serrure biométrique reconnaissance dempreintes digitales raphaël fromont – pascal grimaud –...

Serrure biométrique

Reconnaissanced’empreintes

digitales

Raphaël FROMONT – Pascal GRIMAUD – Nicolas MUNOZ

Tuteur : M. Patrick ISOARDI

• 1. Introduction

• 2. Prétraitements

• 3. Recherche et traitement de Minuties

• 4. Comparaison d’empreintes digitales

• 5. GMM

• 6. Planning prévisionnel

Introduction

Serrure biométrique : Empreintes digitales

Prétraitements

Prétraitements

• Définition

• Objectif :

De l’image brute

vers l’image squelettisée

Prétraitements

• Calcul de contraste

• Filtre de convolution : LaPlacien • Binarisation de l'empreinte • Erosion et Dilatation • Ouverture, Fermeture et Gradient

morphologique • Squelettisation

Prétraitements

• Calcul de contraste– Définition

– Algorithme :

1) 1er parcours de l’image pour récupérer la moyenne et l’écart-type

2) 2nd parcours pour réaffecter une nouvelle valeur à chaque pixel

Prétraitements

• Calcul de contraste– Résultats :

image brute image contrastée

Prétraitements

• Filtre de convolution : Laplacien– Définition

– Filtres :

Prétraitements

• Filtre de convolution– Résultats :

image contrastée

image filtrée

Prétraitements

• Binarisation– Définition

– Résultat :

image binarisée

Prétraitements

• Erosion– Définition

– Algorithme :Parcours de l’image et réaffectation à chaque

pixel la valeur minimale relevée en fonction des matrices de constantes

Prétraitements

• Erosion– Résultats :

image binarisée

image erodée

Prétraitements

• Dilatation– Définition

– Algorithme :Parcours de l’image et réaffectation à chaque

pixel la valeur maximale relevée en fonction des matrices de constantes

Prétraitements

• Dilatation– Résultats :

image binarisée

image dilatée

Prétraitements

• Ouverture

Erosion suivie d’une dilatation

• Fermeture

Dilatation suivie d’une érosion

• Gradient morphologique

Différence entre l’image dilatée et l’image érodée

Prétraitements

• Squelettisation– Définition

– Algorithme :Parcours de l’image afin d’extraire 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.

Prétraitements

• Squelettisation– Configurations

Prétraitements

• Squelettisation– Résultats :

image binarisée

image squelettisée

Prétraitements

• Résultats des prétraitements

image binarisée

image squelettisée

Serrure biométrique : Empreintes

digitales

Recherche de Minuties

Recherche de Minuties

• L’image doit être binarisée

• Extraction des minuties– Arrêt de ride

– Bifurcation

Exemple d'arrêt de ride Exemple de bifurcation

Un algorithme parcourt toute l’image pour

détecterles minuties

Image binarisée : Détection de minuties

Recherche de Minuties

Calcul du graphe

Un graphe complet doit être tracé

Traitement de Minuties

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

Utilisation de GMM

• Pourquoi?• Utilisation de GMM pour la

reconnaissance• Utilisation de GMM pour la classification

Utilisation de GMM

Pourquoi?

• Outils LIA_SPKDet disponible• Adaptation de l'outil• Comparaison algorithmique• Complément?

Utilisation de GMM

Mixtures de Gaussiennes

- Calcul probabiliste (Bayes) - Comparaison d’hypothèses

- Modélisation des distributions

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

P0(E) = P(H|E) => ok

P1(E) = P(-H|E) => imposture

Rapport bayésien

Si P0(S)/P1(S)>seuil accepte sinon rejet

Utilisation de GMM

• Classification d'empreintes digitales– Reconnaissance globale de l'empreinte

• 6 Types d'empreintes différentes = 6 classes!

• Apprentissage supervisé

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

Utilisation de GMM : Perspective

5 étapes pour la reconnaissance d’empreintes digitales :

1. Récupération de l'empreinte2. Traitement de l'empreinte3. Reconnaissance globale de l'empreinte4. Reconnaissance locale de l'empreinte5. Prise de décision

Serrure biométrique :

Empreintes digitales

Planning prévisionnel

Planning prévisionnel22 janvier (3 semaines) :

- codage de l’interface graphique - codage des prétraitements- phase de tests, ajout d’éventuels 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 d’empreintes

26 mars (4 semaines) :- Utilisation des GMM pour classifier la base de donnée d’empreintes

24 avril (3 semaines) :- phase importante de tests, et de débuggage- rapport sur les résultats