Tour d’horizon sur les empreintes digitales

Le stockage et l’appariement

Le temps de calcul de la signature pose un problème pour les systèmes disposant de grosses bases de données, un processus de classification est alors nécessaire pour limiter le temps de recherche de la signature. Lorsqu’une image est stockée, un groupe d’attributs lui est associé en fonction de ses caractéristiques. Lors d’une identification, l’ensemble des signatures de la base correspondant au groupe de l’empreinte nécessitant l’identification, est désarchivé. Puis chacune des images désarchivées est comparées avec celle de l’utilisateur. Ceci permet de réduire sensiblement le temps de recherche en limitant le nombre d’images à comparer, à condition que les différentes catégories soient judicieusement choisies. Parmi les différentes techniques existantes [EM et al ,01] on distingue principalement, l’approche syntaxique (l’image est décrite au moyen de règles et de symboles et une analyse grammaticale permet de lui associer une classe),

L’extraction des singularités de l’image (la position des centres et delta permet de déterminer la classe de l’empreinte) et l’utilisation des réseaux de neurones. La phase d’appariement est la phase critique des systèmes de reconnaissance d’empreinte digitale, elle reçoit en entrée deux signatures issues de deux acquisitions différentes d’empreinte et renvoie en sortie un résultat binaire indiquant si les signatures proviennent de la même empreinte ou non. Bien entendu deux empreintes provenant de la même personne ne seront jamais identiques en raison de l’élasticité de la peau, la présence de poussière, de l’orientation du doigt, lors de l’acquisition…etc. Ceci est caractéristique des systèmes biométriques. La phase d’appariement va calculer le degré de similarité (taux d’appariement) entre les deux signatures et décider si elles peuvent être considérées identiques en fonction d’une valeur de seuil. [Pan et al ,02] Détection de ligne, jonctions de lignes Et terminaisons dans l’empreinte digitale

Les lignes constituent l’une des caractéristiques principales dans l’image de l’empreinte digitale. Elles correspondent à des discontinuités ou variations locales des niveaux de gris. Elles comportent certains points représentant des informations particulièrement robustes telles que les intersections et les points terminaux des lignes. Ce chapitre décrit une approche proposée par F. DESCHENES, D. ZIOUet M.-F. AUCLAIR-FORTIER [Des, 04] portant sur la détection des lignes, jonctions des lignes et terminaisons à partir de l’image en niveau de gris en utilisant la courbure, nous souhaitons nous servir de cette approche pour extraire de l’empreinte digitale, les minuties de type bifurcation et terminaison. L’approche se divise en deux étapes principales. D’abord, à partir des informations sur les lignes extraites de l’image originale (position, plausibilité et orientation), la courbure locale est calculée. A cette fin, deux mesures différentes ont été développées, testées et comparées. La première consiste en la projection du taux de changement de direction des vecteurs d’orientation le long de la ligne. La seconde mesure est la moyenne des produits scalaires des vecteurs d’orientation à l’intérieur d’un voisinage donné. Par la suite, les jonctions et terminaisons de lignes sont localisées à partir de la courbure locale. Dans ce chapitre nous allons détailler les étapes de cette approche. l’empreinte digitale : une image de lignes : La propriété principale qui caractérise l’image de l’empreinte digitale est l’alternance des lignes de crêtes et de vallées qui évoluent dans une direction précise. Un bloc de l’image possède une direction locale constante dans lequel, les niveaux de gris des lignes (crêtes et vallées) constituent une forme sinusoïdale le long de la direction normale à l’orientation locale des crêtes (Fig IV.1). Les valeurs des niveaux de gris atteignent leur maximum local le long de la direction normale aux crêtes [Bel, 06].

Localisation des terminaisons

Rappelons qu’une terminaison, correspond à une jonction T formée par l’intersection de deux contours dont l’un est très court. Comme le montre la figure Fig.IV.9, la réponse d’un détecteur de lignes en présence d’une terminaison confirme cette définition. Dans cette figure, la terminaison est celle de droite. Notons que la plausibilité de la ligne est légèrement plus faible, mais également plus grande dans la terminaison de la ligne (Fig.IV.9 (b)), ceci est dû au lissage utilisé lors de la détection des lignes. Toutefois, un changement d’orientation est détecté (Fig.IV.9 (c)). En se basant sur ces propriétés, les terminaisons de lignes peuvent être localisées par la méthode décrite précédemment. Premièrement, le changement de direction des vecteurs d’orientation à l’intérieur du voisinage local de la terminaison garantit que la courbure est grande en ce point. Les vecteurs d’orientation sont propagés dans une direction unique qui est celle de la ligne. Cela garantit que l’extrémité en question sera visitée et que sa courbure sera mise à jour par l’équation (16).

Nous avons vu dans ce chapitre une approche qui opère directement sur l’image en niveau de gris en procédant, d’abord par la détection des lignes puis la détection des jonctions et terminaisons des lignes, en effet, à partir des lignes extraites de l’image originale, la courbure locale a été calculée. Les auteurs de l’approche ont développé, testé et comparé deux mesures d’estimation de la courbure: le taux de changement de direction des vecteurs d’orientation le long de la ligne (équation 12) et la moyenne des produits scalaires des vecteurs d’orientation à l’intérieur d’un voisinage donné (équation 14). Ensuite, un traitement additionnel, basé sur la courbure estimée et les informations du voisinage, est effectué en vue de localiser avec précision les jonctions et les extrémités. Une évaluation subjective de I’ algorithme a été effectuée pour chacune des deux mesures de courbure proposées et il a été montré que la seconde mesure permet d’obtenir une réponse unique à une jonction de lignes. Nous avons testé et validé les résultats du détecteur de lignes sur les images d’empreintes digitales (Fig IV.4) et comme perspectives, nous souhaiterons implémenter la détection des jonctions et terminaisons pour extraire de l’empreinte digitale les minuties de type bifurcations et terminaisons.

Implémentation de la suppression des non maxima

La détection des lignes consiste en la suppression des non maxima par l’algorithme de Canny [Can 83] dans la direction qui maximise la variance (chapitre I V). L’avantage de l’utilisation de l’approche de binarisation/squelettisation réside dans la simplicité à extraire et détecter les minuties lorsque l’on dispose d’un squelette précis de l’image. L’inconvénient vient de la perte d’information et du bruit introduit au cours de la Binarisation, ce qui provoque l’apparition d’une multitude de fausses minuties et nécessite un traitement à posteriori (chapitre III (Fig III.9)), en plus l’étape de squelettisation est couteuse en temps de calcul car plusieurs balayages sont nécessaires selon l’épaisseur des stries. Ces considérations nous ont amené à étudier une autre approche qui porte sur la détection des lignes, jonctions des lignes et terminaisons directement de l’image en niveau de gris en utilisant la courbure. La détection des lignes porte sur l’estimation de la plausibilité et l’orientation de chaque pixel de l’image. En utilisant les performances des critères de Canny, l’approche propose un détecteur de lignes optimal qui opère séparément sur les directions horizontales et verticales.

Ce détecteur a l’avantage d’être rapide de par son implémentation sous forme de filtres récursifs à impulsion infinie IIR, de plus il est moins couteux en temps d’exécution. Nous avons testé et validé les résultats du détecteur de lignes sur les images d’empreintes digitales et comme perspectives, nous souhaitons implémenter la détection des jonctions et terminaisons pour extraire de l’empreinte digitale les minuties de type bifurcations et terminaisons. Conclusion Générale et Perspectives L’identification et la vérification par les systèmes biométriques utilise les caractéristiques humaines pour différencier les individus, plusieurs caractéristiques humaines ont été exploitées, certaines plus fiables que d’autres, mais toutes devaient être infalsifiables et uniques pour pouvoir être représentatives d’un et un seul individu. Dans notre travail, nous avons choisi « l’empreinte digitale » comme modalité d’identification de par son ancienneté et sa mise à l’épreuve. Les minuties, qui représentent des discontinuités locales dans le flot des crêtes de l’empreinte digitale, sont utilisées pour l’identification. La plupart des systèmes utilise l’approche classique de détection de minuties basée sur la binarisation/squelettisation. Nous avons montré la simplicité d’extraire et détecter les minuties lorsque l’on dispose d’un squelette précis de l’image.

L’inconvénient vient de la perte d’information et du bruit introduit au cours de la Binarisation, ce qui provoque l’apparition d’une multitude de fausses minuties et nécessite un traitement à posteriori, en plus l’étape de squelettisation est couteuse en temps de calcul car plusieurs balayages sont nécessaires selon l’épaisseur des stries de l’empreinte digitale. Ces considérations nous ont amené à étudier une autre approche qui porte sur la détection des lignes, jonctions des lignes et terminaisons directement de l’image en niveau de gris. La détection des lignes est basée sur des filtres récursifs à impulsion infinie en retournant la plausibilité et l’orientation de chaque pixel de la ligne, donc l’image est améliorée avant de passer à l’extraction des jonctions et terminaisons, ceci favorise la méthode surtout quand il s’agit d’empreintes digitales de mauvaise qualité. La détection et la localisation des jonctions et terminaisons des lignes sont réalisées par la suite en utilisant la courbure. L’utilisation des concepts mathématiques renforce la fiabilité des résultats et comme perspectives nous souhaiterons nous en profiter pour extraire de l’empreinte digitale, les minuties de type bifurcation et terminaisons, ensuite, passer à la sélection des minuties candidates à l’identification et l’authentification des personnes.

Table des matières

Introduction générale
Chapitre I Les caractéristiques biométriques
I.1 Introduction
I.2 Les Caractéristiques biométriques
I.3 Analyse et mesure des caractéristiques biométriques
I.3.1 Analyse comportementale
i) La dynamique des frappes au clavier (keystroke-scan)
ii) La reconnaissance vocale (voice-scan)
iii) La dynamique des signatures (signature-scan)
I.3.2 Analyse morphologique
i) Reconnaissance par empreintes digitales (finger-scan)
ii) Reconnaissance par Iris
iii) Reconnaissance faciale
I.4 Choix d’une caractéristique biométrique
I.5 Architecture et fonctionnement des systèmes biométriques
I.6 Performance des systèmes biométriques
I.7 Conclusion
Chapitre II : Tour d’horizon sur les empreintes digitales
II.1. Introduction
II.2.Historique
II.3 Caractéristiques d’une empreinte digitale
II.4 Structure d’un système complet de reconnaissance d’empreinte
II.4.1 Acquisition de l’empreinte
II.4.1 .1 Les familles de capteurs
II.4.2 L’extraction de la signature
II.4.3 le stockage et l’appariement
II.5 Représentation de l’empreinte digitale
II.5.1 Représentation en image
II.5.2 Représentation avec les descripteurs de texture
II.5.3 Représentation en minuties
II.6 Conclusion
Chapitre III : Approche classique d’extraction de minuties
III.1 Introduction
III.2 Approche Classique d’extraction de minuties
III.2.1 La Binarisation
III.2.2 La Squelettisation (amincissement)
III.2.3 L’extraction des minuties
III.2.3.1 Les problèmes rencontrés lors de l’extraction des minuties
III.2.3.2 Elimination des fausses minuties
III.2.4.1 Traitement des terminaisons détectées
III.2.4.2 Traitement des bifurcations détectées
III.3 Approche d’extraction directe à partir de l’image en niveau de gris
III.4 Conclusion
Chapitre IV : Détection de ligne, jonctions de lignes et
terminaisons dans l’empreinte digitale
IV.1 Introduction
IV.1.1 l’empreinte digitale : une image de lignes
IV.2 La détection des lignes dans une empreinte digitale
IV.2.1 Modélisation du filtre par une fonction
IV.2.2 Extension du filtre en deux dimensions
IV.2.3 Représentation de la fonction de détection
IV.2.4 Représentation de la fonction de projection
IV.2. 5 Algorithme de détection des lignes de crêtes
IV.2.5.1 Filtrage de l’empreinte digitale
IV.2.5.2 Suppression des non maxima par l’algorithme de Canny
IV.3 Détection des jonctions et terminaisons des lignes
IV.3.1 Estimation de la courbure locale d’une ligne
IV.3.2 Localisation des jonctions des lignes
IV.3.3 Localisation des terminaisons
IV.4 Conclusion
Chapitre V Résultats expérimentaux
V.1 Introduction
V.2 Extraction des minuties par l’approche binarisation/Squelettisation
V.2.1 L’image de l’empreinte digitale
V.2.2 La Binarisation
V.2.3 La Squelettisation
V.2.4 La détection des minuties
V.3 Approche de détection des lignes, jonctions des lignes et terminaisons
V.3.1 Algorithme de détection des lignes
V.3. 2 Implémentation de l’approche de détection
V.3.2.1 Implémentation du filtrage
V.3.2.2 Implémentation de la suppression des non maxima
V.4 Conclusion
VI Conclusion générale
Bibliographie
Liens Internet

Télécharger le rapport complet