Authentification et Identification en Biométrie

Abstract

Bien qu’ayant suscité des recherches depuis trente ans, le problème de la reconnaissance de visages, sachant que peu d’images par personne sont disponibles pour l’enrôlement, n’est pas encore résolu. Dans ce contexte, les défis les plus difficiles à relever consistent à développer des algorithmes robustes aux variations d’illumination, variations de pose et expressions faciales. De plus, il y’a aussi une contrainte forte sur la complexité en temps et en occupation mémoire des algorithmes à mettre en œuvre dans de tels systèmes. Le travail développé dans cette thèse apporte plusieurs avancées innovantes dans ce contexte. Tout d’abord, une méthode d’extraction des paramètres par les meilleurs filtres de Gabor visant à simuler les performances de la rétine est proposée. Ensuite, nous étudions un modèle biométrique basé sur les approches classiques de réduction d’espace à savoir : les méthodes linéaires PCA, LDA, DLDA, PCA2DOC, PCA2DOL, EFM et les méthodes non linéaires à noyaux, nous nous sommes limités à la KPCA la plus répandue en reconnaissance de visages. La méthode de réduction d’espace EFM est retenue. La classification est assurée par mesure de similarité pour sa simplicité et par SVM pour son efficacité. Pour valider ce travail nous avons testé cette approche tout d’abord à la mono modalité sur des images frontales de la base de données XM2VTS selon son protocole associé (Protocole de Lausanne). Afin d’améliorer la classification de notre approche la KPCA est étudiée. Dans le souci d’amélioration des performances de notre système de reconnaissance nous nous sommes intéressés aux multi systèmes et à la multi biométrie ((visage, voix) réalisés sur la base des scores MXM2VTS et (visage, empreintes) sur la BDD FRVC. Seulement les images de visages 2D ont des limites quant à la variation d’illumination. Pour cette raison nous avons étendu nos recherches vers les visages 3D et aussi à la fusion par ondelettes associée aux opérateurs de combinaison simples (minmax, moyenne et max) d’information issues du 2D (couleur) et 3D (profondeur). Deux types de fusion sont étudiés : fusion des caractéristiques et fusion des scores. Les résultats obtenus sont encourageants mais pas suffisant car le système de reconnaissance 3D présente des faiblesses pour les expressions faciales. Pour contourner ce problème nous avons étendu nos recherches à l’identification en présence d’expressions faciales sous différentes illumination et différentes poses. Pour cela nous effectuons dans un premier temps la fusion par concaténation des régions d’intérêts (yeux, bouche, nez et visage). Puis nous réalisons une deuxième expérience la fusion des six expressions et du visage neutre. Tous nos travaux 3D et 3D expressions sont réalisés sur la BDD CASIA 3D. Des résultats satisfaisants et prometteurs sont obtenus et peuvent être davantage améliorés par de meilleurs détections et prétraitements.