Reconnaissance d’empreinte digitale par réseaux de neurones

République Algérienne Démocratique et Populaire Ministère de l’enseignement Supérieur et de la Rech erche scientifique

Université Larbi Ben M'hidi Oum El Bouaghi

Faculté des Sciences Exactes et Sciences de la Nature et de la Vie Département des Mathématiques et Informatique

Filière : Informatique

Option : Vision artificielle

Mémoire de Fin d’Etudes En vue de l’obtention du diplôme :

MASTER

Thème

Présenté par : Proposé par :

•••• Chebira nabila Dr Berkane Mohamed

•••• Betina narimane

Année universitaire : 2015 / 2016

Reconnaissance d’empreinte digitale

par réseaux de neurones

Je dédie ce travail, que le bon Dieu nous a énormément aidé à le

faire.

A mes chers parents, pour leur patience et leur soutien pendant

toute ma vie, ce qui n’est pas une mince affaire,

dont le rêve était de me voir toujours réussir

Mes chers parents je vous dis merci parce que tout simplement sans

vous, sans votre conseils et amour, rien de tout cela n’aurait pu être

réalisé.

A mes chères sœurs « Dounia» et « Lina »

A mon chère frère « Hamza »

A mon fiancé « Youcef »

pour leurs

encouragements et leur confiance en moi.

J’adresse également mes plus sincères remerciements à tous mes

oncles et tantes.

A toutes les personnes que j’ai eu la chance d’avoir comme amis.

A tous ceux qui sont venus à mon aide de près ou de loin

Et tous ceux que j'ai oubliés et que mon coeur

N'oubliera jamais.

Et à tous ceux que j’aime.

Narimane

Je dédie ce travail au Noble « Allah» Dieu le tout puissant qui m’a

donné le

Courage, la force et la patience pour réaliser ce

travail.

À celui qui a attendu avec patience les fruits de sa bonne

éducation…

Merci mon Père.

À celle qui m’a entouré de tous soins imaginables pour arriver

à cet aboutissement…

Merci ma Mère

J’exprime ma gratitude à mes sœurs « Rayen»,

« Ikram » et « Nourhan »,

À mon petit frère « Mouhammed » pour la joie qu’il me procure et

l’ambiance qui crée dans la maison.

J’adresse également mes plus sincères remerciements à tous mes

proches.

À tous mes amis qui m’ont toujours soutenu et encouragé au cours

de la réalisation

de ce mémoire,

Et à tous ceux que j’aime.

Nabila

Remerciements

C’est avec l’aide de DIEU tout puissant qui

nous a donné l’opportunité de mener à bien ce travail

et sans que ce mémoire n’aurait jamais vu le jour.

En préambule à ce mémoire, nous souhaitons adresser ici tous

nos remerciements à notre encadreur

Dr Barkane Mohamed

pour l’aide et le temps qu’il a bien voulu nous consacrer

nous remerciement profondément Mm Chebout et Mr Ramech

d’avoir accepté de juger ce travail.

Nous exprimons notre gratitude à tous les enseignants du

département « mathématique et informatique » de l’université

d’Oum El Bouaghi qui n’ont pas

ménagé leurs efforts pour nous assurer une bonne formation.

Nous tenons également à remercier tous ceux et celles qui, de

Près ou de loin, ont contribué de à l’aboutissement de ce

mémoire.

Narimane et Nabila

Table des matières

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

Chapitre 1 : La Biométrie 1 Introduction ......................................................................................................................... 5

2 Biométrie ............................................................................................................................ 5

2.1 Définition ..................................................................................................................... 5

2.2 Fonctionnement de la biométrie .................................................................................. 6

2.2.1 La biométrie par vérification ................................................................................ 6

2.2.2 La biométrie par identification ............................................................................. 6

2.3 Modalités biométriques ............................................................................................... 6

� Les caractéristiques morphologiques (physiologiques) ............................................... 7

2.3.1 Empreinte digitale ................................................................................................ 8

2.3.2 Visage (reconnaissance faciale) ........................................................................... 9

2.3.3 Iris ......................................................................................................................... 9

2.3.4 Géométries de la main ........................................................................................ 10

� Les caractéristiques comportementales ..................................................................... 10

2.3.5 Dynamique de la frappe (au clavier) .................................................................. 10

2.3.6 Dynamique du tracé de la signature ................................................................... 11

2.3.7 Voix .................................................................................................................... 11

2.4 Le marché de la biométrie ......................................................................................... 11

2.5 Domaines d’applications ........................................................................................... 12

2.5.1 Applications commerciales ................................................................................ 12

2.5.2 Applications gouvernementales ......................................................................... 12

2.5.3 Applications légales ........................................................................................... 13

3 Reconnaissance des formes............................................................................................... 13

3.1 Saisie (Numérisation) ................................................................................................ 13

3.2 Prétraitement .............................................................................................................. 14

3.2.1 Suppression du bruit ........................................................................................... 14

� Binarisation ................................................................................................................ 14

� Filtrage ....................................................................................................................... 14

3.2.2 Normalisation ..................................................................................................... 15

3.2.3 Squelettisation .................................................................................................... 15

3.3 Extraction des caractéristiques .................................................................................. 15

3.4 Reconnaissance .......................................................................................................... 15

3.4.1 L’apprentissage .................................................................................................. 15

3.4.2 Décision .............................................................................................................. 16

3.5 Classification ............................................................................................................. 16

3.6 Post-traitement ........................................................................................................... 16

4 Empreinte digitale ............................................................................................................. 16

4.1 Caractéristiques d’une empreinte digitales et différenciation ................................... 16

4.1.1 Motif ................................................................................................................... 17

4.1.2 Points singuliers ................................................................................................. 18

5 Structure d’un système de reconnaissance d’empreinte digitale ...................................... 19

5.1 Acquisition d’empreinte digitale ............................................................................... 19

5.1.1 L'empreinte acquise par encre (inkedfingerprint) .............................................. 19

5.1.2 Les empreintes latentes ...................................................................................... 20

5.2 Prétraitement .............................................................................................................. 22

5.3 Squelettisation ........................................................................................................... 22

5.4 Extraction des caractéristiques .................................................................................. 23

5.5 Comparaison : ............................................................................................................ 24

6 Méthodes de reconnaissance d’empreinte digitale : ......................................................... 25

6.1 Approche basé sur corrélation ................................................................................... 26

6.2 Approche basé sur minuties ....................................................................................... 26

6.2.1 Park et al. (2008) ................................................................................................ 26

6.2.2 Lumini et al. (2008) ............................................................................................ 26

6.2.3 Jain et al. (1997) ................................................................................................. 27

6.3 Approche basé sur rides ............................................................................................. 27

6.4 Approche basé sur l’image ........................................................................................ 27

6.4.1 Jin et al. (2004) ................................................................................................... 27

6.5 Approche neuronale ................................................................................................... 28

6.5.1 Gupta et al .......................................................................................................... 28

6.5.2 Umamaheswaril et al. (2007) ............................................................................. 28

6.5.3 Tan et al. (2005) ................................................................................................. 29

7 Conclusion ........................................................................................................................ 29

Chapitre 2 : Réseaux de neurone

1 Introduction ....................................................................................................................... 31

2 Historique .......................................................................................................................... 31

3 Le Neurone Biologique ..................................................................................................... 32

4 Le Neurone Formel ........................................................................................................... 33

5 Les Réseaux de Neurones ................................................................................................. 34

5.1 La structure ................................................................................................................ 34

5.2 Apprentissage à l’aide d’un réseau de neurones ........................................................ 34

5.2.1 Type d’apprentissage .......................................................................................... 35

5.3 Applications des réseaux de neurones ....................................................................... 35

5.4 Les grands types de réseaux ...................................................................................... 36

5.4.1 Les Perceptrons Multicouches ........................................................................... 36

5.4.2 Les Réseaux de Kohonen (SOM: Self Organizing Map ) .................................. 36

5.4.3 Les Réseaux de Hopfield .................................................................................... 37

6 Les Réseaux de Kohonen .............................................................................. 38

6.1 Le Principe ................................................................................................................ 38

6.2 Utilisation de la carte ................................................................................................. 39

6.3 Apprentissage ............................................................................................................ 40

7 Conclusion ........................................................................................................................ 40

Chapitre 3 : La reconnaissance des empreintes digitales

1 Introduction ....................................................................................................................... 42

2 Description du système ..................................................................................................... 42

2.1 Organigramme ........................................................................................................... 42

2.2 Acquisition de l’empreinte : ...................................................................................... 43

2.3 Niveau de gris ............................................................................................................ 43

2.4 Homothétie ................................................................................................................ 43

2.5 Les Prétraitements : ................................................................................................... 43

2.5.1 Filtrage ............................................................................................................... 43

2.5.2 Binaraisation ....................................................................................................... 43

2.5.3 Squelettisation de l'empreinte............................................................................. 44

2.6 Extraction des Les minuties ....................................................................................... 45

2.7 Classification à base la carte de kohonen : ................................................................ 47

2.7.1 Apprentissage : ................................................................................................... 47

2.7.2 Algorithme d’apprentissage ............................................................................... 49

2.7.3 Décision : ............................................................................................................ 49

3 Conclusion ........................................................................................................................ 50

Chapitre 4 : Conception et impélementation

1 Introduction ....................................................................................................................... 52

2 L’environnement de développement ................................................................................ 52

2.1 L’environnement matériel : ....................................................................................... 52

2.2 Environnement Logiciel : .......................................................................................... 52

2.2.1 NetBeans ............................................................................................................ 53

2.2.2 Environnement de Développement Intégré Java ................................................ 54

2.2.3 Bref Historique de NetBeans .............................................................................. 54

3 Présentation de travail: ...................................................................................................... 54

4 Base de données d’empreinte digitale............................................................................... 54

5 Présentation de l’interface homme-machine :................................................................... 55

5.1 Authentification de l'utilisateur ................................................................................. 55

5.1.1 Le nom et mot de passe ...................................................................................... 56

5.2 Fenêtre principale de l’application (Accueil) ............................................................ 57

5.2.1 Composants de menu de barre ........................................................................... 58

5.2.2 Chargement de l’empreinte digitale : ................................................................. 62

5.2.3 Homothétie ......................................................................................................... 62

5.2.4 Transformation en niveaux de gris ..................................................................... 63

5.2.5 Les prétraitements .............................................................................................. 62

5.2.6 Extraction des points : ........................................................................................ 65

5.2.7 Test ..................................................................................................................... 66

6 Conclusion ........................................................................................................................ 66

Conclusion général ................................................................................................................... 67

Liste de figures

Figure 1 : Exemple des techniques biométriques : (A), (B), (C), (D), (E), (F), (G), (H). ........ 7

Figure 2 : Les caractéristiques physiques de certaines parties de corps humain. ....................... 8

Figure 3: Empreintes digitales de différents individus. .............................................................. 8

Figure 4 : Reconnaissance par Visage. ....................................................................................... 9

Figure 5 : Capteur de l’image d’un iris. ..................................................................................... 9

Figure 6 : Dispositif de reconnaissance par géométrie de la main. .......................................... 10

Figure 7 : La frappe au clavier. ................................................................................................ 10

Figure 8 : capture de signature. ............................................................................................... 11

Figure 9: Spectre d’un signal voix. .......................................................................................... 11

Figure 10: Répartition des techniques biométriques 2012. ...................................................... 12

Figure 11: Schéma général d’un système de reconnaissance des formes. ............................... 13

Figure 12 : Effets de certaines opérations de prétraitement sur un mot arabe. ........................ 14

Figure 13 : empreinte digitale. ................................................................................................. 16

Figure 14: types d’empreintes. ................................................................................................. 17

Figure 15: Empreinte avec deux spirales. ................................................................................ 17

Figure 16: types de minuties. ................................................................................................... 18

Figure 17: Points singuliers d’une empreinte digitale. ............................................................. 18

Figure 18: Schéma général d’un système de reconnaissance d’empreinte digitale. ................ 19

Figure 19: capteur optique. ....................................................................................................... 20

Figure 20: Capteur thermique. ................................................................................................. 21

Figure 21: capteur a ultrasons. ................................................................................................. 21

Figure 22: capteur silicium. ...................................................................................................... 21

Figure 23: binarisation. ............................................................................................................ 22

Figure 24: filtrage (exemple d’un filtrage linéaire). ................................................................. 22

Figure 25: squelettisation. ........................................................................................................ 23

Figure 26: extraction des caractéristiques. ............................................................................... 23

Figure 27: exemple de comparaison. ........................................................................................ 25

Figure 28: Représentation schématique d’un neurone. ............................................................ 33

Figure 29 : Le neurone formel .................................................................................................. 33

Figure 30: Réseau de neurones artificiel. ................................................................................. 34

Figure 31: Un perceptron multicouche. .................................................................................... 36

Figure 32: la carte de kohonen. ................................................................................................ 37

Figure 33: Le réseau de Hopfield. ............................................................................................ 37

Figure 34: Le réseau de Kohonen ............................................................................................ 38

Figure 35: Carte topologique. ................................................................................................... 39

Figure 36: Système de reconnaissance. .................................................................................... 42

Figure 37 : Binarisation de l’empreinte digitale. ...................................................................... 44

Figure 38: Ensemble des configurations de points inessentiels. .............................................. 45

Figure 39: Squelettisation de l’empreinte digitale. .................................................................. 45

Figure 40: Extraction des minuties. .......................................................................................... 46

Figure 41: Les minuties en empreinte digitale. ........................................................................ 47

Figure 42 : Les terminaisons et les bifurcations. ...................................................................... 47

Figure 43 : Logo de NetBeans. ................................................................................................. 53

Figure 44: Netbeans 8.0. .......................................................................................................... 53

Figure 45: Echantillon d’empreintes d’une personne de la base BD1 et BD2. ........................ 55

Figure 46: Information valide. ................................................................................................. 56

Figure 47: Boite de dialogue (erreur). ...................................................................................... 57

Figure 48: fenêtre principale de l’application (Accueil). ......................................................... 58

Figure 49: Menu fichier. ........................................................................................................... 59

Figure 50:Menu reconnaissance. .............................................................................................. 59

Figure 51 : Menu de traitement. ............................................................................................... 60

Figure 52: Menu Carte de Kohonen. ........................................................................................ 61

Figure 53: Boite de dialogue (information). ............................................................................. 61

Figure 54: Chargement d’une image d’empreinte digitale. ...................................................... 62

Figure 55: Homothétie. ............................................................................................................ 62

Figure 56: Mise en niveaux de gris. ......................................................................................... 63

Figure 57: Filtrage de l'empreinte. ........................................................................................... 63

Figure 58: Binarisation d’empreinte. ....................................................................................... 64

Figure 59 : Squelettisation de l’empreinte ............................................................................... 65

Figure 60:Extraction des minuties. ........................................................................................... 65

Figure 61: Fiche d’authentification de la personne. ................................................................. 66

Liste de Tableaux

Tableau 1: Identification d’une minutie à partir du calcul de CN. ........................................... 46

Tableau 2: Information sur les bases de données. .................................................................... 55

Introduction générale

1

1 Introduction générale

La biométrie est la technique qui permet de reconnaître des personnes à partir de leurs

caractéristiques physiques et comportementales. L’utilisation des parties du corps humain

pour reconnaître les personnes est un procédé ancien. Dans une cave dont l’âge est estimé à

31millénaires, des murs jonchés de dessins d’empreintes de la main ont été découverts. Au

VIème siècle avant JC, les babyloniens utilisaient déjà l’empreinte du pouce laissée sur une

poterie d’argile pour sceller des accords commerciaux. La chine antique en faisait de même

quasiment au même moment où les parents chinois utilisaient tant l’empreinte digitale de la

main que celle du pied pour différencier leurs enfants. Les égyptiens utilisaient les

descriptions physiques des commerciaux pour différencier ceux qui sont connus de ceux qui

sont nouveaux sur le marché. La couleur des yeux est aussi utilisée dans de nombreuses

civilisations antiques pour reconnaître des personnes et c’est aussi le cas dans les prisons

françaises au XVIème siècle pour reconnaître les prisonniers.

Le XIXème siècle a connu la naissance de l’anthropométrie, véritable ancêtre de la

biométrie. Avec la rapide croissance des cités, les besoins de reconnaître les personnes

devinrent de plus en plus importants. Alphonse Bertillon (1853-1914) père de l’anthropologie,

instaura un système de reconnaissance des personnes basé sur la mesure de différents

paramètres du corps humain. Après la publication de plusieurs travaux stipulant qu’il était

possible d’utiliser les empreintes digitales pour identifier des personnes, ce procédé émergea

en Asie, en Afrique du Sud et en Europe. En Inde, Edward Henry développa une méthode

robuste de reconnaissance à base d’empreintes digitales. Sir Francis Galton publia des travaux

détaillés sur la reconnaissance par l’empreinte digitale basés sur des caractéristiques

particulières de la texture de l’empreinte, les minuties. Ces caractéristiques sont encore

utilisées dans les systèmes automatiques de nos jours. Alors que la méthode de Bertillon

connut plusieurs ratés, l’enregistrement systématique des empreintes connut en revanche un

essor mondial. Les prisons américaines commencèrent à rendre obligatoire l’enregistrement

des empreintes des détenus dès 1903. La même année la police parisienne réussit l’exploit de

confondre un criminel en utilisant ses empreintes digitales. Dans les années 30, un

ophtalmologiste, FrankBurch, proposa le concept de la texture de l’iris pour reconnaître des

personnes; cette méthode sera considérée bien des années plus tard, comme la plus


2

performante du domaine biométrique. Avec l’avènement des ordinateurs, l’idée d’une

reconnaissance automatique est née ; c’est le début de la biométrie moderne. Dans les années

60, plusieurs travaux sur des algorithmes automatiques ou semi automatiques furent publiés ;

citons le cas du visage, de la signature, de la voix et bien sûr des empreintes digitales. Grâce à

cet élan de recherche et ces travaux très prometteurs, le FBI (Federal Building Investigation)

lança en 1969 une campagne scientifique afin de développer un système automatique de

reconnaissance par les empreintes digitales. La géométrie de la main dont les balbutiements

remontent au milieu du XIXème siècle connut dans les années 70 un regain d’intérêt avec la

commercialisation du premier produit biométrique de contrôle d’accès et d’identification [1].

Il existe différents moyens physiques ou comportementaux qui permettent une

reconnaissance de l’individu. Comme déjà cité, l’empreinte, l’iris, le visage et la forme de la

main sont des moyens physiques appelés ‘modalités biométriques’. On peut aussi citer

l’exemple de la veine de la main et de la rétine. Pour ce qui est des modalités

comportementale son peuvent citer la signature (dynamique ou statique), la démarche…Dans

ce mémoire, nous nous sommes intéressés uniquement aux problématiques liées à la modalité

de l’empreinte digitale.

Résumé

Notre objectif est de mettre en œuvre un système de reconnaissance d’individus à base

d’empreintes digitales en utilisant les cartes auto-organisatrice de Kohonen.

Le travail s’est focalisé autour des points suivants : premièrement, nous avons préparé

la base de données : des empreintes digitales. Une fois le traitement préliminaire sur les

empreintes digitale est effectué, les points caractéristiques de l’empreinte digitale dites

minuties ont été localisés et classifiés. Dans une dernière étape l’identification des individus

est réalisée en utilisant une classification à base d’un réseau de neurones : carte auto-

organisatrice de Kohonen.

Mots clés : Reconnaissance d’empreintes digitales, réseau de neurones, les cartes auto-



3

Plan du mémoire

Notre mémoire est présenté en quatre chapitres présentés comme suit :

Le premier chapitre est consacré à la présentation générale de la biométrie. Il décrit

tout d’abord les différentes modalités existantes. Ensuite la place de la reconnaissance

d’empreinte digitale parmi les autres techniques biométriques. Nous expliquerons ainsi

l’architecture d’un système de vérification par l’empreinte digitale. Dans le deuxième

chapitre nous présenterons les réseaux de neurones et ce dont ils sont capables. Nous

étudierons surtout l’utilisation des réseaux de Kohonen comme outil de classification. Le

troisième chapitre est consacré à la description de la méthode développée dans ce projet à

savoir le prétraitement, l’extraction des caractéristiques et la classification. Dans le dernier

chapitre, nous présentons décrivant la phase d’implémentation autrement dit nous présentons

l’environnement matériel, logiciel ainsi que les résultats intermédiaires et les résultats finaux.

Enfin, la conclusion générale résumera notre contribution et donnera quelques suggestions et

perspectives sur les futurs travaux.

Chapitre 1 La Biométrie et les empreintes digitales

4

Chapitre 1

La biométrie et les empreintes digitales


5

Chapitre 1

La biométrie et les empreintes digitales

1 Introduction

De nos jours on parle de plus de l’insécurité dans divers secteurs ainsi que des moyens

informatiques à mettre en œuvre pour contrer cette tendance : le contrôle d’accès aux

ordinateurs, l’e-commerce, les opérations bancaires basées sur l’identification du demandeur,

etc. Il existe traditionnellement deux manières d’identifier un individu. La première méthode

est basée sur une connaissance à priori de la personne telle que la connaissance de son mot de

passe. La seconde méthode est basée sur la possession d’un objet. Il peut s’agir d’une pièce

d’identité, d’une clé, d’un badge, etc. Ces deux modes l’identification peuvent être utilisée de

manière complémentaire afin d’obtenir une sécurité accrue. Cependant, elles ont chaque leurs

faiblesses. Dans le premier cas, mot de passe peut être oublié par son utilisateur ou bien

deviné par une autre personne. Dans le second cas, le badge, la pièce d’identité ou la clé peut

être perdu ou volé. Pour remédier à ces inconvénients, la biométrie a été proposée comme une

solution alternative aux deux modes l’identification précédents. L’avantage de la biométrie

est qu’elle utilise des caractéristiques biométriques qui sont unique à l’individu et il y a peu

de possibilité que d’autres individus peuvent remplacer ces caractéristiques, donc les

technologies biométriques sont considérées les plus puissantes en termes de sécurité.

La biométrie possède des applications très intéressantes dans le domaine de la sécurité.

Elle permet en effet de s’assurer de l’identité d’une personne et de contrôler ainsi les accès

aux lieux et données sensibles. On cité par exemple l’empreinte digitale.

2 Biométrie 2.1 Définition

La biométrie consiste à identifier une personne à partir d’une ou de plusieurs

caractéristiques physiologiques (empreintes digitales, visage, iris, contour de la main, etc.), ou

comportementales (signature, démarche, etc.). Etymologiquement, la biométrie humaine est

synonyme d’anthropologie physique. Une autre définition de la biométrie est donnée par


6

Roethenbaugh « La biométrie s'applique à des particularités ou des caractères humains uniques

en leur genre et mesurables, permettant de reconnaître ou de vérifier automatiquement l'identité

». Aussi, la biométrie représente d’une certaine manière, l’analyse mathématique des

caractéristiques biologiques sus citées dans le but de déterminer l’identité d’une personne de

manière irréfutable. [2][3]

Depuis quelques années Le système biométrique ont pris un essor considérable.

L’apparition de l’ordinateur et sa capacité à traiter et à stocker les données ont permis la création

des systèmes biométriques informatisés. Il existe plusieurs caractéristiques physiques uniques

pour un individu, ce qui explique la diversité des systèmes appliquant la biométrie. [4]

2.2 Fonctionnement de la biométrie

2.2.1 La biométrie par vérification L’employé s’identifie tout d’abord par un badge ou un code, puis la pointeuse compare

l’empreinte de l’utilisateur avec l’empreinte sauvegarde pour ce badge ou ce code. Temps de

vérification 1 seconde.

2.2.2 La biométrie par identification

Sans badge ou code, le lecteur compare l’empreinte a toutes les empreintes stockées

dans la pointeuse. Temps d’identification 2-3 secondes.

2.3 Modalités biométriques

Les différents systèmes biométriques sont basée sur des caractéristiques soit physiques

comme la forme empreintes digitales, géométrie de la main, la rétine et l’iris ; Soit sur des

caractéristiques comportementales comme la voix et la signature. Les modalités biométriques

utilisées sont représentées ci-dessous :


7

� Les caractéristiques morphologiques (physiologiques)

Elle est basée sur l'identification de traits physiques particuliers qui, pour toute

personne, sont uniques et permanents. Cette catégorie regroupe l'iris de l'œil, le réseau veineux

de la rétine, la forme de la main, les empreintes digitales, les traits du visage, les veines de la

main, etc. [4]

La biométrie utilise les caractéristiques physiques de certaines parties du corps humain. On

trouve parmi les plus courantes : empreintes digitales, visage, contour de la main, la rétine et iris.

[5]

A : empreint digitale. B : iris . C : main.

D: frappe clavier. E : voix. F : Signature.

H : visage. G : ADN

Figure 1 : Exemple des techniques biométriques : (A), (B), (C), (D), (E), (F), (G), (H).


8

Figure 2 : Les caractéristiques physiques de certaines parties de corps humain.

2.3.1 Empreinte digitale La reconnaissance des empreintes digitales est la méthode biométrique la plus utilisée.

Les empreintes digitales sont composées de ligne localement parallèles présentant des points

singuliers et constituent un motif unique, universel et permanent. Pour obtenir une image de

l'empreinte d'un doigt, les avancées technologiques ont permis d'automatiser la tâche au moyen

de capteurs intégrés, remplaçant ainsi l'utilisation classique de l'encre et du papier [4].

Figure 3: Empreintes digitales de différents individus.

� La reconnaissance des empreintes digitales possède plusieurs avantages sur les autres

technologies biométriques : petite taille facilitant son intégration dans la majorité des

applications (téléphones portables, ordinateurs portables), faible coûts des grâce aux nouveaux

capteurs, facile à utiliser.


9

2.3.2 Visage (reconnaissance faciale)

La reconnaissance à partir du visage se base sur les caractéristiques jugées

significatives comme l’écart entre les yeux, la forme de la bouche, le tour du visage, la position

des oreilles, la longueur du nez, etc.

Il existe plus de 60 critères fondamentaux, une méthode consiste à décomposer le

visage selon plusieurs images en différentes nuances de gris : chaque image met en évidence une

caractéristique particulière. [6]

Le problème de cette méthode vient des possibles perturbations pouvant transformer le

visage (maquillage, faible luminosité, d’une barbe ou d’une lunette, changement avec

l’âge…..).[7]

2.3.3 Iris

L’iris est une technique extrêmement fiable car il contient une infinité de points

caractéristiques (ensemble fractal), la fraude étant néanmoins possible en utilisant des lentilles.

L’acquisition de l’iris est effectuée au moyen d’une caméra pour pallier aux mouvements

inévitables de la pupille. Elle est très sensible (précision, reflet…) et relativement désagréable

pour l’utilisateur car l’œil doit rester grand ouvert et il est éclairé par une source lumineuse pour

assurer un contraste correct. [2][8]

Figure 4 : Reconnaissance par Visage.

Figure 5 : Capteur de l’image d’un iris.


10

2.3.4 Géométries de la main Jusqu’à 90 caractéristiques de la main sont mesurées (forme de la main et des

articulations, longueur et largeur des doits, longueur inter articulations…). [8]

Le taux d’erreur dans la reconnaissance est assez élevé, en particulier pour des

jumeaux ou d’autres membres de la même famille en raison d’une forte ressemblance. De plus la

forme de la main évolue beaucoup avec l’âge. [7]

� Les caractéristiques comportementales

Elle se base sur l'analyse de certains comportements d'une personne. Cette catégorie

regroupe la reconnaissance vocale, la dynamique de frappe au clavier, la dynamique de la

signature, l'analyse de la démarche, etc. [4]

2.3.5 Dynamique de la frappe (au clavier)

La reconnaissance biométrique accueille une nouvelle technologie, basée sur la

dynamique de frappe des touches sur un clavier. En analysant la façon dont on tape un texte sur

un clavier, cet outil biométrique remplacera peut être un jour l'analyse graphologique, et

permettra de garantir la validité d'un mot de passe. [9]

Figure 6 : Dispositif de reconnaissance par géométrie de la main.

Figure 7 : La frappe au clavier.

Chapitre 1 2.3.6 Dynamique du tracé de la signature

Il s’agit d’une analyse comportementale où

ordre d’écriture, pression exercée, accélération…) sont mesurés lors de la signature. La

falsification est possible en passant par une phase d’apprentissage, la signature peut carier selon

le stress de l’utilisateur. [2]

2.3.7 Voix

La voix humaine est une caractéristique biométrique intéressante, puisqu’elle dépend

de la structure anatomique de l’individu ainsi que de l’apprentissage du langage fait lors de

l’enfance. La capture de la voix est relativement facile à effectuer, à l’aid

mais elle est susceptible à être corrompue par les bruits ambiants. [8]

2.4 Le marché de la biométrie

Selon « l’International Biometric Group

celles d’identification automatique d’empreintes totalisent à elles seules presque 75% du

marché mondial de la biométrie (respectivement 263,1 et 421,9 millions de dollars). Suivent

ensuite la reconnaissance faciale (57,5 millions), la reconnaissance de la main (50,7 millions),

Figure

Figure

La Biométrie et les empreintes

du tracé de la signature

Il s’agit d’une analyse comportementale où différents éléments (mesure da la vitesse,





l’enfance. La capture de la voix est relativement facile à effectuer, à l’aide d’un microphone,

mais elle est susceptible à être corrompue par les bruits ambiants. [8]

Le marché de la biométrie

l’International Biometric Group », les seules techniques de scan d’empreintes et



faciale (57,5 millions), la reconnaissance de la main (50,7 millions),

Figure 8 : capture de signature.

Figure 9: Spectre d’un signal voix.

et les empreintes digitales

11

différents éléments (mesure da la vitesse,





e d’un microphone,

, les seules techniques de scan d’empreintes et



faciale (57,5 millions), la reconnaissance de la main (50,7 millions),


12

celle de l’iris (37,1) et celle de la voix (20,8). Pour finir, l’analyse des signatures et de la

façon de taper au clavier atteignent respectivement 12,2 et 1,7 millions de dollars.

Les empreintes digitales continuent à être la principale technologie biométrique en termes de

part de marché, près de 50% du chiffre d’affaires total. [14]

2.5 Domaines d’applications

Les différents domaines dans lesquels s’exercent ces professionnels sont :

2.5.1 Applications commerciales

Telles que l'ouverture de réseau informatique, la sécurité de données électroniques, l'e-

commerce, l'accès Internet, la carte de crédit, le contrôle d'accès physique, le téléphone

cellulaire, la gestion des registres médicaux, le verrouillage des équipements de communication,

l'étude à distance, etc.

2.5.2 Applications gouvernementales

Telles que la carte d'identité nationale, le permis de conduire, la sécurité sociale, le

contrôle des frontières, le contrôle des passeports, etc.

Figure 10: Répartition des techniques biométriques 2012.


13

2.5.3 Applications légales

Telles que l'identification de corps, recherche criminelle, identification de terroriste.

[8]

3 Reconnaissance des formes

La reconnaissance des formes peut être définie comme l’ensemble des techniques

informatiques de représentation et de décision permettant aux machines d'associer une étiquette à

une donnée qui peut se présenter sous forme d'une image ou d'un signal. Des données différentes

peuvent recevoir la même étiquette, ces données sont les réalisations ou les exemplaires de la

classe identifiée par l'étiquette [10]. L'objectif de la reconnaissance des formes est de réaliser des

systèmes informatisés qui simulent les activités humaines de perception, de reconnaissance et de

compréhension : reconnaissance de l'écrit, de la parole, d’empreinte digitale, interprétation de

scènes, robotique. [11]

Le schéma de la reconnaissance des formes peut être représenté selon le schéma suivant :

Classe

Monde réel Espace des formes Espace de représentation Espace des classes

3.1 Saisie (Numérisation)

À partir des informations du monde physique, il s’agit de construire une représentation

des données directement manipulable par la machine. Des capteurs (microphone, caméra,

instruments de mesure) convertissent les signaux reçus du monde réel en une représentation

numérique discrète en effectuant un échantillonnage et une quantification. [11]

Saisie Prétraitements Extraction de

Caractéristiques

Apprentissage

Décision

Post-traitements

Figure 11: Schéma général d’un système de reconnaissance des formes.


14

3.2 Prétraitement

Les prétraitements sont utiles pour la normalisation et l’amélioration des contrastes et

aussi pour éliminer des bruits qui peuvent être dus au capteur ou à des interférences avec

d’autres sources de signaux (la parole au milieu sonore, l’encre du verso qui traverse le papier et

dont la trace est visible sur la feuille du manuscrit ; les fonds d’images des chèques ...) [11]

3.2.1 Suppression du bruit

Le bruit est une erreur aléatoire dans la valeur d’un pixel, elle se produit

habituellement lors de la numérisation de la forme, ou elle peut être due à la forme originale

même. Parmi les méthodes de suppression de bruit les plus courantes, on retrouve La

binarisation et le lissage. [10]

� Binarisation

C'est le passage d'une image en couleur ou définie par plusieurs niveaux de gris en

image bitonale (composée de deux valeurs 0 et 1) qui permet une classification entre le fond

(image du support papier en blanc) et la forme (traits des gravures et des caractères en noir).

� Filtrage

L'image des caractères peut être entachée de bruits dus aux artefacts de l'acquisition et

à la qualité du document, conduisant soit à une absence de points ou à une surcharge de points.

Les techniques de filtrage permettent de résoudre ces problèmes par des opérations locales qu'on

appelle opérations de bouchage et de nettoyage. [11]

Figure 12 : Effets de certaines opérations de prétraitement sur un mot arabe.


15

3.2.2 Normalisation

Le principe de la normalisation est d'essayer de normaliser localement différentes

parties du mot, de manière à augmenter la ressemblance d'une image à une autre.

Après la normalisation de la taille, les images de tous les caractères se retrouvent

définies dans une matrice de même taille, Pour faciliter les traitements ultérieurs.

3.2.3 Squelettisation

Le but de cette technique est de simplifier l'image du caractère en une image à « ligne

» plus facile à traiter en la réduisant au tracé du caractère. Les algorithmes de squelettisation se

basent sur des méthodes itératives. Le processus s'effectue par passes successives pour

déterminer si un tel ou tel pixel est essentiel pour le garder ou non dans le tracé. [12]

3.3 Extraction des caractéristiques

L’étape d’extraction de caractéristiques appelée étape d’analyse est l’une des étapes les

plus importantes et délicates dans la construction d’un système de reconnaissance des formes.

Son but est de concentrer l’information présente dans la forme en un ensemble réduit de

données, stable et représentatif. Le résultat de cette étape est un ensemble de paramètres

caractérisant la forme.

Les caractéristiques extraites, doivent répondre à des critères bien précis, pour garantir

l’efficacité de la décision sur la forme à classifier. [10]

3.4 Reconnaissance

La reconnaissance regroupe deux tâches importantes dans tout système de

reconnaissance des formes se sont : d apprentissage et de décision

3.4.1 L’apprentissage

L’apprentissage se charge d’acquérir des connaissances sur les formes pour tenter de

définir des modèles de référence ou de caractériser des classes de décision.


16

L’apprentissage dépend de la méthode choisie pour la reconnaissance ainsi que le type

du problème à traiter, mais peut être effectué selon deux façons : apprentissage supervisé,

apprentissage non supervisé.

3.4.2 Décision

Le rôle est d’identifier la forme test à partir de l’apprentissage réalisé.

3.5 Classification

Cette phase est le noyau de la reconnaissance des formes. En utilisant les modèles

(paramètres) obtenus lors de l’apprentissage, le classificateur assigne à chaque forme inconnue

sa ou ses formes les plus probables. [11]

3.6 Post-traitement

Cette phase a pour but de corriger les résultats de la classification en utilisant des outils

spécifiques au domaine d’application. Bien que facultative, cette phase permet d’améliorer

considérablement la qualité de la reconnaissance. [11]

4 Empreinte digitale

Une empreinte digitale appelées aussi dermatoglyphes est le dessin formé par les lignes

de la peau des doigts, est la caractéristique d'un doigt. Elles sont uniques et immuables (sauf par

accident comme une brûlure par exemple).

La probabilité de trouver deux empreintes digitales similaires est de 10-24 .[13]

4.1 Caractéristiques d’une empreinte digitales et différenciation

Figure 13 : empreinte digitale.


17

4.1.1 Motif

Les empreintes digitales possèdent des motifs différents. Il existe 3 grandes familles

d’empreintes qui regroupent à elles seules 95% des doigts humains :

-Les arcs ou les arches.

-Les boucles (à droite ou à gauche).

- Les tourbillons.

A : boucle B : tourbillon C : arche

Figure 14: types d’empreintes.

� Boucle

Sont les motifs les plus répandus qui représentent 60% des doigts humains. Dans ce

type d’empreinte les lignes se replient sur elles même soit vers la droite, soit vers la gauche.

� Tourbillons

Qui correspondent à 30% des doigts humains. Cette empreinte, dite en verticille,

comprend des lignes qui viennent s’enrouler autour d’un point, formant un genre de tourbillon.

Les arches : sont les motifs les moins répandus qui regroupent seulement 5% des doigts

humains .Cette empreinte, en arc, contient des lignes disposées les unes au-dessus des autres qui

forment des A.

Des dessins beaucoup plus rares sont par exemple des doubles boucles imbriquées ou

double spirales

Figure 15: Empreinte avec deux spirales.


18

4.1.2 Points singuliers

Deux éléments permettent de différencier deux empreintes digitales ayant le même

motif :

� Points singuliers globaux

Le noyau, ou centre de l'empreinte (le lieu de convergence des stries) et son delta (le

lieu de divergence des stries).

� Points singuliers locaux, ou minuties

Celles-ci sont des points d'irrégularité se trouvant sur les lignes capillaires. Il existe

plusieurs types de minuties, chaque empreinte en compte environ une centaine, mais les

contrôles ne sont effectués qu'à partir de 12 points.

L’image ci-dessous représente les points singuliers globaux (en rouge) et les points

singuliers locaux (en bleu). [14][15]

Figure 16: types de minuties.

Figure 17: Points singuliers d’une empreinte digitale.


19

5 Structure d’un système de reconnaissance d’empreinte digitale

Le système de reconnaissance d’empreinte digitale est un cas particulier du RDF. Un

système automatique complet de reconnaissance d’empreinte digitale est une chaine de processus

qui a partir du doigt d’un utilisateur en entrée renvoi un résultat en sortie permettant ainsi a

l’utilisateur d’accéder ou non a des élément nécessitant une protection.

5.1 Acquisition d’empreinte digitale

La première phase d’un système de reconnaissance consiste à obtenir une image de

l’empreinte du doigt.

La capture de l'image d'une empreinte digitale consiste à trouver les lignes tracées par

les crêtes (en contact avec le capteur) et les vallées (creux). [16]

5.1.1 L'empreinte acquise par encre (inkedfingerprint)

Après l'avoir enduit d'encre, le doigt est imprimé sur un bout de papier. Ce papier

passe ensuite au scanner standard pour être numérisé. Cette ancienne technique a perduré

pendant environ un siècle. L'image ainsi prise présente de larges crêtes mais souffre d'une grande

Figure 18: Schéma général d’un système de reconnaissance d’empreinte digitale.


20

déformation due à la nature du processus d'acquisition. Il est clair que cette méthode n'est pas

adaptée aux procédés automatiques temps réel.

5.1.2 Les empreintes latentes

Elles sont formées suite à une légère trace laissée sur un objet due à la sécrétion

constante de la sueur. Les services de sécurité décèlent ce genre de détails sur les lieux de crime

à l'aide d'une poudre spéciale. En l'occurrence un dispositif spécial est utilisé, les capteurs dont

voici une énumération des différents types :

� Le capteur optique

La technologie la plus répondue dans les systèmes d'acquisition par capteur est celle qui

utilise le principe de la réflexion de la lumière. Un prix acceptable constitue l'avantage principal

des systèmes optiques ; leur inconvénient est qu'ils sont faciles à détourner. Les scanners

optiques sont facilement intégrables dans diverses applications telles que les ordinateurs

portables, les cellulaires et les mémentos électroniques.

� Le capteur thermique

La méthode thermique est moins habituelle. Actuellement, le seul capteur thermique est le

FingerChip fabriqué par Atmel. Cette méthode donne une image d'excellence qualité même sur

des empreintes de qualité médiocre ; permettant ainsi au FingerChip d'être l'une des capteurs le

plus résistant par rapport aux autres technologies.

Figure 19: capteur optique.


21

� Le capteur à ultrasons

La lecture par ultrasons d'empreinte n'est pas courante. C'est une sorte d'échographie du

doigt. La lecture par ultrasons requiert un assez gros dispositif et est assez chère. Ce n'est pas une

technique commode pour de la production de volume à faible coût. Son principal intérêt réside

dans la lecture du derme, sous la surface.

� Le capteur intégré au silicium

Les puces siliciums (électronique) peuvent être vus comme une variante des caméras

CMOS : au lieu d'utiliser les photons, un autre effet physique est utilisé. [4]

Figure 20: Capteur thermique.

Figure 21: capteur a ultrasons.

Figure 22: capteur silicium.


22

5.2 Prétraitement

Pour rehausser la qualité de l'image des empreintes digitales et éliminer le bruit.

� Binarisation

� Filtrage

5.3 Squelettisation

Dans l'image binarisée, les lignes se voient clairement mais elles ont des tailles différentes.

Pour pouvoir détecter rapidement les minuties, il est nécessaire d'obtenir une image plus

schématique de l'empreinte, dans laquelle toutes les lignes ont la même épaisseur (1 pixel).

[16]

Figure 23: binarisation.

Figure 24: filtrage (exemple d’un filtrage linéaire).


23

5.4 Extraction des caractéristiques

C'est la dernière étape qui complète l'obtention de la "signature" de l'empreinte (empreinte

qui va être comparée). A partir d'une image de l'empreinte préalablement traitée, on extrait

grâce à différents algorithmes une structure de donnée.

La signature retenue pour caractériser l'empreinte est basée sur un ensemble suffisant et

fiable de minuties. On entend par suffisant, le nombre minimum de minuties nécessaires pour

pouvoir établir des comparaisons fiables entre empreintes. Ce minimum se situe à 12 minuties

vis-à-vis de la loi, voire moins pour beaucoup d'entre eux (jusqu'à 8 minimum). Le nombre 12

provient de la règle des 12 points selon laquelle il est statistiquement impossible de trouver 2

individus présentant les mêmes 12 points caractéristiques, même en considérant une population

de plusieurs dizaines de millions de personnes. [17]

Figure 25: squelettisation.

Figure 26: extraction des caractéristiques.


24

5.5 Comparaison :

Le système de vérification d'identité est basé sur la comparaison de deux ensembles de

minuties, correspondants respectivement à deux doigts à comparer. Pour déterminer sideux

ensembles de minuties extraits de deux images correspondent à des empreintes du même

doigt, il est nécessaire d'adopter un système de comparaison qui soit insensible à d'éventuelles

translations, rotations et déformations qui affectent systématiquement les empreintes digitales.

A partir de deux ensembles de minuties extraites, le système est capable de donner un

indice de similitude ou de correspondance qui vaut :

� 0 % si les empreintes sont totalement différentes.

� 100 % si les empreintes viennent de la même image.

Deux fichiers « signature » calculées à partir de la même empreinte ne donneront jamais

100 % de ressemblance du fait des différences qui existent lors de l'acquisition de deux

images (petites déformations ou déplacements), ils donneront cependant toujours un niveau

élevé de similitude.

La décision à partir de cet indice de similitude de savoir si deux empreintes sont issues du

même doigt est une question purement statistique. Pour décider d'accepter la similitude entre

deux "signatures", il faut établir un seuil d'acceptation.

A : empreinte 1. B : empreinte 2.


25

C : alignement.

6 Méthodes de reconnaissance d’empreinte digitale :

Il est très difficile pour assortir sûrement deux empreintes digitales. La cause principale

c'est la variabilité dans différentes impressions du même doigt.

Les facteurs principaux responsables des variations d'intra-classe sont : déplacement,

rotation, déformation non-linéaire, variation des pressions, changement d'état de peau, bruit,

D : rotation/translation.

Figure 27: exemple de comparaison.


26

erreurs d'extraction des caractéristiques etc... Pour résoudre ce problème, il existe plusieurs types

d'approches et ils sont classifiés en 5 catégories principales :

6.1 Approche basé sur corrélation

Cette approche est basée sur la corrélation des pixels de deux empreintes digitales.

Deux images d'empreintes digitales sont superposées et la corrélation (au niveau d'intensité)

entre les pixels correspondants est calculée pour différents alignements (par exemple

déplacements et rotations). Cette approche est assez facile à réaliser mais son résultat dépend de

la capacité du chercheur d'établir un point commun d'enregistrement sur les deux images dans la

comparaison et compenser toute variation dans la rotation ou la qualité d'image.

6.2 Approche basé sur minuties

C'est l'approche la plus utilisée dans la littérature, des minuties sont extraites à partir des

deux empreintes digitales et stockées sous forme d'un ensemble de points dans le plan de deux

dimensions. L'assortiment basé sur les minuties essentiellement se compose de trouver

l'alignement entre les minuties du motif et les minuties d'entrée. Le résultat est le nombre

maximum des paires de minuties. Mais le problème majeur rencontré lors de l’extraction de ces

points se manifeste dans les images de mauvaises qualités. [18] Parmi les travaux publiés on cite

les suivants :

6.2.1 Park et al. (2008)

Ont montré que la fusion de deux représentations (codes) de l’empreinte digitale:

minutie et Scale Invariant Feature Transformation (SIFT) a donné de meilleur résultat que

l’utilisation d’une seule de ces caractéristiques. Avant l’extraction de ces caractéristiques, les

auteurs procèdent par une étape de prétraitement dans laquelle la distribution sera ajustée en

mesurant l’intensité dans la surface centrale et l’ajustement de l’histogramme et la suppression

des les points de caractéristiques bruyants. La correspondance est réalisée en comparant chaque

extrema local sur la base des descripteurs associés. Le score de correspondance entre deux

images peut être décidé en fonction du nombre de points correspondants et leur configuration

géométrique.

6.2.2 Lumini et al. (2008)

Ont proposé une méthode, basée sur les minuties, de reconnaissance d’image

d’empreinte digitale. Un ensemble de caractéristiques artificielles doit être extrait. Mais un sous-


27

ensemble de ces caractéristiques est sélectionné en utilisant la méthode de sélection séquentielle

flottante. Ce sous–ensemble sera combiné avec les caractéristiques originales. Pour calculer la

similarité entre deux empreintes digitales, les auteurs se sont basés sur l’approche de machine

d’apprentissage. Pour ce fait, Le vecteur du support de machine SVM a été utilisé. Ce système a

été évalué sur la base FVC2002 contenant 4 bases d’images d’empreintes digitales.

6.2.3 Jain et al. (1997)

Ce système est basé sur l’extraction des minuties pour la reconnaissance de l’image

acquise en ligne. L’image de l’empreinte digitale, passe après acquisition par l’algorithme

d’extraction de minuties pour permettre de la comparer avec les caractéristiques des modèles

sauvegardés dans la base de données. L'algorithme d'extraction des caractéristiques procède à

estimer l’orientation présente dans l’image, puis, un algorithme de segmentation est utilisé pour

la localisation de la région de l’empreinte digitale dans l’image acquise. Par la suite, les rides

sont extraites en cherchant à détecter le niveau de gris maximum des directions locales pour les

rides locaux. Ensuite, l’image de l’empreinte digitale sera amincie ce qui permettra de détecter

les minuties. Ces minuties seront détectées et utilisées dans la phase de comparaison et de prise

de décision. Une phase d’assortiment comprend deux étapes : une pour l’alignement des pointes

de la forme et une autre pour l’assortiment des points alignés. [19]

6.3 Approche basé sur rides

Dans cette approche, on utilise des caractéristiques extraites des rides (orientation,

texture, forme de ride, etc.) pour comparer d'empreintes digitales. L'avantage de cette approche

c'est que les caractéristiques de rides peuvent être extraites plus sûrement. [18]

6.4 Approche basé sur l’image

Cette approche basée sur l’appariement entre les caractéristiques globales de l’image

entière de l’image d’empreinte :

6.4.1 Jin et al. (2004)

Ont proposé un système de vérification d’empreinte digitale utilisant la méthode basée

image et intégrant les caractéristiques de la transformée en ondelette et de Fourrier Mellin

(WFMT). Ce système est constitué par deux phases. Une phase d’apprentissage et une phase de

vérification. Dans la phase d’apprentissage, ce système procède à représenter les images modèles


28

de références par les caractéristiques WFMT. Alors qu’au niveau de la phase de vérification,

l’image en entrée devra être représentée par les caractéristiques WFMT. Puis, comparer cette

image avec le modèle de référence. Donc un score de dissemblance sera calculé afin de le

comparer avec un score prédéfini et prendre la décision finale de ce système. Après avoir évalué

ce système sur la base de FVC 2002, le taux d’ERR ne dépasse pas 5.66%.[19]

6.5 Approche neuronale

L'approche neuronale se résume, par conséquent, à une tâche de classification. Un modèle se

présente sous la forme d'un ou plusieurs réseaux de neurones. Différents types de modèles de

réseaux sont proposés dans la littérature ; Lors de la reconnaissance, la vraisemblance pour

qu'une séquence de vecteurs de test soit produite par un réseau de neurones est calculée. Le

principal inconvénient de l'approche connexionniste est la complexité d'apprentissage. En

outre, elle pose le problème de l'ajout d'un nouveau client qui nécessite dans la majorité des

cas le réapprentissage de tous les modèles. [20] Par la suite on cite quelques travaux existants

sur la reconnaissance par empreinte digitale :

6.5.1 Gupta et al

Ont proposé l’extraction des minuties par un réseau de neurones pour réaliser la

correspondance des empreintes. La méthode a démontrée sa robustesse et efficacité.

6.5.2 Umamaheswaril et al. (2007)

Ce système procède par la normalisation de l’image de l’empreinte digitale. Puis,

Passe à amincir les rides de l’image. Après l’amincissement, ce système procède à extraire les

caractéristiques de l’empreinte digitale. En utilisant ce vecteur de caractéristique, ce système

passe à l’étape de classification de l’image en un des cinq classes (Loop, arche, tente, droite,

gauche) à la base de l’algorithme de réseau neuronaux qui se base sur le flux des rides. La

propagation feedback du réseau neuronaux et le vecteur de caractéristiques d’apprentissage sont

utilisés pour tester et apprendre les images d’empreintes digitales. Pour reconnaître l’identité de

l’image de l’empreinte digitale d’origine, l’algorithme des K plus proche voisins a été utilisé.

Donc l’image classée dans une position plus proche. Ce système a été évalué sur une base de 200

images et a utilisé une base d’apprentissage de 700 images. Le taux de reconnaissance était de

97,4%.


29

6.5.3 Tan et al. (2005)

Ont proposé un système de reconnaissance (vérification) d’empreintes digitales basé

sur l’algorithme génétique. Ce système procède à extraire les caractéristiques des deux

empreintes digitales: celle en question et celle de la base. En fait, la première étape de

l’algorithme génétique est la représentation des deux images de l’empreinte digitale. Cette

représentation dite chromosomique. L’algorithme génétique procède à générer la population en

utilisant la sélection, la mutation et le croisement afin de générer la solution optimale. Une valeur

sera calculée pour chaque individu (image) de la population. Si cette valeur satisfait la condition

de terminaison, alors cette valeur sera comparée avec un seuil déjà défini. Si cette valeur dépasse

le seuil, la réponse du système de vérification sera positive et négative dans le cas contraire. En

fait, si la valeur déterminée ne vérifie pas la condition de terminaison, l’algorithme génétique

générera une nouvelle population d’image d’empreintes digitales. [19]

7 Conclusion

Dans ce chapitre nous avons présentées la biométrie et leurs différentes modalités ainsi

que la structure globale d’un système de reconnaissance d’empreinte digitale. Nous avons

détaillées aussi la modalité la plus utilisé l’empreinte digitale et leur caractéristiques, et en

fin les méthodes et les approches d’empreinte existante.

. Dans la suite de ce travail nous nous intéresserons à un système complet de vérification

d’empreinte digitale basé sur les réseaux de neurones mais Avant d’arriver à ce système nous

parlons un peu de généralité sur les Réseaux de neurones artificiels.

Chapitre 2 Les Réseaux de Neurones

30

Chapitre 2

Les Réseaux de neurones


31

Chapitre 2 :

Réseaux de neurones

1 Introduction Dans le contexte de la reconnaissance automatique de forme, il est nécessaire de

disposer d’un algorithme simple et efficace surtout lorsqu’il s’agit d’explorer une grande base

de données. L'objectif principal de reconnaissance est de faire correspondre d’empreinte

digitale inconnue avec l’empreinte digitale stockée préalablement dans la base de données.

Les réseaux de neurones artificiels, nés il y a environ une cinquantaine d’années, sont

toujours en cours de développement. Cet axe de recherche a tiré l’attention de beaucoup de

chercheurs de différentes disciplines. Ces réseaux de neurones artificiels (RNA) sont issus de

la combinaison entre la neurobiologie comme idée de base, la physique comme champs

d’application et les mathématiques avec l’informatique en tant que moyens de réalisation.

Nous présentons dans ce qui suit un bref historique des réseaux de neurone artificiels.

2 Historique

1943: J. McCulloch & W. Pitts [21]

� Proposent un modèle simple de neurone capable de reproduire la machine de

Turing.

� Démontrent qu'un assemblage synchrone de tels neurones est une machine

universelle de calcul (c’est-à-dire que toute fonction logique peut être représentée

par des unités à seuil).

1948: D. Hebb

� Propose une règle d'apprentissage pour des réseaux de neurones. The Organization

of Behaviour, Wiley, New York 1949.

1958: F. Rosenblatt

� Propose le modèle du perceptron et démontre son théorème de convergence.


32

1969: M. Minsky & S. Papert [22]

� Démontrent les limitations du modèle du perceptron. Perceptrons, the MIT Press,

Cambridge 1969.

1972 :T. Kohonen

� Présente ses travaux sur les mémoires associatives.

� Propose des applications à la reconnaissance de formes.

1982: J.J. Hopfield [23]

� Présente une théorie de fonctionnement et des possibilités des réseaux de neurones.

Neural Networks and Physical Systems with Emergent Collective Computational

Abilities, Proceedings of the National Academy of Sciences, USA, 1982, pp. 2,554.

1986: D.E. Rumelhart et al [24]

� Apprentissage par rétro-propagation pour les réseaux multicouches.

Learning representations by back-propagating errors, Nature, vol. 323 (1986).

3 Le Neurone Biologique

Avant de pouvoir comprendre ce c’est qu’un réseau de neurones, il faut d’abord

comprendre le concept d’un neurone seul en voici donc la description.

Le neurone est une cellule composée d’un corps cellulaire nommé « Somma » et d’un noyau,

le corps cellulaire se ramifie pour former ce que l’on nomme « les dendrites », ces dernières

sont responsables de l’acheminement de l’information de l’extérieur vers le somma.

Une fois l’information est traitée par le neurone, elle est transmise aux autres neurones qui

communiquent entre eux via les « Axones ». Cette transmission n’est pas directe, ce qui

revient à dire que les neurones ne sont pas directement attachés aux autres, il existe un espace

intercellulaire qui sépare entre l’axone du neurone afférent et les dendrites du neurone

efférent, cette jonction est appelée « Synapse ». Voir figure 27. [38][25]


D’une manière très réductrice, un neurone biologique est une cellule qui se caractérise par :

- Des synapses, les points des connexions avec les autres neurones, fibres nerveuses ;

- Les dendrites, les entrées du neurone ;

- L’axone, ‘ la sortie’ du neurone vers d’autres neurones ou fibres musculaires ;

- Le noyau qui active la sortie en fonction des stimuli en entrée.

4 Le Neurone Formel

Un neurone formel (artificiel) est une unité de traitement qui reçoit

sous la forme d’un vecteur, et produit une sortie réelle cette sortie est une fonction des

et des poids des connexions.

structure des neurones biologiques [26

Figure



Des synapses, les points des connexions avec les autres neurones, fibres nerveuses ;

du neurone ;

L’axone, ‘ la sortie’ du neurone vers d’autres neurones ou fibres musculaires ;

Le noyau qui active la sortie en fonction des stimuli en entrée. [39]

formel (artificiel) est une unité de traitement qui reçoit des donnes en

et produit une sortie réelle cette sortie est une fonction des

connexions. La structure d’un neurone artificiel est en

structure des neurones biologiques [26]

Figure 28: Représentation schématique d’un neurone.

Figure 29 : Le neurone formel


33


Des synapses, les points des connexions avec les autres neurones, fibres nerveuses ;

L’axone, ‘ la sortie’ du neurone vers d’autres neurones ou fibres musculaires ;

des donnes en entrée,

et produit une sortie réelle cette sortie est une fonction des entrées

La structure d’un neurone artificiel est en fait copiée sur la

: Représentation schématique d’un neurone.

Chapitre 2 Les Réseaux de Neurones 5 Les Réseaux de Neurones

Quelque soit le domaine adopté, les réseaux de neurones

suit : Les RNAs sont des modèles statistiques adaptatifs, basés sur une analogie avec le

cerveau humain. Leur adaptabilité revient du fait qu’ils peuvent apprendre à estimer les

paramètres d’un ensemble de données en utilisant un nombre d’exemples. Dans sa structure

de base, un réseau de neurone est

les neurones ou les cellules, ces dernières sont inter liées à l’aide d’un ensemble de

connexions pondérées, chaque unité code ou correspond à une caractéristique d

analyser.

5.1 La structure

Les réseaux de neurones sont généralement organisés en couches, la première couche

est la couche d’entrée et la dernière est la couche de sortie, les couches intermédiaires sont les

couches cachées, le nombre de ces cou

L’information à analyser est transmise au réseau via la couche d’entrée, elle sera propagée par

la suite vers les couches internes (couches cachées), la réponse du réseau qui est le résultat

finale qui sera transmis vers la couche de sortie

5.2 Apprentissage à l’aide d’un réseau de neurones

L’apprentissage est une phase de développement d’un réseau de neurones durant

laquelle le comportement du réseau est modifié jusqu’à l’obtention du comportement désiré.

Figure


Les Réseaux de Neurones

Quelque soit le domaine adopté, les réseaux de neurones peuvent être définis comme

RNAs sont des modèles statistiques adaptatifs, basés sur une analogie avec le



de base, un réseau de neurone est constituée d’un ensemble d’unités simples, qu’on appelle


connexions pondérées, chaque unité code ou correspond à une caractéristique d



couches cachées, le nombre de ces couches est défini selon le type du problème à résoudre.



sera transmis vers la couche de sortie. [39][40][41][42]

Apprentissage à l’aide d’un réseau de neurones



Figure 30: Réseau de neurones artificiel.


34

peuvent être définis comme

RNAs sont des modèles statistiques adaptatifs, basés sur une analogie avec le



d’un ensemble d’unités simples, qu’on appelle


connexions pondérées, chaque unité code ou correspond à une caractéristique d’une forme à



ches est défini selon le type du problème à résoudre.






35

L’apprentissage neuronal fait appel à des exemples de comportement. Durant cette phase les

poids synaptiques seront modifiés, donc d’une manière plus simple, on peut dire que

l’apprentissage est la modification des poids des connexions dans l’optique d’accorder la

réponse du réseau aux exemples présentés et à l’expérience.

5.2.1 Type d’apprentissage

Selon le critère d’apprentissage les réseaux de neurones se subdivisent en deux classes, les

réseaux à apprentissage supervisé (Supervised learning) et les réseaux à apprentissage non

supervisé (Unsupervised Learning) [29] [30].

1. Pour les réseaux à apprentissage supervisé : on présente au réseau des entrées et au

même temps les sorties que l'on désirerait pour cette entrée. Le réseau doit alors se

reconfigurer. C’est-à-dire calculer ses poids afin que la sortie qu'il donne corresponde

bien à la sortie désirée.

2. Pour les réseaux à apprentissage non supervisé, on présente une entrée au réseau et on

le laisse évoluer librement jusqu'à ce qu'il se stabilise.

L'apprentissage non supervisé est généralement utilisé pour la classification

automatique des entrées, où le réseau apprend les caractéristiques des données d'entrée.

Il existe aussi des réseaux à apprentissage dit semi supervisé (reinforcement Learning) qui ne

tiennent compte que d'une évaluation partielle ou qualitative des sorties.

5.3 Applications des réseaux de neurones

Aujourd'hui, les réseaux de neurones ont de nombreuses applications dans des

domaines très variés :

• Traitement d'image : compression d'images, reconnaissance de caractères et de

signatures, reconnaissance de formes et de motifs, cryptage, reconnaissance

d’empreinte digital, classification, ...

• Traitement du signal : traitement de la parole, identification de sources, filtrage,

classification, ...

• Contrôle : diagnostic de pannes, commande de processus, contrôle qualité, ...

• Optimisation : allocation de ressources, planification, régulation de trafic, gestion,

finance,


36

•••• Simulation : simulation boîte noire

•••• Classification d'espèces animales étant donnée une analyse ADN

•••• Modélisation de l'apprentissage et perfectionnement des méthodes de

l'enseignement. [31]

5.4 Les grands types de réseaux

Il n'est pas possible d'énumérer l'ensemble des types de réseaux de neurones

disponibles à ce jour. Cependant, à titre illustratif sont présentés familles parmi les plus

populaires. Les chercheurs n'ont de cesse que d'inventer de nouveaux types de réseaux

toujours mieux adaptés à la recherche de solutions de problèmes particuliers. [32]

5.4.1 Les Perceptrons Multicouches

Le perceptron multicouche est sans doute le plus simple et le plus connu des réseaux de

neurones. La structure est relativement simple : une couche d'entrée, une couche de sortie et

une ou plusieurs couches cachées. Chaque neurone n'est relié qu'aux neurones des couches

précédentes, mais à tous les neurones de la couche précédente. La fonction d'activation

utilisée est en générale une somme pondérée. [32]

5.4.2 Les Réseaux de Kohonen (SOM: Self Organizing Map )

Les SOM sont des travaux de Fausett (1994) et Kohonen (1995). Ces réseaux sont très

utilisés pour l'analyse de données. Ils permettent de cartographier en deux dimensions et de

distinguer des groupes dans des ensembles de données. [32]

Figure 31: Un perceptron multicouche.


5.4.3 Les Réseaux de Hopfield

Le modèle de Hopfield est la version la plus simple des «

Elle est proposée en 1982 par le physicien John Hopfield. Il s’agit d’une structure dite

complètement connectée puisque chaque neurone est connecté à tous les autres. Ainsi, le

neurone ne possède ni couche d’entrée, ni couche de sortie.

la reconnaissance de formes. Ces réseaux sont un peu plus complexes que les

multicouches. [33]

On peut ici constater que tous les neurones reçoivent l’input, il n’y a pas de « couches »

comme dans la plupart des autres réseaux.

Figure


Les Réseaux de Hopfield

Le modèle de Hopfield est la version la plus simple des « réseaux neuronaux récurrents


omplètement connectée puisque chaque neurone est connecté à tous les autres. Ainsi, le

neurone ne possède ni couche d’entrée, ni couche de sortie. Ces réseaux sont bien adaptés à

la reconnaissance de formes. Ces réseaux sont un peu plus complexes que les


comme dans la plupart des autres réseaux.

Figure 32: la carte de kohonen.

Figure 33: Le réseau de Hopfield.


37

réseaux neuronaux récurrents ».


omplètement connectée puisque chaque neurone est connecté à tous les autres. Ainsi, le

Ces réseaux sont bien adaptés à

la reconnaissance de formes. Ces réseaux sont un peu plus complexes que les perceptrons



38

6 Les Réseaux de Kohonen

Les réseaux de neurones à auto-organisation, et en particulier les cartes auto-

organisatrices de Kohonen sont des réseaux à apprentissage non supervisé qui constituent une

classe importante des réseaux de neurones. [37]

Le réseau de kohonen est généralement constitué d’une grille régulière de neurones en

deux dimensions. Chacun des neurones j de cette grille est également connecté à des neurones

d’entrée i, chaque connexion ayant un poid particulier wi;j. [34]

6.1 Le Principe

La carte de Kohonen est une carte topologique auto-adaptative, qui cherche à

partitionner l’ensemble des observations en groupements similaires.

La structure peut être représentée comme un réseau de neurones avec une couche d’entrée, qui

correspond à l’observation z = (Z1, Z2,..., Zn) de dimension n, et une couche de sortie, qui est

composée d’un ensemble de neurones interconnectés et liés entre eux par une structure de

graphe non orienté, noté C. Cette dernière définie une structure de voisinage entre les

neurones. [35]

Figure 34: Le réseau de Kohonen


39

Cette couche de traitement est appelée carte. Les neurones de la couche d’entrée sont

entièrement connectés aux neurones de la carte, et les états de la couche d’entrée sont forcés

aux valeurs des signaux d’entrée. [35]

Les neurones de la carte sont donc répartis aux nœuds d’un maillage bidimensionnel, ces

nœuds étant indexés par des nombres entiers qui définissent une relation de voisinage entre

les neurones. La topologie de la carte est calculée (ou « apprise ») par un algorithme de

gradient stochastique, appelé « algorithme de Kohonen.

6.2 Utilisation de la carte

Une fois la carte apprise, on l’utilise pour classer le jeu de données, en calculant

simplement les distances euclidiennes entre le vecteur à n dimensions caractérisant une

donnée (individu) et les vecteurs (également à n dimensions) représentant les neurones de la

carte. L’individu est alors attribué au neurone dont il est le plus proche au sens de cette

distance. On effectue cette opération pour tous les individus, et on obtient ainsi un classement

du jeu de données.

De plus, la carte permet de visualiser la proximité entre les classes obtenues (et donc aussi

entre les individus de ces classes). [35]

Figure 35: Carte topologique.


6.3 Apprentissage

Le principe de l'apprentissage par SOM est de mettre en correspondance l'espace

contenant les données avec la carte en conservant la topologie des données, c'est

adaptant les poids de telle manière que des exemples proches dans l'espace d'entrée soient

associés au même neurone ou à des neurones proches.

7 Conclusion

Dans ce chapitre nous

l’aide a ce réseau ainsi que leur domaine d’application

des cartes auto-organisatrice de Kohonen pour la

Dans le chapitre suivant nous avons

d’empreinte digitale basé sur les réseaux de neurones




contenant les données avec la carte en conservant la topologie des données, c'est

de telle manière que des exemples proches dans l'espace d'entrée soient

associés au même neurone ou à des neurones proches. [36]

nous avons présentées les réseaux de neurones et l’apprentissage

l’aide a ce réseau ainsi que leur domaine d’application. Nous étudierons surtout l'application

organisatrice de Kohonen pour la classification.

le chapitre suivant nous avons représentées le système complet de vérification

e digitale basé sur les réseaux de neurones, nous avons utilisée


40


contenant les données avec la carte en conservant la topologie des données, c'est-à-dire an

de telle manière que des exemples proches dans l'espace d'entrée soient

et l’apprentissage à

. Nous étudierons surtout l'application

le système complet de vérification

utilisées la cartes auto-

Chapitre 3 Reconnaissance des empreintes digitales

41

Chapitre 3

La Reconnaissance des empreintes digitales


42

Chapitre 3 :

Reconnaissance Des Empreintes Digitale

1 Introduction

Ce chapitre donne une explication de notre méthode de Reconnaissance d’empreinte

digitale par le réseau de neurone. Cela se compose de trois étapes principales

(prétraitements, extraction des minuties et la dernière c’est la classification par la carte de

kohonen). La description du système s’explique de la façon suivante (voir si dessous).

2 Description du système 2.1 Organigramme

Cet Organigramme représente notre système d’identification et de vérification

d’individus, qui permet de vérifier si une personne appartient à la base de données du

système, et de l’identifier si c’est le cas. On peut représenter par le diagramme suivant :

Vecteur de minuties

Figure 36: Système de reconnaissance.

Comme l’indique la figure précédente, un système de reconnaissance passe par plusieurs

étapes qui sont:

Acquisition d’empreinte

Extraction des

Minuties

Les Prétraitements

Identification Carte de kohonen

Monde Extérieur


43

2.2 Acquisition de l’empreinte :

C’est l’opération qui permet d’extraire du monde réel une représentation

bidimensionnelle pour des objets en 3D, cette opération peut être statique (Capteur, Appareil

Photo, Scanner…etc.)

2.3 Les Prétraitements :

2.3.1 Niveau de gris Tout d'abord pour chaque pixel de l'image il faut extraire ses trois composantes (R, V, B).

Ensuite là il existe plusieurs formules pour calculer la valeur en niveau de gris. Nous avons

utilisé la formule suivante: Gris = 0.2126 Rouge + 0.7152 Vert + 0.0722 Bleu

On peut représenter ce principe par l'algorithme suivant :

Pour chaque position P(colonne/ligne) du image original faire

modifier la couleur de P(colonne/ligne)

finpour;

Fin.

2.3.2 Homothétie De nombreux algorithmes de traitement d'image nécessitent de calculer la valeur d'un niveau

sur un point qui ne coïncide pas avec un pixel. Cette valeur peut être obtenue par interpolation

bilinéaire avec les 4 pixels voisins les plus proches du pixel inconnu, en donnant un poids

évalué à partir de la distance du point calculé aux voisins.

2.3.3 Filtrage

Dans notre application en utilisons le filtre gaussien, c’est un filtre de traitement d'image

appliqué par convolution (utilise un masque (matrice) appliqué à chaque pixel) Ce type de

filtre est utilisé pour diminuer le bruit si sigma < 1 ou appliquer un flou si sigma > 1 sur une

image.

2.3.4 Binaraisation

Nous choisissons un seuil S, et tous les pixels ayant des valeurs inférieures à celui-ci

deviennent noirs, tous ceux de valeurs supérieures deviennent blancs. Ainsi, on peut

représenter ce principe par l'algorithme suivant :


44

Si la valeur du pixel courant > Seuil alors

Valeur du pixel courant = 255

Sinon

Valeur du pixel courant = 0;

Finsi ;

Fin.

Le résulta obtenu :

2.3.5 Squelettisation de l'empreinte

Il faut effectuer la squelettisation sur une image binaire. Il existe, principalement, deux

classes d’algorithme de squelettisation : les algorithmes parallèles et les algorithmes

séquentiels. Les algorithmes parallèles opèrent sur tous les pixels de l’image simultanément.

En revanche, les algorithmes séquentiels examinent les pixels et les transforment selon les

résultats obtenus précédemment. Dans ce qui suit, nous détaillerons l’algorithme qui nous

allons utilisons : l’algorithme de Thomé (type parallèle).

Algorithme de Thomé

Cet algorithme extrait de la figure originale un squelette composé de points

inessentiels. Un point p inessentiel a au moins un 0 dans son voisinage en 4-connexité. Mais

ceci n'est pas suffisant. Il faut en plus que l'ensemble des 1 du voisinage en 8-connexité soit 8-

Figure 37 : Binarisation de l’empreinte digitale.

Empreinte en gris


45

connexe et l'ensemble des 0 du voisinage en 8-connexité soit 4-connexe. Les 16

configurations suivantes sont un résumé de l'ensemble de toutes les configurations où p est

inessentiel. [38]

2.4 Extraction des Les minuties

C'est le processus final qui complète l'obtention de la "signature" de l'empreinte. A

partir d'une image de l'empreinte préalablement traitée, on extrait grâce à différents

algorithmes une structure de données ou signature. La signature retenue pour caractériser

l'empreinte est basée sur un ensemble suffisant et fiable de minuties.

Figure 38: Ensemble des configurations de points inessentiels.

Figure 39: Squelettisation de l’empreinte digitale.


46

Nous somment extraites les minuties de l’empreinte digitale à partir de son squelette

en calculant la «connectivité » CN en chaque point de l’image de la manière suivante :

CN = ∑ |Pi −�� P��| /2

P9 = P1, Pi est la valeur des pixels dans le voisinage 3*3 de P

En effet le coefficient CN présente des caractéristiques qui permettent d’identifier la

nature d’une minutie en fonction du résultat obtenu lors du calcul de CN. [39]

CN Nature de la minutie en P

0 Erreur ===> Point isolé

1 Terminaison

2 Erreur ===> point appartient sillon

3 Bifurcation

4 Erreur ===> Minutie à 4 branches

Tableau 1: Identification d’une minutie à partir du calcul de CN.

Figure 40: Extraction des minuties.


47

Le résulta obtenu :

Les points rouges : fin de ligne (Terminaison).

Les points blues : intersection de deux lignes (Bifurcation).

2.5 Classification à base la carte de kohonen :

2.5.1 Apprentissage :

Le réseau de kohonen est un réseau auto-organisateur. L’apprentissage se réalise

simplement en lui présentant les données d’entrée dans un ordre aléatoire, sans autre

information et en appliquant une procédure de modification des poids.

Figure 41: Les minuties en empreinte digitale.

Figure 42 : Les terminaisons et les bifurcations.

Chapitre 3

Reconnaissance des empreintes digitales

Les dimensions de la carte : nombr

en largeur est 4, et en hauteur est 4 dons en a

une matrice 4*4, en a 16 personnes.

Reconnaissance des empreintes digitales

48

nombre de neurones

hauteur est 4 dons en a

4, en a 16 personnes.


49

2.5.2 Algorithme d’apprentissage

Algorithme de traitement (WTA)

•••• Initialisation

Initialisation des poids à des valeurs aléatoires, du rayon de voisinage et de son pas et période de mise à jour.

•••• Apprentissage

Répéter : Pour chaque vecteur d’apprentissage(Minuties) xr

•••• Calculer la distance au carré de chacun des neurones j par rapport à xr

( ) ( )∑=

−=n

iijij xwwxD

1

2,rr

•••• Sélectionner le neurone J qui présente la plus courte distance entre xr

et wr

( ) ( )[ ]jJ wxDwxDrrrr

,min, =

•••• Adapter les poids du neurone J

ijw = [ ]jiiij wxw −+α

•••• modifier α (fonction monotone décroissante)

α(t)= T- t / T

Jusqu’à convergence

2.5.3 Décision : La décision est la partie du système ou on tranche sur l’appartenance d’un individu à

l’ensemble des empreintes ou pas, si oui, quelle est son identité. Donc la décision c’est

l’aboutissement du processus. On peut la valorisée par un taux de reconnaissance (fiabilité)

qui est déterminé par le taux de justesse de la décision.


50

3 Conclusion

Dans ce chapitre nous avons représentées notre méthode développée on utilise

l’algorithme « Organisation Carte Self (SOM) ». Le principal avantage de cette méthode, par

rapport aux autres méthodes de reconnaissance d'empreintes digitales fondée sur les minuties,

est que la méthode est tolérante aux erreurs dans l'estimation des minuties de l'image de

modèle. Ceci est une question de grande importance puisque l'estimation précise de minuties

est une tâche difficile, surtout pour les images d'empreintes digitales de faible qualité.

Chapitre 4 Conception et implémentation

51

Chapitre 4

Conception et Implémentation


52

Chapitre 4 :

Conception Et Implémentation

1 Introduction

Notre application consiste à développer un système biométrique de reconnaissance des

individus par leurs empreintes digitales basé sur le réseau de kohonen tel que présenté dans le

chapitre précédent.

Dans ce dernier chapitre, nous présentons les différentes étapes réalisées durant le

développement de notre application, nous commençons tout d’abord par la présentation du

L’environnement matériel et logiciel ensuite, nous définissons les fonctionnalités de notre

application avec des captures d’écran de l’interface.

2 L’environnement de développement

2.1 L’environnement matériel :

Pour développer cette application nous avons utilisé une machine ayant la configuration

suivante :

� Pc portable acer.

� Mémoire Vive : 4 Go.

� Disque Dur : 500 Go.

� Processeur : Intel (R) Core (TM) I 3-3217U (1.8 GHz, 3MB L3 cache).

� Type de système : Windows 7

2.2 Environnement Logiciel :

Lors du développement de cette application, nous avons utilisées le logiciel suivant:

� Netbeans. Version 8.0.

Chapitre 4

2.2.1 NetBeans

Est (EDI) , placé en open source

développement intégréin 2000

License).

NetBeans est disponible sous

systèmes d'exploitation (requérant une machine virtuelle Java

langues.

Il comprend toutes les caractéristiques d'un IDE moderne (coloration syntaxique, projets

multi-langage, refactoring, éditeur graphique d'interfaces et de pages web,

Notre application est écrit

Netbeans par ce qu’il permet principalement le développement des applications en java, et

facilite la création des interfaces graphiques.

Figure

Conception et implémentation

open source par Sun Microsystems en ju un

in 2000 sous licence CDDL (Common Development and Distribution

NetBeans est disponible sous Windows, Linux, Solaris ou sous une version indépendante des

systèmes d'exploitation (requérant une machine virtuelle Java). NetBeans est disponible en 23


langage, refactoring, éditeur graphique d'interfaces et de pages web, etc.

est écrite en Netbeans version 8.0 sous Windows. Le choix de


facilite la création des interfaces graphiques.

Figure 44: Netbeans 8.0.

Figure 43 : Logo de NetBeans.

Conception et implémentation

53

un environnement de

Common Development and Distribution

ou sous une version indépendante des

NetBeans est disponible en 23


etc.). [44]

en Netbeans version 8.0 sous Windows. Le choix de



54

2.2.2 Environnement de Développement Intégré Java

Les IDE sont des programmes qui regroupent un ensemble d'outils pour le

développement de logiciels. De façon générale, un IDE contient un éditeur de texte, un

compilateur, des outils automatiques de fabrication, et très souvent un débogueur.

Il existe des IDE pour de nombreux langages, cependant il est très courant qu’un IDE soit

conçu pour un seul langage de programmation. Il est également possible qu’un IDE dispose

d’un système de gestion de versions et différents outils pour faciliter la création des interfaces

graphiques.[45]

2.2.3 Bref Historique de NetBeans

NetBeans a vu le jour en tant que projet d'étudiant en République Tchèque (appelé à

l'origine Xelfi), en 1996. Le but était d'écrire un EDI Java semblable à Delphi, mais en Java.

Une companie fut créée autours de ce projet, nommé NetBeans. Il y a eu deux versions

commerciales de NetBeans, appelées Developer 2.0 et Developer 2.1. Aux alentours de mai

1999, NetBeans sorti une version béta de ce qui aurait du être Developer 3.0. Quelques mois

plus tard, en octobre 1999, NetBeans fut racheté par Sun Microsystems. Après quelques

temps de développement supplémentaires, Sun sortit l'EDI Forté Fro Java, Edition

Communauté - le même EDI qui avait été en béta comme NetBeans Developer 3.0.

En juin 2000, Sun mis l'EDI NetBeans en open-source.

En avril 2011 : La sortie de la version 7.0.

En novembre 2015 : La dernière version 8.1. [43]

3 Présentation de travail:

Nous avons données une vue globale sur les différentes traitements réalisées et le

déroulement de notre système, donc nous avons décri les grandes démarches réalisées, et les

principes suivies pour le bon fonctionnement de notre application.

4 Base de données d’empreinte digitale

Notre base d’empreintes est composées de deux sous base BD1 (base de donnée 1) et BD2

(base de donnée 2).

Nous avons choisi deux bases de donnes car la base de donnée 1 est insuffisante.


55

SFINGE (Fingerprint Générateur synthétique) : est un nouveau procédé pour la génération

d'images d'empreintes digitales de synthèse ("sfinge" est l’italien de "sphinx").

Type de capteur Taille de l'image Résolution Nbr de personnes

BD1 Capteur optique 640x480 pixels 500 dpi 10 Personnes

BD2 SFinGe v3.0 288x384 pixels 500 dpi 6 Personnes

Tableau 2: Information sur les bases de données.

Donc en a 16 personnes et chaque personne a contribué par 6 images de l’empreinte de son

indexe dans des positions différentes plus 3 empreintes du test.

La figure suivante montre un exemple d'image de chaque base de données:

D’après cet exemple nous remarquons que les deux bases n’ont pas la même taille s’est pour

ce la que nous avons faire correspondre la taille BD2 à celle de BD1.

Les formats des cette images et de type TIF, nous avons changé cette format en PNG car

elles n’ont pas compatible avec notre environnement logiciel.

La qualité de ces images sont mauvaises, Nous avons souffert dans ce travail à cause de

cette qualité, malheureusement nous n’avons pas un capteur pour faire notre base de donnes sinon

on aurait prendre notre propre enchantions.

5 Présentation de l’interface homme-machine :

5.1 Authentification de l'utilisateur

Elle se compose en 2 parties :

1. Le nom et le mot de passe valide.

Figure 45: Echantillon d’empreintes d’une personne de la base BD1 et BD2.


56

2. Le nom et le mot de passe invalide.

5.1.1 Le nom et mot de passe � Valide

Pour entrer dans l’application il est nécessaire d’introduire le nom et le mot de passe correct.

� Invalide

Dans ce cas il apparait une boite de dialogue pour réinitialise les informations

d’authentification.

Figure 46: Information valide.


57

5.2 Fenêtre principale de l’application (Accueil)

Cette fenêtre permet une première interaction de l'utilisateur avec notre système. Elle se doit

d'être maniable et facile à utiliser. Elle se compose en 6 parties :

1. les composent de la barre de menu.

2. La phase d’apprentissage.

3. Zone pour chargement de l’empreinte digitale.

4. Homothétie et le niveau de gris d’empreinte.

5. Les traitements faits sur l’empreinte (Filtre, Binarisation, squelettisation).

6. Extractions des Minuties.

7. Reconnaissance de l’individu.

8. Zone pour les traitements nécessaire dans la base de données (afficher l’individu).

.

Figure 47: Boite de dialogue (erreur).


58

En a deux emplacements pour les images dans l’une en trouvent l’empreinte originale et dans

la 2émé en trouvent le résultat.

5.2.1 Composants de menu de barre

Dans cette section, nous allons présenter les différents éléments de notre application

avec une brève description de leurs fonctions.

� Menu Fichier : selon la figure 49 il contient les fonctions ouvrir (pour choisir une

empreinte), enregistrer sous (pour sauvegarder le résultat d’un traitement) et quitter

(pour quitter l’application).

Figure 48: fenêtre principale de l’application (Accueil).


59

Menu Prétraitements : il contient les prétraitements faits sur l’empreinte (Homothetie, Niveau de gris, Filtre, Binarisation, squelettisation).

Figure 49: Menu fichier.

Figure 50:Menu reconnaissance.


60

Menu Traitement : il contient l’étape d’extraction des caractéristiques après les prétraitements d’empreintes.

Menu Carte de Kohonen: d’après la figure 52 il contient la phase d’apprentissage et la phase de teste.

La 1ère étape de fonctionnement de l’application consiste à faire l’apprentissage.

Figure 51 : Menu de traitement.


61

Figure 52: Menu Carte de Kohonen.

Après une boite de dialogue qui informe que l’apprentissage est terminé.

Figure 53: Boite de dialogue (information).


62

5.2.2 Chargement de l’empreinte digitale :

La 2ème étape de fonctionnement de l’application consiste à charger une empreinte

digitale a partir de la base de données qui contient des images des empreintes. Pour cela, on

clique sur le sous-menu [Ouvrir].La fenêtre suivante nous permet de choisir l’image à charger.

5.2.3 Les prétraitements

� Homothétie

Figure 54: Chargement d’une image d’empreinte digitale.

Figure 55: Homothétie.


63

� Transformation en niveaux de gris :

Les images de notre base sont en niveaux de gris. Lorsqu’on introduit une image

couleur il suffit de clique sur le sous-menu [ NivdeGris ] pour rendre en gris.

� Filtrage : Dans cette étape en applique le filtre gaussien.

Figure 57: Filtrage de l'empreinte.

Figure 56: Mise en niveaux de gris.


64

� Binarisation

Dans cette étape de binarisation où les pixels de l’image sont partagés par un seul

seuil. Pour effectuer cette opération on clique sur le sous-menu [ Binarisation ].

� Squelettisation:

La squelettisation est un traitement nécessaire qui suivre l’étape de binarisation. En

sélectionnant le bouton Squellettisation l'image binarisé sera squelettisé, en

conséquence toutes les crêtes auront la même taille qui est égale à 1.

Figure 58: Binarisation d’empreinte.


65

5.2.4 Extraction des points :

on clique sur le sous-menu [traitement] pour faire extraire les points associés à l’image

d’empreinte digitale chargée.

Figure 59 : Squelettisation de l’empreinte

Figure 60:Extraction des minuties.


66

5.2.5 Test Après l’extraction des minutiers, si l’empreinte digitale est déjà existe dans la base de

donnée ; Lorsque l’utilisateur clique sur le sous-menu [test] les information de cette personne

sera affiché.

6 Conclusion

Dans ce chapitre, nous avons présenté les différentes interfaces de l’application.

La partie de réalisation détermine une idée plus claire sur les taches qui sont réalisé dans cette

application par la présentation des interfaces graphiques. Enfin par ce chapitre nous avons

terminé la phase de développement de notre application.

Figure 61: Fiche d’authentification de la personne.


67

Conclusion général

La biométrie est un domaine à la fois passionnant et complexe. Elle tente, par des

outils mathématiques souvent très évolués, de faire la distinction entre des individus, nous

obligeant à travailler dans un contexte de très grande diversité. Cette diversité se retrouve

également dans le nombre considérable d'algorithmes qui ont été proposés en reconnaissance

des empreintes digitales.

Les réseaux de neurones reposent à présent sur des bases mathématiques solides qui

permettent d’envisager des applications dans presque tous les domaines notamment dans le

domaine de la classification.

Notre projet de fin d’étude consiste à concevoir une application de reconnaissance des

empreintes digitales par le réseau de neurone(carte de kohonen) qui permet de réaliser un

système biométrique qui fait l’authentification des individus selon leurs empreintes digitales.

Au cours de ce mémoire, nous avons présentées les différentes étapes de la conception et la

réalisation de notre application, et approcher les différentes méthodes de traitement d’images

et de classification.

Nous estimons avoir réalisé un système répondant à l'objectif que nous nous sommes fixés au

départ, à savoir la mise en œuvre un système de reconnaissance d’individus à base

d’empreintes digitales en utilisant les cartes auto-organisatrice de Kohonen .


68

Bibliographie

Référence Détail Bibliographique

[1]

Christel -Loïc TISSE. ‘‘Contribution à la vérification biométrique de personnes par

reconnaissance de l’iris ”.Thèse de doctorat de l’université de Montpellier II, Octobre

2003.

[2]

www.ummto.dz/IMG/pdf/ahmed_zaid_aghiles.pdf.

[3]

http://www.biblio.univ-evry.fr/theses/2008/2008EVRY0032.pdf.

[4]

Mémoire online : Conception et mise en place d'une plateforme de sécurisation par

Synthèse et reconnaissance biométrique de documents de trafic.

Présenté par : Andrey MURHULA.

Promotion : 2015.

[5]

Introduction à la biométrie

ww2.ac-poitiers.fr/electronique/IMG/doc/introduction _a_la_biometrie.doc.

[6]

www.clusir-rha.fr/sites/default/.../ClusirGestionIdentites20051214.pdf.

[7]

Mémoire de fin d’étude : conception et réalisation d’une authentification des

l’empreintes digitale par les réseaux de neurones.

Présenté par : Boukraa sarah.

Université de : université mentouri de Constantine.

Promotion : 2012.


69

[8]

Mémoire de fin d’étude : Extraction des caractéristiques pour l’analyse biométrique d’un

visage.

Présenté par : BETTAHAR-SABER.

Université de : université kasdi merbah Ouargla.

Promotion : 2014.

[9]

Reconnaissance biométrique frappe au clavier

www.nouvellestechnologies.net/reconnaissance-biometrique-frappe

[10]

Mémoire de fin d’étude : Reconnaissance des empreintes digitale.

Présenté par : Mohamed Lamine.

Université de : université Larbi Ben M'hidi Oum El Bouaghi.

Promotion : 2011.

[11]

Cours : La Reconnaissance des Fourmes

Préparer par : Mm chabout.

[12]

http://www.memoireonline.com/09/09/2694/Systeme-de-reconnaissance-hors-ligne-des-

mots-manuscrits-arabe-pour-multi-scripteurs.html.

[13]

Reconnaissance automatique des empreintes digitales

http://www.isir.upmc.fr/UserFiles/File/LPrevost/Biometrie%20Empreintes.pdf.

[14]

Pierre Jolicour, Introduction à la biométrie, 32,78 €


70

[15]

http://empreintesdigitales.free.fr/index.php?page=grand1

[16]

http://www.biometrie-online.net/

[17]

http://dspace.univ-tlemcen.dz/bitstream/112/5500/7/chapitre3.pdf .

[18]

Mémoire online : Conception et réalisation d'un système de vote électronique pour le

parlement: "cas du sénat congolais".

Présenté par : Gérard et Patrick.

Université de Kinshasa RDC.

Promotion : 2011.

www.memoireonline.com › Informatique et Télécommunications.

[19]

https://hal.archives-ouvertes.fr/tel-01206294/documen .

Identification de personnes par fusion de différentes modalités biométriques.

[20]

Titre : Reconnaissance Automatique du Locuteur -Approche connexionniste-

Thèse de Doctorat préparée par Mr Sayoud Halim,

sous la direction de Mme Malika Boudraa.

Septembre 2003.

[21]

Mémoire de fin d’étude : Identification des Visages Humains par Réseaux de Neurones.

Présenté par : Lemmouchi Mansoura

Université de Batna.

Promotion : 2011.

[21]

W.S. McCulloch and W. Pitts, “A logical calculus of ideas immanent in nervous

activity”, Bull. Mathematical Bio-physics, Vol. 5, 1943, pp. 115-133.


71

[22]

M. Minsky and S. Papert, “Perceptrons: An introduction to computational geometry”,

MIT Press, Cambridge. Mass, 1969.

[23]

J.J. Hopfield, “Neural networks and physical systems with emergent collective

computational abilities”, in Roc. Nat, Academy of Sciences, USA 79, 1982, pp. 2,554

2,558.

[24]

D.E. Rumelhart and J.L. McClelland, “Parallel distributed processing: Exploration in the

microstructure of cognition”, MIT Press, Cambridge. Mass, 1986.

[25]

Jain A. K, Mao J, Muhiuddin K. M, “Artificial Neural Networks: A tutorial”, IEEE,

pp.31-44, March 1996,

[26]

Réseaux de neurones.

www.uqtr.uquebec.ca/~biskri/Personnel/mol/RRN.doc .

[27]

Résumé : Réseaux de neurones

Marc-Olivier LaBarre

Mais 2002.

[29]

D.E. Rumelhart and J.L. McClelland, “Parallel distributed processing: Exploration in the

microstructure of cognition”, MIT Press, Cambridge. Mass, 1986.

[30]

S. Siu, G.J. Gibson,and C.F.N. Cowan, “ Decision feedback equalisation using neural

network structures and performance comparison with standard architecture”, IEEE

Proceedings, Vol.137, Pt. I, No. 4, pp.221-225, August 1990


72

[31]

Réseaux de neurones : Applications des réseaux de neurones

https://fr.wikiversity.org/wiki/R%C3%A9seaux_de_neurones/Applications_des_r%C3%

A9seaux_de_neurones

[32]

Introduction aux Réseaux de Neurones.

Sylvain Barthélémy, Juin 2000.

www.sylbarth.com/nn.php.

[33]

Loi de Hebb & modèle de Hopfield | TPE 2012.

https://tpebrodinserise.wordpress.com/hebb-modele-hopfield/ .

[34]

Projet informatique - Réseau de Kohonen.

David Filliat - ENSTA ParisTech.

www.ensta-paristech.fr/~filliat /Courses/Polys/IN104_CarteKohonen_slides.pdf.

[35]

Rapport de stage

Sujet : Systèmes d’apprentissage non supervisé connexionnistes et stochastiques pour la

fouille de données structurées en séquences.

Présenté par par : Melle. Nicoleta Rogovschi.

présenté le 29 septembre 2006.

UNIVERSITE PARIS 13.

[37]

Kohonen T. – “Analysis of a simple self-organizing process.” Biol.

Cybern., n 44, 1982, pp. 135-140, 1982

[38]

Veelenturf L. P. J, “Analysis and Applications of Artificial Neural Networks”, Book,

Prntice Hall Edition, 1995.

[39]

Abdi H, “Neural Network”, Lewis -Beck M, Bryman. A, Futing T (Eds.), Encyclopedia of Social Sciences Research Methods, Thousand Oaks (CA ): Sage , 2003


73

[40] DAYAN P, ABBOTT L. F, “ THEORETICAL NEUROSCIENCE”, BOOK, 2000

[41] DREYFUS G, MARTINEZ J-M, SAMUELIDES M, GORDON M. B, “RESEAUX DE

NEURONES METHODOLOGIES ET APPLICATION”, S. THIRIA , L HERAULT (EDS.), GROUPE

EYROLLES, ISBN : 2- 212-11464-8, 2004.

[42] FREEMAN J. A, SHAPRIUA D.M, “N EURAL NETWORKS: ALGORITHMS, APPLICATION

AND PROGRAMMING TECHNIQUES”, BOOK, ADDISON WESLEY PUBLISHING COMPANY, INC, 1991.

[43] https://netbeans.org/about/history_fr.html.

[44] http://general.developpez.com/edi/.

[45] www.aonet.fr/projects/IR3/.../AcciR%20-%20DDODT%20-%20Partie%20IDE.docx

Reconnaissance d’empreinte digitale par réseaux de neurones

Documents

Transcript of Reconnaissance d’empreinte digitale par réseaux de neurones