1.

Mthode de John Daugman :[1],[2] Un systme biomtrique permet lidentification automatique dun individu base sur une reprsentation unique des caractristiques possdes par lindividu. La reconnaissance par iris est considre comme le systme didentification biomtrique le plus fiable et le plus efficace qui soit disponible. La plupart des systmes commerciaux de reconnaissance par iris utilisent lalgorithme brevet de Daugman. Cet algorithme est capable de donner des taux de reconnaissance parfaits. Cependant, les rsultats publis ont souvent t obtenus sous des conditions de capture favorables, et il ny a jamais eu pour cette technologie des tests independents. Il a aussi propos une mthode pour normaliser la forme de liris, une mthode dextraction de paramtres intrinsques de liris, un moyen de transformer ces paramtres extraits en un code de taille constante et un moyen de prise de dcision qui sied au temps aux systmes de vrification qu ceux didentification des individus. 1.2.Prtraitement : permettre une meilleure visualisation de limage faciliter les traitements ultrieurs amlioration de l'image (renforcement du contraste, reduction du bruit ) 1.2.1.Rduction de bruit : Le pretraitement se ramne alors un problme de traitement du signal : retrouver par filtrage les niveaux dintensitnominaux de chacune des r egions. Objectifs : reduire lamplitude des variations dintensit dans chacune des rgions conserver les transitions entre rgions adjacentes Mod`eles de bruit : bruit additif. bruit multiplicatif . bruit convolutif. 1.2.1 Le lissage : Le lissage se fait par un filtre de convolution median. C'est a dire que nous allons rendre plus floue cette image. Le filtre median est un filtre qui lisse les valeurs des pixels. Plus precisement, pour un pixel (x,y) , on inclut la valeur de ses voisins dans une liste et on met le pixel cible a la valeur de la mediane de notre liste.

Pour illustrer, Ici nous montrons un filtre moyenneur qui appliquerait aussi un lissage. C'est un filter 3x3. Mais contrairement a ce qui est presente on va appliquer la mediane c'est a dire que l'on va trier les valeurs des pixels et ressortir la valeur mediane (milieu de la liste). 1.2.2.Filter gaussien : Formule :

Approximation 3x3 de la courbe Gaussienne 2D : En fixant sigma = 0.8 et coeff = 16, j'obtiens (retrouve..) dans le tableur LibreOffice le noyau de convolution suivant :

2.Segmentation :[3],[4],[5] La segmentation de liris est la premire tape dans un processus de reconnaissance. Elle consiste isoler la texture de liris du reste de limage de loeil acquise par un quelconque capteur. La rgion de liris comme illustre dans la Figure 2-1 ci-dessous est entoure par des frontires extrieures (iris-blanc de loeil) et des frontiers intrieures (iris-pupille).

.Figure 2-1- Une image diris avec les diffrentes parties dtecter La pupille est un trou noir lintrieur du disque de liris, presque circulaire. En acquisition proche infrarouge, cette rgion peut tre considre comme la rgion plus fort contraste. Gnralement quelques reflets dus lutilisation des diodes LED proche infrarouge sont localiss lintrieur de la pupille (voir figure 2-1). Ces reflets dependent du nombre de diodes LED, de leur puissance et de la position de loeil par rapport la camra lors de lacquisition. Ces reflets peuvent tre utiliss pour faciliter la dtection de la pupille et aussi comme moyen dassigner une mesure de flou limage. La frontire extrieure de liris est la sparation entre le disque de liris et le blanc de loeil. Une acquisition en proche infrarouge complique la tche de segmentation car le contraste blanc de loeil-iris est trs faible dans de telles conditions dacquisition. En plus, cette frontire est en grande partie couverte par dautres rgions telles que les cils ou les paupires. Les paupires sont gnralement elliptiques avec un contraste souvent faible avec la texture de liris. Quand aux cils, il sagit sans doute du bruit le plus difficilement dtectable dans la texture de liris. En effet les cils sont des objets noirs de formes irrgulires et diverses qui peuvent couvrir de grandes rgions de la texture de liris surtout dans cas diris dasiatiques. Notre objectif est de localiser les frontires pupille-iris et iris-blanc de loeil ainsi que dextraire de limage de loeil diffrents lments qui sont considrs comme bruits. 2.1.dtection de contours : La mise en vidence des points reprsentant les contours d'objets dans une image peut servir reconnatre des objets prsents dans une scne, diffrencier des zones de l'image, faire de la segmentation d'images, extraire une information rduite souvent pertinente pour caractriser l'image.

Un contour se matrialise par une rupture d'intensit dans l'image suivant une direction donne. Plusieurs mthodes existent pour dtecter cette rupture, les unes plus ou moins complexes, les autres plus ou moins gourmandes en calculs. Dans la plupart des cas et en particulier pour ceux prsentes ici, la mme mthodologie est employe. Elle s'applique en deux tapes : la premire permet de localiser les contours partir d'un calcul de Gradient ou de Laplacien dans des directions privilgies tout en quantifiant l'importance du contour (voir figure ci-aprs). La seconde tape va permettre d'isoler les contours du reste de l'image partir d'un seuillage judicieux. Plusieurs mthodes permettent de dterminer le Gradient ou le Laplacien d'une image. Il en est de mme des techniques de seuillage. Ces deux tapes sont indpendantes, il existe donc un grand nombre de combinaisons calcul de Gradient-opration de seuillage conduisant la mise en vidence des contours. Le rle de l'ingnieur est souvent de choisir les oprateurs les mieux mme de satisfaire les exigences associes l'image traiter. 2.1.1. Critres de Canny (1983) :[5],[6] On se place dans le cas monodimensionnel. On suppose que la dtection est effectue en convoluant le signal par un filtre de rponse impulsionnel h, les contours tant caractris par les extrma de la sortie du filtre. Les contours envisags ici sont des contours de types marche et le bruit est suppos blanc (de moyenne nulle). Les critres doptimalits sont : dtection : le contour doit tre dtect, il fautminimiser les fausses rponses, localisation : le contour doit tre localis avec prcision, il sagit de minimiser la distance entre les points dtects et le vrai contour. rponse unique : il sagit de minimiser le nombre de rponse pour un seul contour. Les tapes principales de canny : Lissage (gaussien), dtection de contour(sobel), suppression de non maxima, seuillage. (i) Rduction du bruit La premire tape est de rduire le bruit de l'image originale avant d'en dtecter les contours. Ceci permet d'liminer les pixels isols qui pourraient induire de fortes rponses lors du calcul du gradient, conduisant ainsi de faux positifs. Un filtrage gaussien 2D est utilis , dont voici l'oprateur de convolution :

et un exemple de masque 55 discret avec =1,4 :

Usuellement, un filtre est de taille plus rduite que l'image filtre. Plus le masque est grand, moins le dtecteur est sensible au bruit et plus l'erreur de localisation grandit. (ii) Gradient d'intensit : Aprs le filtrage, l'tape suivante est d'appliquer un gradient qui retourne l'intensit des contours. L'oprateur utilis permet de calculer le gradient suivant les directions X et Y, il est compos d'une paire de deux masques de convolution, un de dimension 31 et l'autre 13:

La valeur du gradient en un point est approxime par la formule : | G | = | Gx | + | Gy |

(iii) Direction des contours : Les orientations des contours sont dtermins par la formule :

Nous obtenons finalement une carte des gradients d'intensit en chaque point de l'image accompagne des directions des contours. (iv) Seuillage des contours : La diffrenciation des contours sur la carte gnre se fait par seuillage hysteresis. Cela ncessite deux seuils, un haut et un bas; qui seront compars l'intensit du gradient de chaque point. Le critre de dcision est le suivant. Pour chaque point, si l'intensit de son gradient est:

Infrieur au seuil bas, le point est rejet; Suprieur au seuil haut, le point est accept comme formant un contour; Entre le seuil bas et le seuil haut, le point est accept s'il est connect un point dj accept. Une fois ceci ralis, l'image obtenue est binaire avec d'un ct les pixels appartenant aux contours et les autres. (v) Paramtres : Les deux paramtres principaux dterminant le temps de calcul et l'acuit de l'algorithme sont la taille du filtre gaussien et les deux seuils. Taille du filtre: le filtre utilis lors de la rduction du bruit a une influence directe sur le comportement de l'algorithme. Un filtre de petite taille produit un effet de flou moins prononc, ce qui permet la dtection de petites lignes bien marques. Un filtre de taille plus grande produit un effet de flou plus important, ce qui permet de dtecter des contours moins nets, par exemple celui d'un arc-en-ciel. Seuils: l'utilisation de deux seuils au lieu d'un amliore la flexibilit mais certains problmes propres au seuillage demeurent. Ainsi, un seuil trop bas peut conduire la dtection de faux positifs. Inversement, un seuil trop haut peut empcher la dtection de contours peu marqus mais reprsentant de l'information utile 2.2. La transforme de Hough : Paul Hough dveloppe en 1962 une technique (brevete par IBM), la transforme de Hough , qui donne un moyen efficace de dtecter, avec prcision, une forme paramtrique dans un chantillon de points. Elle permet notamment de dtecter .efficacement les droites ou les cercles de rayon donn Alors que certaines techniques commencent par suivre des points de contour afin de les relier par diverses mthodes, Hough propose d'accumuler des vidences sur la prsence d'une forme dfinie au pralable. Cette mthode va se baser sur une bijection entre l'espace de l'image et l'espace des paramtres de la forme cherche. la transforme de Hough est performante dans la recherche de cercles d'un rayon : donn x-a) + (y-b) = r) Chaque point de (x;y) de l'image devient un cne dans l'espace des paramtres (a,b,r). .Pour un rayon fix, on obtient un cercle Cependant, lorsque le nombre de paramtre augmente, la transforme de Hough devient trs coteuse, elle n'est donc judicieuse que pour des recherches dont le

nombre de paramtres reste faible. De plus, les votes ont tendance se disperser avec l'augmentation des paramtres, il faudra donc y prter attention lors du seuillage.

:2.3La mthode intgro-diffrentiel

Avant Wildes, Daugman avait propos une mthode de dtection de liris, de la pupille et des paupires base sur la mesure dun oprateur intgro-diffrentiel dfini par lexpression suivante:

o I(x,y) est limage de loeil, r le rayon du cercle que lon est en train de chercher et G(r) est une fonction gaussienne de lissage. Loprateur effectue donc la difference entre la moyenne des gradients calculs sur deux cercles de rayons r et r+1. Le cercle qui maximise cette diffrence est le cercle recherch. Ainsi, loprateur est appliqu de manire itrative avec un degr de lissage de moins en moins fort afin datteindre une dtection prcise. Les paupires sont dtectes de la mme manire en utilisant des rayons trs grands approximant ainsi des arcs de cercles. La mthode intgro-diffrentielle peut tre vue comme une gnralisation de la mthode de la transforme de Hough. En effet, elle utilise une image de gradient afin de rechercher un contour gomtrique bien dfini. Puisquelle utilise limage du gradient sans seuillage, cette mthode ne souffre pas de problmes de recherche de points de contours et donc dlaboration de stratgie pour trouver des seuils. Par contre, cette mthode est plus sensible aux bruits car ces derniers engendrent des gradients trs forts qui peuvent fausser la moyenne du gradient sur un cercle et attirer le contour vers leurs positions. La figure (ac) montre une image segmente par la mthode intgrodiffrentielle.

Figure (ac): Segmentation de liris par la mthode intgro diffrentielle. Image extraite du site personnel de Daugman

Quelque soit la mthode utilise (Transforme de Hough ou dtecteur intgrodiffrentiel), une modlisation a priori des contours recherchs par des formes gomtriques est ncessaire. En effet, les contours extraits de liris et de la pupille sont approxims par des cercles alors que les paupires sont approxims par des lignes, des ellipses ou des arcs de cercle. Toutes ces hypothses, mme si elles restent grossirement correctes, ne sont pas ralises pour autant. En effet, la pupille nest souvent pas parfaitement circulaire et peut subir quelques dformations en particulier cause de langle de prise de vue. Liris non plus ne peut pas tre considr comme un cercle car il est couvert par les paupires sur les parties suprieures et infrieures Pour toutes ces raisons, nous avons mis en oeuvre des mthodes de dtection des contours de liris et des bruits occultants qui ne soient pas limites aux formes gomtriques connues. Pour raliser ce genre dopration, il y'a deux mthodes diffrentes, celle base sur les contours actifs et une mthode statistique modle mixtures de gaussiennes GMM.

3. Normalisation de liris : Mthode pseudo polaire :

liris est un disque irrgulier. Ces irrgularits sont dues la dilatation et contraction de la pupille, au fait que les deux cercles ne sont pas concentriques et au fait des changements non linaires de la texture de liris. Ces caractristiques ont pouss Daugman dvelopper une mthode de normalisation pseudo-polaire du disque de liris appele la mthode Rubber Sheet dont une signification image pourrait tre vu comme une tentative dtendre le disque de liris comme du caoutchouc. Cette mthode est pseudo-polaire car les deux cercles de liris et de la pupille ne sont pas concentriques. Le procd peut tre expliqu de la manire suivante : A chaque pixel de liris dans le domaine cartsien lui est assign un correspondant dans le domaine pseudo polaire suivant la distance du pixel par rapport aux centres des cercles et langle quil fait avec ces centres. Plus prcisment la transformation se fait suivant lquation suivante

O xp() reprsente labscisse du point de la frontire dtecte de la pupille dont le segment qui passe par ce point et le centre de la pupille fait un angle avec une direction choisie. De mme y p() reprsente lordonn de ce mme point, alors xs() ys() reprsentent les coordonnes des points obtenus par le mme principe mais sur le contour de liris. Limage en bas de la figure 3.1 montre une image normalise obtenue par ce processus. Comme cest montr limage normalise est rectangulaire de taille constante, gnralement la taille choisie est de 80*512 pixels. La largeur de

limage reprsente la variation sur laxe angulaire alors que la hauteur reprsente les variations sur laxe radial.

Figure 3-1. Une image de loeil (figure haut gauche), une image diris segment (haut droite) et une image diris normalis (bas) 3.1.2 Extraction des caractristiques : Utilisation des filtres de Gabor : Lextraction des caractristiques repose sur lutilisation des filtres de Gabor 2D que Daugman a adopt au traitement dimages. Les filtres de Gabor sont connus comme le moyen danalyse espace-frquence qui minimise lincertitude de Heisenberg qui exprime que plus on est prcis dans lanalyse de linformation dans lespace du pixel et moins on le sera dans lespace frquentiel et vice versa . Cette spcificit a fait des filtres de Gabor un moyen puissant danalyse de texture et de classification. Les filtres de Gabor analysent la texture de liris suivant diffrentes rsolutions et diffrents angles, leur forme est donne par lquation ci-dessous et quelques exemples sont illustrs dans la figure 3.2 :

o I(,) reprsente limage en coordonnes polaires. et les paramtres des dimensions de la fentre danalyse de Gabor, la frquence de londelette de Gabor couvrant 3 octaves en proportion inverse de . Enfin r0 et 0 reprsentent les coordonnes des points danalyse de londelette de Gabor.

Figure 3-2. La banque de filtres de Gabor suivant plusieurs orientations et plusieurs rsolutions parties relles (b), et parties imaginaires (a). Comme on peut le remarquer dans lquation 3-1 les filtres de Gabor ont une forme complexe quil est possible dexploiter. En effet tant en quadrature de phase il est important dtudier la dpendance entre la partie relle et la partie imaginaire des coefficients de Gabor. Deux choix triviaux soffrent nous, ltude de lamplitude et ltude de la phase de Gabor. Il est tabli que la phase des analyses multirsolution est plus informative que les amplitudes qui peuvent souffrir des problmes dillumination. Daugman a dailleurs fait ce choix en considrant uniquement la phase de Gabor. En effet chaque phase de Gabor sera code sur 2 bits suivant le principe du codage quatre quadrants illustr dans la figure 3.3. Selon que la phase appartienne lun des quatre quadrants uniformment dcoup du cercle trigonomtrique, elle sera code diffremment. Il est noter que chaque passage entre un quadrant et un quadrant adjacent entraine un changement dun seul bit. Ceci limitera les erreurs si la phase calcule est la frontire entre deux quadrants adjacents. Cette opration revient coder les signes de la partie relle et de la partie imaginaire des coefficients de Gabor obtenus et dassigner 1 au code si le coefficient est positif et 0 si le coefficient de Gabor est ngatif.

Figure 3-3. Le principe de codage de phase sur quatre quadrants et en deux bits. Cette opration est ritre plusieurs fois, autour de plusieurs points danalyse, suivant

plusieurs rsolutions et orientations des filtres de Gabor jusqu ce que lon obtienne un code de taille 256 octets ou 2048 bits. La figure 3.4 reprsente plusieurs codes obtenus par la mthode propose par Daugman.

Figure 3-4. Diffrents exemples diriscode gnrs par la mthode Daugman. En plus des codes, des masques sont calculs de taille fixe (2048 bits) qui indiquent pour chaque bit du code sil faut le prendre en considration ou non. Les bits ignors proviennent gnralement des points danalyse couverts par les paupires, les cils, un faible rapport qualit bruit, des rflexions lumineuses 3.3 Calcul de Score : La distance de Hamming : Le calcul de score seffectue au moyen du calcul de la distance de Hamming qui est donne par la formule suivante :

O codeA et codeB sont deux codes calculs partir de deux images diris par le procd prcdemment dcrit et maskA et maskB reprsentent leurs masques associs. Littralement la distance de Hamming calcule le nombre de bits diffrents et valides pour les deux iris entre le codeA et le codeB. Plus la distance de Hamming est faible, plus les deux codes se ressemblent. Une distance 0 correspond une parfaite correspondence entre les deux images alors que deux images de personnes diffrentes auront une distance de Hamming proche de 0.5. Lintroduction des masques A et B dans la mesure de la distance de Hamming fait que celle-ci nest pas mesure uniformment quelque soient les deux chantillons que nous tentons de mettre en correspondance. En effet plus les paupires, les cils et autres bruits couvrent la texture de liris et plus les codes correspondants contiennent des bits errons qui ninterviendront pas dans le calcul de la distance de Hamming. Or une distance mesure partir de peu de bits valides na pas la mme signification, ni sans doute la mme plage de variation, quune distance mesure sur plus de bites. Daugman propose alors une mthode de normalisation de la distance de Hamming pour tenir compte du nombre de bits qui interviennent dans le calcul de la distance a t calcule [3-10]. La nouvelle distance de Hamming normalise est alors calcule selon la formule suivante :

O n reprsente le nombre de bits valides, HDraw la distance de Hamming prcdemment dfinie et 911 un coefficient de normalisation qui correspond la moyenne du nombre de bits valides pour une comparaison entre deux codes diris. Pour pallier aux problmes de rotations qui sont dus aux positions de loeil par rapport la camra, Daugman gnre 7 iris codes chacun correspondant un angle particulier de rotation de limage de rfrence. La comparaison entre deux iris revient donc comparer un iris code avec les 7 iris codes correspondants aux diffrentes rotations. La distance considre est la distance minimale normalise entre les sept comparaisons. 3.4 Prise de dcision : Les lois de Bernoulli : Il sagit maintenant de prendre une dcision finale quant la nature de la comparaison effectue par rapport la distance mesure. Selon larchitecture fixe plus haut, il faudrait fixer un seuil de dcision en de duquel les deux iris compars seront considrs comme appartenant la mme personne. Gnralement, en biomtrie ou plus gnralement dans un problme de reconnaissance des formes, la procdure de dtermination du seuil se fait en constituant une base de donnes quon appelle base dapprentissage diffrente de la base sur laquelle seront effectus les tests. Le seuil qui donne les meilleures performances sur la base dapprentissage est alors utilis sur la base de test. Mais Daugman a une toute autre approche. En effet, en utilisant les thormes lis aux essais de Bernoulli, Daugman a russit accomplir quelque chose de trs rare en

biomtrie : prdire la distribution des distances inter-classe et donc fixer des seuils optimaux en les gnralisant sur des bases plus grandes et sans constituer de base dapprentissage. En effet Daugman a suppos quun code dune personne peut correspondre plusieurs lancs de pices puisque la probabilit davoir 0 ou 1 dans un code diris est gale 0.5. La loi de Bernoulli stipule quen N tentatives de lancs de pice de monnaie, la probabilit davoir x fois face peut tre prdite par une loi binomiale. En matire diris ladaptation dune telle formule nest pas vidente. En effet si la longueur du code est constante et gale 2048 bits, il nest pourtant pas juste de supposer que les 2048 bits sont indpendants les uns des autres. En effet la texture de liris est fortement corrle surtout le long de laxe des angles sans oublier un detail technique de la mthode de Daugman selon lequel une seule phase correspond 2 bits dans le iris code. Pour mesurer le nombre doprations indpendantes que fait intervenir le calcul de liris code, Daugman a calcul sur une base de 70 personnes toutes les comparaisons possibles entre iris de deux personnes diffrentes et a trac la distribution des distances calculs. A partir de cette distribution il a t en mesure de calculer le nombre de comparaisons indpendantes quon effectue gnralement quand deux iris sont compars en approximant la distribution observe par une distribution binomiale. Daprs les tests de Daugman, ce nombre est gal 256 et constitue le nombre de points caractristiques que possde un iris appel aussi degrs de libert. Des essais sur des bases de plus en plus grandes ont montr la prcision de lestimation de la distribution inter-classe apprise sur finalement peu de personnes. Comme indiqu prcdemment, un systme diris a t install dans les mirats arabes unis ds 2001. Une base de rfrence constitue de 632 500 personnes a t mise disposition du laboratoire de luniversit de Cambridge par le ministre de lintrieur mirati. Sur cette base Daugman a effectu 200 milliards de test imposteurs et a trac la distribution des distances obtenues et la compar la distribution obtenue sur sa base de donnes originelle sur laquelle seulement 9 millions de comparaison entre iris diffrents ont t effectues. Les deux distributions montrent une concidence quasi parfaite en termes de moyennes, dcart type et de comportement (0.49 de moyenne et 0.033 dcart type contre 0.49 de moyenne et 0.0317 pour la deuxime). La figure 2.6 montre lexactitude des estimations de Daugman sur ces deux bases de tailles diffrentes. Nous avons vu que Daugman effectue 7 comparaisons pour obtenir une distance entre deux images diris. Ces oprations rptes ne sont pas sans consquence sur les distributions inter-classe calcules prcdemment par Daugman. En effet mme pour des comparaisons diffrentes le fait deffectuer plusieurs essais fait dvier la distribution inter-classe de la distribution thorique. Cependant mme dans ce cas Daugman est parvenu prdire le comportement de cette distribution modifie aprs k rotations sur limage diris partir de la distribution binomiale originelle en utilisant la formule suivante:

O fk est la nouvelle distribution estimer, f0 la distribution estime prcdemment sur une seule rotation possible (la distribution binomiale montre la figure 3-5), k est le nombre de rotation possible (7 dans ce cas), et Fk et F0 les probabilits de fausse acceptation respectivement dans le cas de k rotations et une seule rotation. La nouvelle distribution fk est confronte aux observations obtenues sur la base mirati et encore une fois la concidence est parfaite entre la distribution thorique et celle observe.

Figure 3-5. Les distributions inter-classe sur deux bases de donnes diffrentes et de diffrentes tailles. Les distributions sont tires de larticle de Daugman, rfrence . Finalement puisque la distribution inter-classe est estime de manire fiable, il est

possible de fixer des seuils qui correspondent des fonctionnements particuliers du systme diris. Gnralement le seuil choisi pour les systmes diris est gal 0.33 ce qui correspond un fonctionnement du systme diris 0% de FAR. Daugman a propos aussi une prise de dcision dpendante de la qualit de limage diris (pourcentage diris apparent). En effet, comme on peut le remarquer dans le tableau Tab3-1, plus le nombre de bits valides est petit plus la distance de Hamming lui correspond un seuil plus petit. A partir de lquation de la distance normalise et partir des observations de Daugman voici un tableau rcapitulatif des pourcentages diris apparent en fonction du nombre de bits mis en correspondance et du seuil de decision associ.

Tab3.1 Seuils fixs par Daugman selon le nombre de bits valides qui ont servi au calcul de la distance de Hamming normalise et donc selon le pourcentage diris apparent.

organigramme generale de l'algorithme de Daugman :

Image d'entre
1

Transformation pseudo polaire

Dtection de contour
Convolution par filtre de Gabor 2D

Suppression de non maxima locaux

quantification de la sortie du filtre

Seuillage par hystrsis

Iris code

Image de sortie

Recherche de rayon et de )centre (iris et pupille

Comparaison par la distance de hamming

Le vot pour le rayon )iris et pupille(

Teste le seuil

Segmentation par un )cercle(iris et pupille

oui

Acces autiris

Iris segment )R,Xc,Yc (iris et pupille

non

Acces refus

dc isio n

can ny Ho ug h cir cul air e

Lissage gaussien

Iris droul

n or m al is at io n

cod age

4. Les bases de donnes publiques Aux premiers temps de la recherche sur la vrification des personnes par liris, (avant 2000), ils nexistaient pas de bases de donnes publiques. La plupart des capteurs diris taient dvelopps des fins commerciales sans permettre aux utilisateurs denregistrer les images acquises par ces capteurs. Ce manque de donnes a t un grand obstacle aux dveloppements de mthodes de reconnaissance base diris. Aujourdhui, cette situation a chang et plusieurs bases de donnes sont disponibles savoir CASIA , UPOL ,UBATH , UBIRIS et ICE. UBIRIS est une base de donnes qui a t pense pour tester la robustesse des algorithmes de reconnaissance diris aux diffrents types de dgradations de qualit dimages diris. Dans ce but, plusieurs variations des conditions dacquisition et diverses dgradations des images (illumination, contraste, rflexion, d focus et occlusion) ont t introduite dans cette base de donnes. Elle contient 1877 images de rsolution 400*300 de 241 personnes captures en deux sessions. Puisque le mode dacquisition choisi tait la lumire visible, les images sont aussi disponibles en couleur sous deux rsolutions possibles : 800*600 et 200*150. Le grand point faible de cette base de donnes est quelle a t acquise en lumire visible et ne peut donc tre utilise pour valuer des systmes dvelopp sur des images en infrarouge. Des exemples dimages de la bases de donnes UBIRIS la figure 3-9.

Figure 3-9. Des exemples de la base de donne: UBIRIS 5. Conclusions : Dans ce chapitre, nous nous sommes intresss au fonctionnement des systmesdidentification par reconnaissance de liris. Cet engouement pour ces systmes est justifi parles nombreux avantages de cette technologie, savoir sa

prcision et ses performances. Notre choix sest port sur les mthodes bases sur la texture qui sont trs utilises dans lalittrature.