Différence entre détection faciale et reconnaissance faciale
La technologie sépare largement détection faciale et reconnaissance faciale, pourtant ces deux termes créent beaucoup de confusion. La détection faciale capture simplement les images d'une personne traversant une zone bien cadrée par la caméra, puis stocke ces visages dans une base de données interrogeable.
La reconnaissance faciale, elle, récupère les images stockées et les compare à des visages connus dans une base de données. C'est un processus en deux étapes. Un système autonome n'a pas la puissance de calcul pour gérer simultanément détection et reconnaissance.
Aujourd'hui, la détection faciale devient courante sur certains systèmes DVR/NVR avec caméras. À mesure que la résolution et la densité de pixels des caméras s'améliorent, de nombreux appareils intègrent la détection faciale et d'autres fonctions IVS (Intelligent Video Surveillance).
Les DVR et NVR autonomes n'intègrent pas la reconnaissance faciale au cœur du système, cette technologie restant encore plusieurs générations away.
Cependant, la détection faciale est utile dans certains cas. Une caméra bien positionnée et orientée face à une entrée capture les visages et les stocke localement dans une base interrogeable.
Cette fonctionnalité est très pratique si votre système envoie des alertes sur smartphone : lorsqu'une personne entre, l'enregistreur envoie une capture de son visage sur votre téléphone.
Certains algorithmes de reconnaissance faciale identifient les traits en extrayant des points de repère (landmarks) d'une image du visage : position relative, taille et forme des yeux, nez, pommettes, mâchoire.
Ces caractéristiques servent à rechercher d'autres images avec des traits correspondants. D'autres algorithmes normalisent une galerie d'images faciales puis compressent les données, ne conservant que les informations utiles à la reconnaissance. Une image « probe » est ensuite comparée aux données faciales. Les algorithmes se divisent en deux approches : géométrique (traits distinctifs) et photométrique (approche statistique transformant l'image en valeurs comparées à des modèles pour éliminer les variances).
Algorithmes connus : analyse en composantes principales (eigenfaces), analyse discriminante linéaire, correspondance de graphes élastiques (Fisherface), modèle de Markov caché, apprentissage multilinéaire de sous-espaces (représentation tensorielle), correspondance de liens dynamiques à motivation neuronale.
Une tendance émergente, la reconnaissance faciale tridimensionnelle, prétend améliorer la précision. Elle utilise des capteurs 3D pour capturer la forme du visage.
Ces données identifient des traits distinctifs à la surface : contour des orbites, nez, menton. Avantages : insensible aux variations d'éclairage, et identification possible sous divers angles, y compris de profil.