Serrure biométrique Reconnaissance dempreintes digitales Raphaël FROMONT – Pascal GRIMAUD – Nicolas MUNOZ Tuteur : M. Patrick ISOARDI.

Présentation au sujet: "Serrure biométrique Reconnaissance dempreintes digitales Raphaël FROMONT – Pascal GRIMAUD – Nicolas MUNOZ Tuteur : M. Patrick ISOARDI."— Transcription de la présentation:

1 Serrure biométrique Reconnaissance dempreintes digitales Raphaël FROMONT – Pascal GRIMAUD – Nicolas MUNOZ Tuteur : M. Patrick ISOARDI

2 1. Introduction 2. Prétraitements 3. Recherche et traitement de Minuties 4. Comparaison dempreintes digitales 5. GMM 6. Planning prévisionnel

3 Introduction

4 Serrure biométrique : Empreintes digitales Prétraitements

5 Définition Objectif : De limage brute vers limage squelettisée

6 Prétraitements Calcul de contraste Filtre de convolution : LaPlacien Binarisation de l'empreinte Erosion et Dilatation Ouverture, Fermeture et Gradient morphologique Squelettisation

7 Prétraitements Calcul de contraste –Définition –Algorithme : 1) 1er parcours de limage pour récupérer la moyenne et lécart-type 2) 2nd parcours pour réaffecter une nouvelle valeur à chaque pixel

8 Prétraitements Calcul de contraste –Résultats : image bruteimage contrastée

9 Prétraitements Filtre de convolution : Laplacien –Définition –Filtres :

10 Prétraitements Filtre de convolution –Résultats : image contrastéeimage filtrée

11 Prétraitements Binarisation –Définition –Résultat : image binarisée

12 Prétraitements Erosion –Définition –Algorithme : Parcours de limage et réaffectation à chaque pixel la valeur minimale relevée en fonction des matrices de constantes

13 Prétraitements Erosion –Résultats : image binariséeimage erodée

14 Prétraitements Dilatation –Définition –Algorithme : Parcours de limage et réaffectation à chaque pixel la valeur maximale relevée en fonction des matrices de constantes

15 Prétraitements Dilatation –Résultats : image binariséeimage dilatée

16 Prétraitements Ouverture Erosion suivie dune dilatation Fermeture Dilatation suivie dune érosion Gradient morphologique Différence entre limage dilatée et limage érodée

17 Prétraitements Squelettisation –Définition –Algorithme : Parcours de limage afin dextraire les points inessentiels. Un point p inessentiel a au moins un 0 dans son voisinage en 4-connexité. Il faut en plus que l'ensemble des 1 du voisinage en 8-connexité soit 8-connexe et l'ensemble des 0 du voisinage en 8-connexité soit 4- connexe.

18 Prétraitements Squelettisation –Configurations

19 Prétraitements Squelettisation –Résultats : image binariséeimage squelettisée

20 Prétraitements Résultats des prétraitements image binariséeimage squelettisée

21 Serrure biométrique : Empreintes digitales Recherche de Minuties

22 Limage doit être binarisée Extraction des minuties –Arrêt de ride –Bifurcation Exemple d'arrêt de ride Exemple de bifurcation

23 Un algorithme parcourt toute limage pour détecter les minuties Image binarisée : Détection de minuties Recherche de Minuties

24 Calcul du graphe Un graphe complet doit être tracé Traitement de Minuties

25 Prise de décision Une fois le graphe tracé, on pourra comparer les distances entre les minuties, importance du nombre de minuties pour la robustesse de la comparaison. Pour la prise de décision, il faudra introduire une variable de décision adaptée SEUIL Traitement de Minuties

26 Utilisation de GMM Pourquoi? Utilisation de GMM pour la reconnaissance Utilisation de GMM pour la classification

27 Utilisation de GMM Pourquoi? Outils LIA_SPKDet disponible Adaptation de l'outil Comparaison algorithmique Complément?

28 Utilisation de GMM Mixtures de Gaussiennes - Calcul probabiliste (Bayes) - Comparaison dhypothèses - Modélisation des distributions

29 Utilisation de GMM Reconnaissance d'empreintes via GMM Apprentissage des données d'une personne Modélisation pertinente Probabilité d'appartenance au modèle Calcul du seuil de vraisemblance Rapport de vraisemblance P 0 (E) = P(H|E) => ok P 1 (E) = P(-H|E) => imposture Rapport bayésien Si P0(S)/P1(S)>seuil accepte sinon rejet

30 Utilisation de GMM Classification d'empreintes digitales –Reconnaissance globale de l'empreinte 6 Types d'empreintes différentes = 6 classes! Apprentissage supervisé

31 Utilisation de GMM Avantage: Optimisation de la recherche dans la base de donnée grâce à l'identification du type de l'empreinte digitale Généralisation de la reconnaissance d'empreinte

32 Utilisation de GMM : Perspective 5 étapes pour la reconnaissance dempreintes digitales : 1. Récupération de l'empreinte 2. Traitement de l'empreinte 3. Reconnaissance globale de l'empreinte 4. Reconnaissance locale de l'empreinte 5. Prise de décision

33 Serrure biométrique : Empreintes digitales Planning prévisionnel

34 22 janvier (3 semaines) : - codage de linterface graphique - codage des prétraitements - phase de tests, ajout déventuels prétraitements supplémentaires 12 février (3 semaines) : - algorithmes de squelettisation et de recherche de minuties - phase de tests 5 mars (3 semaines) : - codage des algorithmes de comparaisons - phase de tests avec la base de donnée dempreintes 26 mars (4 semaines) : - U tilisation des GMM pour classifier la base de donnée dempreintes 24 avril (3 semaines) : - phase importante de tests, et de débuggage - rapport sur les résultats