L’utilisation des Techniques Evolutionnaires pour La Fusion Biométrique Multimodal

Ministère de l’Enseignement Supérieur et de la Recherche

Scientifique

Université Africaine d’Adrar Faculté des Sciences et de la Technologie Département de Mathématique et d’Informatique

Mémoire

Présenté pour l’Obtention du Diplôme de

Master en Informatique

Option: Réseaux Et Systèmes Intelligente

Par:

LAHCINE Moubarek MEZLI Khaled

Intitulé:

Soutenu devant le Jury :

Président: Mr. ………. Maître assistant classe - A - Université d’Adrar

Examinateur: Mr. ……… Maître assistant classe - A - Université d’Adrar

Encadreur: Mr. Kohili Maître assistant classe - A - Université d’Adrar

Co encadreur: Mr. Mohammed DEMRI Maître assistant classe - B - Université d’Adrar

L’utilisation des Techniques Evolutionnaires pour

La Fusion Biométrique Multimodal

En premier lieu, nous tenons à remercier notre Dieu, notre créateur, pour le

courage et la patience qu’il nous a donné pour accomplir ce travail.

Nous tenons tout d'abord à remercier nos parents pour leurs soutiens et leurs

encouragements durant nos années d'études.

Nous tenons à exprimer notre profonde gratitude et notre respectueuse

reconnaissance à notre coencadreur : Mr. DEMRI Mohammed. Qui a bien

voulu nous encadrer. Nous le remercie vivement pour son soutien et ses conseils

précieux.

Nos remerciements à tous nos enseignants, nos amis et tous ceux qui nous

ont prêté mains fortes pour la réalisation du projet. Nous remercions aussi

chaleureusement Mr. KOHILI.

Remerciements………I Table de matière………..………...…….II List des tableaux………...…...………...………... V List des figures…………..……….………...………..…………... VI

Introduction générale

1. Introduction générale….……….………..………….. 1

Chapitre 01: Introduction à la biométrie et les systèmes biométriques

II. La biométrie. ... 4

a. Historique. ... 4

b. Définitions. ... 4

c. Intérêt... 5

d. Les systèmes biométriques... 9

e. Fonctionnement d’un système biométrique... 10

f. Caractéristiques de la biométrie... 11

g. Types de reconnaissance par biométrie. ... 12

1. La reconnaissance comportementale. ... 14

2. La reconnaissance physiologique. ... 16

h. Comparaison des systèmes biométriques. ... 19

I. Introduction ... 23

II. Multimodalité ... 23

a. Les différents multi-possibles ... 23

b. Les architectures ... 24

c. Fusion de l’information ... 26

III. La normalisation des scores ... 27

IV. Fusion des données biométriques ... 31

a. Fusion au niveau des capteurs ... 32

b. Fusion au niveau des caractéristiques ... 32

c. Fusion au niveau du score ... 33

d. Fusion au niveau de décision ... 33

V. Conclusions ... 33

Chapitre 03: Techniques évolutionnaire pour la fusion biométrique

(PSO, GA)

II. Algorithme génétique ... 34

a. Définition ... 34

b. Fonctionnement des algorithmes génétiques ... 35

c. Organigramme d’un AG standard ... 38

d. Operateur d’Algorithme Génétique ... 39

1. L’opérateur de codage ... 39

2. L'opérateur de sélection ... 40

3. L'opérateur de croisement ... 43

4. L'opérateur de mutation ... 45

III. l’optimisation par essaim particulaire ... 47

a. Introduction ... 47

b. Presentation de la P.S.O ... 48

VI. Conclusion ... 51

Chapitre 04: Implémentation et Discussion

II. Les outils de réalisation ... 52

a. Base des données biométrique multimodales ... 52

b. Le langage de programmation utilisé ... 53

c. Les conditions des données ... 54

III. L’évaluation des performances ... 55

IV. Phase d’Apprentissage ... 57

a. Présentation d’Application : ... 57

b. Fenêtre d’accueil: ... 57

c. Les techniques de fusion : ... 58

d. La fenêtre de Test et chargement des données: ... 59

VI. Conclusion : ...64

Conclusion Générale

Références bibliographique

Chapitre 01

Tableau 1.1 : Comparaison des technologies biométriques………..………10

Chapitre 04

Tablaux 4.1 : Les valeurs des poids optimales (W_visage et W_voix)…………...………….32 Tablaux 4.2 :.le résultat des EERs………33

Chapitre 01

Figure 1.1 : Exemples des traits biométriques utilisés pour l'identification [1]. ...6

Figure 1.2 : Le fonctionnement de la biométrie ... ...11

Figure1.3 : Différentes modalités biométriques. ...12

Figure 1.4 : Catégories des méthodes d’identification biométriques [2]. ... ...14

Figure 1.5 : La signature ...15

Figure 1.6 : La voix ...16

Figure 1.7 : Le visage ...17

Figure 1.8 : Les empreintes digitales ...18

Figure 1.9 : Distribution de l’utilisation des systèmes biométriques sur le marché mondial.19

Chapitre 02

Figure 2.2 : Architecture de fusion en parallèle ...26

Figure. 2.3 Architecture de fusion en série (incrémentale ou séquentielle) ...26

Figure 2.4 : Exemple de distributions imposteurs-clients pour les système de reconnaissance visage/voix (resp.) ...28

Figure 2.5 : La distribution des clients- imposteurs après la normalisation par la méthode Min-Max ...29

Figure 2.6 : La distribution des clients-imposteurs après la normalisation par la méthode Z-Score ...30

Figure 2.7 : Les caractéristiques de la région de conflit des deux distributions client-imposteurs ...31

Figure 3.1 : Organigramme d’un AG standard ...39

Figure 3.2 : Les cinq niveaux d'organisation d'un algorithme génétique ...39

Figure 3.3 : Illustration schématique du codage des variables réelles ...40

Figure 3.4 : La méthode de sélection de la loterie biaisée ...41

Figure 3.5 : Croisement avec un point de cross over ...44

Figure 3.6 : Croisement avec 2 points de crossover ...44

Figure 3.7 : Croisement uniforme ...45

Figure 3.8 : Une mutation ... ...46

Figure 3.9 : Organigramme de la méthode des essaims particulaires [21] ...51

Chapitre 04

Figure 4.2 : La fenêtre d’accueil. ... 58

Figure 4.3: La technique d’algorithme genetique ...59

Figure 4.4 : La technique de PSO ...59

Figure 4.5 : Test et chargement des donnée (XM2VTS et TIMIT) ... 60

Figure 4.6 : Les corps DET de GA Sans UCN ...62

Figure 4.7 : Les corps DET de GA Avec UCN ...63

Figure 4.8 : Les corps DET de PSO Sans UCN ...63

1. Contexte et Motivations

La croissance internationale des communications, des déplacements des individus, des transactions financières et des accès aux services implique le besoin de s'assurer de l'identité des individus. Il y a donc un intérêt grandissant pour les systèmes d'identification et d'authentification. Leur dénominateur commun, est le besoin d'un moyen simple, pratique et fiable pour vérifier l'identité d'une personne sans l'assistance d'une autre personne.

La biométrie fait référence à la reconnaissance des individus basée sur leurs caractéristiques physiologiques et/ou comportementales. Les systèmes biométriques unimodaux effectuent la reconnaissance des individus en se basant sur une seule source d’information biométrique mais aucune modalité biométrique n’est en elle-même fiable à 100 %. Il existe des situations, liées aux dispositifs de capture des données, à l’utilisateur lui-même ou à l’environnement lors de la capture, dans lesquelles une modalité quelconque

2. L’objective du travail

Dans ce mémoire, nous proposons l’utilisation de l’algorithme d’optimisation par les essaims de particules (OEP) et les algorithmes génétiques (AG) comme deux techniques évolutionnaires pour combiner la modalité du visage et de la voix au niveau des scores

La technique de normalisation Min-Max est utilisée pour transformer les scores individuels en Même intervalle avant de les combiner. Les deux techniques proposées sont évaluées

Expérimentalement sur des scores publiquement disponibles (XM2VTS, TIMIT, le NIST Et BANCA) et sous trois conditions de qualité de données à savoir, propres, variées et Dégradées. Afin de réduire l’effet de variation de scores sur l’efficacité du système

Biométrique, nous utilisons un mécanisme de normalisation de cohorte sans contrainte (UCN).

Cette étude révèle que par le déploiement de telles techniques de fusion, les taux d'erreur de

vérification (EER) peuvent être réduits considérablement, et la normalisation des scores par l’UCN avant de les combiner, a permis de réduire les EER pour les modalités individuels ainsi que pour fusion biométrique multimodal

3. Plan du mémoire

Ce mémoire est composé de quatre chapitres majeures :

Dans le chapitre 1 nous présenterons quelques généralités sur le domaine de la

biométrie, puis nous détaillerons les différentes systèmes biométriques, et la fonctionnement d’un système biométrique .Le chapitre 2 est consacré à la biométrie multimodale, c'est là où on va illustrer les différents niveaux de fusion biométrique multimodale, les différents multi possible et les architectures de fusion. ainsi que les techniques de normalisation des scores. Le chapitre 3 on parle sur les deux Techniques évolutionnaire pour la fusion biométrique (PSO,GA). Le chapitre 4 concerne la conception et la réalisation de l’application

I. Introduction

De nos jours, l’authentification automatique des individus devient une approche primordiale dans le domaine de la sécurité et de contrôle d’accès au sein des infrastructures et des systèmes informatiques.

D’une part, la croissance internationale des communications, telle que Internet, tant en volume qu'en diversité (déplacement physique, transaction financière, accès aux services...), implique le besoin de s'assurer de l'identité des individus.

D’autre part, l'importance des enjeux motive les fraudeurs à mettre en échec les systèmes de sécurité existants.

Il y a donc un intérêt grandissant pour les systèmes électroniques d'identification et d'authentification. Leur dénominateur commun est le besoin d'un moyen simple, pratique, fiable et peu onéreux, pour vérifier l'identité d'une personne, sans l'assistance d'une autre personne.

Le marché du contrôle d'accès s'est ouvert avec la prolifération des systèmes dont aucun ne se révèle efficace contre la fraude, car tous utilisent un identifiant externe tel que : badge, carte, clé, code, mot de passe...Ces identifiants présentent un gros problème dans la garantie de la sécurité car ils sont exposés à plusieurs risque s tels que : la duplication, le vol, l’oubli, la perte… etc.

Au contraire, la biométrie est l’un des moyens les plus fiables et les plus utilisés dans la reconnaissance et authentification des individus. C’est une science basée sur les attributs biologiques, physiques ou comportementaux des personnes, tels que l’ADN, l’urine, la forme du visage, la forme des mains, les empreintes digitales, la voix, la démarche…etc.

Les techniques biométriques basées sur les attributs biologiques (ADN, salive, urine, odeur,…) sont des techniques très couteuses et difficiles à mettre en œuvre pour un usage courant. Pour cela, nous nous limiterons, dans ce chapitre, à la présentation des deux autres classes de méthodes biométriques (physiologiques et comportementales).

Dans ce chapitre, nous définirons des généralités sur la biométrie dans l’état de l’art, nous présenterons quelques exemples des techniques de reconnaissance par biométrie et

leurs domaines d’application et établirons un tableau général (plus ou moins comparatif) des techniques les plus utilisées sur terrain.

II. La biométrie

a. Historique

Depuis son existence, l’homme a toujours essayé de trouver les différences existantes entre lui- même et son entourage et les exploiter dans ses besoins quotidiens.

Les chinois ont été les premiers à utiliser, il y a 1000 ans, les empreintes digitales à des fins de signature de documents. Après, c’était le tour de l'anatomiste Marcello Malpighi (1628–1694) qui les a étudiées avec un nouvel instrument nommé microscope. Puis le physiologiste tchèque Jan Evangelista Purkinge (1787–1869) a essayé de les catégoriser selon certaines caractéristiques [8].

Vers la fin du XIXè siècle, le Dr Henry Faulds (1843–1930), chirurgien à Tokyo, a marqué le premier pas vers l’élaboration d’un système d’identification d’individus en se basant sur des méthodes statistiques pour la classification des empreintes.

En ce moment, un de ses contemporains, le français Alphonse Bertillon (1853-1914), était en train de tester une méthode d'identific ation des prisonniers nommée anthropométrie judiciaire. Bertillon procédait à la prise de photographies de sujets humains, mesurait certaines parties de leurs corps (tête, membres, etc.) et on notait les dimensions sur les photos et sur des fiches à des fins d'identification ultérieure. C’était la naissance de la première base de données contenant des informations des individus [8]. Et depuis, ces systèmes de reconnaissance ne cessent de se développer et de devenir plus performants.

b. Définitions

Le terme de bio métrie est originaire d’une contraction des deux anciens termes grecs :

« bios » qui signifie : la vie et « metron » qui se traduit par : mesure [2].

La biométrie est apparue pour combler les manques des systèmes d’accès classiques, et dans la littérature il existe plusieurs définitions de la biométrie telles que :

« La reconnaissance automatique d’une personne à partir de son comportement ou d’une caractéristique physique ». Source : ISO 1

« La biométrie recouvre l’ensemble des procédés te ndant à identifier un individu à partir de la mesure de l’une ou de plusieurs de ses caractéristiques physiques, physiologiques ou comportementales ». Source : CNIL 2

La biométrie est la science d'établir l'identité d'une personne basée sur les attributs physiques (empreintes digitales, visage, géométrie de la main, iris, rétine…) ou comportementaux (démarche, signature, dynamique de clavier…) liés à un individu.

Un système biométrique typique utilise les sondes convenablement conçues pour capturer le trait biométrique d'une personne et le compare à l'information stockée dans une base de données pour établir l'identité [4].

Les techniques biométriques permettent donc la mesure et la reconnaissance de ce que

l'on est, à la différence d'autres techniques de mêmes finalités, mais permettant de mesurer

ou vérifier ce que l'on possède (carte, badge, document, ...) ou ce que l'on sait (mot de passe, code pin, ...).

Un système biométrique peut fonctionner en deux modes dist incts : en mode de vérification, le système confirme ou nie une identité réclamée, alors qu'en mode d'identification, il détermine l'identité d'un individu.

La biométrie offre une solution naturelle est fiable pour certains aspects de la gestion d’identité en utilisant des systèmes entièrement automatisés ou semi-automatisés de reconnaissance des individus [3].

c. Intérêt

La biométrie se rapporte à la classe entière des technologies et techniques pour identifier uniquement des humains. La biométrique est un domaine émergeant où la technologie améliore notre capacité à identifier une personne. La protection des consommateurs contre la fraude ou le vol est un des buts de la biométrie. L'avantage de l'identification biométrique est que chaque individu a ses propres caractéristiques physiques

1

International Organization for Standardization : http://www.iso.org/

2

qui ne peuvent être changées, perdues ou volées. La méthode d'identification biométrique peut aussi être utilisée en complément ou remplacement de mots de passe.

Figure 1.1 : Exemples des traits biométriques utilisés pour l' identification [1].

Bien que la technologie biométrique ait de diverses utilisations, son but primaire est de fournir une alternative plus sécurisée aux systèmes traditionnels de contrôle d'accès employés pour protéger les capitaux personnels ou de corporation. Parmi les nombreux problèmes résolus grâce à l’usage des techniques biométriques, les faiblesses qui ont été décelées dans les systèmes actuels de contrôle d'accès sont les suivantes :

 Mots de passe faibles : Les utilisateurs d'ordinateur sont notoirement susceptibles d'employer des pauvres mots de passe facilement devinés, ayant pour résultat des cambriolages où les intrus peuvent deviner les qualifications

Ceci peut mener à une violation de la sécurité du personnel ou à un vol de secrets d'affaires par un étranger.

 Qualifications partagées : Dans de petits et grands organismes, nous entendons parler souvent des cas comme ceci : Un utilisateur d'ordinateur partage son mot de passe avec un collègue qui a besoin de l'accès - quoique, dans la plupart des organismes (et dans beaucoup de lois et de règlements liés à la sécurité), ceci est interdit par la politique. Les personnes de nature sont disposées à aider un collègue dans le besoin même si cela signifie violer la politique pour réaliser un plus grand but [1].

 Cartes d’accès principales perdues : Beaucoup de fois dans nos carrières nous avions trouvé des cartes principales perdues dans des parkings et d'autres endroits publics. Souvent ils ont le nom de l'organisation sur eux, ainsi c’est comme si on trouvait une clef avec une adresse là-dessus, permettant à la personne qui l'a trouvée une libre incursion dans une certaine société.

La biométrie peut résoudre tous ces problèmes en exigeant des crédibilités additionnelles - quelque chose liée au propre corps de la personne - avant d'accorder l'accès à un bâtiment, à une salle des ordinateurs, ou à un système informatique. Un système de contrôle d'accès qui utilise la biométrie inclura un appareil électronique qui mesure un certain aspect spécifique du corps ou du comportement d'une personne qui l’identifie positivement. Le dispositif pourrait être un lecteur d'empreinte digitale, un appareil photo numérique pour atteindre un bon regard dans un iris, ou un lecteur de signature. (Nous discutons tous les types communs de biométrie dans une prochaine section.)

En résumé, plusieurs raisons peuvent motiver l'usage de la biométrie:

 Une haute sécurité : en l'associant à d'autres technologies comme le cryptage.  Confort : en remplaçant juste le mot de passe, exemple pour l'ouverture d'un

système d'exploitation, la biométrie permet de respecter les règles de base de la sécurité (ne pas inscrire son mot de passe à côté du PC, ne pas désactiver l'écran de veille pour éviter des saisies de mots de passe fréquentes). Et quand ces règles sont respectées, la biométrie évite aux administrateurs de réseaux d'avoir à répondre aux nombreux appels pour perte de mot de passe (que l'on donne parfois au téléphone, donc sans sécurité) [1].

 Sécurité / Psychologie : dans certains cas, particulièrement pour le commerce électronique, l'usager n'a pas confiance. Il est important pour les acteurs de ce marché de convaincre le consommateur de faire des transactions. Un moyen d'authentification connu comme les empreintes digitales pourrait faire changer le comportement des consommateurs.

Les systèmes d'authentification biométriques mettent fin aux problèmes liés à l’utilisation des systèmes d’authentification classiques tels que :

 La duplication.  Le vol.

 L'oubli.  La perte.

L’usage de la technologie biométrique pour la protection des capitaux remonte à longtemps dans quelques domaines bien précis. Les forces militaires, l' intelligence, et les organismes de police avaient employé la biométrie pour élever le niveau de sécurité des contrôles d'accès physiques et logiques pendant des décennies [1].

Tableau 1.1 : Inconvénients des systèmes d’authentification classiques.

Mais dans ces dernières années, il y a eu une importante hausse dans l'utilisation de la biométrie pour la protection des capitaux de haute valeur. Les centres de traitement des données emploient souvent la biométrie pour contrôler l’accès du personnel dans l’espace du centre de données. Les dispositifs de reconnaissance des empreintes digitales apparaissent partout - même incorporés aux ordinateurs portables. L'identification faciale est disponible sur quelques modèles d'ordinateur portable. Et pour la sécurité des entreprises et des résidences, des portes à verrouillage par empreintes digitales sont

Copie Vol Oubli Perte

Clé    

Badge -   

Code  -  -

d. Les systèmes biométriques.

Un système biométrique est essentiellement un système qui acquiert des données biométriques d’un individu, extrait un ensemble de caractéristiques à partir de ces données, puis le compare à un ensemble de données stocké au préalable dans une base de données pour pouvoir enfin exécuter une action ou prendre une décision à partir du résultat de cette comparaison [1].

Par conséquent, un système biométrique est composé de quatre modules principaux : 1. Le module d’acquisition : un lecteur, un scanner ou autre module de

balayage approprié est requis pour l’acquisition des données biométriques brutes d’un individu. Pour obtenir les images des empreintes digitales, par exemple, un capteur optique peut être utilisé pour acquérir l’image de la structure des arêtes sur le bout des doigts. Il joue le rôle de l’interface homme-machine et représente un pivot élémentaire du système biométrique. Une interface mal conçue peut influencer sur la fiabilité de tout le système.

2. Le module d’évaluation de qualité et d’extraction de

caractéristiques : La qualité des données biométriques obtenues lors de

la capture doit être évaluée par ce module afin de déterminer sa convenance pour le processus de reconnaissance. Généralement, les données acquises doivent être soumises à des algorithmes de perfectionnement afin d’améliorer la qualité du signal. Ce module exige, parfois, la recapture des données avant de les traiter s’il s’avère que la qualité des données déjà capturées est inacceptable. Les données biométriques sont alors traitées d’une manière à extraire les traits fondamentaux et les caractéristiques qui permettront d’obtenir la signature biométrique de l’individu. Par exemple, la position et l’orientation des points de minuties pour les empreintes digitales, la position et l’orientation des points de bifurcations pour la reconnaissance rétinienne…etc [1].

3. Le module de comparaison (matching) et de prise de décision : ce module comprend le processus de comparaison entre l’ensemble des caractéristiques extrait et les autres ensembles ou modèles existants dans la base de données. Le résultat de cette comparaison va être utilisé pour prendre une décision sur le taux de correspondance de la signature biométrique pour la validation ou le rejet de l’identité de l’individu à reconnaitre.

4. Le module de base de données : il sert de dépôt des signatures biométriques obtenues lors de la phase d’enrôlement. Cette phase permet d’inscrire dans la base de données les informations biométrique et biographique (nom et prénom, n° d’identification, adresse…) des utilisateurs. Dans un sens figuré, ce module joue le rôle d’un annuaire des signatures biométriques.

e. Fonctionnement d’un système biométrique

Un système biométrique est essentiellement un système de reconnaissance des formes qui acquiert les données biométriques de l’'individu, extrait les traits saillants de l'ensemble des données, compare ces objets contre l'ensemble de fonctionnalités stockées dans la base de données, et il effectue une action basée sur le résultat de la comparaison. Donc les étapes de traitement sont :

a) La capture d’un échantillon donné par l’utilisateur.

b) Extraction des données biométriques à partir de l’échantillon, puis nous les stockerons dans un fichier de référence, ou fichier de signature ; C’est à partir de ce fichier que l’analyse comparative se fait.

c) La comparaison des données biométriques obtenues avec celles conservées dans le fichier de référence [1].

d) L’analyse des ressemblances.

f. Caractéristiques de la biométrie

Un certain nombre de caractéristiques sont utilisées dans diverses applications. Chaque trait biométrique a ses avantages et ses inconvénients, c’est pourquoi, le choix de la technique pour une application particulière dépend d’une variété de questions en plus de sa performanc e. Jain et al [6] ont identifié sept facteurs déterminant la convenance des traits physiques ou comportementaux pour être utilisés dans une application biométrique : [1]

 Universalité : toute personne ayant accès à l’application doit posséder le trait.

 Permanence : le trait biométrique d’une personne doit être suffisamment invariant au cours d’une période de temps.

 Mesurabilité : il devrait être possible d’acquérir et de numériser les données biométriques à l’aide d’un dispositif approprié.

 Performance : la précision de la reconnaissance et les ressources nécessaires pour atteindre la précision que doit satisfaire les contraintes imposées par l’application.

 Acceptabilité : les individus qui vont utiliser cette application doivent être disposés à présenter leurs traits biométriques au système.

 Contournement : il s’agit de la facilité avec laquelle le caractère d’un individu peut être imité en utilisant des objets (par exemple : faux doigts dans le cas de traits physiques et le mimétisme, dans le cas de traits de comportement) [1].

g. Types de reconnaissance par biométrie

Figure1.3 : Différentes modalités biométriques.

Bien qu’il existe un très grand nombre de modalités biométriques, nous pouvons distinguer deux grandes catégories:

 L’analyse des traces biologiques : basées sur les caractéristiques biologiques des individus (ADN, salive, urine, odeur…). Ce type de biométrie est très complexe à mettre en œuvre dans un système usuel de reconnaissance et n’est utilisé que dans un cas d’extrême nécessité (ex.: Enquête criminelle, test de paternité…etc) [1].

Empreintes

Digitales Visage Iris

Géométrie

de la main Voix Signature Frappe

Mouvements

Souris Démarche

Rétine Veines Pulsations Peau Dents Oreille Lèvres Ongles ADN Autres

 L’analyse des traits physiques : ce type de méthodes est beaucoup plus facile à mettre en œuvre dans un système de contrôle d’identité et ne nécessite pas autant de moyens. Comme montré dans le schéma de la Figure figure(1.4) nous pouvons représenter les types de biométries physiques les plus connus et les plus utilisés dans les deux grandes classes : [2]

 La biométrie physiologique ou morphologique : utilisant les caractéristiques physiologiques de l’individu (exemple: la forme de la main, la forme du visage, les empreintes digitales, l’iris, la rétine…etc.)

 La bio métrie comportementale : qui se base sur le comportement de l’individu.

Figure 1.4 : Catégories des méthodes d’identification biométriques [2].

1. La reconnaissance comportementale

Dans ces techniques de reconnaissance, on s’intéresse aux caractéristiques physiques en activité des individus qui peuvent être typiques et permettent de distinguer une personne d’une autre. Plus explicitement, on étudie la manière de faire par les individus.

Comme exemple nous citons :

Biométrie Physiologique Empreintes digitales Géométrie de la main Visage Iris Rétine Comportementale Signature Voix Dynamique de frappe Démarche

 La signature :

La vérification par signature comme technique était parmi les premières utilisées dans le domaine de la biométrie. Il y avait plusieurs systèmes concurrents dans ce domaine. Elle semblait être une application évidente de la biométrie car il y avait tant de processus familiers qui avait utilisé la signature comme moyen de vérification d'identité.

En outre, la signature biométrique, du moins en théorie, fournissait une profondeur d’analyse autre que celle de la mesure de la dynamique inhérente dans son écriture, la précision géométrique de la signature. Dans des tests indépendants, la vérification de la signature a donné une raisonnable présentation d’elle-même. Cependant, dans les situations réelles, l’utilisation des tablettes graphiques disponibles dans le marché et les systèmes adéquats n’était souvent pas une chose aussi aisée. En outre, il est intéressant, en termes proportionnels, de voir les incohérences de certaines personnes en signant leur nom dynamiquement et graphiquement. Tandis qu’un observateur humain peut tolé rer ces incohérences tant que la signature est correcte, l’algorithme de vérification automatique de la signature prenait un temps important, particulièrement quand il essayait de fonctionner avec un niveau de tolérance serré. En conséquence, la vérification par signature biométrique reste une technique traditionnelle, bien qu’il puisse y avoir des applications où elle peut s’avérer utile [7].

 La voix :

La vérification par la voix est une autre technique pilote et il y avait quelque différents systèmes disponibles pendant un bon moment, certains d’entre eux étaient considérés comme une perspective des systèmes. Typiquement, les systèmes de vérification de la voix analysaient la dynamique inhérente des individus en annonçant une phrase type, générant un pattern en conséquence, qui pourra être utilisé dans une éventuelle reconnaissance d’un vif échantillon. Tandis que la théorie est assez logique et, sans doute, certains algorithmes de reconnaissance ont bien été développés, la vérification de la voix comme technique fût désavantagée sur plusieurs points. Premièrement, en utilisant les capteurs disponibles dans le marché tels que des combinés de téléphone, la qualité des capteurs est non seulement relativement pauvre en terme de réponse de fréquence et largeur de bande dynamique, mais notoirement variable d’échantillon à un autre. Deuxièmement, nous avons les contradictions et les bruits considérables dans les canaux de transmission (ex : lignes téléphoniques, routeurs, échangeurs…). Troisièmement, les variables environnements de point de présence auront les niveaux également variables de bruit ambiant et les propriétés acoustiques telles que la réflexivité, l'absorption, prépondérance vers les ondes stationnaires et ainsi de suite. Pour finir, la cohérence avec laquelle les utilisateurs interagissent avec le dispositif de capture laisse souvent à désirer, particulièrement avec les utilisateurs non-habitués. De telles conditions, une fois réunies, peuvent poser d’énormes défis pour les systèmes de vérification de la voix. Néanmoins, elles peuvent être bien adaptées dans certaines applications à circuit-fermé où la voix est le choix biométrique [7].

2. La reconnaissance physiologique.

Ces types de reconnaissance mesurent une caractéristique spécifique de la structure ou de la forme d’une partie du corps humain. Nous pouvons citer les exemples les plus connus :

 Le visage :

L'identification par visage a été disponible comme technique biométrique pendant longtemps, bien qu'elle soit probablement juste pour indiquer que les réalisations primaires ont laissé à désirer en termes d'exactitude et fiabilité de comparaison. Cependant, la technique a beaucoup d'applications potentielles, et le développement continu a assuré qu'il a rapidement mûri dans une technique opérationnelle viable. Typiquement, la technique implique la métrique des et entre caractéristiques distinctes dans le visage, se fondant moins sur des facteurs d'une nature transitoire tels que la coupe de cheveux ou l'utilisation des produits de beauté. Néanmoins, le visage humain est sujet au changement avec le temps et cette réalité demeurera un défi pour des systèmes d'identification de visage, comme le changement d'expression, la maladie, la vieillesse et d'autres facteurs normaux. En outre, les facteurs humains et environnementaux joueront presque toujours un très grand rôle dans l'efficacité d'un système d'identification de visage, dans un scénario donné de déploiement. En conséquence, l'identification de visage peut tout à fait ne pas égaler l'exactitude fournie par certaines autres techniques. Cependant, elle se prête aisément aux applications où le visage est déjà employé dans un contexte de vérification d'identité. De même, la capacité de comparer avec une image stockée, peut-être d'une source différente, semblera attrayante dans quelques applications de secteur public. L'identification de visage a été parfois employée en même temps qu'une autre biométrie afin d'augmenter la confiance en procédé de vérification d'identité. Le visage et l'empreinte digitale sont une combinaison populaire dans ce contexte. Tout en n'offrant pas les niveaux superlatifs de l'exactitude ou de l'exécution opérationnelle, l'identification de visage néanmoins demeure une technique populaire, et une de celles qui tireront bénéfice sans doute d’un développement ultérieur [7].

 Les empreintes digitales :

L’identification par empreintes digitales est la technique biométrique que la plupart de gens connaissent. C’était toujours le choix biométrique évident pour les services de police, où la comparaison des empreintes digitales a été fondamentale à l'identification des criminels durant le siècle dernier. Cette réalité en soi a, au début, présenté une sorte de stigmate, en raison de l'alignement fort avec la criminologie dans la plupart des esprits. Il y a une dichotomie ici entre les systèmes d'identification d'empreinte digitale automatisée (AFIS), comme employé par des organismes chargés de faire appliquer la loi, pour la recherche dans de grandes bases de données, souvent en différé, afin d'identifier des criminels, et des systèmes biométriques d'empreinte d igitale discrète, qui fonctionnent typiquement en temps réel afin de vérifier une identité individuelle, dans une marge des scénarii. Les deux fonctions sont de plus en plus liées dans les secteurs tels que le contrôle aux frontières, et ceci soulève quelq ues questions intéressantes. La technologie elle-même, cependant, a progressé rapidement dans les systèmes réalisables qui sont considérablement plus faciles à utiliser et plus fiables que certaines implémentations originales. Les lecteurs d'empreinte digitale peuvent utiliser une sonde optique ou capacitive, qui a ses propres avantages selon l'application. Les sondes optiques peuvent offrir la résolution et pouvoir facilement saisir une image pleine à teintes de gris de l'empreinte digitale. Les sondes capacitives tendent à être plus petites, facilement intégrées et moins sensible à l'habillage de la crasse sur la surface de la sonde. L’algorithme de comparaison des empreintes digitales doit être basé sur l’identification des minuties selon un vecteur spatial, ou sur la comparaison des images par contrastes des pixels ou niveaux de gris. Quelques systèmes peuvent stocker l'information de minuties et une image complète de l'empreinte digitale. Dans la pratique, l'identification par empreintes digitales est de venue bien adoptée comme

méthodologie biométrique à travers une large variété d'applications. Plusieurs de ces applications sont dans le secteur public, pour des applications telles que le contrôle aux frontières, documentation d'identité nationale, droit d'avantage et ainsi de suite. Beaucoup d’entre elles sont dans le secteur privé pour des applications telles que l'accès au réseau, la sécurité de dispositif mobile, les systèmes de paiement volontairement transportable et d'autres applications. Les sondes d'empreinte digitale sont devenues presque un article commode et sont souvent fournies en base dans un équipement original du fabricant (OEM) pour l'incorporation dans des PC, ordinateurs portables et une série d'autres dispositifs, ou bien fournies dans une gamme de formes distinctes comme les produits commerciaux disponibles immédiatement (COTS) pour l'intégration dans d’autres systèmes. L'exécution de l'identification d'empreinte digitale peut être robuste, selon le nombre d'empreintes digitales utilisées et la dépendance sur des facteurs humains et environnementaux [7].

h. Comparaison des systèmes biométriques

Une question qui se pose souvent dans ce domaine est la suivante : « Quelle est la meilleure technique biométrique ? »

La réponse naturellement est qu'il n'y a aucune meilleure technique biométrique en termes absolus, tout dépend de la nature précise de l'application et des raisons de son exécution. Néanmoins, nous pouvons analyser leur distribution du point de vue utilisation, et les comparer dans leurs propres contextes selon leurs critères de performance.

Figure 1.9 : Distribution de l’utilisation des systèmes biométriques sur le marché mondial. 52,1% 2,5% 11,4% 0,3% 10,0% 2,4% 4,1% 7,3% 9,9%

Marché de la biométrie

Le Tableau 1.2 montre qu’il n’existe pas de méthode idéale. Les méthodes se divisent en deux grands groupes. Le premier groupe englobe les méthodes conviviales pour les utilisateurs (effort à fournir faible, méthode peu intrusive, prix modéré) mais peu performantes. Ce groupe correspond aux méthodes basées sur la biométrie comportementale (reconnaissance de la voix, de la signature…). L’autre groupe contient les méthodes plus sûres (méthodes intrusives et prix élevés, performances très bonnes). Il est donc nécessaire de déterminer, au cas par cas, pour chaque problème, la méthode qui conviendra le mieux à la situation. Pour cela, il faut étudier attentivement le niveau d’exigence en sécurité, le budget pouvant être investi dans le système et la façon dont risquent de réagir les utilisateurs.

Actuellement, pour la mise en place des grands projets de passeports biométriques, les systèmes retenus par l’Europe semble être un stockage de la photo d’identité, des empreintes digitales et de l’iris sous forme numérique. A noter q ue le choix du ou des dispositifs biométriques peut aussi dépendre de la culture locale. Ainsi, en Asie, les méthodes nécessitant un contact physique comme les empreintes digitales sont rejetées pour des raisons d’hygiène alors que les méthodes basées sur l’iris sont très bien acceptées. La biométrie basée sur l’image rétinienne est très précise et très fiable mais c’est la méthode la plus intrusive et nécessitant un effort et un coût importants par rapport aux autres méthodes.

Le Tableau 1.3 illustre une petite comparaison entre les systèmes biométriques les plus répandus. Nous pouvons constater que l’utilisation du système biométrique rétinien est rare malgré son excellente efficacité. Le retard de cette technique est dû surtout, comme déjà évoqué, au caractère invasif de l’acquisition de l’image rétinienne. Nous verrons dans les chapitres suivants que les méthodes d’acquisition sont en évolution continue, et que l’utilisation de ces systèmes d’identification par la rétine est de plus en plus sollicitée dans divers secteurs.

Tableau 1.2 : Les caractéristiques des différentes techniques biométriques.[7]

Méthode Utilisation % Nombre de points

mesurables

Fiabilité

Empreintes digitales 50 (80) Assez bonne

Reconnaissance faciale

15 Selon la photo Variable

Reconnaissance de la main

10 (90) Bonne

iris 6 (244) Proche de 99%

signature < 5 Selon la signature Variable

voix Peu utilisé Dépend des bruits de

fond

Peu fiable

Rétine Rare 400 Excellente

Conclusion

En résumé, l'exigence accrue pour des systèmes d'authentification fiables et commodes, la disponibilité des ressources informatiques peu coûteuses, le développement des capteurs biométriques bon marché, et les avancements dans le traitement du signal, ont contribué au déploiement rapide des systèmes biométriques dans les établissements s'étendant des épiceries aux aéroports.

L'apparition des systèmes multi-biométriques a nettement amélioré la performance des systèmes d’identification. Dans le chapitre suivant on présentera la biométrie multimodale.

I. Introduction

La capacité remarquable de notre système visuel humain nous permet de se reconnaitre en utilisant les caractéristiques du corps visuellement perçues comme le visage et la Voix. Construire un système automatisé pour reconnaitre des individus à partir d’images faciales et de voix revient à construire un système biométrique multimodal. Un tel système combine plusieurs systèmes biométriques monomodaux en fusionnant les informations fournies par ces derniers. Cette fusion se fait par diverses méthodes, à plusieurs niveaux du système . La fusion avant la correspondance, correspond à la fusion des informations issues de plusieurs données biométriq ues au niveau du capteur (données brutes) ou au niveau des caractéristiques extraites, ce genre de fusion nécessite une homogénéité entre les données. La fusion après la correspondance comprend la fusion au niveau des scores fournis par chaque système et la fusion au niveau des décisions qui consiste en une confrontation des résultats de classification qui aboutit à une décision finale [9].

Dans ce chapitre, nous présenterons une étude détaillée sur les systèmes biométrique multimodaux.

II. Multimodalité

a. Les différents multi-possibles

Les systèmes biométriques multimodaux diminuent les contraintes des systèmes biométriques monomodaux en combinant plusieurs systèmes .On peut différencier 5 types de systèmes multimodaux selon les systèmes qu'ils combinent (Figure2.1).On les appelle:

1. Multi-capteurs : lorsqu'ils associent plusieurs capteurs pour acquérir la même modalité ,par exemple un capteur optique et un capteur capacitif pour l'acquisition de l'empreinte digitale.

2. Multi-instances lorsqu'ils associent plusieurs instances de la même biométrie , par exemple l'acquisition de plusieurs images de visage avec des changements de pose ,d'expression ou d'illumination.

3. Multi-algorithmes lorsque plusieurs algorithmes traitent la même image acquise , cette multiplicité des algorithmes peut intervenir dans le module d'extraction en considérant plusieurs ensembles de caractéristiques et/ou dans le module de comparaison en utilisant plusieurs algorithmes de comparaison.

4. Multi-échantillons lorsqu'ils associent plusieurs échantillons différents de la même modalité, par exemple deux empreintes digitales de doigts différents ou les deux iris. Dans ce cas les données sont traitées par le même algor ithme mais nécessitent des références différentes à l'enregistrement contrairement aux systèmes multi-instances qui ne nécessitent qu'une seule référence [10].

5. Multi-biométries : lorsque l'on considère plusieurs biométries différentes, par exemple visage et empreinte digitale [10].

Figure 2.1 : les multi model possibles

b. Les architectures

Les systèmes multimodaux associent plusieurs systèmes biométriques et nécessitent donc l'acquisition et le traitement de plusieurs données. L'acquisition et le traitement peuvent se faire successivement, on parle alors d'architecture en série, ou simultanément, on parle alors d'architecture en parallèle.

d'acquérir en même temps une empreinte digitale et une image d'iris dans de bonnes conditions. Il existe cependant certains cas où les a cquisitions peuvent être faites simultanément lorsque les différentes données utilisent le même capteur par exemple les capteurs d'empreintes multi-doigts qui permettent d'acquérir plusieurs doigts simultanément ou même les empreintes palmaires.

L'architecture est donc en général liée au traitement et en particulier à la décision. En effet la différence entre un système multimodal en série et un système multimodal en parallèle réside dans le fait d'obtenir un score de similarité [10].

A l'issue de chaque acquisition (fusion en série) ou de procéder à l'ensemble des Acquisitions avant de prendre une décision (fusion en parallèle).

L'architecture en parallèle (Figure 2.2) est la plus utilisée car elle permet d'utiliser toutes les informations disponibles et donc d'améliorer les performances du système. En revanche, l'acquisition et le traitement d'ungrand Nombre de données biométriques est coûteux en temps et en matériel, et réduit Le confort d'utilisation. C'est pour ce la que l'architecture en série (Figure 2.3) Peut être privilégiée dans certaines applications; par exemple si la multimodalité est utilisée pour donner une alternative pour les personnes ne pouvant pas utiliser l'empreinte digitale. Pour la majorité des individus seule l'empreinte est acquise et traitée mais pour ceux qui ne peuvent pas être ainsi authentifiés on utilise un système à base d'iris alternativement [10].

Traitement Traitement Fusion Décision Score1 Score1 OUI-NON

c. Fusion de l’information

Comme annoncé au début de cette section, la multimodalité permet d’améliorer la performance d’un système biométrique. Dans le mot performance, nous incluons bien entendu la précision mais aussi l’efficacité du système, notamment en mode identification. l’identification se fait en deux phases. La reconnaissance de visage permet d’obtenir une liste des N individus les plus probables et la reconnaissance de la vois est ensuite restreinte a ces N individus. Dans la suite de ce paragraphe, nous nous restreindrons au premier sens du mot performance. Notre but n’est en aucun cas de faire une présentation exhaustive des algorithmes de fusion de l’information mais de citer les plus classiques ou les plus prometteurs.[12]

La fusion de plusieurs modalités est un problème classique de combinaison de multiples classificateurs. Elle peut se faire a trois niveaux différents : niveau abstrait, niveau des rangs ou niveau des mesures [11] par ordre croissant de quantité d’information disponible. Au niveau abstrait, la sortie de chaque module est une liste de labels : l’identifiant de la personne dans le cas de l’identification, la réponse binaire accepte/rejette dans le cas de la vérification. Au niveau des rangs, ces labels sont classés par ordre de confiance. Au niveau des mesures, une mesure de confiance est associée a chaque label. Ce

Traitement Traitement OUI-NON Décision Fusion Décisio n OUI-NON Score1 Score2

Figure. 2.3 Architecture de fusion en série (incrémentale ou séquentielle)

OUI-NON Décision

plus couramment utilisé. Soit {Wi} i=1..N l’ensemble des classes possibles entre lesquelles chaque classificateur doit faire son choix. Dans le cas de l’identification, le nombre de classes est égal au nombre d’individus présents dans la base de données (problème fermé). Dans le cas de la vérification, il n’y a que deux classes : celle des utilisateurs l´ egitimes et celle des imposteurs. Soit {xj} j=1..M l’ensemble des captures biométriques utilisées par les différents classificateurs.

III. La normalisation des scores

La clé de la biométrie multimodale est la fusion de diverses données de classificateurs (modalités) biométriques. Dans notre étude, ces données sont les scores qui résultent du traitement de chaque classificateur qui correspond à une modalité. Ces scores peuvent être dans la plus part des cas de « différentes natures » : par exemple si l’un des classificateurs fournit des scores qui expriment la dissimilarité (Distance scores) alors que l’autre donne des scores qui expriment la vraisemblance. Ils peuvent être aussi de «différents échelles» comme le cas pour les scores correspondants à la modalité visage et ceux qui correspondent à l’autre modalité qui est la voix. Les deux distributions statistiques des scores des deux classificateurs dans la majorité des cas sont différentes, ce qui va nous conduire à des résultats inattendus si nous négligeons l’étape de la normalisation [13].

Pour cela, une étape de normalisation des scores de chaque modalité devient alors nécessaire. Cette étape peut être réalisée par plusieurs méthodes et approches. Dans notre étude, nous avons utilisé trois techniques dont les deux premières sont très connues [13].

Après avoir terminé la phase d’apprentissage, une série de tests est appliquée pour avoir l’ensemble des scores des clients et celui des imposteurs.

Voici deux exemples des distributions des scores des clients et des imposteurs après les tests sur les deux bases : ORL pour le visage et TIMIT pour la voix:

a. Les Méthodes de normalisation des scores :

Nous présentons deux anciennes méthodes et une nouvelles méthodes de normalisation des scores.

Pour cela, soit s un score d’un ensemble S, les scores correspondant normalisés sont notés par n.

1- Min-Max (MM) :

Cette méthode range (place) les scores dans l’intervalle [0,1], avec max(S), min(S) sont respectivement le maximum et le minimum de l’ensemble S [13]:

(01)

On extrait le min et le max de l’ensemble des scores à partir des données d’apprentissage (training data), en appliquant cette méthode sur les scores présentés par les

Figure 2.4 : Exemple de distributions imposteurs-clients pour les système

Cette méthode ne fait que changer l’échelle de la distribution des scores, elle rend les scores dans l’intervalle [0,1] tout en gardant la même distribution originale (avant la normalisation).

Cette méthode par conséquence n’est pas robuste : en effet le minimum et le maximum sont estimés après avoir effectué les tests sur les bases test, ainsi, ils sont fixes, donc il y a un risque de débordement de données dans la p hase opérationnelle du système si l’un des scores dépasse le maximum (ou soit inférieur au minimum), ce qui engendre des résultats inattendus [13].

2- Z-Score (ZS):

Cette méthode transforme les scores en une distribution avec une moyenne égale à 1 et un écart type égale à 0 [13], le score résultant est donné par :

(02)

Figure 2.5 : La distribution des clients-imposteurs après la normalisation

30

Où S désigne l’ensemble des scores obtenus après avoir effectué les tests sur les bases test (matching scores), Mean(S) et Std(S) désignent la moyenne et l’écart-type de l’ensemble S.

Cette méthode n’est pas robuste puis qu’elle dépend de l’ensemble des scores résultants de la phase d’apprentissage. En plus, quand nous appliquons cette méthode sur deux systèmes différents elle ne garantie pas une échelle commun aux deux systèmes [13].

3- Adaptative (AD) :

Les erreurs de la biométrie unimodale proviennent du chevauchement des

distributions des scores de l’imposteur et du client comme le montre la figure 2.7.

Figure 2.6 : La distribution des clients-imposteurs après la normalisation

par la méthode Z-Score

Figure 2.7 : Les caractéristiques de la région de conflit des deux

distributions client-imposteurs

On caractérise cette région de chevauchement par son centre C et sa largeur W où C est égale au meilleur et W=Max(Simposteurs) – Min(Sclients)( Simposteurs) est l’ensemble des scores

des imposteurs et Sclients représente l’ensemble des scores des clients ) [13].

Pour minimiser l’influence de cette région sur l’algorithme de fusion une normalisation adaptative est proposée. Cette méthode vise à séparer le plus possible les deux distributions (imposteur, client) tout en gardant les va leurs dans [0, 1].

Dans ce qui suit, nous notons les scores normalisés par la méthode adaptative par nAD

et les scores normalisés par la méthode Min-Max par nMM.

IV. Fusion des données biométriques

La combinaison de plusieurs systèmes biométriques peut se faire à quatre niveaux différents : au niveau des données, au niveau des caractéristiques extraites, au niveau des scores issus du module de comparaison ou au niveau des décisions du module de décision (Figure 1.6). Ces quatre niveaux de fusion peuvent être classés en deux sous-ensembles : la fusion pré-classification (avant comparaison) et la fusion post-classification (après la comparaison).

La fusion pré-classification correspond à la fusion des informations issues de plusieurs données biométriques au niveau du capteur (images brutes) ou au niveau des caractéristiques extraites par le module d'extraction de caractéristiques. La fusion au niveau du capteur ou des données brutes est relativement peu utilisée car elle nécessite une homogénéité entre les données. Par exemple il est possible de combiner plusieurs images de visages dans des canaux de couleurs différents ou en visible et en infrarouge s'ils correspondent à la même scène.

a. Fusion au niveau des capteurs

Les données brutes issues des capteurs sont combinées à ce niveau, ces données représentent des instances d’une même biométrie obtenues, soit par plusieurs capteurs compatibles, ou bien par un unique capteur. Par exemple, les images du visage obtenues par différentes caméras sont combinées pour former un modèle 3D du visage. Les instances des données doivent être compatibles, par exemple, les images du visage ne peuvent pas être combinées ensemble, si elles sont prises avec d ifférentes résolutions

b. Fusion au niveau des caractéristiques

Elle désigne la combinaison des vecteurs de caractéristiques obtenus par les différentes sources suivantes : plusieurs capteurs, plusieurs instances ou unités d’une même modalité biométrique, plusieurs modalités biométriques. Lorsque les vecteurs de caractéristiques sont homogènes (plusieurs prises d’une empreinte d’un individu), il résulte un seul vecteur de caractéristiques qui représente la moyenne des poids des vecteurs individuels. Dans le cas contraire (des vecteurs de caractéristiques de différentes biométries telles que : le visage et la signature), une concaténation de ces derniers est

possible dans le cas où les caractéristiques ne sont pas compatibles (c’est le cas pour les minuties des empreintes et les coefficients d’eigen-face, par exemple).

c. Fusion au niveau du score

Lorsque les classifieurs biométriques génèrent un ensemble de données avec un de gré de ressemblance (score de classification), l’intégration peut avoir lieu au niveau du score de classification, appelé aussi fusion au niveau de mesure ou bien au niveau de confiance. Après les vecteurs de caractéristiques, les scores issus des classifieurs contiennent des informations très riches relatives aux données en entrée, un autre avantage de ce niveau est la possibilité d’accéder et de combiner les différents scores générés par les différents classifieurs, par conséquent, la fusion des données dans ce stade est l’approche la plus commune dans les systèmes multibiométriques [14].

d. Fusion au niveau de décision

La fusion au niveau de décision est souvent utilisée pour sa simplicité. En effet, chaque système fournit une décision binaire sous la forme OUI ou NON que l’on peut représenter par 0 et 1, et le system de fusion de décision final en fonction de cette série de 0 et de 1[14].

V. Conclusions

Plusieurs systèmes menant ainsi à la biométrie multimodale. Les systèmes multimodaux peuvent être de différente nature, nous avons donc présenté dans ce chapitre les différents types de combinaisons de modalités possibles, mais aussi les architectures et les niveaux de fusion qui peuvent être utilisés dans un système multimodal.

Dans le reste de ce mémoire nous n'étudierons pas tous les aspects des systèmes multimodaux. Nous nous concentrerons sur les systèmes faisant la fusion au niveau des scores et nous ne traiterons pas les systèmes utilisant d'autres informations. Ces systèmes de fusion de scores seront traités avec des architectures en parallèle, ayant pour objectif de réduire le temps et la complexité d'utilisation des systèmes multimodaux.

Dans le prochain chapitre nous présenterons quelques techniques utilisées pour l’optimisation de la fusion biométriques multimodale au niveau des scores, notamment l’optimisation par les essaimes des particules et les algorithmes génétiques.

I. Introduction

Un système biométrique multimodal combine plusieurs systèmes biométriques monomodaux en fusionnant les informations fournies par ces derniers. Cette fusion se fait par diverses méthodes, à plusieurs niveaux du système. La fusion avant la correspondance, correspond à la fusion des informations issues de plusieurs données biométriques au niveau du capteur (données brutes) ou au niveau des caractéristiques extraites, ce genre de fusion nécessite une homogénéité entre les données. La fusio n après la correspondance comprend la fusion au niveau des scores fournis par chaque système et la fusion au niveau des décisions qui consiste en une confrontation des résultats de classification qui aboutit à une décision finale[16].

Dans ce chapitre nous présenterons brièvement les deux techniques évolutionnaires, à savoir l’optimisation par essaim particulaire (PSO) et les algorithmes génétiques (GA) qui seront introduits dans notre travail pour optimiser notre système biométrique multimodal.

II. Algorithme génétique

a. Définition

Les algorithmes génétiques (AG) sont des méthodes utilisées dans les problèmes d’optimisation. Les AG tirent leur nom de l’évolution biologique des êtres vivants dans le monde réel. Ces algorithmes cherchent à simuler le processus de la sélection naturelle dans un environnement défavorable en s’inspirant de la théorie de l’évolution proposée par C. Darwin. Dans un environnement, « les individus » les mieux adaptés tendent à vivre assez longtemps pour se reproduire alors que les plus faibles ont tendance à disparaître (the survival of the fittest) [17].

Par analogie avec l’évolution naturelle, les AG font évoluer un ensemble de solutions candidates, appelé une « population d’individus ». Un « individu » n’est autre qu’une solution possible du problème à résoudre. Chaque individu de cette population se voit attribuer une fonction appelée fonction d’adaptation (fitness) qui permet de mesurer sa qualité ou son poids; cette fonction d’adaptation peut représenter la fonction objectif à optimiser. Ensuite, les meilleurs individus de cette population sont

solutions est produite pour la génération suivante. Ce processus se poursuit, génération après génération, jusqu’à ce que le critère d’arrêt soit atteint, comme par exemple le nombre maximal de générations [18].

b. Fonctionnement des algorithmes génétiques

Les algorithmes génétiques fournissent des solutions aux problèmes n'ayant pas de solutions calculables en temps raisonnable de façon analytique ou algorithmique.

Selon cette méthode, des milliers de solutions (génotypes) plus ou moins bonnes sont crées au hasard puis sont soumises à un procédé d'évaluation de la pertinence de la solution mimant l'évolution des espèces : les plus "adaptés", c'est-à-dire les solutions au problème qui sont les plus optimales survivent davantage que celles qui le sont moins et la population évolue par générations successives en croisant les meilleures solutions entre elles et en les faisant muter, puis en relançant ce procédé un certain nombre de fois afin d'essayer de tendre vers la solution optimale [15].

Le mécanisme d'évolution et de sélection est indépendant du problème à résoudre : seules changent trois fonctions :

• la fonction qui s'occupe de représenter le problème en codant chaque information caractérisant une solution possible selon un codage bien particulier, chaque information représente alors un gène et toutes les valeurs que peuvent prendre cette caractéristique représentent les allèles possibles pour ce gène, et en concaténant tous ces gènes pour obtenir un chromosome qui lui représente une solution dans son intégralité

• la fonction inverse qui à partir d'un chromosome permet d'obtenir une solution par décodage du génome [15].

• la fonction qui évalue l'adaptation d'une solution à un problème, sa pertinence. Cette technique est d'application générale.

En effet, quand on utilise les algorithmes génétiques , aucune connaissance de la manière dont,résoudre le problème n'est requise, il est seulement nécessaire de fournir une fonction permettant de coder une solution sous forme de gènes (et donc de faire le travail inverse) ainsi que de fournir une fonction permettant d'évaluer la pertinence d'une solution au problème donné.

Cela en fait donc un modèle minimal et canonique pour n'importe quel système évolutionnaire et pour n'importe quel problème pouvant être abordé sous cet angle, sous ce paradigme.

Cette représentation nous permet donc d'étudier des propriétés quasiment impossibles à étudier dans leur milieu naturel, ainsi que de résoudre des problèmes n'ayant pas de solutions calculables en temps raisonnables si on les aborde sous d'autres paradigmes, avec des performances quantifiables, facilement mesurables et qu'on peut confrontés aux autres stratégies de résolution.

Les algorithmes génétiques peuvent être particulièrement utiles dans les domaines suivants:

• Optimisation : optimisation de fonctions, planifiacation, etc ...

• Apprentissage : classification, prédiction, robotique, etc ...

• Programmation automatique : programmes LISP, automates cellulaires, etc ...

• Etude du vivant, du monde réél : marchés économiques, comportements sociaux,

systèmes immunitaires, etc ...

Les principales différences des algorithmes génétiques par rapport aux autres paradigmes sont les suivantes :

• On utilise un codage des informations : on représente toutes les caractéristiques d'une solution par un ensemble de gènes, c'est-à-dire un chromosome, sous un certain codage (binaire, réél, code de Gray, etc ...), valeurs qu'on concatène pour obtenir une chaîne de caractères qui est spécifique à une solution bien particulière (il y a une bijection entre la solution et sa représentation codée

• On traite une population "d'individus", de solutions : cela introduit donc du parallèlisme. • L'évaluation de l'optimalité du système n'est pas dépendante vis-à-vis du domaine.

• On utilise des règles probabilistes : il n'y a pas d'énumération de l'espace de recherche, on en explore une certaine partie en étant guidé par un semi- hasard : en effet des opérateurs comme la fonction d'évaluation permet de choisir de s'intéresser à une solution qui semble représenter un optimum local, on fait donc un choix délibéré, puis de la croiser avec une autre solution optimale localement, en général la solution obtenue par croisement est meilleure ou du même niveau que ses parents, mais ce n'est pas assuré, cela dépend des aléas du hasard, et cela et d'autant plus vrai pour l'opérateur de mutation qui ne s'applique qu'avec une certaine probabilité et dans le cas où il s'applique choisit aléatoirement sur quel(s) locus(loci) introduire des modifications [15].

Un algorithme génétique à la forme suivante :

1) Initialiser la population initiale P. 2) Evaluer P.

3) TantQue (Pas Convergence) faire : a) P ' = Sélection des Parents dans P

b) P ' = Appliquer Opérateur de Croisement sur P ' c) P ' = Appliquer Opérateur de Mutation sur P '

d) P = Remplacer les Anciens de P par leurs Descendants de P ' e) Evaluer P

FinTantQue

Le critère de convergence peut être de nature diverse, par exemple :

• Un taux minimum qu'on désire atteindre d'adaptation de la population au problème, • Un certain temps de calcul à ne pas dépasser,

c. Organigramme d’un AG standard

Sélection des individus

Opérateurs de croisement et de mutation Création de la nouvelle population P(t) Critère d’arrêt respecté ? Meilleur résultat Fin