Convolutional Autoencoder for distorted facial images recognition

Abstract

Facial recognition technology has advanced considerably in recent years, but it encounters difficulties in accurately identifying distorted facial images. In this master’s thesis, we propose a system aimed at improving facial recognition using Convolutional Autoencoders (CAE) to process distorted images. This unsupervised deep learning approach allows us to effectively denoise and reconstruct distorted facial images, thereby improving recognition accuracy. We chose Convolutional Autoencoders for their performance in detecting deformation and reconstructing images. We trained the CAE on a custom dataset comprising both distorted and undistorted facial images, generated using the Photopea application and systematically organi- zed. A classifier based on VGG16 was then used to differentiate clear faces from distorted faces, leveraging the enhanced images produced by the CAE. The experiments conducted on the distorted face dataset yielded favorable results, de- monstrating significant improvements in image quality and classification accuracy. The system application was tested and validated, showing its potential to enhance the robustness and reliability of facial recognition systems in security applications

La technologie de reconnaissance faciale a considérablement avancé ces dernières an- nées,mais elle rencontre des difficultés à identifier avec précision les images faciales déformées. Dans ce mémoire de master, nous proposons un système visant à améliorer la reconnaissance faciale en utilisant des Autoencodeurs Convolutionnels (CAE) pour traiter les images défor- mées. Cette approche d’apprentissage profond non supervisée nous permet de débruiter et de reconstruire efficacement les images faciales déformées, améliorant ainsi la précision de la reconnaissance. Nous avons choisi les Autoencodeurs Convolutionnels pour leurs performances en détec- tion la déformation et en reconstruction d’images. Nous avons entraîné le CAE sur un ensemble de données personnalisé comprenant des images faciales déformées et non déformées, générées à l’aide de l’application Photopea et organisées systématiquement. Un classificateur basé sur VGG16 a ensuite été utilisé pour différencier les visages nets des visages déformés, en tirant parti des images améliorées produites par le CAE. Les expérimentations menées sur l’ensemble de données de visages déformés ont donné des résultats favorables, démontrant des améliorations significatives de la qualité des images et de la précision de la classification. L’application du système a été testé et validé, montrant son potentiel à renforcer la robustesse et la fiabilité des systèmes de reconnaissance faciale dans les applica- tions de sécurité.