Mesure de la performance d’un système biométrique

Définition de la biométrie

La biométrie désigne dans un sens très large l’étude quantitative d’une population à l’aide des mathématiques, et plus précisément dans le cas qui nous intéresse, la reconnaissance et l’identification d’individus à l’aide d’une ou de plusieurs caractéristiques physiologiques. Cependant, toutes les caractéristiques d’un être humain ne peuvent pas être utilisées comme moyens d’identification. En effet, pour qu’un système biométrique puisse fonctionner en environnement réel, les caractéristiques physiologiques doivent satisfaire les conditions suivantes [75] :
– être universelles : la caractéristique doit être possédée par chaque individu,
– uniques : la caractéristique doit permettre la différenciation d’un individu par rapport à un autre,
– permanentes : la caractéristique doit être invariante dans le temps,
– enregistrables : la caractéristique doit pouvoir être acquise.

D’autres conditions sont également souvent ajoutées lors de la création d’un système biométrique :
– performante : la caractéristique doit permettre au système de reconnaître efficacement un individu, en minimisant autant que possible les fausses alarmes,
– acceptable : la caractéristique doit être acceptée par les utilisateurs, ce point dépend de la façon dont est perçue la caractéristique par la population,
– infalsifiable : la caractéristique doit être difficilement falsifiable afin d’éviter une utilisation frauduleuse du système.

Les différentes caractéristiques par lesquelles il est possible d’identifier un individu sont appelées modalités biométriques . Les plus couramment utilisées (ou étudiées) sont :

– L’empreinte digitale, une des premières (sinon la première) modalités utilisées. Cette modalité a donné lieu à de très nombreux travaux, et est une des premières applications ayant donné naissance à des produits finis. Notons qu’elle requiert la pose d’un doigt sur un capteur, ce qui peut être mal accepté dans certaines cultures où les questions d’hygiène sont importantes.
– La géométrie de la main comprenant la longueur des doigts ou la largeur de la main. Cette modalité requiert souvent un guide où la main vient se glisser, rendant ainsi la détection/segmentation bien plus aisée. Notons que des méthodes sans contact ont également été développées.
– L’empreinte de la paume de la main où les lignes de la main sont souvent utilisées comme caractéristiques. Cette modalité vient souvent en complément de la géométrie de la main, l’utilisateur n’ayant en effet pas de manipulation supplémentaire à effectuer.
– La voix souvent bien perçue car universelle et sans contact. Cette modalité permet en outre des reconnaissances distantes via un téléphone par exemple.
– L’iris, zone circulaire entourant la pupille. Supposée unique et invariable dans le temps, cette modalité nécessite cependant la coopération de l’utilisateur, la capture pour être utilisable doit en effet être effectuée à une certaine distance maximale de l’objectif.
– La rétine (ou fond de l’œil) est encore plus contraignante que l’iris, mais offre encore davantage de fiabilité.
– L’ADN (ou Acide DésoxyriboNucléique) supposé unique à chaque individu.

Son utilisation reste difficile et son exploitation longue. De plus, l’ADN contient bien plus d’informations que l’identité de l’individu. Son utilisation reste limitée aux enquêtes policières (et c’est tant mieux !).

– Le visage en tant que moyen le plus naturel de reconnaître une personne. Modalité sans contact, une capture peut être réalisée à l’insu des personnes. De nombreuses recherches sont effectuées dans ce domaine, mais les problèmes sont nombreux.
– La géométrie de l’oreille permet l’identification de personnes de profil, et peut venir en complément d’une technologie basée sur le visage.
– La démarche, supposée unique (ou presque) à chaque individu. Les déformations des jambes et bras au niveau des articulations permet la détection du comportement ainsi que la reconnaissance de personnes.
– La signature en tant que biométrie comportementale. Cette modalité peut cependant être variable au cours du temps.
– La dynamique de frappe au clavier où les intervalles de temps entre les pressions successives de deux touches d’un clavier ainsi que la durée des pressions peuvent être utilisées pour une authentification. Cette modalité présente l’avantage d’être à faible coût, et peut venir en complément d’une vérification par mot de passe.

Décomposition en modules

Un système biométrique typique est un système de reconnaissance de forme pouvant être représenté par quatre modules :
– le module de capture : il est responsable de l’acquisition de la donnée biométrique d’un individu. Il peut s’agir d’un appareil photo, d’une caméra ou encore d’un lecteur d’empreinte digitale.
– le module d’extraction de caractéristiques : il détermine à partir de la donnée acquise par le module de capture la nouvelle représentation des données. Cette nouvelle représentation doit être pertinente, idéalement unique pour chaque personne et invariante aux modifications qui peuvent intervenir sur la capture.
– le module de similarité : il compare les données biométriques extraites par le module d’extraction de caractéristiques à un ou plusieurs modèles préalablement enregistrés. Ce module détermine le niveau de similitude (ou de divergence) entre deux empreintes biométriques.
– le module de décision : il détermine si le degré de similitude retourné par le module de similarité est suffisant pour déterminer l’identité d’un individu.

Mesure de la performance d’un système biométrique

La performance d’un système biométrique est un élément essentiel à prendre en compte dans le choix d’un tel système. La mesure de performance d’un système biométrique s’articule autour de trois critères :

– le premier critère est le taux de faux rejet (« False Reject Rate » ou FRR). Ce taux représente le pourcentage d’individus censés être reconnus par le système mais qui sont rejetés. Le système classe alors deux caractéristiques biométriques provenant de la même personne comme provenant de deux personnes différentes.

– le second critère est le taux de faux accepté (« False Acceptance Rate » ou FAR). Ce taux représente le pourcentage d’individus reconnus par le système biométrique alors qu’ils n’auraient pas dû l’être. Le système classe alors deux caractéristiques provenant de deux personnes différentes comme appartenant à la même personne.

– le dernier critère est le taux d’égale erreur (« Equal Error Rate » ou EER). Ce taux est calculé à partir des deux premières quantités et représente traditionnellement un point de mesure de performance. Ce point correspond à l’endroit où FAR = FRR, il représente un compromis entre le nombre de faux acceptés et le nombre de faux rejetés.

Il existe deux manières de présenter les performances d’un système biométrique selon que l’application soit du type authentification ou identification :

– Pour une application de type authentification, la courbe la plus couramment utilisée est appelée courbe ROC (pour « Receiver Operating Characteristic »). Une courbe ROC présente le taux de faux rejeté en fonction du taux de faux accepté. C’est une courbe strictement décroissante, qui pour un système performant va avoir tendance à épouser le repère. Le taux d’égale erreur peut être facilement identifiable puisqu’il s’agit de l’intersection de cette courbe avec la droite d’équation y = x.

– Pour une application de type identification, la courbe la plus utilisée est appelée courbe CMC (pour « Cumulative Match Characteristic »). La courbe CMC représente le taux de reconnaissance du système en fonction du rang. Le rang est une variable définissant à partir de quand l’identification d’un individu est réalisée avec succès. On dit qu’un système reconnaît une personne au rang 0 (aussi appelée rang 1 selon les conventions) si l’individu le plus proche selon le module de similarité correspond bien à l’identité recherchée. S’il s’agit de la deuxième personne la plus proche, elle est alors reconnue au rang 1 (respectivement 2). La courbe CMC est une courbe strictement croissante, dont l’abscisse est comprise entre [0, n − 1] où n − 1 est le nombre d’identités dans la base, et l’ordonnée est comprise entre 0 et 1 (ou entre 0 et 100 selon les conventions). Un des points les plus importants sur ce type de courbe est le taux de reconnaissance pour l’abscisse 0, c’est à dire le nombre de bonnes identifications réussies du premier coup par le système.

Table des matières

INTRODUCTION
I Introduction à la biométrie et état de l’art des techniques de reconnaissance faciale
1 Introduction
1.1 Contexte
1.1.1 Définition de la biométrie
1.1.2 Enrôlement/Authentification/Identification
1.1.3 Décomposition en modules
1.1.4 Mesure de la performance d’un système biométrique
1.1.5 Intérêt de la multimodalité
1.1.6 La modalité infrarouge thermique
1.2 Difficultés
1.2.1 Illumination
1.2.2 Pose
1.2.3 Expressions faciales
1.2.4 Occlusions
1.2.5 Température du corps
1.2.6 Autres difficultés
1.3 Principales Bases de Données de Visages
1.4 Chaîne de Traitement
1.5 Plan
2 Les principales techniques de reconnaissance faciale
2.1 Approches locales
2.2 Approches globales
2.2.1 Techniques linéaires
2.2.2 Techniques non linéaires
2.3 Approches hybrides
2.4 Conclusion
II Réseaux de neurones convolutionnels et décompositions parcimonieuses
3 Réseaux de neurones convolutionnels
3.1 Introduction
3.2 Perceptron Multi–Couches
3.2.1 Le modèle du perceptron
3.2.2 Le modèle de Perceptron Multi–Couches
3.3 Modèle du Réseau de Neurones Convolutionnels
3.3.1 Module de Convolution
3.3.2 Module de Subsampling
3.3.3 Module de Biais
3.3.4 Module non linéaire
3.3.5 Autres types de modules
3.3.6 Organisation du réseau en couches
3.4 Optimisation
3.4.1 Réordonner les échantillons d’apprentissage
3.4.2 Normaliser les entrées
3.4.3 Choisir la fonction d’activation
3.4.4 Initialiser les poids
3.4.5 Choisir le taux d’apprentissage
3.5 Ensemble d’apprentissage et validation
3.6 Préapprentissage
3.7 Conclusion
4 Représentations parcimonieuses
4.1 Introduction
4.2 Représentations parcimonieuses
4.3 Décomposition d’un signal
4.3.1 Approches de « Basis Pursuit »
4.3.2 Approches de « Matching Pursuit »
4.4 Apprentissage de dictionnaires
4.4.1 Dictionnaires prédéfinis
4.4.2 Méthodes d’apprentissage de dictionnaires
4.5 Classification via des représentations parcimonieuses
4.5.1 Pourquoi la parcimonie ?
4.5.2 Approche « Sparse Representation–based Classification »
4.6 Conclusion
III Résultats expérimentaux
5 Résultats expérimentaux unimodaux
5.1 Résultats avec les Réseaux de Neurones Convolutionels
5.1.1 Résultats préliminaires en Visible
5.1.2 Résultats préliminaires en Infrarouge
5.1.3 Résultats sur la base de données Notre–Dame
5.1.4 Importance de l’enrôlement
5.2 Résultats avec un préapprentissage du Réseau de Neurone Convolutionels
5.3 Résultats avec des méthodes parcimonieuses
5.3.1 Apprentissage des dictionnaires
5.3.2 Création des vecteurs caractéristiques parcimonieux
5.3.3 Résultats de l’identification
5.3.4 Robustesse de la méthode parcimonieuse
5.3.5 Variante de la méthode parcimonieuse
5.4 Conclusion
6 La fusion de modalités
6.1 Les types de fusion
6.2 Les différents niveaux de fusion
6.2.1 Fusion avant le matching
6.2.2 Fusion après le matching
6.3 La fusion au niveau des scores
6.3.1 Normalisation des scores
6.3.2 Combinaison des scores
6.4 Résultats de la fusion au niveau capteur
6.5 Résultats de la fusion au niveau caractéristiques
6.6 Résultats de la fusion au niveau scores
6.6.1 Première pondération des scores issus de l’approche neuronale
6.6.2 Deuxième pondération
6.6.3 Résultats pour l’approche fondée sur la parcimonie
6.7 Résumé des résultats
6.8 Conclusion
7 Conclusion et perspectives
CONCLUSION

Lire le rapport complet