Upload
bianca-maurel
View
105
Download
1
Embed Size (px)
Citation preview
SYS828 – Systèmes biométriquesSYS828 – Systèmes biométriques
Hiver 2014
2
SOMMAIRE
1. Organisation du cours:1. Organisation du cours:1)1) Présentation personnellePrésentation personnelle2) Plan détaillé du cours
2. Introduction à la biométrie1) Reconnaissance conventionnelle2) Reconnaissance biométrique3) Défis actuels
3. Survol: reconnaissance de formesSYS828: Systèmes biométriques Éric Granger
3
1.1) Présentation personnelle1.1) Présentation personnelle2008-présent: Directeur de programme MGPA
2006-présent: Professeur agrégé (permanent)
2004-2006: Professeur adjointDépartement de GPA, ÉTS
2001-2004: Ingénieur en circuits ITGE R&D, Mitel Networks
1999-2001: Chercheur pour la défenseDRDC – Ottawa, DND
2001: Ph.D. en génie électriqueÉcole Polytechnique de Montréal
SYS828: Systèmes biométriques Éric Granger
4
1.1) Présentation personnelle1.1) Présentation personnelle
Intérêts en recherche et expertise: reconnaissance de formes
systèmes adaptatifs pour la reconnaissance– apprentissage incrémental et enligne– classifieurs neuroniques et statistiques – systèmes à classifieurs multiples– détection de changement et d’ambigüité– calcul évolutionnaire
intégration de systèmes microélectroniquesSYS828: Systèmes biométriques Éric Granger
5
1.1) Présentation personnelle1.1) Présentation personnelle
Programme de recherche:
Conception de systèmes robustes et adaptatifs avec des applications en:
– sécurité et surveillance – authentification biométrique
– bio-marquage de documents numérisés
• http://profs.etsmtl.ca/egranger/• LIVIA
SYS828: Systèmes biométriques Éric Granger
6
1.1) Présentation personnelle1.1) Présentation personnelle
Domaines d’application:6 surveillance militaire: identification
de signaux radars-communications
6 biométrie: reconnaissance de visages en vidéo surveillance et vérification de signatures
6 sécurité: détection d’intrusions
dans les réseaux informatiques
6 bio-marquage intelligent
de documents numérisésSYS828: Systèmes biométriques Éric Granger
7
1.1) Présentation personnelle1.1) Présentation personnelle
Vidéosurveillance – reconnaissance automatique de visages dans des séquences vidéo
6 reconnaitre et poursuivre des individus d’intérêt perçus d’un réseaux de caméras IP
Type 1 Type 2 Type 3
SYS828: Systèmes biométriques Éric Granger
1.1) Présentation personnelle1.1) Présentation personnelle
CMU – FIA data (mono-modal, 1 face)Type 1: acquisition semi-contrainte – une personne dans
une file d’inspection à l’aéroport
8SYS828: Systèmes biométriques Éric Granger
1.1) Présentation personnelle1.1) Présentation personnelle
Chokepoint data (mono-modal, 1 to 24 faces)Type 2: acquisition semi-contrainte – une personne
qui passe dans un portail
9SYS828: Systèmes biométriques Éric Granger
10
1.1) Présentation personnelle1.1) Présentation personnelle
Système pour la reconnaissance spatio-temporelle de visages dans des vidéos
SYS828: Systèmes biométriques Éric Granger
11
1.1) Présentation personnelle1.1) Présentation personnelle
Contrôle d’accès – system adaptatif basé sur l’optimisation évolutionnaire (Connolly et al., PR 2011)
SYS828: Systèmes biométriques Éric Granger
12
1.1) Présentation personnelle1.1) Présentation personnelleVidéo surveillance – system adaptatif avec un ensemble par personne (Pagano et al., IJCNN 2012)
SYS828: Systèmes biométriques Éric Granger
13
1.1) Présentation personnelle1.1) Présentation personnelleSystem modulaire qui s’adapte selon les types de changements (Pagano et al., INS 2014)
SYS828: Systèmes biométriques Éric Granger
14
1.1) Présentation personnelle1.1) Présentation personnelleSystem qui s’auto-adapte lors d’opérations à de nouvelles trajectoires (De le Torre et al., IF 2014)
SYS828: Systèmes biométriques Éric Granger
15
1.1) Présentation personnelle1.1) Présentation personnelle
Fusion dynamique des classifieurs selon le contexte: débalancement des données (Radtke et al., IF 20013)• Skew-Sensitive Boolean Combination (SSBC)
SYS828: Systèmes biométriques Éric Granger
16
1.1) Présentation personnelle1.1) Présentation personnelle
Boolean Combination: fusion des décisions dans l’espace ROC
SYS828: Systèmes biométriques Éric Granger
17
1.1) Présentation personnelle1.1) Présentation personnelle
Reconnaissance de visages en vidéo surveillance
SYS828: Systèmes biométriques Éric Granger
18
1.1) Présentation personnelle1.1) Présentation personnelleRéalisation de classifieurs sur un processeur Réalisation de classifieurs sur un processeur parallèleparallèle (Prieur et al., MVA 2012)
SYS828: Systèmes biométriques Éric Granger
19
1.1) Présentation personnelle1.1) Présentation personnelle
Sécurité dans les réseaux informatiques – détection d’intrusions
SYS828: Systèmes biométriques Éric Granger
20
1.1) Présentation personnelle1.1) Présentation personnelleSécurité dans les réseaux informatiques
système hybride pour la détection– d’anomalies: modélise le comportement normal– de menaces: modélise de attaques prédéfinis
SYS828: Systèmes biométriques Éric Granger
21
1.1) Présentation personnelle1.1) Présentation personnelle
Sécurité dans les réseaux informatiques
ensembles de HMM pour la détection d’anomalies/menaces
HMM1,1
CLASS 2
P(O/λ1,1)
observation O
DRIFT DETECTION
MODULE
FUSION OF RESPONSES
IN ROC SPACE
class 1
HMM1,2
HMM1,m
P(O/λ1,2)
P(O/λ1,m)
CLASS n...
familiarity
familiarity
...
familiarity
SYS828: Systèmes biométriques Éric Granger
22
1.1) Présentation personnelle1.1) Présentation personnelle
Systèmes militaires de surveillance électronique (SE) pour signaux radars-comms
SYS828: Systèmes biométriques Éric Granger
23
1.1) Présentation personnelle1.1) Présentation personnelle
Systèmes militaires de SE pour signaux radars
système généralisé
SYS828: Systèmes biométriques Éric Granger
24
1.1) Présentation personnelle1.1) Présentation personnelle
Systèmes militaires de SE pour signaux radars
système qui peut exploiter un classificateur neuroniquecontexte: existence d’un ensemble de données radars collecté dans l’environnement
SYS828: Systèmes biométriques Éric Granger
25
1.1) Présentation personnelle1.1) Présentation personnelleSystèmes militaires de SE pour signaux radars
réseau de neurones à fusion what-and-where
SYS828: Systèmes biométriques Éric Granger
26
SOMMAIRE1. Organisation du cours:1. Organisation du cours:
1)1) Présentation personnellePrésentation personnelle2) Plan détaillé du cours
2. Introduction à la biométrie1) Reconnaissance conventionnelle2) Reconnaissance biométrique3) Défis actuels
3. Survol: reconnaissance de formes
SYS828: Systèmes biométriques Éric Granger
27
Encadrement:Éric Granger (enseignant et responsable)6 local: A-36426 téléphone: (514) 396-86506 courriel: [email protected] disponibilité: lundi au jeudi inclusivement
ou par rendez-vous
Miguel de la Torre Gómora (auxiliaire de laboratoire) 6 local: A-36006 téléphone: (514) 396-8800, poste 76876 courriel: [email protected] disponibilité: par rendez-vous
Site Internet du cours:6 https://cours.etsmtl.ca/sys828/
1.2) Plan détaillé du cours1.2) Plan détaillé du cours
SYS828: Systèmes biométriques Éric Granger
28
1.2) Plan détaillé du cours1.2) Plan détaillé du cours
Objectifs spécifiques d’apprentissage:
1. Notions fondamentales – reconnaissance d’individus selon leurs traits biométriques
2. Analyse et conception de systèmes robustes pour la reconnaissance biométrique:6 algorithmes d’apprentissage automatiques pour la
réalisation des classificateurs neuroniques et statistiques
6 architectures spécialisées (modulaire et hiérarchiques)
6 systèmes biométriques adaptatifs
6 fusion multimodale et reconnaissance contextuelle SYS828: Systèmes biométriques Éric Granger
29
1.2) Plan détaillé du cours1.2) Plan détaillé du coursContenu du cours:
ARECONNAISSANCE
BIOMÉTRIQUE
BALGORITHMES POUR
L’APPRENTISSAGE AUTOMATIQUE
CCONCEPTION DE
SYSTÈMES ROBUSTES
Ø A.1 Un système généralisé
Ø A.2 État de l’art – reconnaissance de visages
Ø B.1 Introduction aux algorithmes d’apprentissage
Ø B.2 Apprentissage non-supervisé pour la catégorisation de vecteurs
Ø B.3 Apprentissage supervisé pour la classification de vecteurs
Ø B.4 Apprentissage supervisé pour la classification de séquences
Ø C.1 Systèmes de classification modulaires et hiérarchiques
Ø C.2 Techniques pour la fusion multimodale
Ø C.3 Systèmes adaptatifs
Ø C.4 Reconnaissance contextuelle
SYS828: Systèmes biométriques Éric Granger
30
1.2) Plan détaillé du cours1.2) Plan détaillé du cours
Stratégies pédagogiques:cours magistraux: 3 heures/semaine, 12 semaines
séances pratiques: évaluation de classificateurs pour la reconnaissance de visages
projet de session: étude comparative de différentes techniques/systèmes pour une application en biométrie:
1. synthèse de la littérature – étudier des systèmes biométriques de pointe (qui exploitent les algorithmes d’apprentissage automatique)
2. étude expérimentale – évaluer et comparer les performances de ces systèmes empiriquement, à partir de données biométriques
SYS828: Systèmes biométriques Éric Granger
31
1.2) Plan détaillé du cours1.2) Plan détaillé du cours
Évaluation: 2 quiz + projet de session
exigences: surtout la rédaction de 2 rapports techniques et 2 présentations orales
ACTIVITÉ PONDÉRATION
ÉCHÉANCE
Quiz (parties A et B) 10% A) 27 janvierB) 10 mars
Proposition de projet 5% 20 janvier
Rapport 1: courte présentation orale 5% 3 mars
Rapport 1: synthèse de littérature 25% 3 mars
Rapport 2: présentation orale 15% 7 ou 14 avril
Rapport 2: étude expérimentale 40% 21 avril
SYS828: Systèmes biométriques Éric Granger
32
1.2) Plan détaillé du cours1.2) Plan détaillé du cours
Documentation obligatoire:R. M. Bolle, J. H. Connell, S. Pankanti, N. K. Ratha and A.W.
Senior, Guide to Biometrics, Springer, New York, 2004.
Fortement Recommandé:T. Dunstone et N. Yager, Biometric Systems and Data Analysis:
Design, Evaluation, and Data Mining, Springer, New York, 2009.
SYS828: Systèmes biométriques Éric Granger
33
Sommaire
1. Organisation du cours:1. Organisation du cours:1)1) Présentation personnelle2) Plan détaillé du cours
2. Introduction à la biométrie1) Reconnaissance conventionnelle2) Reconnaissance biométrique3) Défis actuels
3. Survol: reconnaissance de formesSYS828: Systèmes biométriques Éric Granger
34
2.1) Reconnaissance conventionnelle2.1) Reconnaissance conventionnelle
Reconnaissance fiable d’individus:
l’association d’une identité avec un individu a toujours été important dans la société humaine
il s’agit d’un élément intégral de l’infrastructure requise pour les:6 finances, 6 soins et santé, 6 sécurité et contrôle d’accès, 6 gouvernements,6 système légal,6 communications, etc.
SYS828: Systèmes biométriques Éric Granger
35
2.1) Reconnaissance conventionnelle2.1) Reconnaissance conventionnelle
Situation actuelle: avec la croissance, mobilité et inter connectivité de la population, on doit…
1. exploiter une représentation substitut de l’individu, soit:
6des documents: passports, cartes d’identité, cartes d’accès, etc...6des secrets: mots de passe, codes d’accès, etc...
2. reconnaitre un individu rapidement, par des moyens automatiques, et souvent à distance
SYS828: Systèmes biométriques Éric Granger
36
2.1) Reconnaissance conventionnelle2.1) Reconnaissance conventionnelle
Problématique
Les représentations substitues (documents et secrets) ne sont plus fiables pour la reconnaissance automatique d’individus, car:
1. vol d’identité: des informations confidentiels peuvent êtres volées et partagées pour reproduire une identité, et:
6 commettre un crime6 retirer d’un compte bancaire, 6 emprunter de l’argent, etc.
Commissariat à la protection de la vie privée du Canada
SYS828: Systèmes biométriques Éric Granger
37
2.1) Reconnaissance conventionnelle2.1) Reconnaissance conventionnelle
Problématique
2. menaces accrues à la sécurité: dans notre société globale et interconnectée, il existe des individus qui sont de plus en plus dangereux et spécialisés6 nous ne pouvons plus leur faire confiance à partir de
documents pouvant êtres compromis et reproduits
3. rétention de plusieurs secrets: une proportion importante d’individus vont:6 transcrire leurs codes et mots de passes6 sélectionner des codes et mots de passe communs
SYS828: Systèmes biométriques Éric Granger
38
SOMMAIRE
1. Organisation du cours:1. Organisation du cours:1) Présentation personnelle2) Plan détaillé du cours
2. Introduction à la biométrie1) Reconnaissance conventionnelle2)2) Reconnaissance biométriqueReconnaissance biométrique3) Défis actuels
3. Survol: reconnaissance de formesSYS828: Systèmes biométriques Éric Granger
39
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Déf.: reconnaissance automatique d’individus selon leurs traits distinctifs, soit:
physiologiques: visage, empreinte digitale, etc.comportementales: signature, voix, etc.
La biométrie est un outil potentiellement puissant: car c’est une représentation intrinsèque – on reconnait un individu à partir de son corps,et on associe celui-ci à une identité (établi indépendamment)
SYS828: Systèmes biométriques Éric Granger
40
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Pourquoi la biométrie?
SYS828: Systèmes biométriques Éric Granger
41
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Avantages Inconvénients☺ améliore la sécurité: difficile à transférer, oublier, perdre ou reproduire les traits biométriques
☺ la robustesse et la fiabilité peut être très élevé
☺ décourage les actes de fraude
☺ représentation intrinsèque: peut faciliter la tâche d’authentification pour l’individu
● inquiétudes pour la confidentialité des informations biométriques
● le système peut faire l’objet d’une attaque
● ne peut être remis à zéro si l’information est compromis
● ambigüité des décisions: produit un score de comparaison (et non une décision binaire)
Pourquoi la biométrie?
SYS828: Systèmes biométriques Éric Granger
42
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Aperçu historiqueHabitual Criminal Act (1869): le parlement Britannique demande d’identifier
les criminels familiers
SYS828: Systèmes biométriques Éric Granger
43
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Aperçu historiqueAlphonse Bertillon (1882): propose un système de mesure pour l’identification de criminels
consiste à mesurer le diamètre du crane, la taille, la longueur d’un pied, d’un bras, d’un index, etc.
SYS828: Systèmes biométriques Éric Granger
44
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Aperçu historique − empreintes digitales
Sir William Hershel (1856), Dr. Henry Faulds (1870), Francis Galton (1880s) et Edward Henry (1887): réalisent indépendamment des systèmes pour la classification d’empreintes digitales
adoption par Scotland Yard en 1901
FBI (1924): ouvre une division pour l’identification selon l’empreinte
FBI (1965): installe un AFIS avec une base de 810k individus (1 par individu)
FBI (2000): installe un IAFIS avec une base de 47M individus (10 par individu)50,000 recherches criminelles par jour en moyennetemps de réponse d’environ 2hrs par rechercheattache maintenant une plus grande importance à l’identification fiable, sans intervention humain, et souvent à distance
SYS828: Systèmes biométriques Éric Granger
45
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Aperçu historique − automatisation
1960s: techniques en traitement numérique du signal et en électronique mènent aux premiers systèmes automatiques
1960s: premiers systèmes automatiques pour la voix et l’empreinte sont développés
1970s: premiers systèmes pour la géométrie de la main
Goldstein et al. (1971): premier article sur la reconnaissance automatique de visages
1980s: premiers systèmes pour la rétine, la signature, et le visage
1990s: premiers systèmes pour l’irisSYS828: Systèmes biométriques Éric Granger
46
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Traits biométriques
SYS828: Systèmes biométriques Éric Granger
47
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Traits biométriques
les technologies biométriques sont basées sur deux types de traits:
physiologiques
le système reconnait une caractéristique anatomique
comportementales
le système reconnait un patron de comportement
iris et rétine des yeux géométrie et paume de main visage empreinte digitale DNA
signature voix dynamique de taponnage au clavier mouvement des lèves
SYS828: Systèmes biométriques Éric Granger
48
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Traits biométriques
Critères de sélection pour un trait biométrique:– Universality: les individus ont-ils tous ce trait? – Uniqueness: variation entre traits de différent individus?– Permanence: persistance du trait dans le temps?– Collectability: est-ce possible de prendre un bon échantillon
quantitatif?– Performance: peut-on atteindre une discrimination élevée
dans un temps de traitement raisonnable– Acceptability: le processus d’échantillonnage est-il acceptable
pour les individus?– Circumvention: peut-on facilement reproduire ou tricher?SYS828: Systèmes biométriques Éric Granger
49
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Traits biométriquesChoix des traits et des technologies en fonction des besoins spécifiques d’un application
SYS828: Systèmes biométriques Éric Granger
50
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Traits biométriques
Un autre perspective: coût vs précision
SYS828: Systèmes biométriques Éric Granger
51
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Traits biométriques
Proportion des technologies sur le marché:
SYS828: Systèmes biométriques Éric Granger
52
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Traits biométriques
Croissance du marché
revenus annuels selon les
différentes technologies
biométriques
SYS828: Systèmes biométriques Éric Granger
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Fonctionnalités biométriques
1. Vérification: vérifier l’authenticité d’un individu abonné au système à partir d’un échantillon biométrique
Le système accepte ou rejette l’authenticité en comparant un échantillon avec le modèle de l’individu identifié
53SYS828: Systèmes biométriques Éric Granger
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Fonctionnalités biométriques
2. Identification: déterminer si un échantillon biométrique est associé avec un des individus abonnés au système
Le système identifie à partir en comparant un échantillon et tous les modèles d’individus abonnés
54SYS828: Systèmes biométriques Éric Granger
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Fonctionnalités biométriques
55SYS828: Systèmes biométriques Éric Granger
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Fonctionnalités biométriques
3. Surveillance: déterminer de façon discrète si un échantillon biométrique correspond à un individu qui figure parmi des individus recherchés
Le système identifie discrètement en comparant un échantillon avec une liste restreinte de modèles
56SYS828: Systèmes biométriques Éric Granger
57
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
SYS828: Systèmes biométriques Éric Granger
58
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
Domaines d’applications:
SYS828: Systèmes biométriques Éric Granger
59
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
Domaines d’applications:
SYS828: Systèmes biométriques Éric Granger
60
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
Programme US-VISIT: Visitor and Immigrant Status Indicator Technology)
SYS828: Systèmes biométriques Éric Granger
61
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
Programme US-VISIT: vérification biométrique proposée pour le contrôle aux frontière américaines
plus de 500M d’individus traversent
(dans chaque direction) par année
la plupart des visiteurs avec VISA devront
donner 10 empreintes digitales et une photo
numérique
la procédure devra ajouter seulement qques
secondes au temps de traitement par inspecteurs
SYS828: Systèmes biométriques Éric Granger
62
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
G20 Seoul Summit 2010: vérification de visages à l’entée
SYS828: Systèmes biométriques Éric Granger
63
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
Système NEXUS (Canada): identification de l’iris
SYS828: Systèmes biométriques Éric Granger
64
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
Livegrip: système de contrôle d’accès
SYS828: Systèmes biométriques Éric Granger
65
2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique
Applications
Composant mobiles: sécuriser l’accès et les transactions
SYS828: Systèmes biométriques Éric Granger
66
SOMMAIRE
1. Organisation du cours:1. Organisation du cours:1) Présentation personnelle2) Plan détaillé du cours
2. Introduction à la biométrie1) Reconnaissance conventionnelle2) Reconnaissance biométrique3) Défis actuels
3. Survol: reconnaissance de formesSYS828: Systèmes biométriques Éric Granger
67
2.3) Défis actuels2.3) Défis actuels
Facteurs qui influencent la complexité de conception d’un système de reconnaissance biométrique
SYS828: Systèmes biométriques Éric Granger
68
2.3) Défis actuels2.3) Défis actuelsFacteur 1: Précision
Taux d’erreurs pour différentes technologies de vérification (classificateurs à 1 ou 2-classes):
Trait biométrique
Test à grande pour technologies de pointe (avec bases standards)
FRR FAR
empreinte digitale
FVC 2006- 4 types de senseurs; population hétérogène; rotations et distorsions de peau
2.2% 2.2%
visage FRVT 2006- contrôle de luminosité; haute résolution
1.6% 0.1%
fixé
iris ICE 2006- contrôle de luminosité; haute résolution
1.4% 0.1%
fixé
voix NIST 2006-indépendant du texte; multilingue
5-10% 2-5%
SYS828: Systèmes biométriques Éric Granger
69
2.3) Défis actuels2.3) Défis actuels
Précision
Besoins en performance pour un classificateur à 2-classes intrinsèque typique:
Fonctionnalité biométrique
FRR FAR (fixé)
1) vérification 0.1% 0.1%
2) identification 10.0% 0.0001%
3) surveillance 1.0% 0.001%
SYS828: Systèmes biométriques Éric Granger
70
2.3) Défis actuels2.3) Défis actuels
Précision
Principaux facteurs qui augmentent le FRR et le FAR:
variabilité intra-classe et la similarité inter-classevariation des conditions dans le temps, vieillissement, etc. (versus les modèles biométriques)segmentation et prétraitement des échantillonséchantillons bruités et distorsions
Défi: concevoir des modèles biométriques robustes à partir de peu d’échantillons de référence, et qui sont mesurés sous des conditions variables
SYS828: Systèmes biométriques Éric Granger
71
2.3) Défis actuels2.3) Défis actuels
Précision
Variabilité intra-classe et la similarité inter-classe:
SYS828: Systèmes biométriques Éric Granger
72
2.3) Défis actuels2.3) Défis actuels
Précision
Variations dans le temps:
SYS828: Systèmes biométriques Éric Granger
73
2.3) Défis actuels2.3) Défis actuels
Précision
Bruit dans les images:
SYS828: Systèmes biométriques Éric Granger
74
2.3) Défis actuels2.3) Défis actuels
Précision
Segmentation et prétraitement:
SYS828: Systèmes biométriques Éric Granger
75
2.3) 2.3) Défis actuelsDéfis actuels
Précision
Interopérabilité des senseurs: les senseurs utilisés pour l’abonnement, et la reconnaissance peuvent différer
SYS828: Systèmes biométriques Éric Granger
76
2.3) 2.3) Défis actuelsDéfis actuels
Précision
Interopérabilité des senseurs: les senseurs utilisés pour l’abonnement, et la reconnaissance peuvent différer
SYS828: Systèmes biométriques Éric Granger
77
2.3) Défis actuels2.3) Défis actuels
Précision
Solution: fusion multimodale?
SYS828: Systèmes biométriques Éric Granger
78
2.3) Défis actuels2.3) Défis actuels
Précision
Solution: adaptation des modèles biométriques?6 nouvelles références selon différentes conditions
6 références synthétiques
SYS828: Systèmes biométriques Éric Granger
79
2.3) 2.3) Défis actuelsDéfis actuels
Facteur 2: Échelle du problème
Impact du nombre d’individus abonnés au système sur la précision et le débit du système
SYS828: Systèmes biométriques Éric Granger
80
2.3) Défis actuels2.3) Défis actuelsÉchelle du problème
Vitesse de traitement pour différentes technologies de pointe:
Fonctionnalité biométrique
empreinte digitale
visage iris
1) vérification
(temps de traitement)
10 msec 90 µsec < 1 µsec
2) Identification
(débit)
1 / min10 AFIS imprints
0.66 / min > 60 / min
3) Surveillance
(débit)
1 / sec 2 imprints
22 / sec > 2000 / sec
SYS828: Systèmes biométriques Éric Granger
81
2.3) Défis actuels2.3) Défis actuels
Échelle du problème
Défi: études des techniques et architectures spécialisées permettant un débit élevé tout en • contrôlant le FAR pour grandes bases (donc de
comparaisons)• limitant le nombre d’accès à la mémoire• limitant la consommation mémoire
SYS828: Systèmes biométriques Éric Granger
82
2.3) Défis actuels2.3) Défis actuels
Échelle du problèmeSolutions: algorithmes d’indexation efficaces qui sont spécifiques aux traits biométriques?• pré-classification grossière • classification complète sur une sous ensemble tous les
modèles biométriques
SYS828: Systèmes biométriques Éric Granger
83
2.3) 2.3) Défis actuelsDéfis actuels
Facteur 3: Sécurité
L’intégrité d’un système biométrique peut être attaqué de plusieurs différentes façons:
SYS828: Systèmes biométriques Éric Granger
84
2.3) 2.3) Défis actuelsDéfis actuels
Sécurité
Défi: réaliser un système qui est à l’abri des traits d’un imposteur
Solutions:6 détecter que les mesures viennent
d’individus vivants?
6 fusionner des données de plusieurs caractéristiques biométriques indépendantes?
SYS828: Systèmes biométriques Éric Granger
85
2.3) Défis actuels2.3) Défis actuels
Sécurité
Solution: protection des modèles dans une système ou une base biométrique
encryption et bio-marquage des modèles dans la base
stocker seulement une version transformée des modèles
SYS828: Systèmes biométriques Éric Granger
86
2.3) Défis actuels2.3) Défis actuels
Facteur 4 - Confidentialité
La biométrie peut aider dans la protection des informations personnelles et sensibles, mais…
Inquiétudes communes par rapport aux données biométriques:
6 Est-ce que les données vont servir pour l’analyse secrète des habitudes d’individus?
6 Est-ce qu’on va utiliser ces données pour d’autres intentions?
SYS828: Systèmes biométriques Éric Granger
87
2.3) Défis actuels2.3) Défis actuels
Confidentialité
Défi: réaliser un système dont la fonctionnalité est vérifiable à chaque lieu de déploiementSolution? • crypto-systèmes: générer des clés d’encryption
basées sur un échantillon biométrique• systèmes qui surveille les décisions
d’authentification, ainsi que les personnes qui accèdent à ces décisions
Règlementation gouvernementale
SYS828: Systèmes biométriques Éric Granger
88
2.3) Défis actuels2.3) Défis actuels
Perspectives de recherche
La reconnaissance biométrique:
− devient un outil très puissant contre la fraude
− devient indispensable pour sécuriser tous les systèmes de gestion des identités
− plusieurs applications émergent dans divers secteurs (e.g., marché des composants mobiles)
− plusieurs technologies (e.g., senseurs) sont disponibles à prix modiques
− mais, il existe plusieurs défis importants avant un déploiement à plus grande échelle…
SYS828: Systèmes biométriques Éric Granger
89
2.3) Défis actuels2.3) Défis actuels
Perspectives de recherche
− reconnaissance adaptée au contexte
− classificateurs neuroniques et statistiques performants
− systèmes biométriques adaptatifs
− fusion de différentes modalités biométriques
− l’indexation dans les bases de données
− représentation et protection de modèles biométriques d’individus
− études empiriques avec des bases standardisées pour comparer les performances de systèmes
SYS828: Systèmes biométriques Éric Granger
90
SOMMAIRE
1. Organisation du cours1. Organisation du cours1) Présentation personnelle2) Plan détaillé du cours
2. Introduction à la biométrie1) Reconnaissance conventionnelle2) Reconnaissance biométrique3) Défis actuels
3. Survol: reconnaissance de formes3. Survol: reconnaissance de formesSYS828: Systèmes biométriques Éric Granger
91
3. Reconnaissance de formes3. Reconnaissance de formes
Systèmes de reconnaissance de formes
Reconnaissance de formes: discipline dans laquelle on tente d’assigner des objets à différentes classes selon leurs caractéristiques
SYS828: Systèmes biométriques Éric Granger
92
3. Reconnaissance de formes3. Reconnaissance de formes
Systèmes de reconnaissance de formes
SYS828: Systèmes biométriques Éric Granger
93
3. Reconnaissance de formes3. Reconnaissance de formes
Systèmes de reconnaissance de formes
1. Acquisition: exploite des senseurs ou transducteurs (camera, microphone, etc.) pour convertir un échantillon du phénomène réel en signal brute
2. Prétraitement et segmentation: traite le signal brute pour en faire ressortir l’information essentielle (signal segmenté)
3. Extraction de caractéristiques: représente le signal segmenté par un ensemble de caractéristiques qui est distinctif et invariant aux translations, aux rotations et à l’échelle
4. Classification: assigne une classe à chaque vecteur de caractéristiques
5. Post traitement: exploit des informations contextuelles pour améliorer les performances
SYS828: Systèmes biométriques Éric Granger
94
3. Reconnaissance de formes3. Reconnaissance de formes
Étapes de conception d’un système
SYS828: Systèmes biométriques Éric Granger
95
3. Reconnaissance de formes3. Reconnaissance de formes
Exemple classique
SYS828: Systèmes biométriques Éric Granger
96
3. Reconnaissance de formes3. Reconnaissance de formes
Exemple classique
Classifier par espèce – soit perche ou saumon – des poissons qui passent sur un convoyeur
caractéristiques suivantes ont été suggérées par un expert du domaine car elles sont invariantes et distinctives:
longueurclartélargeurnombre et géométrie des nageoiresposition de la bouche
SYS828: Systèmes biométriques Éric Granger
97
3. Reconnaissance de formes3. Reconnaissance de formes
Exemple classique
Étapes du traitement:1. acquisition: collection des images avec une caméra
2. prétraitement des signaux: segmentation et filtrage pour isoler les poissons l’un de l’autre, et de l’arrière plan
3. extraction de caractéristiques: mesure les caractéristiques de chaque poisson d’après les segments
4. classification: assigne une des deux classes à chaque vecteur caractéristique de poisson
SYS828: Systèmes biométriques Éric Granger
98
3. Reconnaissance de formes3. Reconnaissance de formes
Exemple classique
Essai 1 – Classification 1D avec la longueur du poisson comme caractéristique:
SYS828: Systèmes biométriques Éric Granger
99
3. Reconnaissance de formes3. Reconnaissance de formes
Exemple classique
Essai 2 – Classification 1D avec la clarté du poisson comme caractéristique:
SYS828: Systèmes biométriques Éric Granger
100
3. Reconnaissance de formes3. Reconnaissance de formes
Exemple classiqueEssai 3 – Classification 2D avec clarté + largeur: on trouve la borne de décision 2D qui min l’erreur selon les échantillons d’entrainement
sur-apprentissage...
SYS828: Systèmes biométriques Éric Granger
101
3. Reconnaissance de formes3. Reconnaissance de formes
Exemple classique
Essai 4 – Classification avec clarté + largeur: on trouve la borne de décision 2D qui min l’erreur selon des échantillons de validation
bonne généralisation
SYS828: Systèmes biométriques Éric Granger