SYS828 – Systèmes biométriques Hiver 2014

Présentation au sujet: "SYS828 – Systèmes biométriques Hiver 2014"— Transcription de la présentation:

1 SYS828 – Systèmes biométriques Hiver 2014

2 Sommaire 1. Organisation du cours: 2. Introduction à la biométrie
Présentation personnelle Plan détaillé du cours 2. Introduction à la biométrie Reconnaissance conventionnelle Reconnaissance biométrique Défis actuels 3. Survol: reconnaissance de formes SYS828: Systèmes biométriques Éric Granger

3 1.1) Présentation personnelle
2008-présent: Directeur de programme MGPA 2006-présent: Professeur agrégé (permanent) : Professeur adjoint Département de GPA, ÉTS : Ingénieur en circuits ITGE R&D, Mitel Networks : Chercheur pour la défense DRDC – Ottawa, DND 2001: Ph.D. en génie électrique École Polytechnique de Montréal SYS828: Systèmes biométriques Éric Granger

4 1.1) 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 microélectroniques SYS828: Systèmes biométriques Éric Granger

5 1.1) 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 LIVIA SYS828: Systèmes biométriques Éric Granger

6 1.1) Présentation personnelle
Domaines d’application: surveillance militaire: identification de signaux radars-communications biométrie: reconnaissance de visages en vidéo surveillance et vérification de signatures sécurité: détection d’intrusions dans les réseaux informatiques bio-marquage intelligent de documents numérisés SYS828: Systèmes biométriques Éric Granger

7 1.1) Présentation personnelle
Vidéosurveillance – reconnaissance automatique de visages dans des séquences vidéo 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

8 1.1) Présentation personnelle
CMU – FIA data (mono-modal, 1 face) Type 1: acquisition semi-contrainte – une personne dans une file d’inspection à l’aéroport SYS828: Systèmes biométriques Éric Granger

9 1.1) Présentation personnelle
Chokepoint data (mono-modal, 1 to 24 faces) Type 2: acquisition semi-contrainte – une personne qui passe dans un portail SYS828: Systèmes biométriques Éric Granger

10 1.1) Présentation personnelle
Système pour la reconnaissance spatio-temporelle de visages dans des vidéos SYS828: Systèmes biométriques Éric Granger

11 1.1) 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 personnelle
Vidéo surveillance – system adaptatif avec un ensemble par personne (Pagano et al., IJCNN 2012) SYS828: Systèmes biométriques Éric Granger

13 1.1) Présentation personnelle
System modulaire qui s’adapte selon les types de changements (Pagano et al., INS 2014) SYS828: Systèmes biométriques Éric Granger

14 1.1) Présentation personnelle
System 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 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 personnelle
Boolean Combination: fusion des décisions dans l’espace ROC SYS828: Systèmes biométriques Éric Granger

17 1.1) Présentation personnelle
Reconnaissance de visages en vidéo surveillance SYS828: Systèmes biométriques Éric Granger

18 1.1) Présentation personnelle
Réalisation de classifieurs sur un processeur parallèle (Prieur et al., MVA 2012) SYS828: Systèmes biométriques Éric Granger

19 1.1) Présentation personnelle
Sécurité dans les réseaux informatiques – détection d’intrusions SYS828: Systèmes biométriques Éric Granger

20 1.1) Présentation personnelle
Sécurité 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 personnelle
Sécurité dans les réseaux informatiques ensembles de HMM pour la détection d’anomalies/menaces SYS828: Systèmes biométriques Éric Granger

22 1.1) Présentation personnelle
Systèmes militaires de surveillance électronique (SE) pour signaux radars-comms SYS828: Systèmes biométriques Éric Granger

23 1.1) Présentation personnelle
Systèmes militaires de SE pour signaux radars système généralisé SYS828: Systèmes biométriques Éric Granger

24 1.1) Présentation personnelle
Systèmes militaires de SE pour signaux radars système qui peut exploiter un classificateur neuronique contexte: existence d’un ensemble de données radars collecté dans l’environnement SYS828: Systèmes biométriques Éric Granger

25 1.1) Présentation personnelle
Systèmes militaires de SE pour signaux radars réseau de neurones à fusion what-and-where SYS828: Systèmes biométriques Éric Granger

26 Sommaire 3. Survol: reconnaissance de formes 1. Organisation du cours:
Présentation personnelle Plan détaillé du cours 2. Introduction à la biométrie Reconnaissance conventionnelle Reconnaissance biométrique Défis actuels 3. Survol: reconnaissance de formes SYS828: Systèmes biométriques Éric Granger

27 1.2) Plan détaillé du cours
Encadrement: Éric Granger (enseignant et responsable) local: A-3642 téléphone: (514) courriel: disponibilité: lundi au jeudi inclusivement ou par rendez-vous Miguel de la Torre Gómora (auxiliaire de laboratoire) local: A-3600 téléphone: (514) , poste 7687 courriel: disponibilité: par rendez-vous Site Internet du cours: SYS828: Systèmes biométriques Éric Granger

28 1.2) Plan détaillé du cours
Objectifs spécifiques d’apprentissage: Notions fondamentales – reconnaissance d’individus selon leurs traits biométriques Analyse et conception de systèmes robustes pour la reconnaissance biométrique: algorithmes d’apprentissage automatiques pour la réalisation des classificateurs neuroniques et statistiques architectures spécialisées (modulaire et hiérarchiques) systèmes biométriques adaptatifs fusion multimodale et reconnaissance contextuelle SYS828: Systèmes biométriques Éric Granger

29 1.2) Plan détaillé du cours
Contenu du cours: SYS828: Systèmes biométriques Éric Granger

30 1.2) 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: synthèse de la littérature – étudier des systèmes biométriques de pointe (qui exploitent les algorithmes d’apprentissage automatique) 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 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 janvier B) 10 mars Proposition de projet 5% 20 janvier Rapport 1: courte présentation orale 3 mars Rapport 1: synthèse de littérature 25% 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 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: 2. Introduction à la biométrie
Présentation personnelle Plan détaillé du cours 2. Introduction à la biométrie Reconnaissance conventionnelle Reconnaissance biométrique Défis actuels 3. Survol: reconnaissance de formes SYS828: Systèmes biométriques Éric Granger

34 2.1) 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: finances, soins et santé, sécurité et contrôle d’accès, gouvernements, système légal, communications, etc. SYS828: Systèmes biométriques Éric Granger

35 2.1) Reconnaissance conventionnelle
Situation actuelle: avec la croissance, mobilité et inter connectivité de la population, on doit… exploiter une représentation substitut de l’individu, soit: des documents: passports, cartes d’identité, cartes d’accès, etc... des secrets: mots de passe, codes d’accès, etc... reconnaitre un individu rapidement, par des moyens automatiques, et souvent à distance SYS828: Systèmes biométriques Éric Granger

36 2.1) Reconnaissance conventionnelle
Problématique Les représentations substitues (documents et secrets) ne sont plus fiables pour la reconnaissance automatique d’individus, car: vol d’identité: des informations confidentiels peuvent êtres volées et partagées pour reproduire une identité, et: commettre un crime retirer d’un compte bancaire, emprunter de l’argent, etc. Commissariat à la protection de la vie privée du Canada SYS828: Systèmes biométriques Éric Granger

37 2.1) Reconnaissance conventionnelle
Problématique menaces accrues à la sécurité: dans notre société globale et interconnectée, il existe des individus qui sont de plus en plus dangereux et spécialisés nous ne pouvons plus leur faire confiance à partir de documents pouvant êtres compromis et reproduits rétention de plusieurs secrets: une proportion importante d’individus vont: transcrire leurs codes et mots de passes sélectionner des codes et mots de passe communs SYS828: Systèmes biométriques Éric Granger

38 Sommaire 1. Organisation du cours: 2. Introduction à la biométrie
Présentation personnelle Plan détaillé du cours 2. Introduction à la biométrie Reconnaissance conventionnelle Reconnaissance biométrique Défis actuels 3. Survol: reconnaissance de formes SYS828: Systèmes biométriques Éric Granger

39 2.2) 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 biométrique
Pourquoi la biométrie? SYS828: Systèmes biométriques Éric Granger

41 2.2) Reconnaissance biométrique
Pourquoi la biométrie? 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) SYS828: Systèmes biométriques Éric Granger

42 2.2) Reconnaissance biométrique
Aperçu historique Habitual Criminal Act (1869): le parlement Britannique demande d’identifier les criminels familiers SYS828: Systèmes biométriques Éric Granger

43 2.2) Reconnaissance biométrique
Aperçu historique Alphonse 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 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 moyenne temps de réponse d’environ 2hrs par recherche attache 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 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’iris SYS828: Systèmes biométriques Éric Granger

46 2.2) Reconnaissance biométrique
Traits biométriques SYS828: Systèmes biométriques Éric Granger

47 2.2) 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 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 biométrique
Traits biométriques Choix des traits et des technologies en fonction des besoins spécifiques d’un application SYS828: Systèmes biométriques Éric Granger

50 2.2) Reconnaissance biométrique
Traits biométriques Un autre perspective: coût vs précision SYS828: Systèmes biométriques Éric Granger

51 2.2) Reconnaissance biométrique
Traits biométriques Proportion des technologies sur le marché: SYS828: Systèmes biométriques Éric Granger

52 2.2) Reconnaissance biométrique
Traits biométriques Croissance du marché revenus annuels selon les différentes technologies biométriques SYS828: Systèmes biométriques Éric Granger

53 2.2) Reconnaissance biométrique
Fonctionnalités biométriques 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 SYS828: Systèmes biométriques Éric Granger

54 2.2) 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 SYS828: Systèmes biométriques Éric Granger

55 2.2) Reconnaissance biométrique
Fonctionnalités biométriques SYS828: Systèmes biométriques Éric Granger

56 2.2) 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 SYS828: Systèmes biométriques Éric Granger

57 2.2) Reconnaissance biométrique
Applications SYS828: Systèmes biométriques Éric Granger

58 2.2) Reconnaissance biométrique
Applications Domaines d’applications: SYS828: Systèmes biométriques Éric Granger

59 2.2) Reconnaissance biométrique
Applications Domaines d’applications: SYS828: Systèmes biométriques Éric Granger

60 2.2) Reconnaissance biométrique
Applications Programme US-VISIT: Visitor and Immigrant Status Indicator Technology) SYS828: Systèmes biométriques Éric Granger

61 2.2) 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 biométrique
Applications G20 Seoul Summit 2010: vérification de visages à l’entée SYS828: Systèmes biométriques Éric Granger

63 2.2) Reconnaissance biométrique
Applications Système NEXUS (Canada): identification de l’iris SYS828: Systèmes biométriques Éric Granger

64 2.2) Reconnaissance biométrique
Applications Livegrip: système de contrôle d’accès SYS828: Systèmes biométriques Éric Granger

65 2.2) Reconnaissance biométrique
Applications Composant mobiles: sécuriser l’accès et les transactions SYS828: Systèmes biométriques Éric Granger

66 Sommaire 1. Organisation du cours: 2. Introduction à la biométrie
Présentation personnelle Plan détaillé du cours 2. Introduction à la biométrie Reconnaissance conventionnelle Reconnaissance biométrique Défis actuels 3. Survol: reconnaissance de formes SYS828: Systèmes biométriques Éric Granger

67 2.3) Défis actuels Facteurs qui influencent la complexité de conception d’un système de reconnaissance biométrique SYS828: Systèmes biométriques Éric Granger

68 2.3) Défis actuels Facteur 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% visage FRVT 2006 contrôle de luminosité; haute résolution 1.6% 0.1% fixé iris ICE 2006 1.4% voix NIST 2006 -indépendant du texte; multilingue 5-10% 2-5% SYS828: Systèmes biométriques Éric Granger

69 2.3) Défis actuels Précision
Besoins en performance pour un classificateur à 2-classes intrinsèque typique: Fonctionnalité biométrique FRR FAR (fixé) 1) vérification 0.1% 2) identification 10.0% 0.0001% 3) surveillance 1.0% 0.001% SYS828: Systèmes biométriques Éric Granger

70 2.3) Défis actuels Précision
Principaux facteurs qui augmentent le FRR et le FAR: variabilité intra-classe et la similarité inter-classe variation des conditions dans le temps, vieillissement, etc. (versus les modèles biométriques) segmentation et prétraitement des échantillons échantillons 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 actuels Précision
Variabilité intra-classe et la similarité inter-classe: SYS828: Systèmes biométriques Éric Granger

72 2.3) Défis actuels Précision Variations dans le temps:
SYS828: Systèmes biométriques Éric Granger

73 2.3) Défis actuels Précision Bruit dans les images:
SYS828: Systèmes biométriques Éric Granger

74 2.3) Défis actuels Précision Segmentation et prétraitement:
SYS828: Systèmes biométriques Éric Granger

75 2.3) Défis actuels Précision
Interopérabilité des senseurs: les senseurs utilisés pour l’abonnement, et la reconnaissance peuvent différer SYS828: Systèmes biométriques Éric Granger

76 2.3) Défis 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 actuels Précision Solution: fusion multimodale?
SYS828: Systèmes biométriques Éric Granger

78 2.3) Défis actuels Précision
Solution: adaptation des modèles biométriques? nouvelles références selon différentes conditions références synthétiques SYS828: Systèmes biométriques Éric Granger

79 Facteur 2: Échelle du problème
2.3) Défis 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 actuels Échelle 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 / min 10 AFIS imprints 0.66 / min > 60 / min 3) Surveillance 1 / sec imprints 22 / sec > 2000 / sec SYS828: Systèmes biométriques Éric Granger

81 2.3) 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 actuels Échelle du problème
Solutions: 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) Défis 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) Défis actuels Sécurité
Défi: réaliser un système qui est à l’abri des traits d’un imposteur Solutions: détecter que les mesures viennent d’individus vivants? fusionner des données de plusieurs caractéristiques biométriques indépendantes? SYS828: Systèmes biométriques Éric Granger

85 2.3) 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 Facteur 4 - Confidentialité
2.3) 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: Est-ce que les données vont servir pour l’analyse secrète des habitudes d’individus? Est-ce qu’on va utiliser ces données pour d’autres intentions? SYS828: Systèmes biométriques Éric Granger

87 2.3) Défis actuels Confidentialité
Défi: réaliser un système dont la fonctionnalité est vérifiable à chaque lieu de déploiement Solution? 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 Perspectives de recherche
2.3) 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 Perspectives de recherche
2.3) 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 cours 2. Introduction à la biométrie
Présentation personnelle Plan détaillé du cours 2. Introduction à la biométrie Reconnaissance conventionnelle Reconnaissance biométrique Défis actuels 3. Survol: reconnaissance de formes SYS828: Systèmes biométriques Éric Granger

91 3. 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 formes
Systèmes de reconnaissance de formes SYS828: Systèmes biométriques Éric Granger

93 3. Reconnaissance de formes
Systèmes de reconnaissance de formes Acquisition: exploite des senseurs ou transducteurs (camera, microphone, etc.) pour convertir un échantillon du phénomène réel en signal brute Prétraitement et segmentation: traite le signal brute pour en faire ressortir l’information essentielle (signal segmenté) 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 Classification: assigne une classe à chaque vecteur de caractéristiques Post traitement: exploit des informations contextuelles pour améliorer les performances SYS828: Systèmes biométriques Éric Granger

94 3. Reconnaissance de formes
Étapes de conception d’un système SYS828: Systèmes biométriques Éric Granger

95 3. Reconnaissance de formes
Exemple classique SYS828: Systèmes biométriques Éric Granger

96 3. 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: longueur clarté largeur nombre et géométrie des nageoires position de la bouche SYS828: Systèmes biométriques Éric Granger

97 3. Reconnaissance de formes
Exemple classique Étapes du traitement: acquisition: collection des images avec une caméra prétraitement des signaux: segmentation et filtrage pour isoler les poissons l’un de l’autre, et de l’arrière plan extraction de caractéristiques: mesure les caractéristiques de chaque poisson d’après les segments classification: assigne une des deux classes à chaque vecteur caractéristique de poisson SYS828: Systèmes biométriques Éric Granger

98 3. 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 formes
Exemple classique Essai 2 – Classification 1D avec la clarté du poisson comme caractéristique: SYS828: Systèmes biométriques Éric Granger

100 3. Reconnaissance de formes
Exemple classique Essai 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 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