Download Domotique faciale et vocale and more Study Guides, Projects, Research Electrical Engineering in PDF only on Docsity!
i
République Tunisienne Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
Université de Monastir Institut Supérieur d’Informatique et de Mathématiques de Monastir Département de Technologie
Mémoire de Projet de
Fin d’Etudes
Présenté en vue de l’obtention du
Diplôme National d’Ingénieur en Sciences
Appliquées et Technologie
Spécialité :
Électronique : Micro-électronique
Par :
Saida Saidi
Développement d’un Système Domotique
à Commande Faciale et Vocale
Soutenu le 12 juillet 2016 devant le jury composé de :
M. Mohamed BOUBAKER Président
Mme. Ibtihel NOUIRA Rapporteur
Mme. Imène BEN AMEUR Encadrante
Année universitaire : 2015/
DÉDICACE
À mes chers...
Saida
i
iii
Titre Développement d’un Système Domotique à Commande Faciale et Vocale
Résumé La finalité des travaux effectués est de mettre en place un système qui vise à assu- rer la supervision à distance ainsi que le pilotage des équipements électriques dans un habitat (lampes, portes, stores, température,.. .). Notre système comprend trois parties essentielles : En premier lieu, le contrôle d’accès en utilisant un système à base de reconnaissance faciale. En deuxième lieu, la supervision tout en adoptant un système de vidéo surveillance. Et en dernier lieu, la commande vocale qui permet à l’utilisateur de consulter les informations requises et de commander les équipements de son domicile.
Mots-clés Maison Intelligente, Reconnaissance faciale, Synthèse vocale, Commande vocale, Surveillance, Raspberry pi 2, Python.
Title Development of a Home Automation System with Facial and Voice Control
Abstract The purpose of work is to set up a system that aims to ensure remote supervision and the control of electrical equipment in a home (lamps, door, window, temperature,.. .). Our system includes three main parts : First, access control using a facial recognition-based system. Second, supervision while adopting a video surveillance system. And finally, the voice control that allows the user to view the required information and to order the equipment of his home.
Keywords Smart Home, Face recognition, Voice synthesis, Voice control, Supervision, Rasp- berry pi 2, Python.
TABLE DES MATIÈRES
TABLE DES MATIÈRES iv
LISTE DES FIGURES vi
- INTRODUCTION GÉNÉRALE LISTE DES TALEAUX vii
- 1 CONTEXTE GÉNÉRAL DU PROJET
- 1.1 INTRODUCTION
- 1.2 ENVIRONNEMENTS INTELLIGENTS ET DOMOTIQUE
- 1.2.1 Environnements intelligents
- 1.2.2 La domotique
- 1.3 LES MAISONS INTELLIGENTES
- 1.4 SYSTÈME DE CONTRÔLE D’ACCÈS À BASE DE RECONNAISSANCE FACIALE
- 1.4.1 Définition
- 1.4.2 Principe de fonctionnement
- 1.4.3 La reconnaissance faciale
- 1.4.3.1 La méthode LBPH
- 1.4.3.2 Les méthodes Fisherfaces et Eigenfaces
- 1.4.3.3 Analyse en composantes principales (ACP)
- 1.5 SYSTÈME DE VIDÉO-SURVEILLANCE
- 1.5.1 Définition
- 1.5.2 Systèmes de vidéo-surveillance classique CCTV
- 1.5.3 Systèmes de vidéo-surveillance analogique avec magnétoscopes traditionnels
- 1.5.4 Systèmes de vidéo-surveillance analogique avec enregistreurs numériques
- 1.5.5 Caméra Réseau
- 1.5.6 Solution proposée
- 1.6 RECONNAISSANCE DE LA PAROLE TABLE DES MATIÈRES v
- 1.6.1 Définition
- 1.6.2 Utilité de la reconnaissance de la parole
- 1.6.3 Principe de fonctionnement
- 1.6.3.1 Le spectrographe
- 1.6.3.2 Technologie numérique
- 1.6.3.3 Reconnaissance vocale avec google API
- 1.7 CONCLUSION
- CONCLUSION GÉNÉRALE
- ANNEXE D SPÉCIFICATION TECHNIQUE DE RASPBERRY PI
- ANNEXE E CARACTÉRISTIQUES DE CAPTEUR DE MOUVEMENT
- BIBLIOGRAPHIE
- 1.1 Relation entre l’intelligence ambiante et l’environnement [QUISPE, 2013] LISTE DES FIGURES
- 1.2 Schéma général d’un système de reconnaissance des visages
- 1.3 Exemples de Eigenfaces.
- 1.4 Système de surveillance classique
- [MAHMOUD, 2008] 1.5 Système de vidéo-surveillance analogique avec enregistreur numérique
- 1.6 Schéma d’une caméra réseau [MAHMOUD, 2008]
- 1.7 Schéma d’un spectrographe [Khilari, 2015]
- 1.8 Exemple de sonagramme de la phrase : « c’est de l’eau » [Khilari, 2015]
- 1.9 Le principe de base ASR
- 1.10 Principe de la reconnaissance vocale [spe, c]
- 1.11 Capteur PIR
LISTE DES TALEAUX
vii
Le premier chapitre est consacré à la présentation du cadre général de notre projet de fin d’études à savoir la structure générale. Ce chapitre aborde une étude théorique sur les différents blocs de ce projet tel que la reconnaissance faciale, la surveillance domotique et enfin la commande vocale.
Au cours du deuxième chapitre, nous présenterons l’étude conceptuelle et la modélisation de notre système, en décrivant les architectures logicielle et matérielle de notre plate-forme.
La réalisation de notre projet sera exposée dans le dernier chapitre dans lequel nous décrirons les étapes de réalisation de notre système ainsi que les principaux aperçus graphiques de la solution.
Enfin, nous clôturons ce présent rapport par une récapitulation du travail accompli ainsi que les perspectives d’améliorations.
CHAPITRE 1
CONTEXTE GÉNÉRAL DU PROJET
1.1 Introduction
Le début de ce chapitre est consacré à la présentation de l’environnement intelligent et la do- motique en approfondissant plus particulièrement le cas de la maison intelligente. Ensuite, un rapide tour d’horizon permettra d’aborder les techniques de reconnaissance faciale. L’autre par- tie dressera une idée sur le système de vidéo surveillance et finalement la dernière partie sera consacrée pour le système à commande vocale.
1.2 Environnements intelligents et domotique
1.2.1 Environnements intelligents
Un environnement intelligent consiste à implémenter un espace physique adaptable qui optimise les services aux utilisateurs en se basant sur des technologies omniprésentes. Aussi, il est consi- déré comme étant l’ensemble des détecteurs et actionneurs qui ont été intégrés, pour réagir à des événements et s’adapter aux personnes présentes [env, ].
Les capteurs sont les éléments nécessaires pour faire le lien entre le monde physique et le monde
3
Chapitre 1. Contexte général du projet
Les caméras de surveillance peuvent être utilisées dans les maisons intelligentes pour détecter des situations de risque, quelques utilisateurs peuvent accepter de perdre une partie de leur vie privée si cela permet de leur garantir une meilleure sécurité tandis que d’autres n’acceptent pas que ces dispositifs seraient inclus dans leur vie quotidienne.
La sécurité : En obtenant des données concernant les activités de vie quotidienne en les enregistrant pour l’exploiter, Il est possible que ces données relatives aux maladies, à la situation des personnes soient utilisées par des individus. Les implémentations des systèmes perceptifs doivent donc garantir aux utilisateurs que leurs données ne seront pas utilisées pour des buts non souhaités.
1.2.2 La domotique
La domotique est l’ensemble des technologies permettant d’automatiser les équipements d’un habitat. Ce terme vient du mot latin domus qui désigne une demeure patricienne [def, 2016]. La domotique vise à apporter des fonctions : — de confort (commandes à distance, gestion d’énergie), — de sécurité (alarme), — de communication (contacts et discussion avec des personnes extérieures). Entre intelligence ambiante et domotique, il existe plusieurs similarité, mais il y a des points qui permettent de les distinguer, car la domotique couvre les bâtiments intelligents (par exemple, la maison, le bureau) alors que l’intelligence ambiante concerne une gamme d’applications plus vaste comme la circulation des véhicules ou les espaces publics (une station de métro, un parc). En plus, elle ne s’occupe pas seulement de l’automatisation mais de la surveillance, de l’ana- lyse de comportement. Une autre différence importante est que la domotique ne nécessite pas forcement l’utilisation des techniques de l’Intelligence Artificielle (IA)[QUISPE, 2013].
Les principales fonctions dans lesquelles s’appliquent les techniques de la domotique sont : — La gestion de l’énergie. — La commande des équipements. — La communication entre les appareils. — la compensation des situations de handicap et de dépendance.
5
Chapitre 1. Contexte général du projet
1.3 Les Maisons intelligentes
Une maison intelligente est une maison équipée d’un câblage structuré spécial pour permettre aux occupants de contrôler ou programmer un ensemble de dispositifs électroniques à domicile automatisé. Par exemple, un propriétaire en vacances, peut utiliser un téléphone à clavier pour armer un système de sécurité à la maison, les jauges de température de contrôle, les appareils de commutation ou hors tension, l’éclairage de contrôle, et effectuer de nombreuses autres tâches [Henry, ].
La maison intelligente a ainsi de nombreuses fonctionnalités : — L’amélioration du confort dans la maison (chauffage, climatisation, ventilation, éclairage et volets/stores électriques). — La gestion de la consommation électrique et aide à la réduction de la consommation d’énergie. — L’aide des habitants à conserver leur santé, leur sécurité et leur bien être. — L’intégration des activités domestiques et de loisir dans la maison. La maison intelligente en d’autres termes peut être définie comme une amélioration du style de vie, on peut citer quelques exemples de projets de maisons intelligentes :
Aging In Place - University of Missouri : C’est un projet qui a pour but de donner aux personnes âgées un espace indépendant qui permette de garantir une surveillance médicale adéquate. Le système mis en oeuvre s’ap- pelle In-Home Monitoring System (IMS) dont l’objectif de est de permettre un plus grand confort et éviter une trop grande intrusion. La détection de situations de dé- tresse à travers l’analyse des données fournies par les capteurs. Aussi, La reconnaissance vidéo a été utilisée dans le but de compléter les informations des autres capteurs notam- ment pour la détection des événements anormaux [QUISPE, 2013].
CompanionAble - UE : Le but est de concevoir un système d’assistance ayant pour base l’observation multimodale et l’interaction homme-machine. Ce projet s’intéresse en particulier à inclure une interface audio pour la communication entre le robot et l’habitat, le robot étant capable de se dépla- cer et donc de s’approcher à une distance raisonnable de la personne [QUISPE, 2013].
HomeCare - LAAS Toulouse :
6
Chapitre 1. Contexte général du projet
FIGURE 1.2 – Schéma général d’un système de reconnaissance des visages
La méthode de Viola et Jones consiste à balayer une image à l’aide d’une fenêtre de détection de taille initiale 24 px par 24 px (dans l’algorithme original) et de déterminer si un visage y est présent [GUILLOT, 2016]. Lorsque l’image a été parcourue entièrement, la taille de la fenêtre est augmentée et le balayage recommence, jusqu’à ce que la fenêtre fasse la taille de l’image. L’augmentation de la taille de la fenêtre se fait par un facteur multiplicatif de 1.25. Le balayage, quant à lui, consiste simplement à décaler la fenêtre d’un pixel. Ce décalage peut être changé afin d’accélérer le processus, mais un décalage d’un pixel assure une précision maximale.
1.4.3 La reconnaissance faciale
Le module de reconnaissance exploite les caractéristiques du visage ainsi extraites pour créer une signature numérique qu’il stocke dans une base de données. Ainsi, à chaque visage de la base est associée une signature unique qui caractérise la personne correspondante. La reconnaissance d’un visage requête est obtenue par l’extraction de la signature requête correspondante et sa mise en correspondance avec la signature la plus proche dans la base de données. La reconnaissance dépend du mode de comparaison utilisé : vérification ou identification.
8
Chapitre 1. Contexte général du projet
Le mode vérification : c’est une comparaison « un à un », dans lequel le système valide l’identité d’une personne en comparant les données biométriques saisies avec le modèle biométrique de cette per- sonne stockée dans la base de données du système.
Le mode identification : c’est une comparaison « un à N », dans lequel le système reconnaît un individu en l’ap- pariant avec un des modèles de la base de données. La personne peut ne pas être dans la base de données.
Il existe plusieurs techniques de reconnaissance faciale telles-que : — La technique fisherfaces, — la technique Eigenfaces, — la technique LBPH.
1.4.3.1 La méthode LBPH
La méthode de reconnaissance faciale LBPH (Local Binary Patterns Histogram) consiste à vi- sualiser la valeur d’un pixel (moyenne des trois composantes RGB) par rapport aux pixels voi- sins. Pour commencer, l’image est divisée en groupe de pixels. Chaque groupe de pixels corres- pond à une matrice carrée contenant les valeurs des pixels. Puis, le pixel placé au centre de la matrice est choisi comme valeur de référence [Blin Sebastien, 2016]. Ensuite, toutes les valeurs de la matrice sont remplacées soit par 0 , soit par 1 en fonction de leur valeur.
Nous attribuons la valeur 0 si la valeur du pixel est inférieure à la valeur du pixel de référence, 1 sinon. Après cette opération, chaque pixel du groupe est pondéré avec un poids plus ou moins fort (le pixel en haut à gauche a le poids le plus faible, tandis que le pixel en bas à droite a le poids le plus fort). Ainsi, nous obtenons un nombre binaire qui donne une certaine valeur en base 10. Tous les groupes de l’image sont soumis à ce processus pour finalement obtenir un histogramme de l’image. Enfin, il ne reste plus qu’à faire la différence entre deux histogrammes pour comparer deux images.
Chapitre 1. Contexte général du projet
1.4.3.3 Analyse en composantes principales (ACP)
Étant donné un ensemble d’images de visages exemples, il s’agit tout d’abord de trouver les composantes principales de ces visages (voir figure 1.3), Ceci revient à déterminer les vecteurs propres de la matrice de covariance formée par l’ensemble des images stockées dans la base de données. Chaque visage exemple peut alors être représenté comme étant une combinaison linéaire de ces vecteurs propres et pour construire la matrice de covariance, chaque image de visage est transformée en vecteur (Chaque élément du vecteur correspond à l’intensité lumineuse d’un pixel).
FIGURE 1.3 – Exemples de Eigenfaces.
Dans le cas de notre projet, notre approche consiste à représenter un visage comme étant la combinaison linéaire d’un ensemble d’images, ces dernières forment une base de référence. Mathématiquement, cela revient à parvenir à l’équation :
Φi =
M i^ ∑= 1 pidi^ (1.1) où di représente le visage propre, et pi le coefficient associé. Le détail de cette technique peut être consulté dans [Khefif, 2013].
Nous allons chercher à trouver les visages propres ; tout d’abord, nous devons prendre un nombre M de visages d’apprentissage. Chacune de ces images, qui sont en pratique des matrices N × N sont alors transformées en un unique vecteur colonne de longueur N^2.
Nous devons par la suite déterminer le visage moyen, déduit des M visages d’apprentissages.
11
Chapitre 1. Contexte général du projet
Ψ = M^1
M i^ ∑= 1 Γi^ (1.2)
Ce visage moyen va servir dans l’analyse d’images, on soustrait en effet ce visage moyen aux visages d’apprentissages, ce qui nous laisse alors les informations propres à ce visage, nous ré- cupérons alors dans φ i uniquement les informations qui sont particulières à ce visage d’appren- tissage [Anis CHAARI, 2008]. Où φ i représente le ieme^ visage auquel on a soustrait le visage moyen.
φ i = Γi − ψ (1.3)
A présent, nous devons calculer la matrice de covariance D. Elle correspond à :
D = (^) M^1
M n^ ∑= 1 ΦnΦtn^ =^ AAt^ (de dimension N^2 ×^ N^2 )^ (1.4) avec A = [Φ 1 , .., ΦM] de dimension N^2 × M
Nous devrions calculer les vecteurs propres di de la matrice. Mais cela représente pour nous N^2 vecteurs propres de dimension N^2 chacun. C’est à présent que nous allons réduire l’information en limitant les composantes avec lesquelles nous travaillerons, en accord avec le principe de l’analyse en composantes principales. Nous allons donc considérer la matrice E = AT^ A, dont nous trouverons les vecteurs propres ei.
Cette matrice est de taille M × M, ce qui nous simplifiera donc les choses, étant donné que nous aurons M vecteurs propres de taille M chacun. Le passage de la matrice D à la matrice E n’est pas anodin, nous utilisons en effet le fait que les vecteurs propres de ces deux matrices sont liés de manière assez proche. En effet, nous avons comme relation :
Eei = AT^ Aei = λ iei (1.5)
avec λ i la valeur propre associée au vecteur propre ei
En multipliant cette équation par la matrice A, il vient :
AEei = A λ iei (1.6)
12
