Méthodes basées sur une caractérisation invariante aux transformations géo-

Cette catégorie de méthodes est souvent composée de deux phases principales, comme l’indique la Figure 2.9. La première phase caractérise l’image rétinienne en définissant ses vecteurs caracté- ristiques. L’autre phase assure l’appariement entre ces caractéristiques extraites.

En raison de son invariance aux transformations géométriques, ce type de méthode biométrique n’exige pas une méthode de recalage.

La Figure 2.13 montre un exemple de détection des points caractéristiques locaux d’une image rétinienne.

(a) (b)

Figure 2.13: Exemples de caractérisation locale d’une image rétinienne : (a) l’image rétinienne acquise et (b) l’image caractérisée par des descripteurs locaux.

Nous présentons quelques travaux biométriques basés sur la caractérisation rétinienne sans phase d’extraction de l’arbre vasculaire. La méthode proposée par Majid Shahnazi et al. [101] se base sur l’utilisation des ondelettes qui est un puissant outil d’analyse multi-résolution (Figure 2.14).

Les auteurs ont présenté une nouvelle caractéristique de l’image rétinienne nommée la caracté- ristique de l’énergie d’ondelettes (Wavelet Energy Feature). Ce procédé de reconnaissance de la rétine comprend deux étapes à savoir une étape de préparation et l’autre de reconnaissance. Dans la phase de préparation, les caractéristiques de l’énergie d’ondelettes de tous les échantillons cap- turés sont extraites, et le modèle de la rétine est obtenu en faisant la moyenne des caractéristiques de tous les échantillons appartenant à la même rétine. Dans l’étape de reconnaissance, la carac- téristique de l’énergie d’ondelettes de la rétine d’entrée est calculée. Ensuite, elle sera testée par rapport à tous les modèles enregistrés afin de trouver le modèle le plus similaire comme le résultat de reconnaissance.

Cette méthode a donné de bons résultats de reconnaissance qui atteint 100%. Pour cela, les travaux de Massoud Sabaghi et al. [53] ont suivi le principe de cette caractérisation de la transformation en ondelettes, et ont utilisé une combinaison entre la transformation en ondelettes et celle de Fou- rier. Cette méthode d’identification comprend plusieurs phases. Dans la phase d’enregistrement des personnes, un certain nombre d’images a été numérisé à partir de chaque personne. Puis, après compensation de la rotation de l’image rétinienne capturée, la phase d’extraction de caractéris- tiques proposée est basée sur la transformée de Fourier des images rétiniennes et la transformation bidimensionnelle en ondelettes. En effet, les caractéristiques de l’énergie de Fourier (FEF) et de l’énergie d’odelettes (WEF) extraites de toute image sont ensuite enregistrées dans une base de données. Dans la phase de test, les caractéristiques FEF et WEF de l’image rétinienne testée sont calculées. Puis, elles sont comparées avec toutes les caractéristiques des images rétiniennes de la base de données. Enfin, l’image rétinienne enregistrée qui correspond à la distance euclidienne minimale est sélectionnée en tant que relative à la personne identifiée. Ce système a donné un taux

2.4. Conclusion 63

de reconnaissance de 99.1% puisqu’il est invariant vis à vis la rotation et au bruit, mais ce taux élevé peut étre principalement dé au petit nombre d’échantillons (40 images) de la base Drive. Il offre aussi un faible temps de calcul car il extrait les caractéristiques de l’image rétinienne sans phase d’extraction de l’arbre vasculaire.

Figure 2.14: Processus d’extraction des vecteurs caractéristiques [101].

Amin Dehghani et al. [52] ont utilisé une autre caractéristique statistique invariante aux trans- formations géométriques, appelée les moments de Hu. Ces caractéristiques statiques sont extraites de l’image rétinienne sans appliquer une segmentation. Après la caractérisation, ils ont employé la distance euclidienne pour classer les différentes images rétiniennes. Ce système d’identification a été testé sur les bases Drive et Stare. Il a donné de bons résultats qui atteignent 99.78% mais il souffre de fausses classifications dans le cas de grands angles de rotation.

Une autre méthode d’identification de personnes par la rétine a été proposée par Xianjing Menget al. [49]. Elle est basée sur la caractérisation locale de l’image rétinienne. Ils ont employé la mé- thode SIFT (Scale Invariant Feature Transform) pour l’extraction de caractéristiques de l’image rétinienne et un outil avancé du filtre de Gabor circulaire (ICGF) pour le pré-traitement. Cette approche a été évaluée sur la base biométrique VARIA qui contient 233 images rétiniennes. Il a donné un taux de vérification de 100%, dé à l’avantage de description SIFT qui est invariant aux changements d’échelle et à la rotation. Le principal inconvénient de cette méthode biométrique est son temps de traitement élevé.

Sa performance en identification se dégrade à cause de la mauvaise qualité de l’image rétinienne qui peut affecter l’extraction des points d’intérêt SIFT, ainsi que l’appariement.

2.4

Conclusion

Dans ce chapitre, nous avons présenté les différents travaux reportés dans la littérature pour la biométrie par la rétine. Ainsi, nous avons détaillé les différentes étapes constituant cette tache de reconnaissance. Comme synthèse de cette étude bibliographique, les méthodes biométriques

rétiniennes peuvent étre classées en deux catégories principales. La première catégorie inclut les méthodes basées sur une caractérisation sensible aux transformations géométriques, nécessitant par la suite une méthode de recalage des signatures rétiniennes extraites. Elle a donné des résultats de reconnaissance encourageants, mais elle est coûteuse en termes de temps de calcul et peut étre affectée par les anomalies du réseau vasculaire rétinien. La deuxième catégorie englobe les méthodes basées sur une caractérisation invariante aux transformations affines et géométriques. Cette catégorie permet de dépasser les problèmes de segmentation de l’arbre vasculaire comme la discontinuité des segments vasculaires ou l’apparition des nouveaux micro-vasculaires qui peuvent affecter le résultat de reconnaissance. Elle permet aussi de réduire le temps de calcul dé à la phase de segmentation et celle de recalage. Dans le chapitre qui suit, nous détaillons notre contribution dans le cadre de la proposition d’une nouvelle méthode biométrique rétinienne basée sur une caractérisation locale invariante aux transformations géométriques. Afin de résoudre les problèmes des méthodes biométriques rétiniennes existantes, surtout celles basées sur la segmentation de l’arbre vasculaire.

Chapitre 3

Proposition d’une méthode

biométrique par la rétine

Sommaire

3.1 Introduction . . . . 65