Hybrid Multi-Objective Active Appearance Model for Gamer's Facial Features Detection
Résumé
Nous proposons dans cet article un algorithme d'analyse facial robuste multi-cameras pour les jeux vidéo, capable d'extraire des caractéristiques faciale lorsque le visage produit de larges mouvements latéraux. La gestuelle des joueurs lors des manœuvres tactiques produites dans les mondes virtuels rend l'analyse des visages impossible avec une seule camera. Notre système d'acquisition multi-cameras permet de résoudre ce problème mais en soulève un autre : celui de l'analyse d'un même visage par plusieurs sources vidéo synchrones. Nous proposons une telle analyse en nous appuyant sur des modèles actifs d'apparence 2.5D pour lesquels nous proposons une optimisation hybride (algorithmes génétiques et descente de gradient) dans le contexte multicritères de Pareto. Cette proposition est évaluée sur des séquences multi-vues de visages réels et synthétiques, des tests comparatifs avec une approche non-hybride illustre son intérêt. In this article we propose a robust facial analysis of multiple camera system for cyber games which is capable of extracting the facial features of a face making large lateral movements. Tactical maneuvers of the gamer make single camera acquisition system unsuitable to analyse and track the face due to his large lateral movements. Although our proposition of double camera acquisition system resolved this problem, but the facial data obtained from both cameras produces optimization problems for face search algorithms. For an improved facial analysis system, we propose to acquire the facial images from two cameras and analyse them by Pareto based hybrid multi-objective face search optimization for 2.5D Active Appearance Model (HMOAAM). Proposed algorithm is applied on number of multi-view real and synthetic facial images and its results are compared with a non hybrid system. Results obtained validate our proposition.