fingerprint £ fingervein fusion
TRANSCRIPT
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 1/91
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHESCIENTIFIQUE
UNIVERSITE TAHRI MOHAMMED, BECHARFACULTE DES SCIENCES EXACTES
DEPARTEMENT DES MATHEMATIQUES ET DE L’INFORMATIQUE
MEMOIRE DE MASTER
En vue de l’obtention du diplôme de Master en informatiqueOption Systèmes Informatiques et Réseau
Intitulé
UN SYSTÈME BIOMÉTRIQUE BASÉ SUR LA
FUSION DES EMPREINTES DIGITALES ET DES
VEINES DES DOIGTS
Présenté par : Encadré par :
KHELIFI Naim Dr. ELMIR Youcef
2014/2015
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 2/91
Dédicaces
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 3/91
Remerciements
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 4/91
Résumé
~ I ~
Résumé :
Ce travail consiste à réaliser un système d’authentification biométrique multimodal basé
sur la fusion des deux modalités biométriques : empreinte digitale et les veines de doigts. Il
permet de vérifier ou identifier les individus à partir des caractéristiques extraites de leursempreintes digitales ainsi que leurs veines des doigts. L’objectif principal de ce travailréside dans la partie de fusion multimodale.
Dans ce cadre, une approche comparative entre les différentes techniques de fusion ; principalement, au niveau des caractéristiques et au niveau des scores a été mise enévidence pour s’en sortir finalement d’une nouvelle technique qui sert à faire coaliser les
deux principes de fusion pour améliorer les résultats de vérification/identification. Cetteétude a été validée sur une base de données multimodale SDUMLA-HMT.
Cette nouvelle approche a amélioré les r ésultats de test d’une manière significative, elle a
présenté également un niveau de performance assez agréable.
Mots clés : BIOMETRIE, EMPREINTE DIGITALE, VEINES DES DOIGTS, IDENTIFICATION, VERIFICATION
ال
ا
ا
د
ي
ظم
اء
ا
دت
اظم
ا
,اشص
ف
ا
ه
طا
اشص
كا
أو
اف
ا
ص
ف
ك
ا
س
ا
وق
و
ت
اضع
ب
اذن
.أ
وق
و
ت
ا
ئا
ادا
ات
.
خا
,ئا
ى
و
ئا
ى
خ
و
ئا
د
ت
ة
ر
,اق
ا
ة
ط
اااح
اات
زج
اوا
ه
.
كا
ا
ض
ئ
.اث
ضع
اا هاةد ت ة ا تاSDUMLA-HMT.
تك
.ا
,ا
وق
,ا
ت
,ا
ات
Abstract :
This work has to release a multimodal biometric authentication system based onfingerprints and finger vein fusion. It has to check the person identity form thecharacteristics extracted from their fingerprints and finger vein. The purpose of this objectis the multimodal fusion.
For that, a comparison between some fusion techniques was made, essentially the fusionon characteristics level and on scores level. Finally a new fusion’s method has been
proposed; it consists to use both of characteristics and scores level fusion. This new fusiontechnique improved the recognition performance.
This proposed technique was validated on a multimodal database SDUMLA-HMT.
Keywords : biometrics, fingerprint, finger vein, authentication.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 5/91
Sommaire
~ II ~
SommaireRésumé : ............................................................................................................................................. I
Introduction générale: ..................................................................................................................... 6
1. Introduction à la biométrie: .................................................................................................... 9
1.1. Introduction générale et définitions : ............................................................................. 9
Définition de la biométrie : ...................................................................................................... 9
Application de la biométrie : ................................................................................................. 11
1.2. La biométrie unimodale : .............................................................................................. 11
1.3. La biométrie multimodale : ........................................................................................... 12
Les niveaux de fusion : .................................................................................................. 14
1.4. Critères d’évaluation des performances : .................................................................... 15
Evaluation de la précision d’un système biométrique : ...................................................... 17
1.5. Conclusion : .................................................................................................................... 20
2. La reconnaissance de l’empreinte digitale : ......................................................................... 22
2.1. Introduction : .................................................................................................................. 22
Définition: ............................................................................................................................... 23
2.2. Techniques d’extractions des caractéristiques : .......................................................... 25
2.2.1. Localisation des minuties : .................................................................................... 25
2.2.2. Traitement des textures: ........................................................................................ 282.3. Techniques de comparaison : ........................................................................................ 28
Comparaison locale (des minuties) (6): ........................................................................ 28
Comparaison globale (texture) : ................................................................................... 29
2.4. Conclusion : .................................................................................................................... 30
3. La reconnaissance des veines des doigts : ............................................................................ 32
3.1. Introduction: ................................................................................................................... 32
3.2. Techniques d’extraction des caractéristiques : ............................................................ 34
PHGTOG pour la représentation d’image : ........................................................................ 36
Extraction des caractéristiques PHG : ........................................................................... 36
Extraction des caractéristiques PHT : ............................................................................ 39
Extraction des caractéristiques PHOG : ........................................................................ 40
3.3. Techniques de comparaison : ........................................................................................ 41
3.4. Conclusion : .................................................................................................................... 42
4. Approche proposée et implémentation : .............................................................................. 44
4.1. Description de l’application : ........................................................................................ 444.1.1 Langage de programmation : ................................................................................ 44
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 6/91
Sommaire
~ III ~
4.1.2. Diagramme conceptuel de l’approche proposée : .................................................... 45
4.1.2.1 Prétraitement: ......................................................................................................... 46
4.1.2.2 Extraction des caractéristiques : ........................................................................... 50
Fonction et Filtre de Gabor (19) ............................................................................................. 50
4.1.2.3. Fusion des caractéristiques : ............................................................................. 54
4.1.2.4. La comparaison : ................................................................................................ 54
Comparaisons des caractéristiques : ............................................................................ 54
Analyse en Composantes Principales (ACP) : ..................................................................... 55
L’analyse Discriminante Linéaire (LDA) (20) : ................................................................... 55
Mesure des distances : ............................................................................................................ 57
A. Distances Euclidiennes ................................................................................................... 57
A.1. Distance City Block (L1) ................................................................................................ 57A.2 Distance Euclidienne (L2) ............................................................................................... 58
B. Distances dans l’Espace de Mahalanobis : ................................................................... 58
B.1 De l’espace des images à l’espace de Mahalanobis : .................................................... 58
B.2 Mahalanobis L1 (MahL1) ............................................................................................... 59
B.3 Mahalanobis L2 (MahL2) ............................................................................................... 59
B.4 Cosinus de Mahalanobis ( MahCosine) ........................................................................... 59
4.1.2.3 Fusion des scores : .................................................................................................. 60
1) Approche par combinaison de scores : ......................................................................... 61
2) L’approche par classification de scores : ..................................................................... 62
4.1.3 Interface graphique : ............................................................................................. 64
4.2 Expérimentation et résultats obtenus : ......................................................................... 66
4.2.1 Base de données utilisée : ....................................................................................... 66
4.2.2 Scénarios : ............................................................................................................... 69
4.2.3 Résultats : ................................................................................................................ 73
4.2.4 Discussions : ............................................................................................................ 74
4.2.5 Conclusion : ............................................................................................................ 77
Conclusion générale et perspectives: ............................................................................................ 79
Bibliographie ..................................................................................................................................... i
Annexe 1 :......................................................................................................................................... iii
Annexe2 :.......................................................................................................................................... iv
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 7/91
Table des figures
~ IV ~
TABLE DES FIGURES
Figure 1. Exemples des modalités biométrique ----------------------------------------------------------- 10 Figure 2 Sources de différents types de fusion de traits biométriques. ------------------------------- 13
Figure 3 Distribution des taux de vraisemblance des utilisateurs légitime et desimposteurs d’un système biométrique.---------------------------------------------------------------- 18 Figure 4 Courbe ROC (Receiver Operating Characteristics) (2) ------------------------------------- 19 Figure 5 Exemple d’une empreinte digitale ---------------------------------------------------------------- 23 Figure 6 Les différents types d’empreintes : (a) Image de type arc, (b) Image de type boucle,
(c) Image de type spiral ---------------------------------------------------------------------------------- 23 Figure 7 Exemples de quatre familles de crêtes. ---------------------------------------------------------- 24 Figure 8 Les points singuliers -------------------------------------------------------------------------------- 24 Figure 9 Augmentation d’image ----------------------------------------------------------------------------- 26 Figure 10 Amincissement d’image --------------------------------------------------------------------------- 26 Figure 11 Type de minuties ----------------------------------------------------------------------------------- 27 Figure 12 La technologie de reconnaissance des veines de doigt d’HITACHI- Japon ------------ 32 Figure 13 Extraction des caractéristiques PHG. --------------------------------------------------------- 37 Figure 14 Extraction des caractéristiques PHT. --------------------------------------------------------- 38 Figure 15 Extraction des caractéristiques PHOG. ------------------------------------------------------- 41 Figure 16 Structure veineuse de doigt ---------------------------------------------------------------------- 41 Figure 17 Interface Matlab ----------------------------------------------------------------------------------- 44 Figure 18 Diagramme conceptuel de reconnaissance des veines et empreintes digitales
fusionnées au niveau des caractéristiques et au niveau des scores. ------------------------------ 45 Figure 19 Script de finger_ROI ----------------------------------------------------------------------------- 46 Figure 20 Détermination des ROI d’une empreinte digitale ------------------------------------------- 47
Figure 21 Détermination de ROI d’une empreinte digitale à partir des contours. ---------------- 48 Figure 22 Script vein_ROI. ----------------------------------------------------------------------------------- 48 Figure 23 Détermination de ROI d’une image des veines de doigt ----------------------------------- 49 Figure 24 Représentation tridimensionnelle de la fonction de Gabor -------------------------------- 51 Figure 25 Masque du filtre de Gabor de rayon 21 pixels pour θ =0, f =√2 /10 et σx= σ y=7 ---- 51 Figure 26 Représentation d’une sphère avec la distance euclidienne (A.1.a) et la distance ------ 58 Figure 27 Les deux vecteurs m et n dans l’espace de Mahalanobis ----------------------------------- 59 Figure 28 Schéma de la fusion des scores. ------------------------------------------------------------------ 61 Figure 29 Interface graphique ‘fusion gui’. --------------------------------------------------------------- 64 Figure 30 Démonstration de la tache de vérification. --------------------------------------------------- 65
Figure 31 Quelques exemples des images des veines du doigt. ----------------------------------------- 66 Figure 32 Quelques exemples des images des empreintes digitales prises par les cinq capteurs
de SDUMLA-HMT. -------------------------------------------------------------------------------------- 68 Figure 33 Fusion au niveau des caractéristiques. -------------------------------------------------------- 70 Figure 34 Fusion au niveau des scores. --------------------------------------------------------------------- 71 Figure 35 Fusion hybride. ------------------------------------------------------------------------------------- 72 Figure 36 Les courbes ROC des cinq scenarios. ---------------------------------------------------------- 76 Figure 37 Les courbes CMC des cinq scenarios. --------------------------------------------------------- 77
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 8/91
Table des tableaux
~ V ~
TABLE DES TABLEAUX
TABLEAU 1 Influence des paramètres du filtre de Gabor ............................................. 53
TABLEAU 2 Tableau comparatif des tailles d’images des cinq capteurs.......................... 68
TABLEAU 3 Résultats du scenario 1 . ............................................................................... 73
TABLEAU 4 Résultats des reconnaissances du scenario 2. ............................................... 73
TABLEAU 5 Résultats des reconnaissances des scenarios 3, 4 et 5 ................................. 74
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 9/91
Introduction générale
Introduction
Générale
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 10/91
Introduction générale
~ 6 ~
Introduction générale:
La biométrie est un terme dont on entend de plus en plus parler dans la vie de tous les
jours. Des nombreuses applications utilisent aujourd'hui la biométrie, celle qui correspond
au plus grand déploiement est la mise en place, prévue pour 2009 des passeports
biométriques utilisant le visage et l'empreinte digitale pour la délivrance et le contrôle de
l'identité (1). Cependant, la biométrie n'est pas vraiment récente. Son apparition remonte au
19ème siècle, avec les premières études alors appelées anthropométrie. Les empreintes
digitales ont ensuite été utilisées pour l'identification des personnes par la police. Cette
utilisation policière n'a d'ailleurs jamais été abandonnée, et les empreintes digitales sont
toujours utilisées (aujourd'hui de manière automatique avec les traitements informatiques)
pour l'identification criminelle. La biométrie souffre d'ailleurs un peu de cette image
policière et a du mal à se faire accepter par le grand public pour d'autres types
d'applications. Cela dit, aujourd'hui la biométrie n'est plus limitée aux empreintes digitales
et à l'identification criminelle. De nombreuses modalités sont aujourd'hui utilisées pour des
applications de contrôle d'accès à des locaux ou à des objets personnels. On peut citer le
visage, la voix, la signature, l'iris, la forme de la main ou les veines des doigts et d'autres
encore sont à l'étude comme la démarche, la forme de l'oreille ou la dynamique de frappe
au clavier.
Cependant, les systèmes biométriques utilisant une seule biométrie (appelés systèmes
monomodaux) ont trois limitations principales : une limitation en termes de performances,
une limitation en termes d'universalité d'utilisation et une limitation en termes de détection
des fraudes. La première limitation concerne les performances en reconnaissance parce que
les biométries sont des caractéristiques physiques variables dans leur acquisition mais aussi
dans leur nature. La deuxième limitation est due à la non-universalité de certaines
biométries. La non-universalité signifie que certaines biométries ne sont pas possédées par
le sujet à authentifier ou ne sont pas assez informantes pour permettre la vérification de
l'identité de certaines personnes. Par exemple, certaines personnes peuvent avoir les
empreintes digitales inutilisables à cause d'un accident ou d'un travail manuel prolongé qui
a endommagé la peau au niveau des empreintes digitales. Une personne muette ne peut
utiliser la reconnaissance par la voix ou une personne handicapée ne peut signer. La
troisième limitation concerne la détection des impostures. En effet, la fraude ou le vol
d'identité est un problème qui a toujours existé et qui peut être réduit par la biométrie car il
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 11/91
Introduction générale
~ 7 ~
est plus facile de falsifier un mot de passe ou un papier d'identité que de reproduire un
visage ou des empreintes digitales. Cependant ces impostures existent, en particulier pour
les empreintes digitales qui est, de nos jours, la biométrie la plus utilisée et pour laquelle il
est possible de "voler" (car les empreintes digitales laissent des traces) et de reproduire (àl'aide de silicone par exemple) les empreintes digitales d'une autre personne.
Toutes ces limitations peuvent être réduites voire supprimées par l'utilisation conjointe de
plusieurs systèmes biométriques formant alors un système biométrique multimodal. Les
systèmes multimodaux permettent d'améliorer les performances de reconnaissance en
combinant les décisions de plusieurs systèmes. Ils permettent également de régler le
problème de non-universalité de certaines biométries en proposant une alternative aux
personnes ne pouvant utiliser certaines biométries. Et enfin, ils permettent de limiter les possibilités de fraude car il est plus difficile d'obtenir et de reproduire plusieurs
caractéristiques qu'une seule.
C’est pour c’est raison que le présent mémoire présente la proposition de réalisation d’un
système biométrique multimodale basé sur la fusion des deux traits à savoir les empreintes
digitales et les veines des doigts.
La première modalité est la plus utilisée dans le domaine de la biométrie depuis des siècles jusqu’aujourd’hui du fait qu’elle est la plus répondue chez les humains, à moins qu’elle
présente des limites de performances de reconnaissance et elle est la plus exposée à la
fraude. A cet égard, une autre modalité (les veines des doigts) assez récente a été choisie
pour réduire ou supprimer les anomalies constatées dans la reconnaissance à base des
empreintes digitales.Ces deux traits biométriques proviennent des mêmes sources qui sont
les doigts, cet avantage permet aux exploitants de cette technique de profiter de la facilité
et la rapidité de processus d’acquisition.
Dans le premier chapitre, on va présenter une brève introduction à la biométrie dans
laquelle quelques définitions et notions de base sont relatés. Dans les deux chapitres qui
suivent, on va décortiquer les deux types de reconnaissance de notre travail à l’occurrence
les empreintes digitales et les veines des doigts respectivement. Ainsi, dans le chapitre
quatre qui représente le cœur du sujet, l’approche proposée est développée et les résultats
obtenus sont discutés pour conclure finalement par une présentation des limites rencontrées
et des perspectives qui peuvent faire l’objet des futurs travaux.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 12/91
Introduction à la biométrie
Chapitre
Introduction à la
Biométrie
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 13/91
Introduction à la biométrie
~ 9 ~
1.
Introduction à la biométrie:
1.1. Introduction générale et définitions :
La vérification automatique de personnes représente un marché gigantesque plébiscite pardes besoins de sécurité de plus en plus accrus. Ces besoins se martèlent sous différentes
formes, ils s’expriment en terme de contrôle d’accès physique a des lieux protégés, de
contrôle d’accès virtuel à des réseaux d’ordinateurs, de répression dans le domaine
juridique ou de personnalisation d’objets à usage prive (téléphone et autres). (2)
A terme, les prévisions les moins indulgentes ne soutiennent que les modes traditionnels
d’identification (code PIN, mot de passe, badge, clef, etc.) seront amenés à être remplacés par des systèmes biométriques. Ces mécanismes identifient une connaissance ou une
possession, ils sont ainsi enclins à l’invasion d’un usurpateur (vol, duplication, etc.). La
biométrie est un domaine à très fort potentiel, en ce sens qu’elle est rattachée à la structure
d’une personne (elle peut être physique : iris, voix, etc. ou comportementale : dynamique
de frappe, signature, etc.).
Définition de la biométrie :
La biométrie est la science qui vérifie l’identité des individus à travers des mesures
physiologiques ou des traits comportementaux.
Il peut y avoir plusieurs types de caractéristiques physiques, les unes plus fiables que les
autres, mais toutes doivent être universelles (exister chez tous les individus), uniques
(permettre de différencier un individu par rapport à un autre), permanentes (autoriser
l'évolution dans le temps), mesurables (autoriser une comparaison future) et enfin on peutles collecter (enregistrer les caractéristiques d'un individu avec l'accord de celui-ci). (2)
Les techniques biométriques peuvent être classées en deux catégories. La première repose
sur les techniques d'analyse des comportements. Cette dernière concerne l’étude des
actions répétitives et usuelles des personnes. Par exemples, l’analyse de la dynamique de la
signature (vitesse de déplacement du stylo, accélérations, pression exercée, inclinaison) ou
la façon d'utiliser un clavier d'ordinateur (la pression exercée, la vitesse de frappe, lessuites de caractères répétitives). (2)
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 14/91
Introduction à la biométrie
~ 10 ~
En revanche, la seconde catégorie est basée sur les techniques d'analyse de la morphologie
humaine. Ces der nières utilisent comme moyens d’analyse les empreintes digitales, la
forme géométrique de la main, les traits du visage, le dessin du réseau veineux de l’œil,
etc. Ces éléments ont l'avantage d'être stables dans la vie d'un individu. La figure ci-dessous illustre des exemples de modalités biométriques :
Figure 1. Exemples des modalités biométrique
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 15/91
Introduction à la biométrie
~ 11 ~
Application de la biométrie :
On distinguera quatre groupes importants d’utilisateurs de ces différents techniques
biométriques. On parlera alors de service publique, de transaction commerciale et bancaire,
application de la loi et accès physique et logique. (3)
Service publique : utilisé généralement dans le contrôle automatique des entrées
sortis d’un territoire, le contrôle des flux d’immigration, dans les aéroport, on notera
surtout l’utilisation des techniques telles que : l’iris, l’empreinte digitales, le visage.
Application de la loi : dans ce cas précis, la biométrie permet de faciliter certains
opérations comme l’authentification d’identité des criminels par reconnaissance de
leurs empreintes digitales.
Cette pratique qui a montré son efficacité se mondialise, de coup, la réalisation d’une
base de données mondiale est en cours de réflexion. On trouve aussi d’autres
utilisations comme le suivi des prisonniers à domiciles assuré par des systèmes de
vérifications de la voix dans certains états des Etats Unies.
On trouvera même des techniques qui ont permis à identifier des individus en
kidnapping ou à retrouver des identités masqués.
Transactions commerciales et bancaires : utilisé dans des services de commerce
électronique visant à renforcer l’achat d’un bien ou d’un service.
Accès physique ou logique : on parle de contrôle d’accès physique lorsqu’on veut
sécuriser l’accès à un lieu (accès à un endroit sécurisé), alors que le contrôle d’accès
logique concerne l’accès informatique à un terminal, un serveur de données ou
réseau informatique ou de télécommunication.
1.2. La biométrie unimodale :
Comme son nom l’indique, la biométrie unimodale s’intéresse à mettre en cause une seule
modalité (empreinte, veine, visage, voix, etc.) afin de réaliser un système d’authentification
biométrique.
Plusieurs facteurs devraient être pris en considération pour évaluer la performance d’une
modalité par rapport à l’autre à savoir :
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 16/91
Introduction à la biométrie
~ 12 ~
L’accessibilité : signifie la facilité de prise de modalité.
Le cout : présente des capteurs plus au moins chers, plus au moins robustes selon
les besoins.
La stabilité : certaines modalités sont relativement variables par rapport à d’autres àla force d’âge où des accidents susceptibles subir.
Exemple : visage avec ou sans barbe.
La performance : Ce sont les performances du couple (capteur-algorithme) qui
devraient être vérifiées et ceci en fonction du contexte d’utilisation.
A moins que les systèmes unimodaux reconnaissent plusieurs limites dont (4) :
Le bruit d’acquisition dû à la personne (rhume pour la voix, blessure au
doigt etc.) ou de l’état des ca pteurs (capteurs défectueux ou sales,
illumination en imagerie).
Différence entre les conditions d’enrôlement (apprentissage) et de test.
Limite de la capacité discriminante.
Non universel : individus réfractaires à l’enrôlement.
Système beaucoup plus exposé à la contrefaçon.
1.3. La biométrie multimodale :
Afin de remédier aux inconvénients liés aux systèmes unimodaux, on a opté une solution
multi biométrique qui sert à coaliser deux ou plusieurs sources biométriques à une seule
approche d’authentification.
Cette approche consiste généralement à fusionner les informations obtenues des
différentes sources étudiées, ces sources contiennent (5):
i. Différents capteurs pour la même modalité (capteur optique et état-solide
d’empreinte digitale).
ii. Plusieurs instances pour la même modalité (reconnaissance d’iris pour les deux
yeux).
iii.
Plusieurs algorithmes de correspondance pour la même modalité.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 17/91
Introduction à la biométrie
~ 13 ~
iv. Système multi-échantillons : Cette classe désigne les systèmes où un même
capteur est utilisé pour obtenir plusieurs variantes ou représentations
complémentaires d’une seule modalité biométrique. C’est le cas, lors de la
reconnaissance du visage en se basant sur les images du visage de face et selon les profils droit et gauche afin de prendre en compte les variations de la pose faciale.
v. Plusieurs modalités biométriques (voix et visage, empreinte digitale et veine).
Figure 2 Sources de différents types de fusion de traits biométriques.
Le dernier point est appelé aussi la multi-modalité qui peut avoir lieu dans quatre niveaux
de fusion qui se subdivisent eux même en deux catégories (1):
La fusion pré-classification (avant comparaison) et la fusion post-classification (après lacomparaison).
La fusion pré-classification correspond à la fusion des informations issues de plusieurs
données biométriques au niveau du capteur (images brutes) ou au niveau des
caractéristiques extraites par le module d'extraction de caractéristiques.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 18/91
Introduction à la biométrie
~ 14 ~
La fusion post-classification peut se faire au niveau des scores issus des modules de
comparaison ou au niveau des décisions. Dans les deux cas, la fusion est en fait un
problème bien connu de la littérature sous le nom de " Multiple Classifier Systems".
Les niveaux de fusion :
1. Fusion au niveau des capteurs
Les données brutes issues des capteurs sont combinées à ce niveau, ces données
représentent des instances d’une même biométrie obtenues, soit par plusieurs capteurs
compatibles, ou bien par un unique capteur. Par exemple, les images du visage obtenues
par différentes caméras sont combinées pour former un modèle 3D du visage. Les
instances des données doivent être compatibles, par exemple, les images du visage ne
peuvent pas être combinées ensemble, si elles sont prises avec différentes résolutions.
2. Fusion au niveau des caractéristiques
Elle désigne la combinaison des vecteurs de caractéristiques obtenus par les différentes
sources suivantes : plusieurs capteurs, plusieurs instances ou unités d’une même
modalité biométrique, plusieurs modalités biométriques. Lorsque les vecteurs de
caractéristiques sont homogènes (par exemple, plusieurs prises d’une empreinte d’un
individu), il résulte un seul vecteur de caractéristiques qui représente la moyenne des
poids des vecteurs individuels. Dans le cas contraire (des vecteurs de caractéristiques de
différentes biométries telles que : le visage et la signature), une concaténation de ces
derniers est possible afin de former un seul vecteur de caractéristiques. La concaténation
n’est pas possible dans le cas où les caractéristiques ne sont pas compatibles (c’est le
cas pour les minuties des empreintes et les coefficients d’Eigen-face, par exemple).
3.
Fusion au niveau du score
Lorsque les classifieurs biométriques génèrent un ensemble de données avec un degré
de ressemblance (score de classification), l’intégration peut avoir lieu au niveau du
score de classification, appelé aussi fusion au niveau de mesure ou bien au niveau de
confiance. Après les vecteurs de caractéristiques, les scores issus des classifieurs
contiennent des informations très riches relatives aux données en entrée, un autre
avantage de ce niveau est la possibilité d’accéder et de combiner les différents scores
générés par les différents classifieurs, par conséquent, la fusion des données dans cestade est l’approche la plus commune dans les systèmes multi-biométriques.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 19/91
Introduction à la biométrie
~ 15 ~
4. Fusion au niveau des décisions :
La fusion au niveau des décisions est souvent utilisée pour sa simplicité. En effet,
chaque système fournit une décision binaire sous la forme OUI ou NON que l'on
peut représenter par 0 et 1, et le système de fusion de décisions consiste à prendreune décision finale en fonction de cette série de 0 et de 1. Les méthodes les plus
utilisées sont des méthodes à base de votes telles que le OR (si un système a décidé
1 alors OUI), le AND (si tous les systèmes ont décidé 1 alors OUI) ou le vote à la
majorité (si la majorité des systèmes ont décidé 1 alors OUI).
Les systèmes biométriques multimodales ont plusieurs avantages dont :
La robustesse contre la nuisance.
Résolution des problèmes de non universalité.
Renforcement des systèmes biométriques en matière de sécurité.
Ces systèmes multimodales ont attiré considérablement l’attention des chercheurs, d’où la
diversité de plusieurs sortes de combinaisons des modalités biométriques comme : l’iris et
le visage, l’empreinte digitale et le visage, l’empreinte et la voix, etc.
1.4.
Critères d’évaluation des performances :
Il est évident que les caractéristiques qui définissent un système biométrique ont soit des
points forts soit des faiblesses. Leur choix dépendra ainsi de l’application voulue. Du coup,
il ne faut pas s’attendre à avoir une réponse efficace à toutes les exigences d’une
application. Dès lors, le système biométrique optimal n’existe pas (3).
Pour faire correspondre un système biométrique à une application, il faudra alors, voir lemode opérationnelle de cette application, ainsi que les caractéristiques biométriques
choisis.
De ce fait, plusieurs études ont été menées dans le but de pouvoir évaluer les performances
d’un système biométrique en se basant sur des critères d’évaluation comme l’IGB
(International Biométric Group) une société américaine qui a effectué une étude fondée sur
quatre critères d’évaluation qui sont :
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 20/91
Introduction à la biométrie
~ 16 ~
L’intrusivité :
C’est un critère qui classe les systèmes biométriques en fonction de l’existence d’un
contact direct entre le capteur et l’individu à reconnaitre, comme la reconnaissance par
iris qui est jugé comme étant intrusive.
La fiabilité :
Elle dépend de la qualité de l’environnement (éclairage par exemple) dans lequel se
trouve l’utilisateur. Ce critère influe sur la reconnaissance de l’utilisateur par le
système.
Le cout :
Il doit être modéré, c’est-à-dire que la collection d’information ne doit pas être
relativement couteuse pour établir une base de données, par exemple la reconnaissance
par iris exige un appareil photo numérique d’une certaine qualité.
L’effort :
Il est requis par l’utilisateur lors de saisi des mesures biométriques, et il doit être réduit
le plus tôt possible. Il s’ensuit alors une classification des techniques qui pourraientamener à juger de la méthode biométrique qui peut être la plus apte à être utilisée. On se
situera alors sur une sorte d’échelle sur laquelle on classe les techniques :
Des techniques les moins intrusive aux plus intrusives, la voix, la frappe sur le clavier, la
signature, la main, le visage, l’empreinte digitale, l’iris et enfin la rétine.
Des techniques les moins fiables aux plus fiables, l’iris, la rétine, l’empreinte digitale, le
visage, la main, la voix, et enfin la frappe sur le clavier et la signature.
Des techniques les moins couteuses aux plus couteuses : la frappe sur le clavier, la voix, la
signature, l’empreinte digitale, la main, le visage, la rétine et l’iris.
Des techniques les plus faciles à l’utilisation aux plus difficiles : le visage, la signature,
l’iris, la frappe sur le clavier, la voix, l’empreinte digitale, la main et enfin la rétine.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 21/91
Introduction à la biométrie
~ 17 ~
Evaluation de la précision d’un système biométrique :
La performance d’un système biométrique peut être mesuré aussi sur la base d’autres
critères tel que : la précision, l’efficacité et le volume des données stockées pour chaque
locuteur. Cependant, seule la précision fera l’objet de l’évaluation tout en prenant encompte le mode opératoire utilisé, l’identification et la vérification. Chacun de ces modes
nécessitera des mesures de précision différentes.
Evaluation de l’identification :
Le taux d’évaluation est l’une des mesures la plus utilisées couramment, mais il peut
s’avère insuffisant. En effet, en cas d’erreur, il peut être utile de savoir si le bon choix se
trouve dans les N premiers. On trace alors le score cumulé qui représente la probabilité que
le bon choix se trouve parmi les N premiers.
La précision est le rapport entre le nombre de modèle correctement retrouvé par le système
dans la base de données et le nombre totale de modèle retrouvé. Le rappel est le rapport
entre le nombre de modèle correctement retrouvé par le système dans la base de données et
le nombre totale de modèle qui aurait dû être retrouvé. Le type d’erreur commise par ce
genre de système est d’attribuer à un individu présentant une identité autre que la sie nne.
Les performances de ce système sont mesurées à l’aide de taux d’identification.
Ce paramètre dépend de nombre des personnes contenues dans la base de données. En
effet, plus le nombre de tests est grand, plus le taux d’erreur risque d’être important.
Evaluation de la vérification :
En apparentera cette étape à un problème de prise de décision formulé de cette façon :
Soit H0 l’hypothèse : « la capture C provenant d’un imposteur » et H1 l’hypothèse : « la
capture C provenant d’un utilisateur légitime », en choisira l’hypothèse la plus probable,
c’est-à-dire, la capture C provient d’un utilisateur légitime si P(H1/C)> P(H0/C), on
appliquant la loi de Bayes en obtient :
On aura donc
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 22/91
Introduction à la biométrie
~ 18 ~
FRR FAR
Utilisateur légitime
Imposteur
Probabilité Seuil de décision
Taux de vraisemblance
On appellera le taux de vraisemblance S= qui sera comparé à un seuil de décision
appelé Ѳ.
Les valeurs P(H0) et P(H1) représentent respectivement les probabilités qu’un imposteur
ou un utilisateur légitime essayent d’accéder au système. Ils sont des valeurs qui sont
difficile à estimer.
Figure 3 Distribution des taux de vraisemblance des utilisateurs légitime et desimposteurs d’un système biométrique.
Cette figure ci-dessus représente la distribution hypothétique des scores de vraisemblance
qu’obtiendraient les utilisateurs. En effet, lors de la vérification le taux S est comparé au
seuil de décision θ, si S est inférieur à θ alors l’individu est accepté sinon celui-ci est rejeté.
Le système peut faire deux types d’erreurs :
FA (False Acceptance) : elle correspond au cas où le système accepte un individu
qui a proclamé une identité qui n’est pas la sienne.
FR (False Rejection) : Le faux rejet correspond au cas où le système rejette un
client légitime.
Les performances de ce type de système se basent principalement sur le taux de faux rejet
et le taux de fausse acceptation.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 23/91
Introduction à la biométrie
~ 19 ~
Taux des fausses acceptations :
Taux des faux rejets :
Figure 4 Courbe ROC (Receiver Operating Characteristics) (2)
On remarque à travers la figure 3 que plus le seuil de décision θ est grand, plus le système
acceptera de clients légitimes mais aussi des imposteurs, plus θ est petit, plus le système
rejettera d’imposteurs mais aussi des utilisateurs légitimes. Le paramétrage d’un système
consiste à trouver le bon équilibre entre ces deux taux. Les performances d’un système
biométrique peuvent être présentées graphiquement à l’aide de la courbe réceptrice descaractéristiques de fonctionnement ROC (Receiver Operating Characteristics) sur
laquelle les FRR sont données en fonction des FAR. Cette courbe est obtenue en calculant
un couple (FAR, FRR) pour chaque valeur du seuil de décision, ce dernier varie de la plus
petite valeur des taux obtenus en phase de test à la plus grande valeur.
Il existe d’autres critères fréquemment utilisés pour donner un aperçu des performances
des systèmes de vérification :
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 24/91
Introduction à la biométrie
~ 20 ~
EER (Equal Error Rate) :
Le taux d’erreur égale correspond à l’intersection de la courbe ROC avec la première
bissectrice, en d’autres termes, EER correspond au point de fonctionnement pour lequel le
taux de faux rejet est égal au taux de fausse acceptation.
HTER (Half Total Equal Error):
Il représente la moyenne du FAR et FRR.
TER (Total Error Rate) :
Le taux d’erreur globale correspond au taux d’erreur totale (faux rejet et fausse
acceptation) obtenu lors du test.
1.5. Conclusion :
Dans ce chapitre, une introduction générale sur la biométrie est abordée en revue ainsi quequelque techniques biométriques. La signification de la biométrie unimodale est aussi
présentée ainsi que ses limites qu’on les a remédié en proposant une approche multimodale
qui sont décortiqué avec les différentes techniques multi-biométriques. Les critères
d’évaluation de performance et de fiabilité sont aussi présentés, ces critères permettent
plutôt le choix d’un système biométrique qu’un autre, dans le but d’obtenir plus de
performances.
Dans les deux chapitres suivants, la reconnaissance de l’empreinte digitale et des veinesdes doigts sont respectivement présentées, ainsi que leurs différentes techniques
d’extraction des caractéristiques et de comparaison.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 25/91
La reconnaissance de l’empreinte digitale
Chapitre 2
La reconnaissance
e l’empreinte
digitale
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 26/91
La reconnaissance de l’empreinte digitale
~ 22 ~
2. La reconnaissance de l’empreinte digitale :
2.1. Introduction :
La reconnaissance d’empreinte digitale est la technique biométrique la plus ancienne et
c’est l’une des plus matures. L’empreinte digitale se présente comme une alternance de
crêtes et de vallées. Leurs formations dépendent des conditions initiales du mésoderme
embryonnaire à partir duquel elles se développent. Elles ne sont pas totalement
déterminées par la génétique puisque même des jumeaux monozygotes ont des empreintes
différentes. Les empreintes ont formellement été acceptées comme identificateur de
personnes valide dès le début du 20eme siècle. Elles ont d’abord étaient utilisées dans les
milieux juridiques, avant de devenir une technique d’authentification effective. L’histoire
des empreintes est longue, elle s’amoncelle depuis l’ère égyptienne. on donne ici une bref
aperçu (2):
Les empreintes n’ont pas été décrites sur les manuscrits jusqu’au 17 ème siècle. En
1686,
Marcello Malpighi un professeur d’anatomie à l’université de Bologne (Italie) décrit les
crêtes papillaires dans son traite. En 1888, le Britannique Galton un anthropologue anglais et cousin de Charles Darwin
démontre la permanence du dessin papillaire de la naissance à la mort ainsi que son
inaltérabilité. Cet arrangement particulier des lignes papillaires forme des points
caractéristiques nommes minuties ou points de Galton qui sont à l’ origine de
l’individualité des dessins d’empreintes. En se basant sur ses calculs, la probabilité
pour que les empreintes de deux individus différents se correspondent est de 1 sur 64
billions. En 1901, les empreintes furent introduites pour l’identification de criminels en
Grande Bretagne. Les observations de Galton et leur révision par Edward Henry ont
été utilisées. Cela marque le fondement du système de classification de Henry.
Depuis lors, en admettant son unicité, l’empreinte digitale a été reçue comme une
méthode légale d’identification de personnes par la plupart des pays du monde.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 27/91
La reconnaissance de l’empreinte digitale
~ 23 ~
Définition: L’empreinte (Figure 5) est constituée de crêtes (2) qui définissent des lignes. Ces lignes
définissent elles-mêmes des formes générales qui constituent trois classes principales
(Figure5):
Les arcs : les lignes vont d’un bord à l’autre du doigt.
Les boucles : les lignes ont un trajet récurrent et reviennent aux bords dont elles sont
parties.
· Les verticilles : les lignes présentent un trajet plus au moins spirale et limite vers les
bords du doigt.
Figure 5 Exemple d’une empreinte digitale
-a- -b- -c-
Figure 6 Les différents types d’empreintes : (a) Image de type arc, (b) Image de type boucle,(c) Image de type spiral
Les empreintes digitales sont entièrement formées à environ sept mois du développement
du fœtus et les configurations des crêtes du doigt ne changent pas à moins d’accidents
telles que des contusions et des coupes sur les bouts du doigt. Cette propriété fait des
empreintes digitales une marque biométrique très attrayante. En pratique, on préfèreraextraire les caractéristiques principales suivantes (2):
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 28/91
La reconnaissance de l’empreinte digitale
~ 24 ~
Les minuties : Les empreintes digitales présentent plusieurs types de points dont la
détermination repose sur des règles précises et complexes. Les bifurcations et les fins
de crêtes permettent la reconstitution de toutes les minuties, toute autre minutie peut
se composer de combinaisons de bifurcations et de fins de crêtes. Par exemple, lesanneaux peuvent être visualises en tant que deux bifurcations qui se superposant et un
ilot peut être représenté par deux fins de crêtes à courte distance (Figure.7).
Figure 7 Exemples de quatre familles de crêtes.
Les points singuliers :
Le centre : le centre est le lieu de courbure maximale des lignes d’empreinte les
plus internes. Il est aussi appelé le point core.
Les deltas : un delta est proche du lieu où se séparent deux lignes d’empreintes
vérifiant les propriétés suivantes : ces lignes se séparent suivant deux directions
orthogonales et sont les lignes les plus internes vérifiant la propriété précédente.
Figure 8 Les points singuliers
CoreDelta
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 29/91
La reconnaissance de l’empreinte digitale
~ 25 ~
2.2. Techniques d’extractions des caractéristiques :
La représentation d’une empreinte est essentielle pour le système automatique. Cette
représentation devrait avoir des propriétés ci-dessous (6) :
Retenir les caractéristiques discriminantes (uniques) de chaque empreinte. Facile à calculer.
Facile à l’automatique mappage algorithme.
Stable et invariant au bruit et à la distorsion.
Une empreinte apparait comme une surface alternée de crêtes et de vallées parallèles sur la
plupart des régions. Différentes caractéristiques permanentes ou semi-permanentes tels que
les blessures, les coupures et les bleus sont aussi présentes sur l’empreinte. Qu’il s’agisse
d’un problème de vérification ou de classification, il est nécessaire de définir surl’empreinte une représentation invariante : des caractéristiques qui ne s’altèrent pas avec le
temps. Cette représentation peut être globale prenant en compte toute l’image ou, locale
c'est-à-dire constituée d’un ensemble de composantes dérivée chacune d’une région
restreinte sur l’empreinte.
Plusieurs méthodes sont employées pour reconnaître les empreintes digitales : localisation
des minuties, analyse spectrale, traitement de textures, etc. Localisation des minuties : cette méthode ne retient que l’emplacement des
minuties les plus pertinentes. Elle est peu sensible aux déformations des doigts
entre plusieurs vérifications (doigts plus ou moins appuyés sur le capteur).
Traitement de textures : des paramètres issus de certaines propriétés de la texture
des empreintes (orientation, fréquence, etc.) sont comparés. Cette méthode permet
un traitement très rapide, et donc un temps de réponse très court.
2.2.1. Localisation des minuties :
Le but d’un algorithme d’appariement est de comparer deux images ou deux gabarits et de
retourner le score de similarité qui correspond à la probabilité que deux empreintes se
correspondent. A l’exception des algorithmes bases sur la corrélation, la plupart des
algorithmes extraient des caractéristiques dans le but de faire l’appariement. Les détails de
minutie constituent la représentation la plus populaire de toutes les représentations
existantes, elles répondent efficacement au problème de taille posent précédemment.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 30/91
La reconnaissance de l’empreinte digitale
~ 26 ~
Les minuties représentent des discontinuités locales et marquent les positions ou la crête se
termine ou bifurque. Cela constitue les types de minutie les plus fréquentes, bien qu’un
total de 18 types de minuties ait été identifié.
Augmentation : Le but de cette étape est de supprimer toute ambiguïté en détectant
des zones de bruit et en faisant ressortir la plus grande partie possible d'information
utile au système. Cette fonction se charge également de détecter l'absence
d'empreinte, un niveau élevé de bruit dans l'image (image sale ou lecteur
défectueux), un positionnement incorrect du doigt.
Figure 9 Augmentation d’image
Amincissement : Cette étape va détecter les crêtes et les amincir. À la fin, on
obtient une image dans laquelle le diamètre de chaque crête est un pixel. Elle
facilite l’étape d’extraction des minuties.
Figure 10 Amincissement d’image
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 31/91
La reconnaissance de l’empreinte digitale
~ 27 ~
Extraction des minuties :
Cette étape va extraire des minuties dans l’image sortie d’étape dernière. Cette image se
compose des crêtes que son diamètre est un pixel. En général, le minutie est catégorisé par
plusieurs types : le crête de bifurcation, la fin de ligne, le lac, l’île… Pour chaque pixel I(i,j), on traite un fenêtre de 3 x 3 autour de (i,j), cinq cas différents sont reconnus :
Figure 11 Type de minuties
i. I(i,j)=0, c’est la fond d’empreinte digitale.
ii. I(i,j)=1 et aucune crête voisine. C’est une île (marquer pour minutie).
iii. I(i,j)=1 et un seul crête voisine. C’est un pixel à la fin de ligne (marquer pour une
minutie).
iv. I(i,j)=1 et deux crêtes voisines. C’est un ligne continu et pas de minutie. Donc, on
supprime cette crête.
v.
I(i,j)=1 et trois crêtes voisines. C’est un la crête de bifurcation (marquer pour une
minutie).
Le cas de I(i,j)=1 et plus de trois crêtes voisines ne compte pas car les crêtes d’empreinte
digitale ne sont jamais transversales.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 32/91
La reconnaissance de l’empreinte digitale
~ 28 ~
2.2.2. Traitement des textures:
Les algorithmes d’appariement bases sur les minuties ne s’exécutent pas bien quand la
surface de l’empreinte est petite étant donné que le nombre de minuties n’est pas suffisant
pour l’appariement. De plus, le processus d’extraction des minuties est plus enclin àl’erreur dans ce genre de cas. Prabhakar (7) propose une méthode basée sur un banc de
filtres pour effectuer l’appariement de cette sorte d’images. Ils décrivent un nouveau
descripteur de texture appelé "code d’empreinte". Les informations de texture (moyennes
et variances) sont extraites en effectuant une sectorisation de l’image autour d’un point de
référence (le point core); et l’appariement est base sur le calcul de la distance euclidienne
entre deux codes. L’inconvénient de cette approche est que le point core doit être localise
de façon exacte. Cela n’est pas possible pour des images de mauvaise qualité. De plus, la
performance est inferieure comparée aux appariements basés sur les minuties. Cependant,
une décision qui combine les paramètres de texture et les minuties aurait un meilleur
rendement (2).
2.3. Techniques de comparaison :
Idem aux différentes techniques d’extraction des caractéristiques, il en existe deux
techniques générales de comparaison servant à authentifier une empreinte digitale :
Comparaison locale (des minuties) (6):
Le système d’authentification d'identité est basé sur la comparaison de deux ensembles de
minuties, correspondants respectivement à deux doigts à comparer. Pour déterminer si
deux ensembles de minuties extraits de deux images correspondent à des empreintes du
même doigt, il est nécessaire d'adopter un système de comparaison qui soit insensible à
d'éventuelles translations, rotations et déformations qui affectent systématiquement lesempreintes digitales. À partir de même empreinte, le calcul ne donnera jamais 100% de
ressemblance à cause de l'acquisition de deux doigts (petites déformations ou
déplacements, ou rotations).
Le processus d’authentification demande une empreinte digitale à authentifier (M) et une
empreinte existante dans la base de données (M’). Supposant qu’on a deux tableaux de
minuties de deux empreintes digitales nommés MI et MI’ correspondant. Cette étape
estime la similarité entre deux ensembles de minuties. En surveillant une empreinte
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 33/91
La reconnaissance de l’empreinte digitale
~ 29 ~
digitale, il y a deux transformations entre deux empreintes digitales à partir d’un doigt :
tourne et translation. L’algorithme de calcul devrait s’adapter avec ces deux
transformations.
Comparaison globale (texture) :
Après avoir obtenu un code d’empreinte à partir d’une empreinte digitale en basant sur la
texture, en opte pour une comparaison des deux codes finaux afin de prendre décision sur
la similitude de code de test avec le code enrôlé.
Cette étape consiste à calculer une distance entre les deux code et comparer le résultat avec
le seuil de décision pour accepter/rejeter le client testé.
Il existe plusieurs approches des distances à savoir (8):
la distance ‘euclidienne’ :
la distance de Manhattan :
la distance de Minkowski :
distance de Mahalanobis :
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 34/91
La reconnaissance de l’empreinte digitale
~ 30 ~
2.4. Conclusion :
Durant cette dernière décade, la biométrie n’existait pas comme une branche séparée. Elle
a évolué à travers son interaction avec plusieurs disciplines. La reconnaissance d’empreinte
a émergé à partir de l’application de la reconnaissance d’attribut (pattern recognition) dans
le domaine juridique.
La tache primaire dans la reconnaissance biométrique est le choix d’une représentation
appropriée des caractéristiques. Une fois les caractéristiques sont soigneusement choisies,
l’acte pour accomplir la vérification s’avère assez bien maitrisé. L’aspect le plus
contraignant et qui reste au jour d’aujourd’hui un défi à surmonter est en relation avec letraitement du signal et de l’image pour une bonne extraction des caractéristiques. Puisque
le gabarit biométrique représente une information cruciale pour identifier les individus, la
fiabilité, la robustesse, le caractère sécuritaire et privé sont autant des facteurs qui rentrent
en ligne de mire lorsqu’on est appelé à concevoir un système de vérification d’identité.
C’est dans ce cadre et au sein de ce corpus informationnel en considérant toutes les
contraintes et toutes les spécifications qu’on va entamer ce travail de recherche.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 35/91
La reconnaissance des veines des doigts
Chapitre 3
La reconnaissance
des veines des
doigts
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 36/91
La reconnaissance des veines des doigts
~ 32 ~
3. La reconnaissance des veines des doigts :
3.1. Introduction:Parmi les nombreux systèmes d'authentification qui ont été proposées et mis en œuvre est
la biométrie des veines doigt qui est en train de devenir la méthode infaillible dans lareconnaissance des êtres humains. Les veines de doigt est une biométrie physiologique
unique pour identifier les individus en fonction des caractéristiques et des attributs
physiques des motifs de veine dans le doigt humain. C’est une avance technologique assez
récente dans le domaine de la biométrie qui est appliqué à différents domaines tels que les
domaines médicaux, financiers, services de maintien de l'ordre et d'autres applications où
des niveaux élevés de sécurité ou de confidentialité devraient être concourus. Cette
technologie est impressionnante car elle nécessite seulement une petite conception mono puce, relativement pas cher, et a un processus d'identification très rapide avec une grande
précision en comparant avec d'autres techniques biométriques d'identification comme les
empreintes digitales, l'iris, le visage et d'autres (9).
Ayant constaté également plus d’avantage de cette modalité, le fait que les modèles des
veines de doigt sont pratiquement impossible de forger, ainsi il est devenu l'une des
nouvelles approches biométrique la plus forte croissance en matière de technologie qui a
trouvé rapidement son chemin dans des nombreuses laboratoires de recherche pour ledéveloppement commercial.
Historiquement, la R & D chez Hitachi du Japon (1997-2000) ont découvert que la
reconnaissance biométrique de l'empreinte digitale était viable pour la technologie
d'authentification personnelle, et en 2000-2005, ils ont été les premiers ayant
commercialisé la technologie dans différentes formes de produits, tels que les guichets
automatiques.
Figure 12 La technologie de reconnaissance des veines de doigt d’HITACHI- Japon
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 37/91
La reconnaissance des veines des doigts
~ 33 ~
Leur recherche rapporte des taux de fausses acceptations (FAR) aussi faible que 0,0001%
et le taux de faux rejet (FRR) de 0,1%. Aujourd'hui 70% des grandes institutions
financières au Japon reposent leurs systèmes d'authentification sur la reconnaissance des
veines des doigts.Les empreintes digitales ont été les plus largement utilisées dans la biométrie pour les
raisons suivantes: la facilité d'acquisition des empreintes digitales, la disponibilité des
capteurs, le cout peu coûteux et la longue histoire de son utilisation.
Cependant, les limitations rencontrées telles que la détérioration de l'épiderme des doigts,
les particules de la surface de doigt, etc. ont conduit à des résultats médiocres, qui
appellent à des méthodes d'authentification plus robustes. La technologie de
reconnaissance veineuse offre cependant une solution prometteuse à ces défis en raison des
caractéristiques suivantes :
1) l'universalité et l'unicité. Tout comme les individus ont des empreintes digitales
uniques, ils le font aussi avoir des images uniques des veines de doigt. Les images des
veines de la plupart des gens restent inchangées malgré le vieillissement.
2) les méthodes de détection des veines des mains et des doigts ne provoquent pas des
effets négatifs sur la santé du corps.
3) l'état de l'épiderme n’influe pas sur le résultat de la détection des veines.
4) il est très difficile (voir impossible) de forger les caractéristiques des veines ou de les
avoir changé même par la chirurgie (10).
Ces propriétés pourraient rendre de la reconnaissance des veines un très fiable procédé
d'authentification.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 38/91
La reconnaissance des veines des doigts
~ 34 ~
3.2. Techniques d’extraction des caractéristiques :
L'extraction des caractéristiques veineuses est la première étape cruciale dans le processus.
Le but est d'obtenir des arêtes de la veine à partir de l'arrière-plan. Les performances de
reconnaissance sont largement liées avec la qualité des objets extraits des veines.
La pratique courante est d'acquérir des images des veines du doigt par l'utilisation de la
spectroscopie basée sur l'infrarouge proche. Lorsqu'un doigt est placé à travers les rayons
lumineux infra-rouge de longueur d'onde 760 nm, les modèles des veines dans le tissu
sous-cutané du doigt sont capturés car l’hémoglobine désoxygénée dans les veines absorbe
les rayons lumineux. L'image résultante des veines apparaît plus sombre que les autres
régions du doigt, car seuls les vaisseaux sanguins absorbent les rayons. La méthode de
capture a un impact direct sur l'extraction des caractéristiques et les fonctionnalités
d’appariement.
L’extraction des caractéristiques est l'étape critique dans le processus de reconnaissance
des veines du doigt. Les méthodes d'extraction peuvent être classées en deux catégories
basées sur les règles qui déterminent comment le réseau des vaisseaux sanguin sera
segmenté. Pour la première catégorie, le réseau des veines du doigt est segmenté en
premier lieu, puis la forme géométrique, la structure topologique ou d'autres informations
du réseau de vaisseaux sanguins seront segmentés. Toutefois, en raison des faibles qualités
d'images des veine de doigt et les limites des algorithmes de segmentation, les résultats de
segmentation sont souvent insatisfaisant (11), par conséquent, la fonction basée sur le
réseau de vaisseaux sanguins segmentée seraient moins puissante. Pour résoudre ce
problème, une autre catégorie des méthodes d’extraction de caractéristiques (11) a été
proposée, où, après le prétraitement, les caractéristiques seront extraites sans
segmentation. Bien que des résultats d'expériences prometteuses soient rapportés dans
plusieurs recherches antérieures, deux limites de ces méthodes d'extraction peuvent
exister :
La première anomalie est que les informations contenues dans ces fonctions ne sont
pas assez efficaces pour offrir des fonctionnalités plus puissantes et robustes.
Par exemple, (12) propose un opérateur de LLBP (Local Line Binary Pattern) pour la
reconnaissance du doigt veineuse. L'opérateur est constitué de deux composants:
horizontale et verticale. Ces opérateurs peuvent perdre autre information directionnelle, qui peut être important pour la reconnaissance. Dans (13) l’analyse des composantes principale
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 39/91
La reconnaissance des veines des doigts
~ 35 ~
(ACP) est proposée pour extraire les caractéristiques globales basées sur la règle de
minimiser les erreurs de reconstruction d'image. Cependant, les caractéristiques globales
peuvent ignorer certaines informations locales détaillées, ce qui est important pour la
reconnaissance.
En outre, une autre limitation de ces méthodes, c’est qu'ils traitent toutes les
caractéristiques de la mémé importance dans la correspondance finale. En fait, pour
un sujet, seul un sous-ensemble de caractéristiques distinguent ce sujet d'autres sujets.
Comme mentionné ci-dessus, la plupart des caractéristiques proposées n’impliquent que
des informations de la forme ou de texture.
Pour extraire des caractéristique plus intéressantes, une combinaison efficace des plusieurs
informations tel que les niveaux des gris, la texture et la forme devraient être mise en
évidence. En outre, la méthode d’extraction des caractéristiques qui révèle la texture
globale et les détails locaux des veines du doigt au même temps rendra cette technique plus
robuste.
Dans un travail antérieur, une simple mais puissante méthode a été proposé, elle est basée
sur la représentation spatiale de la pyramide et une combinaison efficace de plusieurs
informations telles que les niveaux de gris, la texture et la forme. On constitue
l'histogramme de pyramide de gris (PHG) et pyramide histogramme de texture (PHT) en
utilisant un procédé qui est similaire à la méthode d'extraction PHOG (14). On se joigne à
l'histogramme de pyramide de gris, histogramme pyramide de texture (opérateurs LBP sont
utilisé pour former l'histogramme de pyramide de texture) avec PHOG (14) pour tenir
com pte des informations globales et locales c’est-à-dire le jumelage des trois
caractéristiques : celles de gris, de la texture et de la forme des veines. Cette approche est
appelé Pyramid Histogram of Gray,Texture and Orientation Gradient (PHGTOG).
Bien que l'information riche fera de la technique plus robuste, mais seule une partie de
l'information est utile pour distinguer un objet à partir d'autres matières, en outre,
l'information non pertinente peut dégrader la précision de reconnaissance et d'accroître la
complexité de calcul.
Par conséquent, la sélection d'un sous-ensemble de fonctions contenant l'information
discriminante est très importante pour la performance de système. En outre, un autre
problème important qui ne doit pas être ignoré, c’est les différences qui existent entre lessujets. Les sous-ensembles de caractéristiques discriminantes sont différents pour les
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 40/91
La reconnaissance des veines des doigts
~ 36 ~
différents sujets. En conséquence, il est crucial de sélectionner seulement les
caractéristiques personnalisées pour les sujets.
PHGTOG pour la représentation d’image :
PHGTOG est conçu comme une concaténation de l’histogramme de pyramide de gris
(PHG), Pyramide histogramme Texture (PHT) et PHOG (14). PHG peut représenter
l'information statistique de gris globale et gris local, PHT peut refléter l'information
statistique des caractéristiques de texture à des multiples résolutions. PHOG peut
représenter une image par sa forme locale et la disposition spatiale de la forme (14), de
sorte que PHGTOG puisse représenter l'organisation spatiale globale et des détails locaux
de gris, la texture et la forme. On va décrire les détails de PHG, PHT et PHOG dans le paragraphe suivant, PHGTOG est obtenue en combinant PHG, PHT et PHOG.
Extraction des caractéristiques PHG :
Le procédé d'extraction PHG peut être divisé en trois étapes:
a. partitionner chaque image en une séquence de plus en plus fine des grilles
spatiales en doublant à plusieurs reprises le nombre de divisions dans chaquedirection de l'axe à chaque niveau de résolution de pyramide.
b. calculer des histogrammes des gris pour chaque cellule de la grille à chaque niveau
de résolution de pyramide.
c. Concaténer tous les vecteurs de l'histogramme de tous les niveaux de résolution
pour obtenir les caractéristiques finales de l’image. La dernière caractéristique
sera normalisée pour résumer l'unité.
La figure 13 donne les résultats de représentation pyramidale spatiale des gris des deux
images des veines de doigt (Après prétraitement) de différents sujets à différents niveau de
résolution. Comme le montre la Figure 1, le niveau 0 est représenté par un K-vecteur, où K
(dans la figure 1, K = 4) est le nombre de casiers de l'histogramme à chaque grille, niveau
1 par un vecteur 4K, etc., et l'histogramme de gris de l'ensemble de l'image est un vecteurde dimensionnalité K. L est le niveau de résolution de la pyramide de l'image. Fait
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 41/91
La reconnaissance des veines des doigts
~ 37 ~
intéressant, l'histogramme dans chaque grille peut décrire l'information grise locale, la
fonction gris dans le niveau 0 peut représenter le niveau de gris globale de ces deux
échantillons. Par conséquent, PHG peut aussi refléter l'information grise globale un certain
degré.Figure 13. Représentation pyramidale spatiale de niveaux des gris .La première et
troisième rangées: deux images de différents sujets et des grilles pour les niveaux L = 0 à
L= 2;
La deuxième rangée et la quatrième rangée: représentations de l'histogramme
correspondant à chaque niveau. Le vecteur final est un PHG de concaténation des vecteurs
(histogrammes) pour tous les niveaux.
Figure 13 Extraction des caractéristiques PHG.
De la figure 13 on peut voir que les caractéristiques extraites au niveau 1 et 2 sont plus
discriminées que celles au niveau 0 pour les deux images. En d'autres termes, les
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 42/91
La reconnaissance des veines des doigts
~ 38 ~
caractéristiques locales représentent plus d’informations détaillées, et ils sont donc plus
discriminés que la fonction globale pour les deux images.
Figure 14. Représentation spatiale de la pyramide de Texture. La première rangée et latroisième rangée: deux images de même sujet et des grilles pour les niveaux L = 0 à L = 2;
La deuxième rangée et la quatrième rangée: représentations de l'histogramme
correspondant à chaque niveau. Le vecteur final PHT est une concaténation des vecteurs
(histogrammes) pour tous les niveaux.
Figure 14 Extraction des caractéristiques PHT.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 43/91
La reconnaissance des veines des doigts
~ 39 ~
Extraction des caractéristiques PHT : Le procédé d'extraction de l'histogramme Pyramidale de texture (l'opérateur de LBP (15)
est utilisé pour représenter la texture) peut être divisé en trois étapes:
a. partitionner chaque image en une séquence de plus en plus fine des grilles spatiales
en doublant à plusieurs reprises le nombre de divisions dans chaque direction de
l'axe à chaque niveau de résolution de pyramide.
b. Calculer LBP (Local Binary Patern) pour les pixels dans chaque cellule de la grille
à chaque niveau de résolution de pyramide. Sur la base du Code de LBP, chaque
pixel peut être représenté par un vecteur de dimension huit contenants 0 et 1. La
somme de tous les huit vecteurs de dimension dans la cellule de la grille
correspondante est l’histogramme de LBP pour cette cellule de la grille. Par
exemple, une cellule de la grille comporte quatre pixels. Les codes de LBP des
pixels sont [0,1,1,1,0,1,0,0], [1,1,0,1,0,1,0,1], [0,1,1,1,0, 1,0,1], [0,1,0,1,1,1,0,0],
respectivement.
L'histogramme de LBP de cette cellule de la grille est [1,4,2,4,1,4,0,2].
c.
Concaténer tous les vecteurs de l'histogramme de tous les niveaux de résolution
pour obtenir les caractéristiques finales pour l’image. La dernière caractéristique est
normalisée pour résumer l'unité.
Figure 14. Donne les résultats de la représentation pyramidale spatiale de texture de deux
images des veines de doigt (après prétraitement) du même sujet à une résolution différente
de niveau. Comme le montre la Figure 14, le niveau 0 est représenté par un vecteur K-
vecteur correspondant à (k = 8) de l'histogramme des bacs, par un niveau 1, 4K-vecteur,etc., et l'histogramme de texture de l'image entière est un vecteur de dimension , où ‘L’est le niveau de l'image.
La deuxième image des veines du doigt est capturée par la rotation de doigt dans une faible
mesure par rapport à la première image.
D'après la figure 14, bien que certaines caractéristiques de texture locales soient différentes
entre ces deux échantillons dues à la petite rotation, les caractéristiques de textures
globales similaires garantiront que les deux images sont classées dans le même sujet. On
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 44/91
La reconnaissance des veines des doigts
~ 40 ~
devine que la fonctionnalité globale de la texture peut rendre insensible à PHT la petite
rotation.
Extraction des caractéristiques PHOG : PHOG est proposé comme une représentation de la pyramide spatiale du descripteur HOG.
Il atteint des performances prometteuses en reconnaissance de l'objet, qui peut représenter
une image par sa forme locale et de l’agencement spatial de la forme. On utilise PHOG
pour décrire la forme de la veine. Avant d'extraire PHOG, le modèle de la veine doit être
tout d'abord extrait en utilisant le détecteur de bord Sobel , puis on l’utilise après trois
étapes pour obtenir PHOG:
a.
partitionner chaque image en une séquence de plus en plus fine des grilles spatialesen doublant à plusieurs reprises le nombre de divisions dans chaque direction de
l'axe.
b. Calculer histogrammes de gradients d'orientation HOG (16) pour chaque cellule de
la grille à chaque pyramide à un niveau de résolution.
c. Le descripteur de PHOG finale de l'image est une concaténation pondérée de tous
les vecteurs de HOG.
Le PHOG sera normalisée pour résumer l'unité.
La figure 14 donne les résultats de forme de représentation spatiale de la pyramide d'une
image des veines du doigt aux niveaux différents.
Plus de détails sur PHOG peuvent être trouvés dans (14) . Étant donné que max (F) et min
(F) sont les valeurs maximales et minimales des premières caractéristiques,
respectivement, la valeur normalisée des caractéristiques est calculé selon la formule f
'=[max (F)-f)/(f-min(F)].
Dans cette expérience, la dimension de PHG, PHT, et PHOG sont 84, 168, 340,
respectivement. On concatène PHG, PHT et PHOG dans un vecteur de de caractéristique
de 592 dimensions afin d'obtenir PHGTOG.
Figure 15. Forme de représentation spatiale de la pyramide. La première rangée: une des
images et des grilles pour L = 0 à L = 2;
La deuxième rangée: histogramme représentations correspondant à chaque niveau.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 45/91
La reconnaissance des veines des doigts
~ 41 ~
Figure 15 Extraction des caractéristiques PHOG.
Sélection de fonction personnalisée :
Après extraction de la nouvelle fonctionnalité PHGTOG, un vecteur des caractéristiques de
haute dimension peut être obtenu.
Bien que PHGTOG contienne une mine d'informations, une telle fonctionnalité de haute
dimension peut contenir certaines informations inutiles qui peuvent dégrader la précision
de la reconnaissance finale dans la mise en correspondance, en outre, les caractéristiques
de haute dimension peuvent augmenter la complexité de calcul, de sorte qu'il peut être très
important de sélectionner un sous-ensemble de PHGTOG discriminatoire pour la
reconnaissance finale.
3.3. Techniques de comparaison :Les techniques de comparaison consiste généralement à faire une correspondance entre les
codes des caractéristiques d’images obtenus de la phase précédente (extraction des
caractéristiques) afin de juger la similitude des deux images en question suivant certains
critères ou seuils de décision selon la technique adoptée.
Voici une approche de comparaison proposée par (9) dans laquelle en utilise des distances
relatives et des angles correspondants entre les images des veines de doigt.
Il est facile d’apercevoir de l’image amincie des veines de doigt de la figure suivante son
empreinte veineuse aléatoire ainsi que sa structure intérieure
.
Figure 16 Structure veineuse de doigt
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 46/91
La reconnaissance des veines des doigts
~ 42 ~
Les caractéristiques des points intérieures produites par les veines coupant des passages
reflètent la propriété unique des veines d’un doigt. Toutefois, ces points d'arrêt peuvent
être pensés comme critères de doigt veineux, qui pourraient influencer sur les résultats de
la reconnaissance. Pour ce raison, les points d'intersection les plus fiables sont choisis pourcaractériser l’architecture veineuse du doigt.
Considérant que les divers segments de lignes sont produits par les points d'intersection de
différentes veines, les deux fonctions à base des distances et les angles relatifs sont
combinés pour l’appariement.
Les distances et les angles relatifs sont des attributs essentiels des veines de doigts, ils
assurent la fonction l’unicité et reflètent les différentes caractéristiques de la structure
veineuse.la fusion des deux fonctions avec « le ET logique » rendra les résultats de la
reconnaissance plus fiable. Ainsi, la comparaison des deux images des veines des doigts
est convertie en correspondance de la similitude des topologies.
3.4. Conclusion :Dans ce chapitre, on a relaté un peu d’historique sur une moderne technique biométrique
qui est la reconnaissance des veines des doigts ainsi que les avantages y liée en matière de
sécurité, fiabilité, performance et cout de réalisation.
On a jeté également un coup d’œil sur les différentes approches d’extraction des
caractéristiques et ses différents modes de traitement global et local en présentant le travail
de (17) dans lequel des techniques d’extraction des caractéristiques est développé à savoir :
PHG, PHT et PHOG pour ressortir finalement d’un code global appelé PHGTOG qui
représente la concaténation des trois vecteurs déduit des techniques précédentes. En a
conclu finalement ce passage d’avoir relater les techniques de comparaison qui sert à faire
correspondre les caractéristiques des veines des doigt pour authentifier un sujet donné, une
méthode antérieur (9) est décortiqué dans ce sens pour donner un aperçu sur cette étape de
reconnaissance biométrique.
Après avoir survolé les points essentiels dans le traitement des deux traits biométriques
étudiés dans ce travail d’une manière générale, on va submerger, dans le chapitre suivant,
dans le cœur de programme en entament la phase expérimentale et la discussion des
résultats obtenus.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 47/91
Approche proposée et implémentation
Chapitre 4
Approche
proposée et
Implémentation
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 48/91
Approche proposée et implémentation
~ 44 ~
4. Approche proposée et implémentation :
4.1. Description de l’application :
4.1.1 Langage de programmation :
La présente application est implémentée sous MATLAB.
MATLAB ( Math Laboratory) est un langage de programmation à environnement interactif
pour le calcul, la visualisation et la manipulation des données numériques. Il permet
d’analyser les données, de développer des algorithmes et de créer des modèles et des
applications. Le langage et les outils conçus à l’aide des fonctions mathématiques permet
d’explorer des diverses approches de programmation, ainsi d’atteindre des résultats plus
précise par rapport les langages de programmation traditionnelles tel que JAVA et C/C++.
La richesse de ce langage en matière des bibliothèques et fonctions complexes prédéfinies
motive beaucoup plus à en profiter afin de faciliter la tâche de développement.
Ce langage peut être utilisé à plusieurs fins dont : le traitement de signal, le traitement
d’image et de vidéo, les tests et les mesures, l’analyse financière, la biologie, etc. plus d’un
million d’ingénieur et scientistes industrielles et académiques utilise MATLAB.
Figure 17 Interface Matlab
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 49/91
Approche proposée et implémentation
~ 45 ~
4.1.2. Diagramme conceptuel de l’approche proposée :
Figure 18 Diagramme conceptuel de reconnaissance des veines et empreintes digitales
fusionnées au niveau des caractéristiques et au niveau des scores.
Score
Comparaison descaractéristiques
1
2
3
4 4 4
5
6
Rejeter Accepter/IdentitéDécision
Comparaison descaractéristiques
Comparaison descaractéristiques de
plusieurs doigts
ScoreFusion des scores
Base dedonnées
Base dedonnées
Base de
donnéesfusionnée
Fusion des caractéristi ues
Prétraitement Prétraitement
Extraction des
caractéristiques
Extraction des
caractéristiques
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 50/91
Approche proposée et implémentation
~ 46 ~
function m=finger_ROI(fingerprint)
%------------------------------------------------------------------------
% la fonction finger_ROI sert à cropper la ROI à partir de l'empreinte % définie comme parametre (fingerprint) sur laquelle en applique % le filtre de Gabor afin d'avoir comme resultat le vecteur "v" qui % represente le code representatif de fingerprint %-----------------------------------------------------------------------
try [x,y]= centralizing(I); m = imcrop(I, [x-93 y-93 186 186]);
if (size(m,3)==3) m = rgb2gray(m); end %figure(4);imshow(m);
catch
' '
La réalisation de cette application consiste à développer un système basé sur la fusion des
empreintes digitales et les veines des doigts pour la reconnaissance biométrique.
La figure 17 montre les différents stades de fonctionnement du système de reconnaissance
biométrique proposé qu’on aille décortiquer dans la suite, étape par étape.
4.1.2.1 Prétraitement:
Après avoir acquis l’image à traiter, on aura dû l’améliorer en éliminant le bruit dû à
l’acquisition en premier lieu.
L’image contient des données inutiles qui occupe plus d’espace mémoire d’une part, et
influent négativement sur les performances de système d’autre part, comme l’arrière-plan par exemple, ce qui conduit à sélectionner une région des informations pertinentes qui
représente l’unicité de modalité biométrique, cette zone s’appelle ROI (R égion Of
Interest).
A la fin de cette phase, on n’obtient que la zone représentative de l’image qui va être
exploitée dans la suite de processus.
a.
L’empreinte digitale :
Pour ce faire, on a développé un script qui s’appelle finger_ROI qui s’occupe du
prétraitement de l’empreinte digitale en sélectionnant la région ROI à partir de
point de core de l’empreinte qui se situe souvent dans le centre de l’image.
Figure 19 Script de finger_ROI
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 51/91
Approche proposée et implémentation
~ 47 ~
(a)
Figure 20 Détermination des ROI d’une empreinte digitale
La figure20 montre le déroulement de script finger_ROI :
(a) Chargement de l’image d’empreinte à partir de chemin prescrit de la base de
données utilisée par l’instruction imread de Matlab.
(b) Détermination du point de core de l’empreinte car c’est l’un des point les plus
critiques de celle-ci et autour duquel se figure la région la plus intéressante de
l’image. Cette tâche est réalisée grâce à la fonction centralizing (18) qui permet
d’avoir les cordonnées (x,y) du point de core.
(c)
C’est le fruit de cette phase qui sert à sélectionner la région ROI de l’empreinte en
utilisant la fonction imcrop de Matlab comme ceci :
m = imcrop (I, [x-93 y-93 186 186]);
Ou :
I est l’image originale de taille 337×333 dans cet exemple.
(x,y) les cordonnées de point de core.
m est l’image résultante qui représente la région ROI de taille 187×187.
En cas d’échec ou les cordonnées de point de core ne peut pas être détectés dans la phase
(b), la région ROI sera segmentée en se basant sur les contours de doigt. A cet égard, la
fonction edge est appliquée sur l’image originale afin de la r etransformer en image binaire
dont les contours vont 1 et les autres zones prennent 0.
Détermination
de point de
core
ore point
x,y
Découpage de
la région ROI
(b) (c)
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 52/91
Approche proposée et implémentation
~ 48 ~
function J=vein_ROI(fingervein)
%-----------------------------------------------------------------------
% la fonction vein_ROI sert à cropper la ROI à partir de l'image % définie comme parametre (fingervein) sur laquelle en applique % le filtre de Gabor afin d'avoir comme resultat le vecteur "v" qui % represente le code representatif de fingervein%-------------------------------------------------------------------
%a=imread('middle_3.bmp'); b=rgb2gray(fingervein); %figure(1);imshow(b); c=edge(b,'sobel'); % determination des contures de dois %figure(2);imshow(c); [x,y]=size(c);i=1; while i<=y
for j = 1:x
if c(j,i) == 1 t(i) = j;
break end
end i=i+1;
end m=uint16(mean(t)); for i=1:y
c(m,i)=1;
Après la segmentation de la région ROI à partir de l’image binaire, elle est normalisée en
taille unique de 187×187 pour avoir à la fin de processus des images de taille identique.
Figure 21 Détermination de ROI d’une empreinte digitale à partir des contours.
b. Les veines du doigt :
c.
Figure 22 Script vein_ROI.
(a)(c)
(b)
Découpage de
la région ROI
Détection des
contures
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 53/91
Approche proposée et implémentation
~ 49 ~
Le script vein_ROI qu’on a développé, prend en charge le prétraitement des images des
veines des doigts en faisant subir celles-ci à plusieurs transformations afin d’extraire en
dernier ressort la région ROI normalisée.
Figure 23 Détermination de ROI d’une image des veines de doigt
(a) Chargement de l’image des veines de doigt à partir de chemin prescrit de la base de
données utilisée par l’instruction imread du Matlab.
(b) Détermination des contours de doigt en utilisant un filtre passe haut prédéfinis dans
la bibliothèque Matlab par la fonction c=edge(b,'sobel') dont b est l’image
originale et c représente l’image binaire dont seules les contours sont en blanc.
(c) Extraction de la région ROI de l’image originale en se focalisant seulement sur la
zone qui se situe à l’intérieur des bornes de doigt figurée dans l’étape (b).
(d) Normalisation de la région extraite en (c) par:
Retaillant l’image à une taille de 120×320 afin d’uniformiser les tailles de
toutes les images exploitées.
Réglage de contraste de l’image (c) pour distinguer les veines des autres
zones inutiles. La fonction imadjust permet d’égaliser l’histogramme de
l’image pour améliorer son contraste.
v
(a) (b)
(c)(d)
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 54/91
Approche proposée et implémentation
~ 50 ~
4.1.2.2 Extraction des caractéristiques :
Cette phase est l’étape la plus cruciale dans toute la conception d’un système
d’authentification biométrique. Elle consiste à représenter l’image sous forme d’un code
des attributs qui récapitule les caractéristiques pertinentes de l’image. Ce code représentenettement la précision de système.
L‘approche proposée pour l’extraction des caractéristiques des deux modalités
biométriques choisies dans ce travail (l’empreinte digitale et les veines de doigt) est basée
sur le traitement global de l’image qui tient en compte toute la ROI obtenue de la phase
précédente. Ce choix est motivé par le fait d’accroitre considérablement le taux des
caractéristiques uniques des sujets traités ce qui engendre un système de reconnaissance plus au moins performant.
Pour concrétiser cette technique, le filtre de Gabor est appliqué sur une image afin d’avoir
un vecteur de données (caractéristiques) qui représente le code de l’image qu’on va utiliser
dans l’appariement (comparaison) pour décider de l’authenticité du sujet en question.
C’est quoi un Filtre de Gabor ? Et comment ça marche ?
Les filtres de Gabor sont des opérateurs particulièrement commodes pour l'extraction et la
détection de contours. En effet, On est capables avec leur aide d'isoler dans une image descomposantes très variées, qui vont de gros objets clairement définis à de fins détails
d'orientation particulière, en changeant simplement deux paramètres : la fréquence et
l'orientation. Ces deux éléments indissociables sont les deux caractéristiques nécessaires et
suffisantes à la description d'une ligne de contour : son épaisseur et sa direction. Il est
montré que le système visuel humain procédait de manière analogue pour la détection de
contours. En ceci, nous ne saurions classer la méthode des filtres de Gabor dans les «
anciennes » ou les « nouvelles » techniques, on devra plutôt la qualifier de techniquenaturelle.
Fonction et Filtre de Gabor (19) On appelle fonction de Gabor l'association d'une courbe de Gauss et d'une sinusoïde
orientée (voir figure 23). En traitement d'images, on travaille dans le domaine spatial en
dimension 2, ce qui permet d'écrire la fonction de Gabor de la manière suivante :
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 55/91
Approche proposée et implémentation
~ 51 ~
Avec : et
Où est l'orientation de la sinusoïde, f sa fréquence et x (respectivement y) l'écart-typede la gaussienne selon l’axe des abscisses (respectivement des ordonnées).
Figure 24 Représentation tridimensionnelle de la fonction de Gabor
En appliquant cette fonction à un masque de convolution, on définit un filtre deconvolution qu’on appelle filtre de Gabor (voir Figure 24)
Figure 25 Masque du filtre de Gabor de rayon 21 pixels pour θ =0, f =√2 /10 et σx= σ y=7
L'application d'un filtre de Gabor g de masque M à une image I , se résume donc à la
formule suivante : g ( I) = J = M
∗ I.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 56/91
Approche proposée et implémentation
~ 52 ~
Comme on va le voir, les filtres de Gabor permettent d'isoler les contours d'une image
d'orientation perpendiculaire à et répondant à une certaine épaisseur, qui dépend de f.
Ceci justifie le fait que pour détecter l'ensemble des contours d'une image, on lui applique
généralement un ensemble de filtres de Gabor qu’on appelle banc.
Le tableau suivant (T ABLEAU 1) consigne divers exemples d'utilisation des filtres de Gabor
sur une même image, afin d'expliciter l'influence des différents paramètres.
Orientation :
L’application d’un seul filtre fait
ressortir les contours orientés perpendiculairement par rapportà son orientation.
Orientations multiples :
L'application d'un banc à plusieurs orientations permet dedétecter des contours plusnombreux.
Écarts-types :
Si l'on fait varier x de manière
à ce qu'il soit inférieur à y, les
filtres deviennent moinssensibles aux contours et le bancse comporte (dans un état limite)comme un simple flou gaussien.
Si l'on applique la variation
inverse, le résultat, légèrement plus net, ne présentera pas de
grandes différences avec unfiltrage symétrique.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 57/91
Approche proposée et implémentation
~ 53 ~
Fréquence :
Si on utilise plusieurs fréquences,le tracé devient beaucoup plusnet, le filtre est sensible à de plusnombreux contours en termesd'épaisseur.
TABLEAU 1 Influence des paramètres du filtre de Gabor (19) (19)
Dans ce travail, on a concrétisé ce filtre de Gabor par les deux fonctions : construct_Gabor_filters_PhD et filter_image_with_Gabor_bank_PhD de bibliothèques
PhD_tools (voir Annexe1).
construct_Gabor_filters_PhD :
filter_bank = construct_Gabor_filters_PhD (num_of_orient, num_of_scales, size, fmax,
ni, gamma, separation).
La fonction construit une banque de filtres de Gabor complexes déterminés par les
paramètres « num_of_orient, num_of_scales, taille, fmax, ni, gamma, et de séparation ».
Ce filtre est souvent utilisé pour l'extraction des caractéristiques des réponses magnitudes
de Gabor (les caractéristiques de phase récentes) à partir d'images du visage. Typiquement,
une banque de 40 filtres (8 orientations et 5 échelles) est utilisée dans le but d’extraction
de caractéristiques d’image.
La fonction retourne une structure avec plusieurs membres y compris les filtres eux-
mêmes définis dans le domaine spatial et de fréquentiel.
filter_image_with_Gabor_bank_PhD:
filtered_image=filter_image_with_Gabor_bank_PhD(image,filter_bank,down_sampling
_ factor);
La fonction calcule les réponses de l'ampleur d'une image filtrée avec une banque des
filtres de Gabor complexes. Il prend trois paramètres d'entrée dont le premier représente
l'image à filtré, la seconde représente la banque des filtres de Gabor complexes qui a été
construite en utilisant la fonction "construire filtres de Gabor PhD" et la troisième
représente le facteur de sous-échantillonnage permettant de réduire la taille de images
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 58/91
Approche proposée et implémentation
~ 54 ~
filtrées à faire encore un traitement plus efficace. Les réponses d'amplitude des opérations
de filtrage sont normalisées après la réduction d'échelle en utilisant de moyenne nulle et de
variance unité de normalisation. Après cela, elles sont ajoutées à l'image de vecteur de
sortie filtré. Après l’exécution de la fonction, toutes les réponses de filtre de magnitudeforment des vecteurs concaténés dans le vecteur filtered_image.
4.1.2.3. Fusion des caractéristiques :
Cette étape consiste à fusionner les caractéristiques des deux modalités : les veines de doigt
et l’empreinte digitale du même doigt pour avoir en conséquence un seul vecteur qui
représente le code de doigt qui sera utilisé dans la suite de processus d’authentification
reposant sur le doigt en objet pour pouvoir identifier/vérifier un sujet donné, ou pour le
stade de fusion avec d’autre doigts afin de consolider l’approche proposée aux termes des
performances et précision des résultats obtenus.
4.1.2.4. La comparaison :
Il en existe deux modes de comparaison dans le présent processus d’authentification :
Comparaisons des caractéristiques :
Bien qu’ils existent des nombreux algorithmes de reconnaissance biométriques qui
fonctionnent bien dans des environnements contraints, divers changements au niveau des
images présentent un grand défi face à un système de reconnaissance qui doit être robuste
en ce qui concerne les grandes variabilités de celles-ci comme l’éclairage.
Pour faire face à ce problème, il est important de choisir une représentation appropriée de
ces images. Cette représentation doit être compacte et significative.
Ce genre de représentativité est utilisé souvent dans les algorithmes de la reconnaissancede visage mais ça n’empêche pas d’en profiter de ces techniques afin d’optimiser le code
de l’image obtenu de la phase d’extraction des caractéristiques notamment le vecteur des
caractéristiques de filtre de Gabor concernant les deux modalités étudiées dans ce contexte
dont l’empreinte digitale et les veines de doigt.
Le but donc est de donner un panorama des méthodes les plus significatives en
reconnaissance de visages (20).
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 59/91
Approche proposée et implémentation
~ 55 ~
Analyse en Composantes Principales (ACP) :
L’algorithme ACP est né des travaux de MA. Turk et AP. Pentland au MIT Media Lab, en
1991. L’idée principale consiste à exprimer les M images de départ selon une base de
vecteurs orthogonaux particuliers ‘’ les vecteurs propres ‘’ contenant des informations
indépendantes d’un vecteur à l’autre. Ces nouvelles données sont donc exprimées d’une
manière plus appropriée à la reconnaissance biométrique.
En termes mathématiques, cela revient à trouver les vecteurs propres de la matrice de
covariance formée par les différentes images de la base d’apprentissage.
Donc, l’ACP ne nécessite aucune connaissance à priori sur l’image et se révèle plusefficace lorsqu’elle est couplée à la mesure de distance Mah Cosine, mais sa simplicité à
mettre en œuvre contraste avec une forte sensibilité aux changements d’éclairement, de
pose et d’expression faciale.
L’analyse Discriminante Linéaire (LDA) (20) :
L’algorithme ADL est né des travaux de Belhumeur et al. De Yale University (USA), en
1997. Il est aussi connu sous le nom de « Fisherfaces ».Contrairement à l’algorithme PCA,
celui de l’ADL effectue une véritable séparation de classes. Pour pouvoir l’utiliser, il faut
donc au préalable organiser la base d’apprentissage d’images en plusieurs classes : une
classe par personne et plusieurs images par classe. L’ADL analyse les vecteurs propres de
la matrice de dispersion des données, avec pour objectif de maximiser les variations entre
les images d’individus différents (interclasses) tout en minimisant les variations entre les
images d’un même individu (intra-classes).
Cependant, lorsque le nombre d’individus à traiter est plus faible que la résolution de
l’image, il est difficile d’appliquer l’ADL qui peut alors faire apparaître des matrices de
dispersions singulières (non inversibles).
Comme l’ACP ne prend pas en compte la discrimination des classes, l’ADL est conçu pour
remédier à ce problème. Les méthodes basées sur ADL standard telles que ‘Fisherfaces’ ,
appliquent en premier lieu l’ACP pour la réduction de dimension et puis l'analyse
discriminante.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 60/91
Approche proposée et implémentation
~ 56 ~
Dans ce cadre, l’une des espèces d’ADL est mise en œuvre dans ce contexte de travail qui
est KFD (Kernel Fisher Discriminant) (voir Annexe2), et ce par l’utilisation de deux
fonctions de PhD_tools (voir Annexe1) à l’occurrence :
« perform_kfa_PhD » et «nonlinear_subspace_projection_PhD ».
perform_kfa_PhD :
model = perform_kfa_PhD(X, ids, kernel_type, kernel_args,n)
Cette fonction calcule les sous-espaces KFA basés sur la matrice d’apprentissage X. les
individus doivent être arrangées dans des vecteurs dans la matrice d’apprentissage X en
entrée, cela veut dire, si on a ‘A’ images en entré sous forme de vecteur, et chacun de
ces entrés contient ‘B’ éléments (pixels), la taille de matrice d’apprentissage est B*A.
Le deuxième paramètre en entrée ‘ind ’ représente le vecteur des classes labels qui
prend des valeurs numériques. Par exemple, si les trois premières images de la matrice
X représentent le premier sujet et les trois deuxième images représentent le deuxième
sujet, c’est-à-dire six images en totale dans la matrice d’apprentissage X, donc les
paramètres en entré du vecteur ‘ind ’ seront [1 1 1 2 2 2], donc le nombre des
paramètres du vecteur ind et le nombre des images de matrice d’apprentissage doivent
être égaux.Le troisième et le quatrième paramètre de la fonction définissent respectivement le
noyau de la fonction utilisé et ces paramètres.
Le cinquième paramètre ‘n’ détermine le nombre des composants KFA retenus. Ce
nombre étant défini par le nombre de classes de la matr ice d’apprentissage moins 1 et il
ne doit pas dépasser ce seuil car il représente le rang de la matrice interclasse de noyau.
nonlinear_subspace_projection_PhD :
feat = nonlinear_subspace_projection_PhD(X, model);
Cette fonction permet de calculer les caractéristiques (ou la projection des coefficients des
sous-espaces) pour la projection des sous espaces des techniques de noyau non linéaire
comme KFA et KPCA. Cette fonction ne transforme aucune matrice de ces sous classes,
elle utilise uniquement un model pré calculé pour déduire ces résultats.
Pour cela, la matrice de test ‘X’ doit être arrangée en colonnes de données représentant les
sujets à tester.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 61/91
Approche proposée et implémentation
~ 57 ~
Cette entrée peut être une seule image (un seul vecteur) d’où le résultat ‘feat’ doit contenir
un seul vecteur représentant l’image en entrée, ou un ensemble des images donc une
matrice ou le résultat ‘ feat’ doit être aussi une matrice correspondant à la matrice de test X.
On conclusion, ces deux fonctions permettent de représenter la matrice d’apprentissagesous forme d’un modèle des sous calasses représentant les individus, en utilisant la
technique d’analyse discriminante KFA d’un côté, et de projeter ce modèle obtenu sur la
matrice de test afin d’obtenir aussi une matrice des sous classes représentant l es sujets de
test.
Ces deux modèles (d’apprentissage et de test) sont utilisés dans le calcul des distances ou
de similarité des caractéristiques pour pouvoir effectuer une décision sur l’authenticité des
sujets en question.
Mesure des distances :
Lorsqu’on souhaite comparer deux vecteurs de caractéristiques issus du module
d’extraction de caractéristiques d’un système biométrique, on peut soit effectuer une
mesure de similarité (ressemblance), soit une mesure de distance (divergence).
La première catégorie de distances est constituée de distances Euclidiennes et sont définies
à partir de la distance de Minkowski d’ordre p dans un espace euclidien (N déterminant
la dimension de l’espace euclidien).
Considérons deux vecteurs X = (x1, x2, ..., x N) et Y = (y1, y2, ..., y N), la distance de
Minkowski d’ordre p notée est définie par :
∑ | |
…………. A.1
On va présenter quelques mesures de distance dans l’espace original des images puis dans
l’espace de Mahalanobis.
A. Distances Euclidiennes
A.1. Distance City Block (L1)Pour p = 1, on obtient la distance City-Block (ou distance de Manhattan) :
∑ | | …………. A.2
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 62/91
Approche proposée et implémentation
~ 58 ~
A.2 Distance Euclidienne (L2)Pour p = 2, on obtient la distance euclidienne :
∑ | | …………. A.3
Les objets peuvent alors apparaître de façon très différente selon la mesure de distance
choisie (Figure 25)
Figure 26 Représentation d’une sphère avec la distance euclidienne (A.1.a) et la distance
City block (A.1.b)
B. Distances dans l’Espace de Mahalanobis :
B.1 De l’espace des images à l’espace de Mahalanobis :
Avant de pouvoir effectuer des mesures de distance dans l’espace de Mahalanobis, il est
essentiel de bien comprendre comment l’on passe de l’espace des images à l’espace de
Mahalanobis .
En sortie de l’algorithme ACP, on obtient des vecteurs propres associés à des valeurs
propres (représentant la variance selon chaque dimension). Ces vecteurs propres
définissent une rotation vers un espace dont la covariance entre les différentes dimensions
est nulle. L’espace de Mahalanobis est un espace où la variance selon chaque
dimension est égale à 1. On l’obtient à partir de l’espace des images en divisant chaque
vecteur propre par son écart-type correspondant.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 63/91
Approche proposée et implémentation
~ 59 ~
Soit u et v deux vecteurs propres de , issus de l’algorithme ACP, et m et n deux vecteurs
de . Soit les valeurs propres associées aux vecteurs u et v, et l’écart-type, alors
on définit = . Les vecteurs u et v sont reliés aux vecteurs m et n à partir des relations
suivantes : =
√ et
√ ……. A.4
B.2 Mahalanobis L1 (MahL1)
Cette distance est exactement la même que la distance City-Block sauf que les vecteurs
sont projetés dans l’espace de Mahalanobis. Ainsi, pour des vecteurs propres u et v de
projections respectives m et n sur l’espace de Mahalanobis, la distance Mahalanobis L1 est
définie par :
∑ | | ……. A.5
B.3 Mahalanobis L2 (MahL2)
Cette distance est identique à la distance euclidienne à part qu’elle est calculée dans
l’espace de Mahalanobis. Ainsi, pour des vecteurs propres u et v de projections respectives
m et n sur l’es pace de Mahalanobis, la distance Mahalanobis L2 est définie par :
∑ | | ……. A.6
Par défaut, lorsqu’on parle de distance de Mahalanobis, c’est à cette distance que l’on doit
se référer.
B.4 Cosinus de Mahalanobis ( MahCosine)
Il s’agit tout simplement du cosinus de l’angle entre les vecteurs u et v, une fois qu’ils ont
été projetés sur et normalisées par des estimateurs de la variance (Figure27).
Figure 27 Les deux vecteurs m et n dans l’espace de Mahalanobis
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 64/91
Approche proposée et implémentation
~ 60 ~
On a donc par définition :
De plus, on peut écrire :
=||||||||
D’où la formule finale de la mesure de similarité MahCosine :
|||| , =- ……. A.7
Où est la mesure de distance équivalente. On peut enfin noter qu’il s’agit
principalement de la covar iance entre les vecteurs dans l’espace de Mahalanobis.
Dans ce cas de figure, la fonction return_distance_Phd de Phd_tool (annexe1) sera
appliquée pour mesurer la distance entre deux vecteurs des caractéristiques
d = return_distance_PhD(x,y,dist,covar)
Cette fonction peut prendre deux, trois ou quatre paramètres comme entrées. Les deux
paramètres représentent les deux vecteurs des caractéristiques à comparer. Le troisième
paramètre défini le type de distance à utiliser et le dernier représente la matrice de
covariance de la matrice d’apprentissage.
Cette fonction est la méthode primordiale dans le script nn_classification_Phd qui prend
comme paramètres les deux matrices d’apprentissage et de test pour calculer les scores de
correspondance qui seront représentés dans une structure qui contient nécessairement la
matrice de similarité qui peut être exploitée dans la représentation graphique des courbes
ROC, CMC ou d’autres fins statistiques comme le taux d’EER ou le taux de
reconnaissance de premier rang ou d’autre techniques d’évaluation des performances
biométriques.
4.1.2.3 Fusion des scores :
La fusion au niveau des scores est le type de fusion le plus utilisé car elle peut être
appliquée à tous les types de systèmes (contrairement à la fusion pré-classification), dans
un espace de dimension limité (un vecteur de scores dont la dimension est égale au nombre
de sous-systèmes), avec des méthodes relativement simples et efficaces mais traitant plus
d'information que la fusion de décisions. La fusion de scores consiste donc à laclassification : OUI ou NON pour la décision finale, d'un vecteur de nombres réels dont la
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 65/91
Approche proposée et implémentation
~ 61 ~
dimension est égale au nombre de sous-systèmes. Il existe un grand nombre de méthodes
de fusion de scores qui sont présentée dans le paragraphe suivant.
Les méthodes de fusion de scores combinent les informations au niveau des scores issus
des modules de comparaison comme indiqué sur la figure suivante.
Figure 28 Schéma de la fusion des scores.
Il existe deux approches pour combiner les scores obtenus par différents systèmes. La
première approche est de traiter le sujet comme un problème de combinaison, tandis quel’autre approche est de voir cela comme un problème de classification. Il est important de
noter que Jain et al (21) ont montré que les approches par combinaison sont plus
performantes que la plupart des méthodes de classification.
1) Approche par combinaison de scores :
Consiste à traiter le sujet comme un problème de combinaison de scores par des méthodes
mathématiques de combinaison. Dans l’approche par combinaison, les scores individuelssont combinés de manière à former un unique score qui est ensuite utilisé pour prendre la
décision finale. Afin de s’assurer que la combinaison de scores provenant de différents
systèmes soit cohérente, les scores doivent d’abord être transformés dans un domaine
commun : on parle alors de normalisation de score.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 66/91
Approche proposée et implémentation
~ 62 ~
2) L’approche par classification de scores :
Elle consiste à voir cela comme un problème de classification des scores. Plusieurs
classifieurs ont été utilisés pour classifier les scores de correspondance afin d’arriver à une
décision. Dans l’approche par classification, un vecteur de caractéristiques est construiten utilisant les scores donnés en sortie par les systèmes individuels ; ce vecteur est ensuite
attribué à une des deux classes : Client ou Imposteur. En général, le classifieur utilisé pour
cette opération est capable d’apprendre la frontière de décision sans tenir compte de la
manière dont le vecteur de caractéristiques a été généré. Ainsi, les scores en sortie de
différentes systèmes peuvent être non-homogènes (mesure de distance ou de similarité,
différents intervalles de valeurs prises, etc.…) et aucun traitement n’est requis avant de les
envoyer dans le classifieur.
Dans ce cadre de travail, on s’intéresse de la première approche de fusion à savoir la
méthode de combinaison des scores qui se subdivise elle-même en deux catégories qui
sont : les méthodes de combinaison simples et la combinaison des scores par logique flou.
La théorie de la logique floue (des sous-ensembles flous) a été introduite par Zadeh en
1965 comme une extension de la logique binaire d’une part et une amélioration de la
logique multivaluée (admettant plusieurs valeurs de vérité) d’autre part. L’importance de la
logique floue réside dans le fait qu’elle s’approche du raisonnement humain par
l’intégration et le traitement du caractère approximatif, vague, imprécis ou flou de la
connaissance humaine. Les termes linguistiques tels qu’environ, moyenne,
approximativement sont de nature à donner un caractère flou aux phrases énoncées. Par
exemple, la règle « si le prix est inférieur à 6000 DA, j’achète » sera intuitivement
utilisable si le prix est de 6002 DA, mais elle ne pourrait être exploitée en logique
classique puisque le prix indiqué ne satisferait pas la prémisse.
Méthode de combinaisons simples :
Les méthodes de combinaisons de scores simples sont des méthodes très simples dont
l'objectif est d'obtenir un score final s à partir des N scores disponibles si pour i = 1 à N
issus de N systèmes. Les méthodes les plus utilisées sont la moyenne, le produit, le
minimum, le maximum ou la médiane.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 67/91
Approche proposée et implémentation
~ 63 ~
Combiner les scores par la moyenne consiste à calculer s tel que
Combiner les scores par le produit consiste à calculer s tel que
∏
Combiner les scores par le minimum consiste à calculer s tel que
s = min ( si)
Combiner les scores par le maximum consiste à calculer s tel que
s = max ( si)
Combiner les scores par la médiane consiste à calculer s tel que
s = med ( si)
La somme pondérée c’est une méthode un peu plus évoluée qui nécessite une
adaptation par le réglage de paramètres.
La somme pondérée permet de donner des poids différents à chacun des systèmes en
fonction de leur performance individuelle ou de leur intérêt dans le système multi-
algorithmes.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 68/91
Approche proposée et implémentation
~ 64 ~
4.1.3 Interface graphique :
Afin de concrétiser l’approche logicielle proposée, une simple interface graphique
‘ fusion_gui ’ est créée pour permettre de visualiser les deux grands axes d’authentification
biométrique (identification/vérification) basées sur la fusion des empreintes digitales et les
veines des doigts.
Figure 29 Interface graphique ‘fusion gui’.
Les huit boutons figurés en (1) permettent de charger et prétraiter les images des deux
modalités (empreinte digitale et veines de doigt) des quatre doigts (index et le majeur des
deux mains droite et gauche) choisis dans cette démonstration qui sont af fichées d’une
façon est ce que l’empreinte digitale et l’image des veines du même doigt sont superposées
l’une au-dessus de l’autre respectivement.
Le bouton (2) exécute la tâche d’identification du sujet dont les modalités sont chargées, et
puis le résultat d’identification sera affiché dans le champ (3).
2
3
1
7
5
4
6
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 69/91
Approche proposée et implémentation
~ 65 ~
Concernant la phase de vérification, en tape l’identité de personne à vérifier dans la zone
(4) pour amorcer cette fonction par le bouton (5). Le résultat sera affiché dans un message
dans lequel l’identité du sujet sera affirmée ou ignorée comme le montre la figure 29.
Figure 30 Démonstration de la tache de vérification.
Le bouton (6) permet de réinitialiser toute l’application.
Le dernier bouton (7) est chargé de quitter le système.
Résultat devérification
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 70/91
Approche proposée et implémentation
~ 66 ~
4.2 Expérimentation et résultats obtenus :
4.2.1 Base de données utilisée :
La présente application de reconnaissance biométrique est validée par une base de donnéesmultimodale SDUMLA-HMT (22) qui a été collectée par le groupe Shandong University
learning Machine and Applications, Jinan, la Chine en 2010.
106 sujets, dont 61 hommes et 45 femmes avec l'âge entre 17 et 31 ans, ont participé à la
collection des données, processus dans lequel tous les cinq traits biométriques : le visage,
les veines des doigts, la marche, l'iris et les empreintes digitales sont collectés pour
chaque sujet.Par conséquent, il y a cinq sous bases de données inclus dans SDUMLA-HMT, c’est à dire,
une base de données de visage, celle des veines du doigt, de la marche, de l'iris et pour les
empreintes digitales. Il est à noter que dans les 5 sous bases de données, tous les traits
biométriques avec la même identité de personne sont capturés à partir du même sujet.
Deux sous bases de données sont choisies dans cette expérimentation à savoir : les
empreintes digitales et les veines des doigts.
a. Les veines du doigt :
La reconnaissance des veines du doigt est un sujet de recherche récemment mis au
point. On inclue dans SDUMLA-HMT une base de données des veine des doigts qui,
au mieux de connaissance de l’auteur, c’est la première base de données de veines du
doigt gratuite.
Le dispositif utilisé pour capturer des images des veines du doigt est conçu par Joint
Lab pour Intelligent computing end systèmes intelligents de l'Université de Wuhan.Dans le processus de capture, chaque sujet est demandé de fournir des images de son
index, majeur et l'annulaire des deux mains, ainsi que la collecte de chacun des six
doigts est répétée six fois pour obtenir six images veineuses du même doigt. Quelques
exemples d'images sont présentés dans la figure suivante.
Figure 31 Quelques exemples des images des veines du doigt.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 71/91
Approche proposée et implémentation
~ 67 ~
La base de données des veines du doigt est composé de 6 x 6 x 106 = 3816 images. Chaque
image est stockée en format "bmp" en résolution 320 × 240 pixels. La taille totale de cette
base de données est d'environ 0,85 GO.
b. Les empreintes digitales :
L’empr einte digitale est l'une des traits biométriques les plus couramment utilisés dans
l'authentification biométrique.
Par conséquent, on inclut les empreintes digitales dans une base de données en SDUMLA-
HMT. En outre, la base de données d'empreintes digitales acquise avec cinq capteurs va
également enrichir la recherche sur l’interopérabilité des capteurs des empreintes digitales
qui est récemment un point chaud dans la reconnaissance des empreintes digitales.
Cette base de données d'empreintes digitales comprend des images d'empreintes digitales
capturées à partir de pouce, de l'index et le majeur de chaque main. Afin d'explorer
l'interopérabilité du capteur, on a capturé chacun des six doigts avec cinq autres types de
capteurs :
AES2501 qui est un scanner de balayage des empreintes digitales développée par
Authentec Inc.
FPR620 : un scanner optique d'empreintes digitales.
FT-2BU : un scanner capacitif d'empreintes digitales développé par Zhongzheng
Inc.
URU4000 : scanner optique d’empreintes digitales développées aussi par
Zhongkong Inc
ZY202-B : scanner d'empreintes digitales optique développé par Changchun
Institut d'Optique, Mécanique fine et Physique, Académie chinoise des sciences.
Il est à noter que les huit impressions ont été capturées pour chacun des six doigts à l'aide
de chacun des cinq capteurs. Certains des exemples d'images de la base de données
d'empreintes digitales sont présentés dans la figure suivante :
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 72/91
Approche proposée et implémentation
~ 68 ~
Figure 32 Quelques exemples des images des empreintes digitales prises par les cinq capteursde SDUMLA-HMT.
Cette base de données d'empreintes digitales contient 6 × 5 × 8 × 106 = 25 440 images
d'empreintes digitales au total. Chaque image d'empreinte digitale est enregistrée dans 256
niveaux de gris, format "bmp" mais la taille varie en fonction des capteurs de capture.
Le tableau suivant répertorie la taille des images capturées par la cinq capteurs. Il est à
noter que le AES2501 est un scanner d'empreintes digitales basé sur le balayage de doigt
qui induit à des variations des tailles d'images obtenus suivant les différents procédés du
glissement des doigts, ce qui est montré dans la figure31.(a). La taille totale de la base de
données d'empreintes digitales est d'environ 2,2 GO.
TABLEAU 2 Tableau comparatif des tailles d’images des cinq capteurs..
Capteur Taille d’image
AES2501 Non fixée
FPR620 256×304
FT-2BU 152×200
URU4000 294×356
ZY202-B 400×400
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 73/91
Approche proposée et implémentation
~ 69 ~
4.2.2 Scénarios :
- La démonstration consiste à fusionner deux traits biométriques qui sont l’empreinte
digitale et les veines du doigt, précisément, des deux doigts qui sont choisis ; l’index et
le majeur des deux mains droite et gauche, c’est-à-dire, on aura deux modalités de quatre
doigts à traiter (c.-à-d. un total de 2×4=8 traits biométriques) pour chaque sujet.
- L’expérimentation est réalisée sur la base de données issue du capteur AES2501
uniquement pour les empreintes digitales ainsi que celle des veines des doigts de
SDUMLA-HMT.
- Six prises de chaque trait biométrique ont été effectuées pour chaque sujet des 106 de la
base de données, on a réparti les prises en deux : trois pour l’apprentissage et trois pour le
test. Donc, on aura deux matrices de n×318 dont une pour l’apprentissage et l’autre pour
le test, ou n représente le nombre des caractéristiques extraites d’une ou plusieurs
modalités fusionnées pour chaque individu.
- Le nombre total des images mises en évidence est de : 8×6×106=5088 images dont 2544
empreintes digitales et 2544 images des veines des doigts.
- L’évaluation des performances de l’application proposée est calculée à partir d’un
nombre des tests de 106x3=318 clients, et 105×106×3= 33390 tests d’imposteurs, cenombre important permet de créditer considérablement l’algorithme de reconnaissance
biométrique proposé.
Scénario 1 :
On consiste en premier lieu à appliquer une approche biométrique unimodale basée la
reconnaissance des empreintes digitales et des veines des doigts de l’index et le majeur des
deux mains droite et gauche pour chaque personne.
Scénario 2 :
Concernant ce scenario, on a entamé la première étape de fusion qui consiste à fusionner
les caractéristiques des deux traits (empreinte et les veines du doigt) du chaqu’un des
quatre doigts dont l’index gauche, le majeur gauche, l’index droit et le majeur droit.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 74/91
Approche proposée et implémentation
~ 70 ~
Dans les trois scenarios qui suivent, on va s’émerger dans le fond du sujet. Les deux
modalités des différents doigts (l’empreinte de l’index gauche, l’empreinte du majeur
gauche, l’empreinte de l’index droit, l’empreinte du majeur droit, les veines de l’index
gauche, les veines du majeur gauche, les veines de l’index droit, les veines du majeurdroit,) sont fusionnées.
Scénario 3 :
Les modalités biométriques sont fusionnées au niveau des caractéristiques dans cette
brèche. C’est-à-dire, après avoir extrait les caractéristiques de chaque trait, les code
obtenus sont concaténés afin d’avoir un seul vecteur regroupant les caractéristiques des
deux modalités de tous les doigts, ce vecteur sera utilisé pour vérifier l’authenticité du sujeten question.
Figure 33 Fusion au niveau des caractéristiques.
L’empreinte de l’index droit
L’empreinte de l’index gauche
L’empreinte du majeur droit
L’empreinte du majeur gauche
Les veines de l’index droit
Les veines de l’index gauche
Les veines du majeur droit
Les veines du majeur gauche
Features
Extraction
Fusion des
caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
ComparaisonDécision
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 75/91
Approche proposée et implémentation
~ 71 ~
Scénario 4 :
Le deuxième type de fusion appliqué dans cette approche est la fusion au niveau des scores
ou chaque prise est traitée séparément, et puis les scores obtenus seront fusionnés pour
donner par conséquent un score final grâce auquel la décision d’accepter/rejeter le sujet enquestion est prononcée.
Scénario 5 :
Figure 34 Fusion au niveau des scores.
L’empreinte de l’index droit
L’empreinte de l’index gauche
L’empreinte du majeur droit
L’empreinte du majeur gauche
Les veines de l’index droit
Les veines de l’index gauche
Les veines du majeur droit
Les veines du majeur gauche
FeaturesExtraction
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Code des caractéristiques
Score 1
Score 2
Score 3
Score 4
Score 5
Score 6
Score 7
Score 8
ComparaisonFusion
des
scores
Décision
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 76/91
Approche proposée et implémentation
~ 72 ~
Scénario 5 :
C’est à ce stade que la fusion proposée est mise au point. Cette nouvelle approche dite
‘hybride’ consiste à fusionner les deux modalités des quatre doigts choisis au niveau des
caractéristiques et au niveau des scores à la fois.Les caractéristiques extraites de l’empreinte digitale et des veines du même doigt sont
fusionnées dans le même vecteur ce qui donne quatre codes (vecteurs) des caractéristiques
représentants l’index droit, le majeur droit, l’index gauche et le majeur gauche pour chaque
individu. Ensuite, la comparaison sera effectuée séparément pour chaque doigt pour
obtenir quatre scores en conséquence qui seront fusionnés finalement pour donner au
dernier ressort un seul score qui va être utilisé pour la prise de décision.
Figure 35 Fusion hybride.
Le majeur droit
L’empreinte Les veines
L’index droit Le majeur gaucheL’index gauche
L’empreinte Les veinesL’empreinte Les veinesL’empreinte Les veines
Extraction descaractéristiques
Extraction descaractéristiques
Extraction descaractéristiques
Extraction descaractéristiques
Codes des caractéristiquesCodes des caractéristiquesCodes des caractéristiquesCodes des caractéristiques
L’em reinte Les veinesL’empreinte Les veinesL’empreinte Les veinesL’empr einte Les veines
Fusion descaractéristiques
Fusion descaractéristiques
Fusion descaractéristiques
Fusion descaractéristiques
ComparaisonComparaisonComparaisonComparaison
Score 4Score 3Score 2Score 1
Fusion des scores
Décision
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 77/91
Approche proposée et implémentation
~ 73 ~
4.2.3 Résultats :
Les résultats qu’on va discuter sont récapitulés sous forme des tableaux dont leurs champs
représentent quelques métriques jugées utiles pour l’évaluation des performances des
approches de reconnaissance biométriques vues précédemment.
Les métriques prises en considération sont : le taux de reconnaissance, le taux d’erreur, les
taux de vérification à 1%, 0.1% et 0.01% de taux des fausses acceptations.
Les résultats sont ordonnés respectivement suivant l’ordre des scénarios.
Résultat 1 :
TABLEAU 3 Résultats du scenario 1 .
Résultat 2 :
TABLEAU 4 Résultats des reconnaissances du scenario 2.
Taux dereconnaissance
(%)
EER(%)
Taux devérification à1% FAR (%)
Taux devérificationà 0.1% FAR
(%)
Taux devérification
à 0.01%FAR (%)
Ind left print 36 19 44 23 12
Mid left print 30 28 34 20 14
Ind right print 45 21 47 39 24
Mid right print 26 26 30 14 6
Ind left vein 68 10 76 59 49
Mid left vein 29 27 31 22 19
Ind right vein 43 16 56 22 20
Mid right vein 59 12 69 52 44
Taux dereconnaissance
(%)EER (%)
Taux devérification à1% FAR (%)
Taux devérificationà 0.1% FAR
(%)
Taux devérification
à 0.01%FAR (%)
Index left 96 1.26 98 96 94
Middle left 94 2.20 96 92 83
Index right 98 0.63 99 98 94
Middle right 93 1.57 98 94 88
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 78/91
Approche proposée et implémentation
~ 74 ~
Les résultats des scenarios 3, 4 et 5 seront figurées dans le tableau suivant :
TABLEAU 5 Résultats des reconnaissances des scenarios 3, 4 et 5
4.2.4 Discussions :
Ce travail est entrepris par une démonstration d’un système biométrique unimodale basé
sur la reconnaissance des empreintes digitales et des veines de l’index et de majeur des
deux mains. On a constaté que les résultats de reconnaissance des veines des doigts sont
plus performants par rapport à ceux des empreintes digitales comme le montre le tableau3,
chose qui rend de cette modalité un axe très intéressant dans le domaine biométrique.
Le premier pas de fusion est relaté dans le deuxième scénario, ou les deux modalités
(empreinte et les veines) ont été fusionnées au niveau des caractéristiques pour chaque
doigt.
Ayant constaté que les résultats de reconnaissance sont améliorés à ce stade par rapport à
ceux obtenus dans la première approche unimodale.
On a encore concrétisé le principe de la fusion dans le troisième scénario par la fusion des
deux modalités des quatre doigts étudiés dans l’expérimentation au niveau des scores. Le
taux de reconnaissance de cette opération est amélioré considérablement par rapport aux
autres variantes de reconnaissance vues auparavant ainsi qu’à d’autres paramètres
d’évaluation à savoir : le taux d’erreur égale et les taux de vérifications.
Taux dereconnaissance
(%)EER (%)
Taux devérification à1% FAR (%)
Taux devérification
à 0.1% FAR(%)
Taux devérification
à 0.01%FAR (%)
Fusion descaractéristiques
100 0 100 100 100
Fusion des scores 96.54 1.82 98 96 91
Fusion hybride 100 0 100 100 100
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 79/91
Approche proposée et implémentation
~ 75 ~
Le scenario 4 a permis d’avoir des résultats de reconnaissance perspicaces. Dans
l’algorithme proposé, la fusion au niveau des caractéristiques est plus importante par
rapport à celle au niveau des scores (Tableau 5).
Néanmoins, cette dernière technique permet d’avoir des résultats de reconnaissance plus au
moins performants quelques soient les modalités impliquées dans l’algorithme
d’authentification. C’est-à-dire, les huit traits biométriques sont exigés dans le processus
de fusion au niveau des caractéristiques, le cas échéant, une procédure complexe devrait
avoir lieu afin de résoudre ce genre de problème (un sujet ayant un ou plusieurs doigts
coupés). Par contre, comme la fusion au niveau des scores consiste à comparer chaque
modalité biométrique séparément et que les scores seront fusionnés pour avoir une
décision, le processus d’authentification ne sera jamais rompu sauf si l’individu en
question a perdu tous ces doigts !
A cet effet, on a proposé une approche optimale et logique dite hybride (scenario 5), cette
approche coalise les privilèges des deux modes de fusion que ce soit au niveau des
caractéristiques et au niveau des scores. Le résultat finale est vraiment remarquable (taux
de reconnaissance et taux de vérification sont de 100%, le taux d’erreurs égaux est de 0%)
d’une part, et la fusion des scores des quatre doigts permet de prendre une décision
d’authentification même avec un seul doigt.
Le choix de fusion dans cet algorithme rend ce système biométrique ultra-sécurisé du fait
que l’usurpation de ces traits au même temps est extrêmement difficile voire impossible.
Tous les résultats discutés dans ce passage sont récapitulés dans les deux graphes : ROC
(Receiver Operator Caratéristique) et le CMC (Cumulative Matching Curve).
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 80/91
Approche proposée et implémentation
~ 76 ~
Figure 36 Les courbes ROC des cinq scenarios.
La figure 36 présente les courbes ROC de chaque scenario décrit auparavant, ces courbes
permettent d’avoir les taux de vérification en fonction des taux des fausses acceptations dechaque scenario.
Comme le montre la courbe ROC de la technique de fusion proposée (scenario 5), le taux
de vérification se figure à 100% même au niveau le plus bas de FAR de 0.001, c’est-à-dire,
cette technique ne se trompera jamais dans la vérification d’identité d’un sujet sollicité.
Voir également la figure 37 dans laquelle se présentent les courbes CMC des cinq
scenarios vu précédemment. Le graphe CMC est une courbe de correspondances cumulées,
il sert à déterminer à quel point on obtiendra un taux de reconnaissance de 100%, c’est-à-
dire, si on aura un taux de reconnaissance de 100% au dixième rang, ça veut dire que le
sujet légitime se trouve forcément parmi les dix premiers suspects. Ce graphe est jugé très
utile pour les services d’ordre publique.
------ scenario1 (empreinte)
----- scenario1 (veine)
----- scenario2
----- scenario3
----- scenario4
----- scenario5
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 81/91
Approche proposée et implémentation
~ 77 ~
Figure 37 Les courbes CMC des cinq scenarios.
Constatant que la courbe qui représente les résultats de l’approche de fusion proposée(scenario 5) part d’un taux de reconnaissance de 100% dès le premier rang, ce que veut
dire, on identifiera un suspect dès le premier essai, ce qui preuve que cette nouvelle
technique a propulsé les recherches vers l’extrême dans le domaine d’authentification
biométrique.
4.2.5 Conclusion :
La phase expérimentale a eu lieu dans ce chapitre où l’aspect d’unimodalité a été
concrétisé ainsi que celui de multimodalité en plusieurs volets.
La fusion multimodale est mise au point au niveau des caractéristiques et au niveau des
scores. Les limites de ces deux niveaux de fusion sont bien discutées pour aboutir au
dernier ressort d’une nouvelle approche de fusion optimale qui a présenté des niveaux de
performances assez acceptables.
------ scenario1 (empreinte)
----- scenario1 (veine)
----- scenario2
----- scenario3
----- scenario4
----- scenario5
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 82/91
Conclusion générale et perspectives
Conclusion
Générale
et
Perspectives
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 83/91
Conclusion générale et perspectives
~ 79 ~
Conclusion générale et perspectives:
La croissance importante des transactions dans le marché électronique fait de l’authenticité
des partenaires un sujet chaud vue la contrefaçon due à l’usurpation des identités qui
nécessite des dispositifs ultra sécurisés pour maintenir un niveau agréable des services
rendus.
Pour répondre à ces fins, les systèmes de reconnaissances biométriques ont été introduits
afin de remédier aux limites des systèmes d’authentification classiques.
Dans ce travail, un système de reconnaissance biométrique basé sur la fusion des
empreintes digitales et des veines des doigts, est réalisé. Cette approche est conçue en
relatant toutes les étapes nécessaires de traitement des images des modalités en objet dès le
prétraitement, l’extraction des caractéristiques, la comparaison et les différentes variantes
de fusion vus dans ce travail dont la fusion au niveau des caractéristiques, au niveau des
scores et la nouvelle technique proposée dite la fusion hybride qui regroupe les deux
modes de fusion cités dans le même algorithme. Les résultats obtenus sont représentés sous
forme des graphes : ROC et CMC qui permettent également d’évaluer les performances du
système biométrique en présentant quelques taux et métriques d’évaluation comme le taux
d’identification, le taux d’erreur égal et le taux d’évaluation.
En premier lieu une technique unimodale à base des empreintes digitales ou des veines des
doigts a été présentée, dans laquelle ce dernier trait biométrique a offert un système
beaucoup plus performant par rapport à l’empreinte digitale.
Néanmoins, l’unimodalité reconnait des limites dans les résultats d’authentification -en
matière des taux d’identification par exemple-, qui vont de 26 à 45% pour les empreintesdigitales et 29 à 68% pour les veines des doigts ce qui nous pousse vers une approche
multimodale qui a permis d’augmenter considérablement les performances du présent
processus, à savoir des taux de reconnaissance allant jusqu’à 100% par exemple.
Un état comparatives des différentes techniques de fusion est passé en revu et notamment
entre la fusion des caractéristiques et celles des scores qui ont donné des résultats
relativement rapprochés, la technique de fusion des caractéristiques était plus performante
par rapport à celles des scores, mais cette dernière est plus souple en résolution des cas des
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 84/91
Conclusion générale et perspectives
~ 80 ~
modalités manquantes d’un sujet. À cet égard, on a opté pour une nouvelle technique
optimale afin d’en profiter des privilèges des deux modes de fusion, la souplesse
d’algorithme de fusion hybride qui permet de résoudre des systèmes d’authentification à un
sujets même à un seul doigt, d’un côté, et les résultats perspicaces de reconnaissance(100%), d’un autre côté.
En dépit des résultats géniaux obtenus de cette approche de reconnaissance proposée, la
taille des matrices d’enrôlement demeurent plus au moins importantes, autrement dit, la
phase de prétraitement a engendré des codes des traits biométrique relativement importants
suite au mode de traitement globale ou de texture appliqué dans cette phase, ce genre de
traitement tient en compte des zones inutiles qui seront figurés également dans le code des
caractéristiques de modalités traitées qui sera utilisé dans l’appariement.
Dans les futures travaux, des techniques de traitement locale vont être mis en œuvre dans
les phases de prétraitement et d’extraction des caractéristique des traits biométriques
étudiés afin de réduire ses codes représentatifs et que seules les caractéristiques uniques
seront prises en considération.
Malgré la richesse de la plateforme de programmation Matlab en matière des outils et des
fonctions prédéfinies qui facilitent le développement des scripts complexe, ce langagereconnait une lenteur remarquable en temps d’exécution. A cet effet, les travaux ultérieurs
seront développés sous d’autres langages comme C et JAVA qui permettront de réduire
significativement le temps de calcul.
Toutes ces démarches vont permettre d’accélérer considérablement les processus
d’authentification biométrique.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 85/91
Bibliographie
~ i ~
Bibliographie
1. ALLANO, Lorène. La Biométrie multimodale : stratégies de fusion de scores et mesures de
dépendance appliquées aux bases de personnes virtuelles. 2009.
2. R, Belguachi. Contribution à la reconnaissance d'empreinte digitale par une approche hybride.
Algeria : s.n., 2006.
3. Zaid, Aghiles Ahmed. Segmentation d'images appliquée en biométrie: cas des images de l'iris.
Tizi-Ouzou : s.n., 2013.
4. Bernadette, Dorrizi. Techniques et Usage biométrique. Evry : s.n., 2004.
5. une approche multimodale pour la vérification biométrique. Ismahane, Deheche et Labiba,
Souici Mesleti. Annaba : Courier du savoir, 2011.
6. Bao, Le Duc. Authrntification des empreintes digitales dans un système Bio PKI. Hanoi : s.n.,
2007.
7. S.Prabhakar. Fingerprint Classification and Matching Using a FilterBank. 2001.
8. Mathitjes, Douzze et Karteek, Alahari. Base se données multimédia ,mésures de comparaison
et évaluation d'un système de recherche d'information. Grenoble : s.n., 2015.
9. Finger Vein Recognition. Kejun Wang, Hui Ma, Oluwatoyin P. Popoola and Jingyu Li. 2011,
INTECH.
10. N. Miura, A. Nagasaka and T. Miyatake. Extraction of finger-vein patterns using. 2007, pp.
1185-1194.
11. Driver identification using finger-vein patterns with Radon transform and. Wu, J.D. et Ye, S.H.
2009, Expert Syst. Appl.
12. Finger vein recognition using local line binary pattern. Rosdi, B.A., Shing, C.W. et Suandi, S.A.
2010, Sensors.
13. Finger-vein pattern identification using principal component analysis and the. Wu, J.D. et Liu,
C.T. 2011, Expert Syst. Appl.
14. Representing Shape with a Spatial Pyramid Kernel. Bosch, A., Zisserman, A. et Munoz, X. New
York : s.n., 2007. Proceedings of the 6th ACM International Conference on Image and Video
Retrieval. pp. 401-408.
15. A comparative study of texture measures with classification. Ojala, T., Pietikainen, M. et
Harwood, D. 1996, PatternRecognit, pp. 51-59.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 86/91
Bibliographie
~ ii ~
16. Histograms of Oriented Gradients for Human Detection. Dalal, N. et Triggs, B. San Diego : s.n.,
2005. the IEEE Conference on Computer Vision and Pattern Recognition. pp. 886-893.
17. Finger Vein Recognition with Personalized Feature Selection. Xiaoming Xi, Gongping Yang *,
Yilong Yin and Xianjing Meng. 2013, sensors.
18. ROSA, Luigi. http://www.advancedsourcecode.com/fingerprint.asp.
http://www.advancedsourcecode.com. [En ligne] [Citation : 15 03 2015.]
19. CALMETTES, ARNAUD et CEDILLE, GUILLAUME. VISION PAR ORDINATEUR – FILTRES DE
GABOR.
20. BETTAHAR Abdessettar, SABER Fathi. Extraction des caractéristiques pour l’analyse
biométrique d’un visage. 2014.
21. An Introduction to Biometric Recognition. Jain, Anil K. 2004, IEEE.
22. Yilong Yin, Lili Liu,Xiwei Sun. SDUMLA-HMT: A Multimodal Biometric Database. 2010.
23. Struc, Vitomir. The PhD face recognition toolbox. 2012.
24. Algorithmes séquentiels pour l’analyse de données par méthodes à noyau. Richard, C.,
Abdallah, F. et Lengellé, R. 2, Troyes : traitement du signal, 2004, Vol. 21.
25. A generalized representer theorem. Schölkopf, B., Herbrich, R. et Smola, A. 2001.
26. Statistical Pattern Recognition. Fukunaga, K. San Diego : Acadimic Press, 1990.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 87/91
Annexe 1
~ iii ~
Annexe 1 :
PhD toolbox (23)
La boîte à outils PhD (Pretty helpful Development) pour la reconnaissance du visage est
une collection de fonctions et des scripts Matlab destinée à aider les chercheurs à travailler
dans le domaine de la reconnaissance des visages. La boîte à outils a été produite comme
un sous-produit des travaux de recherche et elle est disponible gratuitement pour le
téléchargement.
La boîte à outils PhD comprend des implémentations de certaines techniques de
reconnaissance faciale populaires, comme l’analyse des composantes principales (PCA),
l'analyse discriminante linéaire (LDA), noyau en analyse des Composantes Principales
(KPCA), Kernel Fisher Analyse (KFA). Elle dispose aussi des fonctions pour la
construction de filtre de Gabor, filtrage Gabor, et tous les autres outils nécessaires pour la
construction des techniques de reconnaissance de visage basé sur les techniques de Gabor.
En plus des techniques énumérées, il y a aussi un certain nombre d'outils d'évaluationdisponible dans la boîte à outils, qui permettent facilement de construire des courbes et des
métriques d’évaluation des performances pour la reconnaissance de visage. Ces outils
permettent de calculer la courbe ROC (Receiver Operating Characteristics), la courbe EPC
(courbes de rendement attendus) et CMC (cumulative matching score curbe).
Plus important encore (surtout pour les débutants dans ce domaine), la boîte à outils
contient également plusieurs scripts de démonstration qui démontrent comment construire
et évaluer un système complet de reconnaissance faciale. Les scripts de démonstrationmontrent comment aligner les images de visage, comment extraire des caractéristiques,
cultiver et normaliser des images, comment classer ces caractéristiques et, enfin, la façon
d'évaluer les performances de système et présenter les résultats sous forme des courbes et
des métriques de performance correspondant.
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 88/91
Annexe 2
~ iv ~
Annexe2 :
Kernel Fisher Discriminant
Au cours de la dernière décennie, de multiples méthodes pour l'analyse et la classification
de données fondées sur la théorie des espaces de Hilbert à noyau reproduisant ont été
développées. Elles reposent sur le principe fondamental du kernel trick, initialement
exploité dans le cadre des Support Vector Machines (SVM). Celui-ci permet d'étendre au
cas non-linéaire des traitements initialement linéaires en utilisant la notion de noyau. Laméthode KFD, pour Kernel Fisher Discriminant , constitue ainsi une généralisation non-
linéaire de l'analyse discriminante de Fisher. Bien que son efficacité soit indiscutable, on
déplore le fait que sa mise en œuvre nécessite le stockage et la manipulation de matrices de
dimension égale au nombre de données traitées, point critique lorsque l'ensemble
d'apprentissage est de grande taille (24).
Espaces à noyau reproduisant et condition de Mercer
Soit H un espace fonctionnel hilbertien réel de produit scalaire <・ ; ・ >H , composé de
fonctions ψ continues sur un ensemble X .
D'après le théorème de représentation de Riesz, il existe une fonction unique κ( x i , x j ) de la
variable x i, étant donné x j , telle que :
ψ( x j ) =<ψ ; κ( ・ , x j)>H , ∀ψ ∈ H. (1)
Dans cette expression, κ( ・ , x j ) désigne une fonction définie sur X , obtenue en fixant le
second argument de κ à x j. Il en résulte que l'ensemble {κ( ・ , x ) : x ∈ X } engendre H , et
que le produit scalaire < ・ ; ・ >H ne nécessite d'être défini que sur cet ensemble de
générateurs. Au vu de cette propriété, κ est appelé noyau reproduisant de H .
En notant φ( x ) la fonction κ( ・ , x ), l'équation (1) implique :
<φ( x i ) ;φ( x j)>H = κ( x j , x i ) (2)
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 89/91
Annexe 2
~ v ~
Pour tout x i, x j ∈ X . Ce résultat signifie que κ( x i , x j ) fournit le produit scalaire des images
dans H de toute paire d'éléments de l'ensemble X . En autorisant l'exploitation de ce concept
sans nécessairement connaître explicitement H et φ, la condition de Mercer a contribué
aux plus récents développements des structures à noyau.
Méthode KFD :
Supposons qu'on dispose d'un ensemble d'apprentissage constitué de n individus , se
répartissant en n1 et n2 représentants des deux classes en compétition C 1 et C 2. La
méthode KFD suppose que l'on applique préalablement une transformation non linéaire
φ(. ) aux données, les représentant ainsi dans un espace image noté F , puis que l'onrecherche un vecteur w de sorte que la statistique λ( x ) = wt φ( x ) maximise le critère de
Fisher défini ainsi :
(3)
Où
∑ ( ) (4)
∑ ∑∈ () (5)
Dans les expressions ci-dessus, et désignent les moyennes dans F des données de
la base d'apprentissage, respectivement avec et sans distinction de leur classe
d'appartenance, soit :
∑ ∑ ∈ (6)
Notons au passage la relation de Huygens stipulant que S = V + B, où S désigne la matrice
de covariance estimée à partir des observations sans distinction de leur classe
d'appartenance:
∑ ( ) (7)
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 90/91
Annexe 2
~ vi ~
La maximisation de J ( w ) revient à trouver une direction w maximisant conjointement la
dispersion interclasse et minimisant la dispersion intra-classe, respectivement estimées à
partir de B et V . On montre que l'expression (3), connue sous le nom de Quotient de
Rayleigh, est maximale lorsque w est un vecteur propre vérifiant l'équation
Bw = γVw , (8)
Où γ désigne l'unique valeur propre non nulle associée. On a alors J ( w ) = γ. En combinant
l'expression ci-dessus et la relation de Huygens, on aboutit au problème équivalent
suivant :
Bw = γ ( S − B )w = γ Sw , (9)
Avec γ= . Si l'on souhaite s'affranchir de la résolution des problèmes (8) ou (9), une
alternative consiste à remarquer directement que B peut être reformulée selon :
( ) (10)
Et que Bw est en conséquence colinéaire à ( ). À partir de la relation (8), on
aboutit alors au système linéaire suivant :
Vw=( ) (11)
La constante γ ayant été ignorée parce qu'elle n'influe pas sur w. On note que la dimension
de l'espace image F de φ( ・ ) limite l'intérêt pratique de cette approche qui, en théorie,
permet de donner un caractère non-linéaire à l'analyse discriminante de Fisher grâce à une
transformation préalable des données. Il est possible de contourner cet obstacle en
remarquant que le domaine de recherche de w peut être limité à l'espace linéaire induit par
φ( x ), toute composante w⊥ extraite de l'espace complémentaire étant sans effet sur lastatistique λ( x )=wt φ( x ). Plus précisément encore et conformément au RepresenterTheorem
(25), l'information disponible sur l'observation x se bornant aux données de l'ensemble
d'apprentissage, le domaine de recherche de w peut être restreint à l'espace linéaire induit
par les éléments φ( ) , c'est-à-dire :
∑ (12)
Ceci mène directement à l'expression duale λ( x ) = αt κ ( x ) de la statistique, avec α levecteur de composantes αk et κ ( x ) = [κ( x , x 1 ) . . . κ( x , x n)]t . En substituant S à V dans la
7/18/2019 fingerprint £ fingervein fusion
http://slidepdf.com/reader/full/fingerprint-fingervein-fusion 91/91
Annexe 2
définition (3) compte tenu de l'équivalence observée entre les problèmes (8) et (9), puis en
combinant celle-ci avec l'expression (12), on aboutit finalement au critère suivant :
(13)
Dans cette expression, et avec δ = μ2 − μ1 , où μ et μi
désignent les moyennes des vecteurs κ ( x ) de la base d'apprentissage, respectivement sans
et avec distinction de leur classe Ci d'appartenance. De plus, K désigne la matrice de Gram
de terme général Ki j = κ( x i , x j ). Par analogie avec le critère (3) et le résultat (11) de sa
maximisation, on en déduit que α peut être obtenu en résolvant le système linéaire suivant :
Nα = ( μ2 − μ1 ) (13)
On note que la taille de ce problème est indépendante de la dimension de l'espace image F ,
ce qui permet d'accéder à une très grande diversité d'espaces d'analyse au prix d'une charge
calculatoire fixe. La figure 1 illustre les possibilités offertes par cette méthode sur des
problèmes issus de (26), où ils servent à illustrer les limites d'une approche linéaire. En
particulier, la figure 1.(a) correspond au choix d'un noyau polynômial de degré 3, tandis
que la figure 1.(b) résulte d'un noyau gaussien de largeur de bande unité. Si les possibilités
offertes par une telle approche semblent illimitées, il convient toutefois de noter que lataille du système (13) est égale à celle de la base d'apprentissage. Parce que cette
singularité peut mener à une situation de blocage lorsque les données disponibles
abondent, on présente un algorithme séquentiel ne nécessitant pas la manipulation de
matrices de grandes tailles.