Une combinaison de classifieurs pour la reconnaissance des visages humains

Voir Plus Voir Moins

Afficher le Résumé

la reconnaissance de l'écriture, et particulièrement l'écriture manuscrite reste un défi d'actualité. différentes techniques de reconnaissance de formes ont été utilisées pour la résolution de ce problème, certaines ont donné des résultats remarquables. malheureusement, les techniques classiques se basent sur le principe de minimisation du risque empirique et souffrent des problèmes de sur-apprentissage et du grand nombre de paramètres à fixer par l'utilisateur. pour tenter de résoudre ces problèmes, une nouvelle direction dans le domaine de l'apprentissage statistique a émergé de la théorie de vapnik et les machines à vecteurs de support et leurs applications dans le domaine de la reconnaissance des formes. le travail présenté dans ce mémoire s'intègre dans le cadre général de la reconnaissance automatique de l'écriture arabe manuscrite, et répond à la nécessité d'expérimenter une nouvelle méthode d'apprentissage : les machines à vecteurs de support (svm : support vectors machines), appliqué à la reconnaissance des caractères arabes manuscrits. avant de décider la classe d'appartenance du caractère en entrée, il est nécessaire d'effectuer un certain nombre de traitements : binarisation, lissage, normalisation et extraction de contour. afin de caractériser nos images de caractères arabes, nous avons opté pour une combinaison entre des caractéristiques statistiques provenant de la distribution des pixels, et des caractéristiques structurelles basées sur les motifs géométriques de l'alphabet arabe.le système proposé combine, selon le schéma un contre tous, plusieurs svm, spécialisés, chacun, dans la séparation d'une classe des classes restantes