Quel est l’effet de la normalisation photométrique sur le regroupement de visages privés ?

La normalisation photométrique peut améliorer le regroupement privé des visages en réduisant les différences d’éclairage avant la comparaison des embeddings, mais un traitement trop agressif peut effacer des indices d’identité.

Un membre de la famille photographié près d’une lampe chaude, d’une fenêtre lumineuse et dans un couloir sombre peut former plusieurs groupes même lorsque l’alignement du visage est correct. La normalisation ajuste la luminosité, le contraste, les couleurs ou l’éclairage estimé avant l’exécution du modèle d’embeddings. Le recadrage transformé peut rapprocher les vecteurs d’une même personne, mais le résultat dépend de l’adéquation du prétraitement à la distribution d’entraînement du modèle.

L’éclairage modifie les pixels sans modifier l’identité

La lumière directionnelle crée des ombres et des zones de forte luminosité, l’exposition écrête les détails et la balance des blancs modifie la couleur de la peau. Un modèle d’embeddings peut interpréter ces changements comme une variation d’identité, augmentant la distance entre les photos d’une même personne. Cette distinction reste visible lors des tests ultérieurs dans le foyer.

Une étude sur l’évaluation des méthodes de normalisation examine vingt et une méthodes de prétraitement et montre que leurs effets sur la reconnaissance faciale diffèrent sensiblement. Le résultat montre qu’il faut mesurer une méthode de normalisation avec le modèle choisi plutôt que de supposer que toute correction du contraste est bénéfique.

Le regroupement amplifie les changements systématiques de distance, car un seul seuil décide si les recadrages rejoignent une personne existante ou forment un nouveau groupe. Un changement modeste des embeddings peut donc séparer de nombreuses photos. Le résultat intermédiaire doit rester vérifiable avant toute automatisation.

La normalisation estime et supprime les composantes d’éclairage

Les méthodes peuvent égaliser les histogrammes, normaliser le contraste local, transformer l’intensité logarithmique, supprimer l’éclairage à basse fréquence ou accentuer les gradients. Elles cherchent à préserver la réflectance et la structure du visage tout en réduisant les motifs de luminosité causés par l’environnement. Cette limite doit être mesurée séparément dans des conditions d’utilisation réalistes.

Un projet de recherche sur la compensation de l’éclairage des visages applique cette compensation avant la reconnaissance et reconstruit une représentation du visage plus stable à partir d’une image de luminosité. Ce prétraitement modifie les pixels transmis à la fois au modèle d’embeddings et à l’évaluation de la qualité.

Les méthodes globales peuvent mal gérer les visages dont un côté est lumineux et l’autre sombre, tandis que les méthodes locales peuvent amplifier le bruit et les artefacts de compression. La normalisation des couleurs peut également modifier de manière inégale les informations relatives au teint selon les appareils photo. La conséquence pratique apparaît lorsque plusieurs sources se disputent un contexte limité.

La distribution des embeddings et les seuils changent après le traitement

Un recadrage normalisé passe par le même encodeur, mais la distribution de ses vecteurs peut différer de celle des images de référence non traitées. Le mélange de pipelines peut accroître la variance au sein d’une même personne ou rapprocher des personnes distinctes dont les indices ont été supprimés de façon similaire. Cette dépendance doit rester explicite dans l’interface finale.

Une analyse comparative des compromis de la normalisation de l’éclairage indique que les variations d’éclairage dégradent la reconnaissance et compare plusieurs approches de normalisation. Ces résultats confirment que la méthode, le jeu de données et le classifieur interagissent. Le résultat doit donc être vérifié par rapport aux éléments probants d’origine.

La limite critique est la sur-normalisation ou l’application incohérente. Si seules les nouvelles photos sont transformées, ou si la correction détruit les taches de rousseur, les couleurs et les textures fines, les groupes peuvent fusionner des personnes différentes même si le rappel pour une même personne augmente. Cette distinction reste visible lors des tests ultérieurs dans le foyer.

-15% OFF

ZimaBoard 2 - Mini serveur domestique pour votre grande idée

Single board computer zimaboard2

$339.00 - $519.00

Buy Now

Reconstruire l’évaluation d’un groupe selon les conditions d’éclairage

Étiquetez les visages privés de test par personne et par condition d’éclairage, notamment en lumière chaude, froide, en contre-jour, en faible luminosité, au flash et sous un éclairage mixte. Enregistrez les recadrages originaux, les recadrages normalisés, les scores de qualité, les embeddings, les distances aux plus proches voisins, les affectations aux groupes et les visages rejetés. Le résultat intermédiaire doit rester vérifiable avant toute automatisation.

Comparez les séparations avec les erreurs faciales liées à l’éclairage. Évaluez l’absence de normalisation et les méthodes candidates avec le même détecteur, le même alignement, le même modèle, le même algorithme de regroupement et le même seuil ; mesurez séparément le rappel pour une même personne et les fusions entre personnes différentes. Cette limite doit être mesurée séparément dans des conditions d’utilisation réalistes.

Adoptez la normalisation uniquement lorsqu’elle réduit les séparations dues à l’éclairage sans provoquer un nombre inacceptable de fausses fusions. Versionnez le pipeline de prétraitement avec chaque embedding et reconstruisez les groupes incompatibles plutôt que de mélanger silencieusement les populations de vecteurs. La conséquence pratique apparaît lorsque plusieurs sources se disputent un contexte limité.