Documentation : DeepFace :
La reconnaissance faciale est un sujet d'actualité depuis plusieurs décennies. Bien qu'il existe
différentes bibliothèques de reconnaissance faciale, DeepFace est devenu largement populaire et est
utilisé dans de nombreuses applications de reconnaissance faciale.
DeepFace, développé par Facebook AI Research (FAIR), représente une avancée significative dans ce
domaine en atteignant des performances proches de celles des humains dans la vérification de visages.
1- Principe de fonctionnement :
DeepFace utilise des réseaux de neurones profonds pour effectuer la reconnaissance faciale. Il s'agit
d'un réseau neuronal convolutionnel (CNN) qui apprend à extraire des caractéristiques discriminantes
des visages, comme les contours, les textures et les configurations faciales.
- Vérification de Visage : La tâche de vérification de visage consiste à comparer un visage avec un
autre pour vérifier s'il correspond ou non. Par conséquent, la vérification de visage est couramment
utilisée pour comparer le visage d'un candidat à un autre. Cela peut être utilisé pour confirmer qu'un
visage physique correspond à celui figurant sur un document d'identité.
- Reconnaissance de Visage : La tâche consiste à trouver un visage dans une base de données d'images.
La réalisation de la reconnaissance faciale nécessite d'exécuter la vérification de visage plusieurs fois.
- Analyse des Attributs Faciaux : La tâche d'analyse des attributs faciaux consiste à décrire les
propriétés visuelles des images de visage. En conséquence, l'analyse des attributs faciaux est utilisée
pour extraire des attributs tels que l'âge, la classification du genre, l'analyse des émotions ou la
prédiction de la race/ethnicité.
- Analyse Faciale en Temps Réel : Cette fonctionnalité inclut le test de la reconnaissance faciale et de
l'analyse des attributs faciaux avec le flux vidéo en temps réel de votre webcam.
2- Étapes du processus :
+Détection de visages :
DeepFace amorce son processus en identifiant les visages présents dans une image. Cette étape repose
sur des approches de pointe telles que les Algorithmes de Détection et à travers l’extractions des
régions d’intérêt.
Algorithmes de Détection : Il peut utiliser des algorithmes de détection d'objets tels que la
méthode de Viola-Jones, qui utilise des caractéristiques en cascade pour détecter les visages.
Alternativement, des réseaux neuronaux spécialisés dans la détection de visages, comme les
réseaux basés sur R-CNN (Region-based Convolutional Neural Networks) ou SSD (Single
Shot MultiBox Detector), peuvent également être utilisés.
Extraction des Régions d'Intérêt : Une fois qu'un visage est détecté, DeepFace extrait la région
d'intérêt (ROI) correspondante, c'est-à-dire la zone de l'image où se trouve le visage détecté.
Cette région est ensuite utilisée pour les étapes suivantes, notamment l'alignement et
l'extraction de caractéristiques.
+Alignement des visages :
Une fois les visages détectés, DeepFace les aligne pour les mettre dans une orientation standard. Cela
garantit que les caractéristiques faciales importantes sont correctement positionnées pour l'analyse
ultérieure.
Repérage des Points de Repère : Il utilise des algorithmes de détection de points de repère
pour identifier les caractéristiques importantes du visage, telles que les yeux, le nez et la
bouche. Ces points de repère permettent de définir les axes et les orientations du visage.
Transformation et Correction : En utilisant les points de repère identifiés, il applique des
transformations géométriques pour aligner le visage de manière que les caractéristiques
importantes soient correctement positionnées. Cela peut impliquer des rotations, des
translations et des mises à l'échelle pour obtenir une orientation standard.
Normalisation : Une fois alignés, les visages sont normalisés pour garantir une cohérence dans
les caractéristiques spatiales. Cela garantit que les caractéristiques faciales importantes sont
correctement positionnées pour l'analyse ultérieure, comme l'extraction de caractéristiques
pour la reconnaissance faciale.
+Extraction de caractéristiques :
Le réseau CNN extrait ensuite des caractéristiques importantes des visages alignés. Ces
caractéristiques sont souvent des vecteurs numériques qui représentent des aspects spécifiques du
visage, tels que la forme des yeux, du nez et de la bouche.
Lorsqu'un visage est détecté et aligné, il utilise un réseau neuronal convolutionnel (CNN) pour extraire
des caractéristiques significatives du visage. Ces caractéristiques peuvent inclure des informations sur
la forme des yeux, du nez, de la bouche, ainsi que sur les textures et les motifs du visage.
Conversion en vecteur d'embedding : Les caractéristiques extraites sont ensuite converties en
un vecteur d'embedding. Ce vecteur est une représentation numérique compacte qui capture de
manière abstraite les informations essentielles du visage tout en réduisant la dimensionnalité
de manière significative.
Comparaison des embeddings : Pour comparer deux visages et déterminer s'ils appartiennent à
la même personne, DeepFace compare les vecteurs d'embedding correspondants. Cette
comparaison se fait généralement à l'aide de mesures de similarité, telles que la distance
euclidienne ou le cosine similarity, entre les deux embeddings.
Apprentissage des embeddings : Les embeddings utilisés par DeepFace sont appris pendant la
phase d'entraînement du réseau neuronal. Le réseau est entraîné sur de grandes quantités de
données de visages afin d'apprendre à extraire des embeddings discriminants qui sont efficaces
pour la reconnaissance faciale.
+Comparaison :
Après avoir détecté, aligné et extrait les caractéristiques des visages, DeepFace passe à la phase
cruciale de comparaison des vecteurs d'embeddings. Ce processus consiste à calculer la similarité entre
le vecteur d'embedding du visage analysé et ceux stockés dans sa base de données.
Un seuil de similarité est défini pour prendre des décisions : si la similarité dépasse ce seuil, DeepFace
attribue l'identité correspondante au visage analysé. Cette étape de comparaison est fondamentale pour
l'identification et la vérification des personnes, permettant à DeepFace d'effectuer des tâches précises
de reconnaissance faciale avec un haut degré de fiabilité et de précision.
3- Architecture de DeepFace :
DeepFace utilise un CNN avec plusieurs couches pour apprendre des représentations hiérarchiques des
visages. Il comprend des couches de convolution, de pooling et de classification, optimisées pour la
reconnaissance faciale en analysant les caractéristiques locales et globales des visages.
4- Références :
+GitHub : https://github.com/serengil/deepface
+Facebook AI Research. "DeepFace: Closing the Gap to Human-Level Performance in Face
Verification" (2014).
