Une introduction à lauthentification biométrique Gérard CHOLLET Raphaël BLOUET

Présentation au sujet: "Une introduction à lauthentification biométrique Gérard CHOLLET Raphaël BLOUET"— Transcription de la présentation:

1 Une introduction à lauthentification biométrique Gérard CHOLLET Raphaël BLOUET chollet@tsi.enst.frchollet@tsi.enst.fr blouet@tsi.enst.frblouet@tsi.enst.fr ENST/CNRS-LTCI 46 rue Barrault 75634 PARIS cedex 13 http://www.tsi.enst.fr/~chollet

2 Plan Pourquoi et comment vérifier lidentité dun individu ? Modalités biométriques : Définition de la biométrie Propriétés souhaitées de la caractéristique biométrique Modalités biométriques Classification des SAB Architecture des SAB Phase dapprentissage Phase opérationnelle Exemple dapplication Evaluation des SAB Les empreintes digitales / Le visage / La rétine / Liris / Signatures Vérification du locuteur – évaluation NIST Différents projets sur la biométrie Tendances, perspectives

3 Pourquoi et comment vérifier lidentité dun individu ? Pourquoi ? Applications liées à la sécurisation: Protection de la propriété individuelle (habitation, compte bancaire, données informatiques, messagerie,...) Accès restreint (locaux sécurisés, base de données) Applications commerciales ou liées à lextraction dinformations dans un document multimédia Recherche dans une base de données audiovisuelles Adaptation automatique dun service, dun logiciel à un client Applications criminalistiques Recherche de preuves Le suspect est-il coupable ?

4 Pourquoi et comment vérifier lidentité dun individu ? Comment ? Identifiant connu par la personne : Mot de passe, code PIN Identifiant possédé par la personne Carte à puce, clé, badge Identifiant propre à la personne La caractéristique biométrique Bonne acceptabilité – Fortement répanduPeut être oublié – facilement usurpable Classiquement utilisé – reconnu partoutFacilement volé et/ou falsifié Peut accroître la complexité de laccèsSupprime toutes clés ou mot de passe

5 Pourquoi et comment vérifier lidentité dun individu ? Bla-bla SECURED SPACE

6 Lidentification biométrique : Définition de la biométrie Le Petit Robert : « La science qui étudie, à l'aide des mathématiques, les variations biologiques à l'intérieur d'un groupe déterminé. » Etude des variations de certaines caractéristiques au sein dun groupe Détermination de techniques permettant de distinguer les individus entre eux parmi les caractéristiques jugées pertinentes Variations biologiques : Variation dune caractéristique physiologique Variation dune caractéristique comportementale La biométrie rassemble lensemble des procédés automatiques didentification basés sur des caractéristiques physiologiques et/ou comportementales

7 Lidentification biométrique : Propriétés souhaitées de la caractéristique biométrique Robustesse Détermine sa stabilité au cours du temps et sa propriété dêtre peu sensible au contexte dutilisation (variabilité intra-utilisateur) Distinctibilité Caractérise la dépendance de sa mesure par rapport à chaque utilisateur (variabilité inter-utilisateur) Accessibilité Facilement et efficacement mesurable par un capteur Acceptabilité Caractérise la manière dont elle est perçue par lutilisateur Disponibilité La caractéristique doit être facilement mesurable

8 Lidentification biométrique : Modalités biométriques : Caractéristiques physiques Caractéristiques comportementales Empreintes digitales Géométrie de la main Rétine, Iris + Robuste, SAB induit précis + Faible évolution avec le vieillissement de lindividu + Bonne précision des systèmes biométriques induit - Mesure de la caractéristique généralement coûteuse - Mauvaise acceptabilité Parole Ecriture, signature Rythme de frappe sur un clavier + Bonne acceptabilité et disponibilité - Sensible au vieillissement de lindividu - Moins bonne précision et robustesse

9 Lidentification biométrique : Modalités biométriques :

10

11 Taille des références caractéristiques La main 9 bytes Empreintes digitales 250-1000 Parole 1500-3000 bytes.

12 Lidentification biométrique : Classification des SAB [Waymann] : 1. Coopératif / non-coopératif 2. Manifeste / caché 3. Stable / instable 4. Supervisé / non-supervisé 5. Ouvert / fermé Comportement de lutilisateur cherchant à tromper le système Coopère pour usurper une identité Soppose au système pour ne pas être reconnu Lutilisateur sait-il quil est sujet à un test didentification biométrique ? Caractérise lévolution des performances en fonction de la durée et de la fréquence dutilisation du système Caractérise les interactions entre le système et lutilisateur lors du processus de vérification Si la référence caractéristique du client est publique ouvert Si la référence caractéristique du client est privée fermé

13 Lidentification biométrique : Architecture dun SAB

14 Lacquisition du signal biométrique qui servira à la construction de la référence caractéristique. Pour certaines modalités (signature, mot de passe, parole,...), plusieurs répétitions sont souhaitables. Un modèle de référence peut éventuellement être inféré. Ce modèle peut être adapté pour prendre en compte les dérives temporelles. Lidentification biométrique : Phase dapprentissage

15 Suis-je bien la personne que je prétends être ? Vérification didentité Qui suis-je ? Identification (ensemble fermé / ouvert) Contraintes : Même condition dacquisition du signal biométrique que lors de la phase dapprentissage Temps nécessaire à la décision Ressources matérielles disponibles Lidentification biométrique : Phase opérationnelle

16 Lidentification biométrique : Exemple dapplication Réseau internet Serveur Distant Carte à microprocesseur Ordinateur personnel 1. Acquisition du signal de parole 2. Analyse acoustique 1. Calcul du score 2. Normalisation, Décision 1. Normalisation, Décision

17 Lidentification biométrique : Evaluation des SAB Critère dévaluation des systèmes biométriques Probabilité de fausse acceptation Probabilité de faux rejet Taux déchec à lapprentissage Taux déchec lors de lacquisition des données en phase de test Critères plus subjectifs : acceptabilité du système…. Evaluation dune technologie : Probabilité de fausse acceptation Probabilité de faux rejet

18 Deux types derreurs : faux rejet (un client légitime est rejeté) fausse acceptation (un imposteur est accepté) Théorie de la décision : étant donné une observation O Hypothèse H 0 : cest un imposteur Hypothèse H 1 : cest notre client Choix de H 1 Lidentification biométrique : Evaluation des SAB

19 Lidentification biométrique : Evaluation des SAB:distribution des scores

20 Lidentification biométrique : Evaluation des SAB : la courbe DET

21 Detection Error Tradeoff (DET Curve)

22 Les empreintes digitales

23

24 Le visage

25 Face recognition Best-fit ellipse image Rotation Normalized image Erosion and sharpening Simplified image Gradient image Adaptive Hough transform and template matching Snake energy:

26 La rétine

27 Localisation de liris

28 Iris

29 Signatures

30 Vérification du locuteur Classification des systèmes Dépendant du texte Public password Private password Customized password Text prompted Indépendant du texte Apprentissage incrémental Evaluation

31 Inter-speaker Variability We were away a year ago.

32 Intra-speaker Variability We were away a year ago.

33 Dynamic Time Warping (DTW)

34 HMM structure depends on the application

35 Signal detection theory

36 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

37 Gaussian Mixture Model Parametric representation of the probability distribution of observations:

38 Gaussian Mixture Models 8 Gaussians per mixture

39 National Institute of Standards & Technology (NIST) Speaker Verification Evaluations Annual evaluation since 1995 Common paradigm for comparing technologies

40 GMM speaker modeling Front-end GMM MODELING WORLD GMM MODEL Front-end GMM model adaptation TARGET GMM MODEL

41 Baseline GMM method HYPOTH. TARGET GMM MOD. Front-end WORLD GMM MODEL Test Speech LLR SCORE =

42 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

43 SVM principles X (X) Input space Feature space Separating hyperplans H, with the optimal hyperplan H o HoHo H Class(X)

44 Results

45 «MAJORDOME» Unified Messaging System Eureka Projet no 2340 EDF Vecsys D. Bahu-Leyser, G. Chollet, K. Hallouli, J. Kharroubi, L. Likforman, S-S. Lin, D. Mostefa, D. Petrovska, M. Sigelle, P. Vaillant, F. Yvon KTHEuroseekUPCAirtel Software602

46 Majordomes Functionalities Speaker verification Dialogue Routing Updating the agenda Automatic summary Voice Fax E-mail

47 Voice technology in Majordome Server side background tasks: continuous speech recognition applied to voice messages upon reception Detection of senders 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)

48 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

49 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.

50 Perspectives Développement du projet BIOMET. La fusion de modalités. Réseau dexcellence dans le cadre du 6ème PCRD. La carte à puce comme support des informations biométriques.