Reconnaissance de visages : une méthode originale combinant analyse discriminante logistique et distance sur graphe Alexis Mignon Frédéric Jurie GREYC – CNRS / ENSICAEN / Université de Caen alexis.mignon@info.unicaen.fr Résumé Nous nous intéressons dans cet article au problème pas- sionnant qu’est la reconnaissance de visages dans des cas non contraints, c’est-à-dire dans des situations où l’éclai- rage, la pose, la taille du visage dans l’image ne sont pas contrôlés. Nous proposons ici deux contributions origi- nales : une méthode d’apprentissage de distance par ana- lyse en composantes logistiques discriminantes (LDCA), combinée à une méthode d’apprentissage semi-supervisé au moyen de graphes. Nous avons validé cette approche sur la base d’image La- beled Faces in the Wild, base sur laquelle nos résultats sont au-dessus de l’état de l’art. Mots clefs Apprentissage de distances, reconnaissance de visages, ap- prentissage semi-supervisé, séparateurs à vaste marge. Abstract In this paper, we are interested in the challenging pro- blem of face recognition in unconstrained cases, i.e. si- tuations in which illumination, pose and size of the face in the picture are uncontrolled. We propose here two ori- ginal contributions : a Logistic Discriminant Component Analysis (LDCA) metric learning method combined with a semi-supervised learning method based on graphs. We tes- ted this method on the Labeled Faces in the Wild database on which our results are above the state of the art. Keywords Distance metric learning, face recognition, semi- supervised learning, SVM. 1 Introduction La reconnaissance de personnes à partir des visages pré- sents dans des images suscite un vif attrait [34, 23, 22, 16, 25] dans la communauté scientifique ; cela s’explique d’une part en raison des intérêts applicatifs mais aussi du défi que cela représente pour les algorithmes de vision ar- tificielle ; ils doivent être capables de faire face à la grande variabilité des aspects des visages eux-mêmes tout autant FIG. 1 – Exemples d’images de la base LFW. qu’aux variations des paramètres de prise de vue (pose, éclairage, coupe de cheveux, expression, arrière-plan, etc.). En réalité, la notion de reconnaissance de visage recouvre plusieurs problèmes différents, comme (a) déterminer si les deux sujets photographiés sont une seule et même per- sonne ; (b) étant donné l’image d’un visage, vérifier l’iden- tité de la personne (tâche d’authentification) ; (c) étant donné l’image d’un visage, déterminer s’il s’agit de l’une des personnes contenues dans une liste, et si oui laquelle. Cet article se consacre à la première de ces tâches que nous appellerons par la suite problème des paires corres- pondantes. D’une manière générale, nous posons le problème comme celui de l’apprentissage d’une distance entre visages. Nous supposons disposer d’un ensemble de paires d’images de visages, certaines de ces paires représentant des visages de personnes différentes, d’autres des paires de visages pro- venant de la même personne mais avec des variations d’ex- pression, de pose ou d’illumination. Pour chacune de ces paires nous connaissons la vérité terrain, c’est-à-dire que nous savons s’il s’agit de la même personne ou non. Notre calcul de similarité s’appuie sur quatre grandes étapes : 1. Chaque visage est représenté par un vecteur d’attri- buts. 2. Nous effectuons ensuite une transformation linéaire des données de départ en utilisant une méthode ins- pirée de [29], dont l’intérêt est, en plus de réduire la