III.
Les principales méthodes de
reconnaissance faciale
La reconnaissance faciale a évolué au fil du temps.
On distingue deux grandes familles de méthodes :
🔹 A. Méthodes classiques (avant le Deep Learning)
Ces méthodes reposent sur des techniques statistiques et d’analyse d’images.
Elles transforment le visage en un vecteur de caractéristiques numériques (features)
puis comparent ces vecteurs pour identifier la personne.
1️⃣ PCA – Principal Component Analysis (Méthode des Eigenfaces)
Principe :
PCA cherche à réduire la dimension des images en ne gardant que les informations les plus
importantes (les composantes principales).
Chaque visage est représenté comme une combinaison linéaire de "visages moyens" appelés
eigenfaces.
Étapes :
1. On convertit chaque image de visage en un grand vecteur.
2. On calcule les directions (axes) qui contiennent le plus de variance dans les données.
3. Chaque visage est projeté sur cet espace réduit → un vecteur de caractéristiques.
4. Pour reconnaître une personne, on compare la distance entre ce vecteur et ceux des
visages connus.
Avantages :
Simple et rapide.
Fonctionne bien sur des datasets contrôlés (même lumière, même position).
Inconvénients :
Sensible aux changements d’éclairage, de pose ou d’expression.
2️⃣ LDA – Linear Discriminant Analysis (Méthode des Fisherfaces)
Principe :
LDA cherche à maximiser la séparation entre les classes (personnes) plutôt que la variance
totale.
Elle essaie donc de trouver les caractéristiques qui différencient le mieux les individus.
Différence avec PCA :
PCA : maximise la variance globale.
LDA : maximise la séparation entre classes.
Étapes :
1. Réduction de dimension (souvent après PCA).
2. Calcul des axes qui séparent le mieux les classes (personnes).
3. Chaque visage est projeté dans cet espace discriminant.
Avantages :
Plus robuste aux variations d’expression et de lumière.
Très adapté aux datasets comme Yale Faces.
Inconvénients :
Nécessite plusieurs images par personne pour bien fonctionner.
3️⃣ LBP – Local Binary Patterns
Principe :
LBP ne regarde pas le visage dans son ensemble, mais les textures locales (petites zones).
Pour chaque pixel, il compare les intensités de ses voisins et encode le résultat sous forme
binaire.
Étapes :
1. Pour chaque pixel → on compare les pixels voisins.
2. Si le pixel voisin est plus clair → 1, sinon → 0.
3. Le motif binaire obtenu décrit la texture locale (rides, ombres, contours).
4. L’ensemble des motifs forme une signature unique du visage.
Avantages :
Rapide et peu sensible à l’éclairage.
Facile à implémenter.
Inconvénients :
Moins précis sur des visages à forte variation de pose.
🔹 B. Méthodes modernes basées sur le Deep Learning
Depuis les années 2010, les réseaux de neurones profonds ont révolutionné la reconnaissance
faciale.
Ils apprennent directement à extraire les caractéristiques discriminantes à partir d’un grand
nombre d’images.
1️⃣ CNN – Convolutional Neural Networks
Principe :
Un CNN apprend à reconnaître des motifs visuels (yeux, nez, bouche, etc.) dans les images.
Chaque couche apprend des caractéristiques de plus en plus abstraites du visage.
Étapes :
1. Entrée : image du visage.
2. Couches convolutionnelles : extraction automatique de caractéristiques.
3. Couches denses : apprentissage de la représentation faciale.
4. Sortie : vecteur (embedding) ou probabilité d’identité.
Avantages :
Très grande précision (> 99% sur certains benchmarks).
Résistant aux changements d’éclairage, de pose, et d’expression.
Inconvénients :
Besoin de beaucoup de données et de puissance de calcul.
2️⃣ Modèles populaires
🔸 FaceNet (Google)
Produit un vecteur de 128 dimensions par visage (appelé embedding).
Compare les visages via une distance euclidienne.
Utilise la loss triplet pour rapprocher les visages d’une même personne.
🔸 VGG-Face (Oxford)
Réseau basé sur VGG16, entraîné sur plus de 2,6 millions d’images.
Très performant pour la reconnaissance et la vérification d’identité.
🔸 DeepFace (Meta/Facebook)
L’un des premiers modèles de Deep Learning pour la reconnaissance faciale (2014).
Atteignait déjà 97% de précision sur le dataset LFW (Labeled Faces in the Wild).
3️⃣ Utilisation des embeddings faciaux
Principe :
Un réseau comme FaceNet transforme chaque visage en un vecteur numérique (embedding).
Deux visages proches → vecteurs similaires (petite distance).
Deux visages différents → vecteurs éloignés.
Étapes typiques :
1. Détection du visage.
2. Extraction de l’embedding via un réseau (FaceNet, VGG-Face, etc.).
3. Comparaison des embeddings par distance (cosine ou euclidienne).
⚖️Comparatif global
Méthode Type Avantages Limites
Sensible à la lumière et
PCA (Eigenfaces) Classique Simple, rapide
expression
Besoin d’images multiples
LDA (Fisherfaces) Classique Sépare bien les classes
par personne
Rapide, robuste à
LBP Classique Moins précis globalement
l’éclairage
CNN / DeepFace / Moderne (Deep Très précis, robuste, Nécessite gros dataset et
FaceNet Learning) automatique GPU