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 : Détection de visage plus robuste avec fallback automatique vers Haar cascade
• Alignement de visage : Recalage automatique basé sur les landmarks pour réduire la variabilité angulaire
• Vote majoritaire amélioré : Lissage temporel sur fenêtre glissante (20 frames par défaut) pour réduire le bruit
• Support multi-utilisateurs : Gestion de plusieurs utilisateurs autorisés avec centroïdes séparés
• Prétraitement amélioré : CLAHE (Contrast Limited Adaptive Histogram Equalization) pour 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 consécutives 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