Une introduction à la vérification biométrique de l'identité Gérard CHOLLET...

Une introduction à la vérification biométrique de

l'identité

Gérard CHOLLETchollet@tsi.enst.fr

ENST/CNRS-LTCI46 rue Barrault

75634 PARIS cedex 13http://www.tsi.enst.fr/~chollet

Plan Pourquoi et comment vérifier d’identité d’un individu ? Modalités biométriques, caractéristiques physiques et

comportementales Evaluation Travaux en cours au LTCI :

Speaker verification: The CAVE-PICASSO projects (text dependent) The ELISA consortium, NIST evaluations (text

independent) The EUREKA !2340 MAJORDOME project

Multimodal Identity Verification: The M2VTS and BIOMET projects Fusion de modalités

Perspectives

Pourquoi reconnaître l’identité d’une personne ?

Identification et Vérification Protection de la propriété individuelle

(habitation, compte bancaire, données informatiques, PDA, messagerie, ...)

Accès restreint (locaux sécurisés, base de données)

Recherche dans une base de données audiovisuelles

Qui prend la parole dans une réunion ? Le suspect est-t’il coupable ?

Comment vérifier l’identité d’une personne ?

vérifier une connaissance (mot de passe, PIN,...) qui risque d’être oublié par son propriétaire ou

usurpé par un imposteur contrôler une possession (passeport, clé, badge,...)

qui risque d’être volé mesurer les caractéristiques physiques (visage,

empreintes digitales, iris,...) ou comportementales (parole, signature,...) de l’individu

une combinaison de ces moyens rend l’imposture plus difficile mais complique l’accès

Modalités en vérification d’identité

Bla-bla

SECUREDSPACE

PIN PIN 1111111111111111

11

Caractéristiques biométriques physiques

Visage, Thermogramme facial Empreintes digitales Rétine, Iris Géométrie de la main Veines de la main Forme de l’oreille, des lèvres Code génétique ...

Caractéristiques biométriques comportementalles

Parole Ecriture, signature Démarche Rythme de frappe sur un clavier

Propriétés souhaitables d’une caractéristique biométrique

facilement mesurable (le code génétique caractérise l’individu mais n’est pas facilement mesurable)

performante (en précision, rapidité et coût) unicité (2 personnes ne doivent pas posséder

la même caractéristique) permanence (pas de variation temporelle) acceptation par les utilisateurs impossible à dupliquer par un imposteur

Architecture d’un système de reconnaissance biométrique

Apprentissage et Adaptation

Pour chaque nouveau client, le système doit faire l’acquisition des caractéristiques biométriques qui serviront de référence.

Pour certaines modalités (signature, mot de passe vocal,...), plusieurs répétitions sont souhaitables.

Un modèle de référence peut éventuellement être inféré.

Ce modèle peut être adapté pour prendre en compte les dérives temporelles.

Reconnaissance

Suis-je bien la personne que je prétends être ? Vérification d’identité

Qui suis-je ? Identification (dans un ensemble fermé)

Imposture

Deux types d’erreurs : faux rejet (un client légitime est rejeté) fausse acceptation (un imposteur est accepté)

Théorie de la décision : étant donné une observation O hypothèse H0 : c’est un imposteur hypothèse H1 : c’est notre client

Choix de H1 sssi P(H1|O) > P(H0|O)

ce qui se transforme (par la loi de Bayes) en

Evaluation en vérification d’identité

)1()(

)(

)1(

HPHoP

HoOP

HOP

Distribution des scores

Caractéristique Opérationnelle du Recepteur (COR)

Detection Error Tradeoff (DET) Curve

Empreintes digitales

Empreintes digitales

Minuties

Le visage

Caméra infra-rouge

(a) (b) (c)

(d) (e) (f)

Face recognition

Best-fit ellipse image

Rotation

Normalized imageErosion and sharpening

Simplified image

Gradient image

Adaptive Hough transform and

template matchingSnake energy:

exttotal EEE int

Normalisation du contraste

Initial ImagesInitial Images

After After NormalizationNormalization

Rétine

Localisation de l’iris

Iris

Comparaison des caractéristiques de l’iris

Signatures

La démarche

Speaker Verification

Typology of approaches (EAGLES Handbook) Text dependent

Public password Private password Customized password Text prompted

Text independent Incremental enrolment Evaluation

Inter-speaker Variability

We wereaway

ayear ago.

Intra-speaker Variability

We

were

away

a

year

ago.

Dynamic Time Warping (DTW)

HMM structure depends on the application

Signal detection theory

CAVE – PICASSOhttp://www.picasso.ptt-telecom.nl/project/

Speaker Verification (text independent)

The ELISA consortium ENST, LIA, IRISA, ... http://www.lia.univ-avignon.fr/equipes/RAL/elisa/

index_en.html

NIST evaluations http://www.nist.gov/speech/tests/spk/

index.htm

Gaussian Mixture Model

Parametric representation of the probability distribution of observations:

Gaussian Mixture Models

8 Gaussians per mixture

National Institute of Standards & Technology (NIST)

Speaker Verification Evaluations

• Annual evaluation since 1995• Common paradigm for comparing technologies

GMM speaker modeling

Front-endGMM

MODELING

WORLDGMM

MODEL

Front-end GMM model adaptation

TARGETGMM

MODEL

Baseline GMM method

HYPOTH.TARGET

GMM MOD.

Front-end

WORLDGMM

MODEL

Test Speech

xPxPLog ]

)/()/([

LLR SCORE

)/( xP

)/( xP

=

Support Vector Machines and Speaker Verification

Hybrid GMM-SVM system is proposed

SVM scoring model trained on development data to classify true-target speakers access and impostors access,using new feature representation based on GMMs

Modeling

Scoring

GMM

SVM

SVM principles

X (X)

Inpu

t sp

ace

Feat

ure

spac

e Separating hyperplans H , with the optimal hyperplan Ho

Ho

H

Class(X)

Results

«MAJORDOME»

Unified Messaging System

Eureka Projet no 2340

EDFVecsys

D. Bahu-Leyser, G. Chollet, K. Hallouli , J. Kharroubi, L. Likforman, S-S. Lin, D. Mostefa, D. Petrovska, M. Sigelle, P. Vaillant, F. Yvon

KTH Euroseek UPC Airtel

Software602

Majordome’s Functionalities

• Speaker verification

• Dialogue

• Routing

• Updating the agenda

• Automatic summary

Voice

Fax

E-mail

Voice technology in Majordome

Server side background tasks:continuous speech recognition applied to voice messages upon reception Detection of sender’s name and subject

User interaction: Speaker identification and verification Speech recognition (receiving user

commands through voice interaction) Text-to-speech synthesis (reading text

summaries, E-mails or faxes)

Multimodal Identity Verification

M2VTS (face and speech) front view and profile pseudo-3D with coherent light

BIOMET:(face, speech, fingerprint, signature, hand shape) data collection reuse of the M2VTS and DAVID data bases experiments on the fusion of modalities

BIOMET

An extension of the M2VTS and DAVID projects to include such modalities as signature, finger print, hand shape.

Initial support (two years) is provided by GET (Groupement des Ecoles de Télécommunications)Looking for partners to initiate a european project

Emphasis will be on fusion of scores obtained from two or more modalities.

Perspectives

Développement du projet BIOMET.

La fusion de modalités.

Réseau d’excellence dans le cadre du 6ème PCRD.

La carte à puce comme support des informations biométriques.