseaux sociaux.
Dans la suite, nous verrons comment les systèmes de reconnaissance faciale sont construits et
fonctionnent
P a g e 17 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

III- MISE EN ŒUVRE :

A- Collecte des données :
Elle consiste à récolter l’ensemble des données qui seront nécessaires à l’apprentissage de notre modèle.
Les données sont très souvent regroupées dans une base de données ou « Dataset ». Pour entraîner un modèle
de reconnaissance faciale, il est nécessaire de collecter des images de visages. Les images peuvent être
collectées à partir de différentes sources telles que des caméras de surveillance, des photos de profil sur les
réseaux sociaux, etc. Il est important de collecter des images de qualité pour garantir la précision du modèle.

Dans le cadre de notre projet, nous avons récolté 17 images par individu, que nous avons regroupées par
dossier spécifique, portant chacun le nom de l’individu associé

Figure 18: Dataset

Figure 19: Images de l'individu 'Susy HEUNA'

P a g e 18 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

B- Prétraitement des données :

Cette étape consiste à nettoyer et à préparer les images pour l'entraînement du modèle. Cela peut
inclure la normalisation de la taille des images, la suppression des données manquantes, la
conversion des images en niveaux de gris, etc.

Dans notre cas, nous avons effectué :

➢ Transformation de l’image en niveaux de gris : les images en niveaux de gris sont des
images qui ne contiennent pas de couleur, mais qui utilisent différentes nuances de gris pour
représenter l'intensité de la luminosité à chaque point de l'image.
➢ Un redimensionnement des images : qui consiste à modifier la taille des images pour
qu'elles aient toutes la même taille ou une taille prédéfinie.
➢ Conversion des listes de visages et d’étiquettes en tableaux Numpy : elle est utile car
NumPy est une bibliothèque puissante pour le calcul scientifique avec des tableaux en
Python. Beaucoup d'outils d'apprentissage automatique tels que Keras attendent des entrées
sous forme de tableaux NumPy. Grossomodo, il faut transformer des listes Python en
tableaux NumPy pour une utilisation dans des algorithmes d'apprentissage automatique.
➢ Encodage les étiquettes en entiers : cela signifie qu’on convertit les étiquettes textuelles en valeurs
numériques car en effet, beaucoup d'algorithmes d'apprentissage automatique attendent des données
numériques en entrée, et ne peuvent pas gérer des données textuelles directement. L'encodage en
entiers résout ce problème.
➢ Diviser les données en ensembles d'entraînement et de test : Il s'agit de séparer un ensemble de
données en deux groupes distincts : un ensemble d'entraînement et un ensemble de test. Cette étape
est importante pour s'assurer que le modèle n'a pas simplement "mémorisé" les données
d'entraînement, mais qu'il est capable de généraliser et de prédire avec précision sur de nouvelles
données qui dans notre cas sont des images. En général, les données sont divisées en ensembles
d'entraînement et de test de manière aléatoire, en utilisant une proportion fixe pour chaque
ensemble. Par exemple, on peut utiliser 80 % des données pour l'ensemble d'entraînement et 20 %
pour l'ensemble de test.

➢ Ajout d’une dimension de canal aux tableaux d’images : signifie que l'on ajoute une troisième
dimension au tableau pour représenter les canaux de couleur de l'image. Par exemple, une image en

P a g e 19 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

noir et blanc aura un seul canal (le canal de luminance), tandis qu'une image en couleur aura trois
canaux (rouge, vert et bleu). Chaque canal est représenté par une matrice à deux dimensions qui
contient les valeurs de chaque pixel pour ce canal.

➢ Conversion des étiquettes en vecteurs one-hot : c’est une technique couramment utilisée
pour représenter les étiquettes sous forme de vecteurs binaires. Par exemple, si l'ensemble
de données contient les étiquettes "Ambassa", "Christian MOTAZE" et "Patrick ESSOLA",
"Susy HEUNA", alors la conversion d'une étiquette "Susy HEUNA", en un vecteur one-hot
aurait comme résultat le vecteur [0, 1, 0], où la deuxième valeur est égale à 1, car c'est la
classe correspondante à Susy HEUNA.
➢ Augmenter les données avec ImageDataGenerator : consiste à générer de nouvelles images
à partir des images existantes en appliquant des transformations aléatoires telles que la
rotation, l'inversion, le zoom. ImageDataGenerator est une classe fournie par la
bibliothèque Keras de Python.
➢ Définir le modèle CNN : Le modèle est défini en utilisant la classe Sequential (), qui permet
de créer une séquence de couches de neurones. Les couches sont ajoutées à la séquence
dans l'ordre dans lequel elles doivent être traitées. Le modèle commence avec une couche
Conv2D, qui est une couche de convolutions 2D avec 32 filtres de taille 3x3 et une fonction
d'activation ReLU. Cette couche prend en entrée des images de taille (width, height, 1), où
1 représente un seul canal (par exemple, une image en noir et blanc). Ensuite, une couche
de normalisation de lots (BatchNormalization) est ajoutée, suivie d'une couche de pooling
(MaxPooling2D) qui réduit la taille spatiale de la sortie de la couche précédente. Ensuite,
trois autres couches Conv2D, chacune suivie d'une couche de normalisation de lots et de
pooling, sont ajoutées avec des filtres de taille 3x3 et des fonctions d'activation ReLU. La
dernière couche Conv2D a 256 filtres. La sortie de la dernière couche de pooling est aplatie
en un vecteur à une dimension (Flatten), puis est passée à une couche Dense de 512
neurones avec une fonction d'activation ReLU. Une couche Dropout est ajoutée pour
réduire le surapprentissage en désactivant aléatoirement 50% des neurones de cette couche
pendant l'entraînement. Enfin, une couche Dense est ajoutée avec un nombre de neurones
égal au nombre de classes dans l'ensemble de données (len(folders)) et une fonction
d'activation softmax, qui donne en sortie une distribution de probabilités pour chacune des
classes. Cette couche est utilisée pour prédire la classe de chaque image.
P a g e 20 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

➢ Entraîner le modèle avec Data Augmentation : lors de l'entraînement d'un modèle

d'apprentissage automatique, on utilise des techniques d'augmentation de données pour
générer de nouvelles images à partir des images existantes dans l'ensemble de données
d'entraînement. Cela permet d'augmenter la taille de l'ensemble de données d'entraînement,
ce qui peut aider à améliorer les performances du modèle en lui permettant de généraliser
mieux sur de nouvelles données. L'augmentation de données peut également aider à éviter
le surapprentissage (overfitting) en rendant le modèle plus robuste aux variations dans les
images.
➢ Évaluer la précision du modèle sur l'ensemble de test : l'on utilise un ensemble de données
distinct de celui utilisé pour l'entraînement du modèle pour évaluer ses performances. Cet
ensemble de données est appelé ensemble de test et il est généralement séparé de l'ensemble
de données d'entraînement au préalable.
➢ Enregistrer le modèle entraîné au format HDF5 (Hierarchical Data Format 5) dans le dossier
"models" : permet de stocker des données de manière structurée et efficace. Il est largement
utilisé en apprentissage automatique pour stocker des ensembles de données volumineux.
➢ Charger le modèle entraîné : Le fichier HDF5 peut être chargé ultérieurement en utilisant
la fonction "load_model" de Keras.
➢ Démarrer la capture vidéo à partir de la webcam
➢ Vérifier si la capture vidéo est en cours
➢ Définir les paramètres de détection de visage : Taille minimale et maximale du visage,
Échelle, Seuil de détection, Méthode de détection, Angle de rotation, Précision de la
détection.
➢ Seuil de confiance pour l'étiquetage des visages inconnus.

P a g e 21 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

C- Construction et entrainement du modèle :

1- Construction du modèle :
Pour notre cas d’étude, nous avons opté pour un modèle CNN (Convolutional Neural Network), qui
comme nous l’avons dit plus haut est constitué de plusieurs couches décrites comme suit :

• Conv2D : Il y a 4 couches Conv2D dans ce modèle, chacune avec une taille de noyau de 3x3, une
fonction d'activation ReLU et un nombre de filtres de 32, 64, 128 et 256 respectivement. Ces
couches de convolution sont utilisées pour extraire les caractéristiques des images de visages.
• BatchNormalization : Il y a 4 couches de normalisation de batch, chacune suivant une couche de
convolution. La normalisation de batch est utilisée pour normaliser les entrées de chaque couche
et accélérer le processus de convergence.
• MaxPooling2D : Il y a 4 couches MaxPooling2D, chacune suivant une couche de convolution et
de normalisation. Ces couches sont utilisées pour réduire la dimensionnalité des caractéristiques
extraites par les couches de convolution.
• Flatten : Après les couches de convolution et de pooling, la couche Flatten est utilisée pour aplatir
les caractéristiques en un vecteur unidimensionnel.
• Dense : Il y a deux couches entièrement connectées Dense dans ce modèle, chacune avec 512
neurones et une fonction d'activation ReLU. Ces couches sont utilisées pour classifier les images
de visages en fonction de l'identité du sujet.
• Dropout : La couche Dropout est utilisée pour éviter le surapprentissage (overfitting) en
régularisant le modèle. Dans ce cas, le taux de dropout est de 0,5.
• Dense : La dernière couche Dense utilise une fonction d'activation softmax et un nombre de
neurones égal au nombre de classes (défini par le nombre de dossiers dans l'ensemble de données).
Cette couche est utilisée pour produire la sortie finale du modèle, qui représente la probabilité de
chaque classe pour une image donnée.

En résumé, ce modèle CNN utilise des couches de convolution, de normalisation de batch, de pooling,
entièrement connectées et de régularisation pour extraire les caractéristiques des images de visages et
classifier les sujets dans l'ensemble de données.

P a g e 22 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

2- Entrainement du modèle :
L'entraînement d'un modèle de reconnaissance faciale basé sur un réseau de neurones convolutionnel (CNN)
implique plusieurs étapes importantes. Voici quelques éléments essentiels pour décrire l'entraînement de
notre modèle CNN de reconnaissance faciale :

Préparation des données : la qualité de l'ensemble de données d'entraînement est essentielle pour
la performance du modèle. L’on doit s’assurer que les images de visages sont de haute qualité, bien
alignées et représentatives des personnes que l’on veut reconnaitre.
Architecture du réseau de neurones : le choix de l'architecture du CNN est crucial pour la
performance du modèle. L’on se doit de choisir une architecture adaptée à l’ensemble de données
définies. Par exemple, nous avons utilisé une architecture basée sur des couches de convolution et
de pooling pour extraire les caractéristiques des images de visages, suivie de couches entièrement
connectées pour la classification.

L’architecture de notre modèle CNN se présente comme suit :

P a g e 23 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

Conv2D (256 filters, 3x3

Conv2D (64 filters, 3x3 kernel,
kernel, ReLU activation)
ReLU activation)

Images du dataset en entrée MaxPooling2D (2x2 pool size) BatchNormalization

Conv2D (32 filters, 3x3 kernel, MaxPooling2D (2x2 pool size)

Conv2D (128 filters, 3x3
ReLU activation) kernel, ReLU activation)

BacthNormalization BatchNormalization Flatten

Conv2D (32 filters, 3x3 kernel, Conv2D (128 filters, 3x3 Dense (1024 neurons, ReLU
kernel, ReLU activation) activation)
ReLU activation)

BatchNormalization BatchNormalization Dropout (0.5)

MaxxPooling2D (2x2 pool Dense (512 neurons, ReLU

size) MaxPooling2D (2x2 pool size)
activation)

Conv2D (64 filters, 3x3 kernel, Conv2D (256 filters, 3x3

Dropout (0.5)
ReLU activation) kernel, ReLU activation)

BatchNormalization Dense (len(folders),

BatchNormalization
activation='softmax')

Figure 20: Architecture du CNN

P a g e 24 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

Hyperparamètres : Pour obtenir les meilleurs résultats pour notre modèle, nous devons ajuster les
hyperparamètres tels que la taille du lot (batch size), le taux d'apprentissage (Learning rate) etc.
Entraînement : le modèle doit être entrainé en utilisant l'ensemble de données d'entraînement.
Pendant l'entraînement, le modèle ajuste les poids des neurones pour minimiser la fonction de coût
(loss function) et améliorer la précision de la classification.
Validation : la validation régulière du modèle sur un ensemble de validations distinctes doit être
faite pour surveiller sa performance et éviter le surapprentissage (overfitting).
Test : une fois que l'entraînement est terminé, l’on doit tester le modèle sur un ensemble de données
de tests distincts pour évaluer sa performance sur des données qu'il n'a jamais vues auparavant.

Il est important de noter que l'entraînement d'un modèle de reconnaissance faciale peut prendre
beaucoup de temps et nécessite souvent des ressources informatiques importantes, telles que des
GPU (unités de traitement graphique) ou des TPUs (unités de traitement tensoriel). Il est également
important de s'assurer que le modèle est éthique et respecte la vie privée des individus en utilisant
des pratiques de sécurité appropriées pour protéger les données personnelles.

Au terme de cette troisième partie, nous pouvons dire que les éléments utiles à la construction de notre projet
sont très bien connus et dès lors, nous pouvons les exploiter.

P a g e 25 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

IV- RESULTATS ET DISCUSSION :

A- Evaluation des performances du modèle :
A ce stade, il convient de vérifier si effectivement les exigences de départ ont toutes été respectées ; il
s’agit ici de :

➢ La précision (accuracy) qui dans notre cas est de 66,6 %

➢ La matrice de confusion : c’est un tableau qui résume les performances du modèle en comparant
les prédictions du modèle avec les valeurs réelles de l’ensemble de données. Elle peut être utilisée
pour calculer des métriques telles que la précision.
➢ La courbe ROC : c’est un graphique qui représente la performance d’un modèle de reconnaissance
faciale en fonction du taux de faux positifs et du taux de vrais positifs. On représente le FPR sur l’axe
X et le TPR sur l’axe Y pour différents seuils de classification.
Les formules du FPR et du TPR sont les suivantes :

TPR = nombre de vrais positifs / (nombre de vrais positifs + nombre de faux négatifs)
FPR = nombre de faux positifs / (nombre de faux positifs + nombre de vrais négatifs)

➢ Temps d’exécution (runtime) : le temps d’exécution est une mesure de la vitesse à laquelle le
modèle de reconnaissance faciale peut traiter les images. Le temps d’exécution peut être important dans
les applications en temps réel telles que la surveillance de la sécurité. Pour obtenir cette valeur, il suffit
d’addition les temps de compilation, d’entrainement et de chargement du modèle, puis d’y ajouter le
temps de reconnaissance faciale en direct par la webcam.
Ainsi,
Te = Tc + Ten + Tch + Trf
où :
Te : Temps d’exécution
Tc : Temps de compilation
Ten : Temps d’entrainement du modèle
Tch : Temps de chargement du modèle
Trf : Temps de reconnaissance faciale en direct par la webcam.

P a g e 26 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

B- Comparaison avec d’autres méthodes de reconnaissance faciale :

Figure 21: Comparaison avec d’autres méthodes de reconnaissance faciale

Les critères de comparaison pour les différentes méthodes de reconnaissance faciale peuvent inclure :

➢ Précision : La précision est la capacité du système à identifier correctement une personne. Les
méthodes de reconnaissance faciale avec une précision plus élevée sont considérées comme plus
efficaces.
➢ Vitesse : La vitesse est le temps nécessaire pour identifier une personne. Les méthodes de
reconnaissance faciale plus rapides sont considérées comme plus efficaces.

P a g e 27 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

➢ Robustesse : La robustesse est la capacité du système à identifier une personne dans des conditions
difficiles telles que des changements de pose, d’expression faciale et d’éclairage. Les méthodes de
reconnaissance faciale plus robustes sont considérées comme plus efficaces.
➢ Sécurité : La sécurité est la capacité du système à empêcher l’accès non autorisé. Les méthodes de
reconnaissance faciale avec une sécurité plus élevée sont considérées comme plus efficaces.
➢ Coût : Le coût est le coût total de la mise en place et de l’utilisation du système de reconnaissance
faciale. Les méthodes de reconnaissance faciale moins coûteuses sont considérées comme plus
efficaces.
➢ Convivialité : La convivialité est la facilité d’utilisation du système de reconnaissance faciale.
Les méthodes de reconnaissance faciale plus conviviales sont considérées comme plus efficaces.

P a g e 28 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

C- Commentaires et Discussion des résultats :

Au vu des résultats que nous avons obtenus pour notre modèle CNN mis sur pied pour la reconnaissance
faciale, l’on peut faire ces commentaires :

• La précision de notre modèle étant de 66,6% et donc supérieure à 50%, le modèle est acceptable en
guise de test expérimental mais ne saurait être implémenté dans une application de la vie courante car n’est
pas assez optimale pour assurer une bonne sécurité.

Figure 22: Tentative de reconnaissance faciale réussie

• La matrice de confusion indiquant des erreurs de la part de notre modèle pour la reconnaissance des
quatre (04) classes que sont AMBASSA, Susy HEUNA, Christiane MOTAZE et Patrick ESSOLA plusieurs
fois montre une fois de plus les limites de notre modèle ; nous en concluons qu’il faudra faire des
améliorations significatives sur ce dernier.

P a g e 29 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

Susy HEUNA Christian Patrick AMBASSA

MOTAZE ESSOLA
Susy HEUNA 10 0 2 3
Christian 0 7 0 4
MOTAZE
Patrick 0 0 0 1
ESSOLA
AMBASSA 3 4 0 10

Tableau 1: Matrice de confusion des classes

• La courbe ROC qui quant à elle est plutôt en cascade même si parfois constante, montre que le
modèle fonctionne assez bien donc peut faire office de test dans le cadre d’une recherche dans le domaine.
En effet, moins la courbe ROC est proche de la diagonale et plus elle se rapproche du coin gauche, plus le
modèle est performant. Aussi, l'aire sous la courbe (AUC pour Area Under the Curve) est un bon indicateur
synthétique de la performance du modèle car plus il se rapproche de 1, plus le modèle est performant. Sur
le graphe, on peut lire que le AUC est 0,62 donc le modèle peut être considéré comme acceptable.

Figure 23: Courbe ROC du modèle

P a g e 30 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

Figure 24: Temps de compilation du modèle

Figure 25: Temps d'entrainement et de chargement du modèle

Le temps d’exécution dans notre cas est donc Te = Tc + Ten + Tch + Trf = 0,007 + 0 + 0,62 + 0,237 = 0,8
s. Ce qui est un temps relativement bon, en guise de « modèle test ».

Où FPS : Frames Per Second

• A partir des critères définis pour la comparaison des méthodes de reconnaissance faciale, nous
pouvons sortir un tableau comparatif tel que suit :

Méthode de Précision Vitesse Robustesse Sécurité Coût Convivialité

reconnaissance
faciale
Caractéristiques Moyenne Rapide Faible Faible Faible Élevée
géométriques
Caractéristiques Moyenne Moyenne Moyenne Moyenne Moyenne Moyenne
locales

P a g e 31 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

| Réseaux de Élevée Moyenne Élevée Élevée Élevée Faible

neurones
convolutifs
RNAs Élevée Élevée Élevée Élevée Élevée Moyenne
multicouches
par
rétropropagation

Tableau 2: Comparaison entre les différentes méthodes de reconnaissance faciale

P a g e 32 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

TABLE DES ILLUSTRATIONS :

Tableau 1: Matrice de confusion des classes ............................................................................ 30
Tableau 2: Comparaison entre les différentes méthodes de reconnaissance faciale ................ 32

P a g e 33 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

LISTE DES FIGURES :

Figure 1:Reconnaissance faciale 2D .......................................................................................... 4
Figure 2: Apprentissage profond ................................................................................................ 5
Figure 3:Exemple de Dataset pour la reconnaissance faciale .................................................... 5
Figure 4: Détection de visage. .................................................................................................... 6
Figure 5: Acquisition de données ............................................................................................... 7
Figure 6: Prétraitement des données .......................................................................................... 7
Figure 7: Extraction des caractéristiques. .................................................................................. 8
Figure 8: Analyse de la texture ................................................................................................... 8
Figure 9: Les réseaux de neurones à propagation avant ............................................................. 9
Figure 10: Les réseaux de neurones récurrents. ......................................................................... 9
Figure 11: CNN. ....................................................................................................................... 10
Figure 12 : GAN ....................................................................................................................... 10
Figure 13: Apprentissage d’un réseau multicouche avec la rétropropagation.......................... 13
Figure 14:Architecture du neurone formel ............................................................................... 14
Figure 15: Equation de l'hyperplan du perceptron ................................................................... 15
Figure 16: Réseau de neurones multicouches .......................................................................... 16
Figure 17: Evolution de la reconnaissance faciale ................................................................... 17
Figure 18: Dataset .................................................................................................................... 18
Figure 19: Images de l'individu 'Susy HEUNA' ....................................................................... 18
Figure 20: Architecture du CNN ............................................................................................. 24
Figure 21: Comparaison avec d’autres méthodes de reconnaissance faciale ........................... 27
Figure 22: Tentative de reconnaissance faciale réussie ............................................................ 29
Figure 23: Courbe ROC du modèle.......................................................................................... 30
Figure 24: Temps de compilation du modèle ........................................................................... 31
Figure 25: Temps d'entrainement et de chargement du modèle ............................................... 31

P a g e 34 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

CONCLUSION:

En conclusion, la reconnaissance faciale est une tâche importante et complexe dans le domaine de la vision
par ordinateur. Les réseaux de neurones artificiels multicouches avec rétropropagation constituent une
méthode efficace pour résoudre ce problème. Ils sont capables d'apprendre des caractéristiques
discriminantes à partir des images faciales brutes pour effectuer une classification précise. Cependant, la
performance de ces modèles dépend de plusieurs facteurs, tels que la taille et la qualité de l'ensemble de
données, la complexité du modèle et les paramètres d'entraînement et même la résolution de l’appareil Il est
important de sélectionner soigneusement ces paramètres pour éviter le surapprentissage et pour améliorer
la précision du modèle. Aussi, la reconnaissance faciale suscite des préoccupations en matière de protection
de la vie privée et de sécurité, ce qui nécessite la mise en place de réglementations et de pratiques éthiques
appropriées.

P a g e 35 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA

 Utilisation des RNAs multicouches par rétropropagation pour la reconnaissance faciale

REFERENCES BIBLIOGRAPHIQUES:

[Link]

[Link]

[Link]

[Link]
couches&rlz=1C1GCEA_enCM930CM930&oq=etat+de+l%27art+des+r%C3%A9seaux+de+neurones+ar
tificiels+multicouches&aqs=chrome..69i57.20734j1j7&sourceid=chrome&ie=UTF-8

[Link]
e=lnms&tbm=isch&sa=X&ved=2ahUKEwjrmdyX1tT-
AhX9RKQEHTfRCkAQ_AUoAXoECAEQAw&biw=1366&bih=657&dpr=1

[Link]

[Link]

[Link]
ciale&rlz=1C1GCEA_enCM930CM930&source=lnms&tbm=isch&sa=X&ved=2ahUKEwj3--Wq6Pr-
AhWAQUEAHT4dA-oQ_AUoAnoECAEQBA

P a g e 36 | 36

Sous la Supervision de Dr. Brice EKOBO AKOA