Choix des paramètres et Classificateurs

Cette étape est primordiale et décisive pour garantir de bonnes performances de reconnaissance. Elle consiste à retenir les paramètres non redondants et discriminatifs entre les sujets, ces informations sont ensuite sauvegardées pour être utilisées en apprentissage et décision. Le choix des paramètres discriminatifs est effectué suite à une étude statistique basée sur le test ANOVA. Ces paramètres sont divisés en trois types selon l’analyse dont ils sont extraits : paramètres classiques, paramètres de la décomposition ACP et paramètres de la décomposition en ondelettes. Les valeurs de ces paramètres forment un corpus pour les applications biométriques qui nécessite l’utilisation de méthodes de classification supervisées. Nous avons choisi pour la première application d’utiliser un classificateur non linéaire qui est K plus proche voisins (k-ppv) et un classificateur linéaire qui est l’analyse discriminante linéaire (ADL). Pour la deuxième application à côté des classificateurs K-ppv et ADL nous avons utilisé le classificateur machines à vecteurs de support (SVM) connu pour ces performances en classification bi-classes [102].

3.2.5 Apprentissage

L'apprentissage consiste à mémoriser une partie (environ les deux tiers des valeurs) de chaque information retenue pour chacun des individus connus. Cette partie mémorisée constitue un modèle de reconnaissance, propre à chaque sujet. Ce modèle est adopté par le système de reconnaissance. Cette phase permet de faciliter la phase de reconnaissance mais aussi de diminuer la quantité de données à stocker en quelque sorte l’apprentissage est la mémoire du système.

3.2.6 Décision

La décision est la partie du système ou on tranche sur l’appartenance d’un individu à une classe et/ou sur son identité. C’est l’étape de test qui utilise la partie restante des informations retenues (le un tiers restant des valeurs. La décision est l’aboutissement du processus. On peut la valoriser par un taux de justesse et de fiabilité de la décision qui est déterminé par le taux de reconnaissance.

Suite à cette étape, et selon les taux de reconnaissance trouvés, nous discutons la performance de chaque classifieur utilisé (k-ppv, ADL et SVM) et la performance de chaque combinaison parmi les types de paramètres retenus (paramètres classiques, paramètres de la décomposition ACP et paramètres de la décomposition en ondelettes).

133

II. Résultats et discussions

1

1.. EEttuuddeessttaattiissttiiqquuee

Une analyse statistique ANOVA est appliquée sur les paramètres retenus suite à la phase d’analyse afin de garder les paramètres les plus discriminatifs (Tableau.4).

Tableau.4 : Liste des paramètres utilisés pour la classification.

Type d'analyse Type du paramètre Nom du paramètre

classique position moyenne

du CdM (PM)

PM-ML PE_YF ; PM-ML PE_YO; PM-ML PS_YF; PM-ML PS_YO; PM-AP PE_YF; PM-AP PE_YO;

PM-AP PS_YF; PM-AP PS_YO vitesse moyenne du

CdM (VM)

VM-ML PE_YF ; VM-ML PE_YO; VM-ML PS_YF; VM-ML PS_YO ; VM-AP PE_YF; VM-AP PE_YO;

VM-AP PS_YF; VM-AP PS_YO Surface de l'ellipse

de confiance (CEA)

CEA PE_YF ; CEA PE_YO; CEA PS_YF; CEA PS_YO

Fréquence centroidale (FC)

FC-ML PE_YF ; FC-ML PE_YO; FC-ML PS_YF; FC-ML PS_YO ; FC-AP PE_YF; FC-AP PE_YO;

FC-AP PS_YF; FC-AP PS_YO densité spectrale de

puissance (PSD)

PSD-ML PE_YF ; PSD-ML PE_YO; PSD-ML PS_YF; PSD-ML PS_YO; PSD-AP PE_YF; PSD-AP PE_YO;

PSD-AP PS_YF;PSD-AP PS_YO décomposition

ACP

surface du cercle de confiance de l'excursion (Su_ex)

Su_ex-ML PE_YF ; Su_ex-ML PE_YO ; Su_ex-ML PS_YF ; Su_ex-ML PS_YO ; Su_ex-AP PE_YF ; Su_ex-AP PE_YO ;

Su_ex-AP PS_YF ; Su_ex-AP PS_YO surface du cercle

de confiance du tremblement (Su_tr)

Su_tr-ML PE_YF ; Su_tr-ML PE_YO ; Su_tr-ML PS_YF ; Su_tr-ML PS_YO ; Su_tr-AP PE_YF ; Su_tr-AP PE_YO ;

Su_tr-AP PS_YF ; Su_tr-AP PS_YO décomposition

en ondelettes

surface du cercle de confiance du cd2 (Su_cd2)

Su_cd2-ML PE_YF ; Su_cd2-ML PE_YO ; Su_cd2-ML PS_YF ; Su_cd2-ML PS_YO ; Su_cd2-AP PE_YF ;

134

surface du cercle de confiance du cd3 (Su_cd3)

Su_cd3-ML PE_YF ; Su_cd3-ML PE_YO ; Su_cd3-ML PS_YF ; Su_cd3-ML PS_YO ; Su_cd3-AP PE_YF ; Su_cd3-AP PE_YO ;

Su_cd3-AP PS_YF ; Su_cd3-AP PS_YO

Les paramètres retenus sont ceux présentant une différence significative correspondant à une valeur-P du test ANOVA inférieur à 0.05. Les paramètres retenus pour la classification sont : la position moyenne du CdM (PM), la vitesse moyenne du CdM (VM), surface de l’ellipse de confiance (CEA), la fréquence centroidale (FC), la densité spectrale de puissance (PSD), surface du cercle de confiance relatif à l’excursion (Su_ex), au tremblement (Su_tr), à cd2 (Su_cd2) et à cd3 (Su_cd3) en chaque direction (ML/AP) et chaque situations (PE_YF, PE_YO, PS_YF, PS_YO). Ils sont classés en trois types de paramètres selon l’analyse dont ils sont extraits : classique, la décomposition ACP et la décomposition en ondelettes. Le tableau.4 présente les 68 paramètres utilisés dans la classification (36 paramètres sont issus de l’analyse classique, 16 issus de la décomposition ACP et 16 issus de la décomposition en ondelettes).

2

2.. CCllaassssiiffiiccaattiioon n

A partir de ces paramètres retenus, nous avons effectué deux applications biométriques. Une première application biométrique consiste à la reconnaissance de personnes à partir des classificateurs ADL et K-ppv. Cette application est composée de deux parties. La première est une classification des ressemblants dans laquelle nous avons choisi parmi les volontaires de cette étude, quatre sujets les plus ressemblants de point de vu caractéristiques physiologiques (âge, taille, poids). La deuxième partie est une classification des non ressemblants, dans laquelle, nous avons choisi dix sujets hétérogènes de point de vue genre et qui sont les plus distincts par leur âge, leur taille ou leur poids.

Une deuxième application biométrique consiste à la classification par groupes des sujets selon leur âge, puis leur genre, puis leur taille et enfin leur poids. Cette application est effectuée à partir des classificateurs ADL, K-ppv et SVM.

Les performances ne sont pas discutées seulement selon le classificateur utilisé mais aussi selon le type de paramètres utilisés pour l’apprentissage. Pour ceci, nous avons défini sept observations dont chacune est basée sur une combinaison entre les différents types de paramètres:

1) Une observation en utilisant tous les paramètres retenus (68 paramètres).

2) Une observation en utilisant uniquement les paramètres classiques (36 paramètres).

3) Une observation en utilisant uniquement les paramètres issus de la décomposition ACP (16 paramètres).

4) Une observation en utilisant uniquement les paramètres de la décomposition en ondelettes (16 paramètres).

135

5) Une observation en utilisant les paramètres classiques et les paramètres issus de la décomposition en ondelettes (52 paramètres).

6) Une observation en utilisant les paramètres classiques et les paramètres issus de la décomposition ACP (52 paramètres).

7) Une observation en utilisant les paramètres issus de la décomposition en ondelettes et les paramètres issus de la décomposition ACP (32 paramètres).

A chaque observation et pour chacune des méthodes de classification, nous élaborons les performances : taux correct (TC), sensibilité (SE) et spécificité (SP) dévoilant la capacité de chaque méthode de classification à classifier et reconnaitre les personnes en utilisant une observation donnée.

Nous élaborons aussi un taux moyen par observation (TCO) correspondant à la moyenne des valeurs TC pour tous les classificateurs par observation et le taux moyen par classificateur (TCC) correspondant à la moyenne des valeurs TC pour toutes les observations par classificateur.