sys828: systèmes biométriquesÉric granger a1-1 contenu du cours

SYS828: Systèmes biométriques Éric Granger A1-1

CONTENU DU COURS

ARECONNAISSANCE

BIOMÉTRIQUE

BALGORITHMES POUR

L’APPRENTISSAGE AUTOMATIQUE

CCONCEPTION DE

SYSTÈMES ROBUSTES

Ø A.1 Un système généralisé

Ø A.2 État de l’art – reconnaissance avec visages et signatures

Ø B.1 Introduction aux algorithmes d’apprentissage

Ø B.2 Apprentissage non-supervisé pour la catégorisation de vecteurs

Ø B.3 Apprentissage supervisé pour la classification de vecteurs

Ø B.4 Apprentissage supervisé pour la classification de séquences

Ø C.1 Systèmes de classification modulaires et hiérarchiques

Ø C.2 Techniques pour la fusion multimodale

Ø C.3 Systèmes adaptatifs

Ø C.4 Reconnaissance contextuelle

A1-2

CONTENU DU COURS

A. Reconnaissance biométrique:

A.1 Un système généralisé:− architectures de systèmes et étapes de traitement− fusion multimodale− évaluation qualitative et comparaison des

performances

A.2 État de l’art en reconnaissance biométrique:

− survol de systèmes de pointe pour la reconnaissance à partir de la signature et du visage

− performance des technologies modernes

SYS828: Systèmes biométriques Éric Granger

A1-3

Sommaire – Section A.1

A.1 Un système généraliséA.1 Un système généralisé::

1)1) Structure de systèmesStructure de systèmes2)2) Fusion multimodaleFusion multimodale3)3) Évaluation des performancesÉvaluation des performances


A1-4

A.1(1) Structure de systèmesA.1(1) Structure de systèmes


A1-5

Sous-système de collection de données

Objectifs: 1. lorsqu’un individu se présente, capter les traits biométriques

distinctifs et invariants dans le temps2. produire un échantillon (données brutes) pour l’analyse

Considération importante – processus de collection standard pour minimiser les variances et maximiser le caractère distinctif face au: − comportement et coopération de l’individu− environnement opérationnel− spécifications techniques du senseur



A1-6

Sous-système de transmission

Objectif: acheminer les données brutes (si le traitement ou le stockage se font à des endroits différents de la collection)

Considération importante – la compression des donnée brutes pour la transmission et stockage:

/ le processus de compression-expansion occasionne des pertes de qualité dans le signal restauré

/ techniques qui minimisent l’impact sur les performances/ protocoles de transmission et de compression standards

(e.g., JPEG – visages et CELP – voix) pour uniformiser



A1-7

Sous-système de traitement du signal

Objectif: comparer l’échantillon avec le modèles biométriques d’un ou plus individus abonnés au système

Comporte 4 tâches:1. segmentation: détecter et extraire un patron biométrique

brute d’intérêt dans le signal original



A1-8


Tâches: (suite)2. extraction de caractéristiques: extraire et sélectionner des

caractéristiques invariants et distinctifs du patron biométrique brute segmenté: → réduit la dimensionnalité du patron brute

→ produit un vecteur caractéristique représentatif



A1-9


Tâches: (suite)2. extraction de caractéristiques: extraire et sélectionner des



A1-10


Tâches: (suite)3. contrôle de qualité: vérifier au niveau du vecteur

caractéristique si le signal capté (issu de la collection) est d’une qualité acceptable



A1-11


Tâches: (suite)

4. classification: 1. comparer le vecteur caractéristique avec un ou plus

modèles d’individus stockés dans la base biométrique2. produire 1+ scores – mesure quantitative d’une

comparaison – pour le sous-système de décision



A1-12


Considérations importantes – ce traitement est complexe pour plusieurs raisons: − variabilité intra-classe

− similarité interclasse



A1-13


Considérations importantes – ce traitement est complexe pour plusieurs raisons: (suite)− variations dans le temps

− bruit et distorsions

− qualité/quantité d’échantillons lors d’abonnement d’un individu (modèles biométriques)

− limitations des algorithmes de segmentation, d’extraction de caractéristiques et de classification



11



Modèle biométriques conçu a priori, lors de l’abonnement, avec un nombre limité d’échantillons référence:

A1-15

Base de données

Objectif: emmagasiner et gérer le modèle biométrique correspondant à chaque individu abonné au système

Considérations importantes – inscription



A1-16

Base de données

Considérations importantes – stockage local ou global des modèles, selon l’application

− vérification: on peut distribuer la base localement sur des cartes d’ID ou carte intelligente

− ID/surveillance: on stocke dans une grande base centralisé et applique une stratégie pour réduire le temps de recherche:

1. partitionnement de la grande base en sous-bases2. algorithmes pour l’indexation de la base

(pour biométriques spécifiques)



A1-17

Sous-système de décision

Objectifs: 1. réaliser la politique décisionnelle du système en dirigeant

la recherche dans la base biométrique

2. accepter/rejeter ou identifier l’individu selon les mesures quantitatifs de comparaison et la politique:

acceptation: mesure(s) de similarité S(échant) ≥ γrejet: peut permettre n comparaisons, avec différentes mesures de score avant le rejet final

Considérations importantes – la politique est spécifique à l’applications et aux besoins en sécurité



A.1(1) Structure de systèmeA.1(1) Structure de système

Fonctionnalités biométriques

1. Vérification: vérifier l’authenticité d’un individu inscrit au système à partir d’un échantillon biométrique

A1-18SYS828: Systèmes biométriques Éric Granger



Processus de décision: le système accepte ou rejette à partir d’une comparaison entre un échantillon et le modèle de l’individu identifié

Applications potentielles:contrôle d’accès à des lieux sécurisés, à des réseaux informatique, etc.accès à un compte via une machine de banque ATMachats dans un magasin avec carte de crédit (signature)utilisation d’un téléphone cellulaire ou PDA

Contraintes de l’application: un système à coût modique et un interface conviviale




2. Identification: déterminer si un échantillon biométrique est associé avec un des individus abonné au système




Processus de décision: le système identifie à partir d’une comparaison entre l’échantillon et tous les modèles d’individus inscrits au système

Applications potentielles:contrôle aux frontièresenquêtes criminellesidentification d’enfants portés disparus

Contraintes de l’application: un débit élevé de traitement et très peu d’intervention humaine




3. Surveillance: déterminer de façon discrète si un échantillon biométrique correspond à un individu sur une liste restreinte d’individus recherchés




Processus de décision: le système identifie à partir d’une comparaison entre l’échantillon et tous des modèles d’une liste restreinte

Applications potentielles:sécurité dans les aéroportssécurité pour les lieux et les événements publics

Contraintes de l’application: débit élevé de traitement et peu d’intervention humainedoit composer avec un processus d’inscription mal définiun contrôle limité sur les conditions d’opération


A1-26


Système biométrique simplifié

SENSORFEATURE

EXTRACTION

PATTERN MATCHER

DECISION MODULE

Person

- accept/reject- identities

biometric data base

models

raw datafeature vector

biometric traits

matching scores

classification system

authenticity (for verification)


A1-27

Système simplifié

Composants de base du système simplifié:senseur automatique: acquisition de l’échantillon [collection]

système de classification: [traitement du signal]/ segmentation du signal/ extraction de caractéristiques/ analyse de qualité/ comparaison entre échantillon et les modèles biométriques

base biométrique [stockage de données]

contrôleur principal: [décision]/ configuration de l’opération du système/ surveille l’intégrité du système et mise-à-jour des modèles/ applique la politique décisionnel



A1-28

Architecture centralisée vs distribuée

Type 1: Architecture centralisée



A1-29


Type 2: Architecture distribuée



A1-30



Avantages et inconvénients des architectures:

Centralisée Distribuée+ gestion des connaissances: facile

– robustesse: risque élevé d’une panne à l’échelle du système

– coûts en communications: bande passante élevée (même avec la compression des échantillons)

+ coûts en communications: bande passante modiques (scores)

+ robustesse: risque de panne globale moins élevé car des ressources sont locaux

– coût attaché à la redondance système

– risque élevé d’une panne de blocs fonctionnels locaux

– gestion des connaissances: complexe


A1-31



Type d’applications:

Centralisée Distribuée Stockage global de modèles:

plusieurs individus inscrits

plusieurs points d’accès

ex: système bancaire

Stockage local de modèles:

un individu inscrit

un seul point d’accès

ex: téléphones mobiles et PDAs


A1-32



1)1) Structures de systèmesStructures de systèmes2)2) Fusion multimodaleFusion multimodale 3)3) Évaluation des performancesÉvaluation des performances


A1-33

A.1(2) Fusion multimodaleA.1(2) Fusion multimodale


A1-34


Opération d’un système multimodal:

1. mode sériel: exploite un trait à la fois permet de réduire le nombre d’identités avant

d’exploiter un autre trait (technique d’indexation)

2. mode parallèle: exploite tous les traits simultanément

3. mode hiérarchique: chaque trait est exploité par un classificateur indépendant les classificateurs sont combinés selon une

structure en arbre


A1-35


Niveaux de fusion

Au niveau de l’extraction de caractéristiques:


A1-36


Niveaux de fusion

Au niveau de la confiance:


A1-37


Niveaux de fusion

Au niveau de la décision:


A1-38

A.1(2) Fusion multimodaleA.1(2) Fusion multimodaleScénarios pour la fusion multimodale


A1-39



1)1) Structures de systèmesStructures de systèmes2)2) Fusion multimodaleFusion multimodale 3)3) Évaluation des performancesÉvaluation des performances


A1-40

A.1(3) Évaluation des performancesA.1(3) Évaluation des performances

Facteurs qui influencent la complexité d’un système de reconnaissance biométrique:


A1-41

Qualité

Processus de décision:


γ


A1-42

Qualité

Distribution de scores: (Granger et al., IJBM 2012)



A1-43

Qualité


γ


A1-44

Qualité

Matrice de confusion:



A1-45

Qualité

Métriques communes:

1.FRR (‘False Rejection Rate’ ou taux de faux rejets): déf.: la proportion de fois qu’un individu légitime

(abonné) est rejeté par le système

même chose que fnr pour ‘False Negative Rate’

le FRR est lié à la sensibilité (tpr pour ‘True Positive Rate’): la proportion de fois qu’un individu légitime est accepté par le système

FRR = fnr = 1 – tpr = 1 – (TP/ P)



A1-46

Qualité

Métriques communes: (suite)2.FAR (‘False Acceptance Rate’ ou taux de fausses

acceptations): déf.: la proportion de fois qu’un individu non-

légitime (pas abonné) est accepté par le système

même chose que fpr pour ‘False Positive Rate’

le FAR est lié à la spécificité ou tnr (‘True Negative Rate’): la proportion de fois qu’un individu non-légitime est rejeté par le système

FAR = fpr = 1 – tnr = 1 – (TN / N)



A1-47

Qualité



A1-48

QualitéCompromis du système: on veut minimiser à la fois le FAR et le FRR en ajustant le seuil de décision, γ− évaluation: avec les scores d’un base de test, on compte

les décisions correct and incorrect en variant le seuil, and on exprime les compromis de performance

Courbes ROC et DET – permettent d’illustrer ce compromis, et donc la qualité d’un système:− courbes paramétriques: on trace FRR vs FAR en

faisant varier le seuil de décision − représente l’impact du seuil sur les taux d’erreurs



A1-49

Qualité

Courbes ROC (‘Receiver Operation Characteristic’)



A1-50

Qualité

Courbes DET (‘Detection Error Trade-Off’)




Qualité

Populations débalancées – courbes precision-recall:

/ mesure scalaire: F1

51SYS828: Systèmes biométriques Éric Granger


Qualité

Impact d’un débalancement dans les populations (Radtke et al., Information Fusion 2013)



Qualité

Détection des ambiguïtés dans l’espace ROC(Tortorella, Pattern Recognition Letters 2005)



Qualité

Identification – courbe Cumulative Match Characteristic:/ indique la probabilité des bonnes identifications pour un rang n (probabilité

que la personne correspond aux n meilleures scores


A1-56


Qualité

Cas 1 – vérification: on combine la reconnaissance artificielle et biométrique

FRR: on peut rejeter un individu inscrit au système selon la reconnaissance artificielle OU biométrique:

FAR: on peut accepter un imposteur ssi la reconnaissance artificielle ET biométrique sont valides:

combiné artificiel biométriqueFRR = FRR + FRR

combiné artificiel biométriqueFAR = FAR FAR


A1-57


Qualité

Cas 2 et 3 – identification et surveillance:

on suppose qu’il y a I individus d’inscrits au système

on suppose que les scores d’imposteur entre différents individus légitimes ne sont pas corrélés

FRR:

FAR:

FRR FRRI

FAR = 1 (1 FAR) FARII I


58


QualitéTaux 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% 2.2%

visage FRVT 2006- contrôle de luminosité; haute résolution

1.6% 0.1%

fixé

iris ICE 2006- contrôle de luminosité; haute résolution

1.4% 0.1%

fixé

voix NIST 2006-indépendant du texte; multilingue

5-10% 2-5%


A1-59

Temps de traitement

On vise généralement un petit temps de traitement, mais dépend des besoins de l’application:

exemple d’application ‘lente’: vérification des empreintes digitales par le FBI dans le contexte d’une enquête criminelle

exemple d’application ‘rapide’: contrôle d’accès dans un lieu sécurisé (e.g., aéroport)



SENSORFEATURE

EXTRACTION

PATTERN MATCHER

DECISION MODULE

Person

accept or

reject

biometric data base

models


biometric traits

matching scores


A1-60


Temps de traitement

Temps pour la classification d’un échantillon:

[ ( )] [ ( )]x ytott t t FE PM[FE ( )] [PM ( )]x ytot i jt M t P t


A1-61


Temps de traitement

Débit de traitement pour différentes technologies biométriques communes:

Fonctionnalité biométrique

empreinte digitale

visage iris

1) vérification

(temps de traitement)

10 msec 90 µsec < 1 µsec

2) Identification

(débit)

1 / min 0.66 / min > 60 / min

3) Surveillance

(débit)

> 1 / sec 22 / sec > 2000 / sec


A1-62

Consommation en mémoire

Facteurs qui influencent la consommation mémoire d’un système:

1. extraction de caractéristiques:on veut représenter chaque échantillon biométrique brute par un vecteur caractéristique (à M dimensions)mais on veut conserver les traits invariants et distinctifs

2. le nombre et la complexité des modèle dans la base:ex: le nombre de noyaux, N, associé au modèle de chaque individu dans la base biométrique



SENSORFEATURE

EXTRACTION

PATTERN MATCHER

DECISION MODULE

Person

accept or

reject

biometric data base

models


biometric traits

matching scores


A1-63


Consommation en mémoire

Capacité de mémoire (en octets):[ ]

[ ]tot

tot

C I C C C

C I N M o N M o N o


A1-64


Sommaire

Fonctions d’identification et de surveillance:+ plus conviviale: l’individu n’est pas tenu à s’identifier

avant l’échantillonnage

Fonction de vérification:+ demande moins de ressources: l’échantillon est comparé

avec seulement un modèle

+ taux d’erreurs moins élevés: la combinaison de reconnaissance artificielle + biométrique peut diminuer le FAR considérablement


A1-65


Sommaire


A1-66


Sommaire

Critères de sélection pour un trait biométrique:– Universality: tous les individus ont cette caractéristique? – Uniqueness: variation entre caractéristiques des individus?– Permanence: consistance des caractéristiques dans le temps?– Collectability: 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?


A1-67


Sommaire


sys828: systèmes biométriquesÉric granger a1-1 contenu du cours

Documents