Vous êtes sur la page 1sur 101

MINISTERE DE LENSEIGNEMENT SUPPERIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
UNIVERSITE FERHAT ABBAS DE SETIF
UFAS (ALGERIE)

MEMOIRE
Prsent la Facult des Science de l'ingnieur
Dpartement d'lectronique
Pour lobtention du Diplme de

MAGISTER
Option : Communication
Par
Mr : HAROUN Djaafar
Thme

Identification base sur le code diris


Soutenu le 29 / 06 / 2010 devant la commission d'examen:

Mr : Khenfer Nabil

Prof Universit de Stif

Prsident

Mr : Djahli Farid

Prof Universit de Stif

Examinateur

Mr : Bourouba Naceredine

M.A Charg de cours l'universit de Stif

Examinateur

Mr : Bartil Arres

M.A Charg de cours l'universit de Stif

Examinateur

Mr : Boukezzoula Naceur-Eddine

M.A Charg de cours l'universit de Stif

Rapporteur

Remerciements

Ce travail a t effectu au Dpartement de llectronique de l'Universit Ferhat Abbas de Stif.

Je voudrais tout d'abord exprimer mes plus sincres remerciements mon rapporteur Dr.
Boukezzoula Naceur-Eddine, Matre de Confrence lUniversit Ferhat Abbas de Setif. Il a
fait preuve d'une grande disponibilit, m'a fourni un soutien constant et une aide prcieuse. Il a
toujours su me conseiller durant l'laboration de ce travail de recherche, me faisant profiter ainsi
de ses comptences thoriques et de son exprience.

Mes vifs remerciements vont galement aux membres du jury de soutenance de ce mmoire :

Pr. Khenfer Nabil, Professeur lUniversit Ferhat Abbas de Stif, d'avoir accept la prsidence
du jury de soutenance.
Pr. Djahli Farid, Professeur luniversit Ferhat Abbas de Stif, pour avoir accept dexaminer
ce travail et faire partie du jury.
Dr. Bourouba Naceredine, Matre de confrences lUniversit Ferhat Abbas de Stif, d'avoir
accept d'tre examinateur.
Dr. Bartil Arres, Matre de confrences lUniversit Ferhat Abbas de Stif, d'avoir accept
d'tre examinateur.

Je tiens exprimer mes remerciements tous les enseignants du Dpartement de llectronique,


ainsi qu' toutes les personnes ayant contribu de prs ou de loin l'laboration de ce travail,en
particulier toute ma famille pour son soutien moral durant toute la dure de prparation de ce
mmoire.

Table des matires

Introduction gnrale

Chapitre 1 : Introduction la biomtrie


1.1 Introduction

1.2 La biomtrie

1.2.1 Dfinition

1.2.2 Les technologies biomtriques

1.2.3 Applications de la biomtrie

13

1.2.3.1 Contrles daccs

13

1.2.3.1.1 Contrles daccs physique

14

1.2.3.1.2 Contrles daccs virtuel

14

1.2.3. 2 Authentifications des transactions

14

1.2.3.3 Rpressions

15

1.2.3.4 Personnalisation

15

1.3 Lil et liris

15

1.3.1 Annulaire de liris dans lil

17

1.3.2 Schma global de vrification par reconnaissance diris

17

1.3.3 Lacquisition

17

1.3.4 Traitement des donnes

18

1.4 Conclusion

20

Chapitre 2 : Traitement de l'image et l'extraction de code diris

2.1 Introduction

21

2.2 Acquisition de liris

21

2.3 Segmentation de liris

25

2.4 Les diffrentes mthodes de dtection de liris existantes

26

Table des matires


2.4.1 La transforme de Hough

26

2.4.2 La mthode par dtecteur de contours circulaires

29

2.4.3 Les contours actifs

31

2.5 Normalisation de liris

32

2.5.1 Mthode pseudo polaire

32

2.5.2 La mthode de Wildes

33

2.6 Extraction des caractristiques

34

2.6.1 Utilisation filtre de Gabor

34

2.6.2 Le Filtrage de Log-Gabor

35

2.6.3 Dcomposition en ondelettes de Haar

36

2.6.4 Passages par zro de l'ondelette 1D

37

2.7 Conclusion

38

Chapitre 3 : Identification diris et Rseau de neurones

3.1 Introduction

39

3.2 Les diffrentes mthodes didentification diris

39

3.2.1 Les Rseaux de Neurones

39

3.2.2 La Distances Euclidiennes (MED)

40

3.2.3 Cosinus de Similarit

41

3.2.4 La distance de Hamming

41

3.3 Introduction aux Rseaux de Neurones Artificiels

42

3.3.1 Le neurone formel

43

3.3.2 Fonction dactivation

44

3.3.3 Architecture des rseaux de neurones

45

3.3.3.1 Les rseaux couches

45

Table des matires


3.3.3.2 Les rseaux entirement connects "Feed back network "

46

3.3.4 Le Perceptron multi couche

47

3.3.5 quations du rseau

48

3.3.6 La rtro-propagation

48

3.3.6 Algorithme

50

3.4 Conclusion

51

Chapitre 4 : Application et rsultats obtenus

4.1 Introduction

52

4.2 Procdure complte de codage

52

4.2.1 Localisation de la pupille

52

4.2.2 Recherche du centre et du contour de la pupille

54

4.2.3 Recherche du contour et du rayon de liris

54

4.2.4 Normalisation la rgion de liris

56

4.2.5 Extraction des caractristiques

57

4.3 Comparaison entre iris

59

4.3.1 La distance de Hamming

59

4.3.2 Le rseau de neurones

60

4.3.2.1 Rseau une seule couche cache

60

4.3.2.2 Rseau deux couches caches

64

4.4 Prsentation de lapplication

68

4.6 Conclusion

74

Conclusion gnrale

75

Table des matires


Annexe A

77

Annexe B

81

Annexe C

87

Bibliographie

92

Introduction gnrale
La biomtrie est la technique qui permet de reconnatre des personnes partir de leurs
caractristiques physiques et comportementales. Lutilisation de parties du corps humain pour
reconnatre les personnes est un procd ancien. Dans une cave dont lge est estim 31
millnaires, des murs jonchs de dessins dempreintes de la main ont t dcouverts. Au
VIme sicle avant JC, les babyloniens utilisaient dj lempreinte du pouce laisse sur une
poterie dargile pour sceller des accords commerciaux. La chine antique en faisait de mme
quasiment au mme moment o les parents chinois utilisaient tant lempreinte digitale de la
main que celle du pied pour diffrencier leurs enfants. Les gyptiens utilisaient les
descriptions physiques des commerciaux pour diffrencier ceux qui sont connus de ceux qui
sont nouveaux sur le march. La couleur des yeux est aussi utilise dans de nombreuses
civilisations antiques pour reconnatre des personnes et cest aussi le cas dans les prisons
franaises au XVIme sicle pour reconnatre les prisonniers.

Le XIXme sicle a connu la naissance de lanthropomtrie, vritable anctre de la biomtrie.


Avec la rapide croissance des cits, les besoins de reconnatre les personnes devinrent de plus
en plus importants. Alphonse Bertillon (1853-1914) pre de lanthropologie, instaura un
systme de reconnaissance des personnes bas sur la mesure de diffrents paramtres du corps
humain. Aprs la publication de plusieurs travaux stipulant quil tait possible dutiliser les
empreintes digitales pour identifier des personnes, ce procd mergea en Asie, en Afrique du
Sud et en Europe. En Inde, Edward Henry dveloppa une mthode robuste de reconnaissance
base dempreintes digitales. Sir Francis Galton publia des travaux dtaills sur la
reconnaissance par lempreinte digitale bass sur des caractristiques particulires de la
texture de lempreinte, les minuties. Ces caractristiques sont encore utilises dans les
systmes automatiques de nos jours. Alors que la mthode de Bertillon connut plusieurs rats,
lenregistrement systmatique des empreintes connut en revanche un essor mondial. Les
prisons amricaines commencrent rendre obligatoire lenregistrement des empreintes des
dtenus ds 1903. La mme anne la police parisienne russit lexploit de confondre un
criminel en utilisant ses empreintes digitales. Dans les annes 30, un ophtalmologiste, Frank
Burch, proposa le concept de la texture de liris pour reconnatre des personnes; cette mthode
sera considre bien des annes plus tard, comme la plus performante du domaine
biomtrique. Avec lavnement des ordinateurs, lide dune reconnaissance automatique est
-1-

Introduction gnrale

ne ; cest le dbut de la biomtrie moderne. Dans les annes 60, plusieurs travaux sur des
algorithmes automatiques ou semi automatiques furent publis ; citons le cas du visage, de la
signature, de la voix et bien sr des empreintes digitales. Grce cet lan de recherche et ces
travaux trs prometteurs, le FBI (Federal Building Investigation) lana en 1969 une campagne
scientifique afin de dvelopper un systme automatique de reconnaissance par les empreintes
digitales. La gomtrie de la main dont les balbutiements remontent au milieu du XIXme
sicle connut dans les annes 70 un regain dintrt avec la commercialisation du premier
produit biomtrique de contrle daccs et didentification [1].

Il existe diffrents moyens physiques ou comportementaux qui permettent une reconnaissance


de lindividu. Comme dj cit, lempreinte, liris, le visage et la forme de la main sont des
moyens physiques appels modalits biomtriques. On peut aussi citer lexemple de la veine
de la main et de la rtine. Pour ce qui est des modalits comportementales, on peut citer la
signature (dynamique ou statique), la dmarche
Dans ce mmoire, nous nous sommes intresss uniquement aux problmatiques lies la
modalit de liris.
Le mot iris qui veut dire arc en ciel vient dIRIS, messagre dHra et de Zeus,
personnification de larc en ciel. Plutarque, un philosophe grec, suggre quant lui que le mot
Iris vient de la langue gyptienne et signifie: l'oeil du ciel. Quelle que soit son origine, liris
dsigne la partie colore de loeil humain. Liris est une membrane circulaire de la face
antrieure du globe oculaire. Elle est perce en son centre (pas exactement au centre) dun
orifice ou trou noir appel la pupille par laquelle la lumire pntre vers la rtine. Liris sert
adapter cette quantit de lumire en se rfractant ou se dilatant suivant les conditions de
luminosit. Par exemple, quand la luminosit ambiante est forte, l'iris se contracte, ce qui
diminue l'intensit lumineuse qui vient frapper le centre de la rtine, et vice-versa.

Liris est un organe qui doit sa couleur, quelle soit grise, verte, bleue, marron ou noire au
pigment responsable de la coloration : la mlanine. En labsence de ce pigment liris serait
rouge (cas dalbinisme). Plusieurs particularits rares mais normales peuvent tre rencontres
qui peuvent affecter la texture de liris. Ainsi, il peut y avoir des gens avec deux iris ayant
deux couleurs compltement diffrentes (yeux vairon) ou des individus o liris est dcoup
en plusieurs zones de couleurs diffrentes, ou mme des personnes caractrises par la
prsence de plusieurs pupilles au sein dun mme iris. Parmi les 3 maladies rares qui peuvent
-2-

Introduction gnrale

affecter liris, on peut citer laniridie qui consiste purement et simplement en labsence totale
diris.
Liris commence se former durant le troisime mois de gestation. La texture particulire de
liris est tablie au huitime mois de la gestation bien que les pigmentations qui sont
responsables de la couleur des yeux continuent apparatre jusqu un an aprs la naissance.

La texture de liris est une combinaison de plusieurs lments qui font delle lune des
textures distinctives les plus riches du corps humain. Elle comporte des arcs de ligaments, des
cryptes, des artes, des sillons et des collerettes. La localisation de ces composants, le
croisement entre eux et la forme que peuvent avoir ces lments font que la texture de liris
est considre comme lune des plus riches de la biomtrie. Liris est aussi lunique organe
interne du corps humain visible de lextrieur puisquil est protg par un miroir, la corne.
Liris prsente donc une caractristique unique qui est dtre la fois un organe protg de
lenvironnement extrieur en mme temps quil est relativement facile acqurir compar aux
autres organes internes du corps humain tel que la rtine par exemple.

Tous ces avantages ont pouss les chercheurs et les ophtalmologistes tudier la faisabilit
dun systme de reconnaissance par liris ds les annes 1930. Un brevet a mme t dpos
en 1986 sur le fait que deux iris de deux personnes ne peuvent pas tre identiques [1].

Le prsent travail est compos de quatre chapitres prsents comme suit :

Le premier chapitre est consacr la prsentation gnrale de la biomtrie. Il dcrit tout


dabord les diffrentes mthodes existantes. Ensuite la place de la reconnaissance diris parmi
les autres techniques biomtriques. Nous expliquerons ainsi larchitecture dun systme de
vrification par liris.

Le second chapitre sera consacr tout d'abord au traitement de l'image permettant l'extraction
de l'information utile l'identification d'une personne. Plusieurs mthodes permettant
dextraire la texture diris et de la normaliser soit par la mthode de Canny qui est utilis dans
ce travail, soit par la mthode du dtecteur de contours circulaires et des contours actifs.
Ensuite on passe lextraction du code de liris, utilisant la dcomposition en ondelette de
Haar.
-3-

Introduction gnrale

Dans le troisime chapitre, nous nous intressons lexploitation des informations de liris
cod comme moyen biomtrique pour lauthentification de personnes. Dans un premier
temps, nous dcrivons les diffrentes mthodes didentification diris, Ensuite, nous dtaillons
les deux diffrentes approches de reconnaissance diris que nous avons utilises savoir : la
distance de Hamming et lapproche neuronale.

Dans le dernier chapitre, nous prsentons les rsultats de simulations obtenus par la mthode
utilise, depuis la segmentation de la rgion diris, jusqu' la phase didentification.

Enfin, la conclusion gnrale rsumera notre contribution et donnera quelques perspectives


sur les futurs travaux.

-4-

Chapitre 1

Introduction la biomtrie

1.1 Introduction
Dans les applications de contrle daccs, la biomtrie constitue une solution efficace, simple
et surtout pas chre, qui assure de bonnes performances. Et parmi toutes les technologies qui
existent, la reconnaissance diris est lune des technologies les plus fiables et les plus
performantes pour identifier une personne. Dans ce chapitre nous commencerons par la
prsentation de la biomtrie de manire gnrale ainsi que les diverses applications qui en
dcoulent, en insistant plus particulirement sur l'utilisation de liris. Puis nous dtaillerons les
diffrentes tapes composant un systme complet de reconnaissance diris.

1.2 La biomtrie
1.2.1 Dfinition
La biomtrie est la reconnaissance automatique dune personne en utilisant des traits
distinctifs. Autrement dit, ce sont toutes les caractristiques physiques ou traits personnels
automatiquement mesurables, robustes et distinctifs qui peuvent tre utilises pour identifier
un individu ou pour vrifier lidentit prtendue dun individu [1].
On trouve deux grands axes dans la biomtrie : lidentification et la vrification. Avec
lidentification ou la reconnaissance, le systme biomtrique pose et essaye de rpondre la
question, qui est la personne X ?. Dans une application didentification, le dispositif
biomtrique requit une information biomtrique et la compare avec chaque information
stocke dans la base de donnes, cest une comparaison un plusieurs. Le but des
applications didentification est didentifier des criminels et des terroristes en utilisant les
donnes des surveillances [1; 2].
Dans la vrification ou lauthentification, le systme biomtrique demande lutilisateur son
identit et essaye de rpondre la question, est-ce la personne X ?. Dans une application
de vrification, lutilisateur annonce son identit par lintermdiaire dun mot de passe, dun
numro didentification, dun nom dutilisateur, ou la combinaison de toutes les trois. Le
systme sollicite galement une information biomtrique provenant de lutilisateur, et
compare la donne caractristique obtenue partir de linformation entre, avec la donne
-5-

Chapitre 1

Introduction la biomtrie

enregistre correspondante lidentit prtendue, cest une comparaison un un. Le systme


trouvera ou ne trouvera pas dappariement entre les deux. La vrification est communment
employe dans des applications de contrle daccs et de paiement par authentification [1; 2].
La biomtrie offre beaucoup plus davantages que les mthodes existantes d'authentification
personnelle telles que les clefs, les numros d'identification (ID), les mots de passe et les cartes
magntiques. En effet elle fournit encore plus de sret et de convenance, ce qui engendre
dnormes avantages conomiques et elle comble les grandes failles de scurit des mots de
passe, surtout avec les facilits actuelles daccomplir des attaques et de faire du Crackage [2].

1.2.2 Les technologies biomtriques


Il existe plusieurs techniques biomtriques utilises dans plusieurs applications et secteurs, et
qui exploitent divers informations biomtriques savoir : liris, le visage, la main, lempreinte
digitale, la voix, la signature etc. Parmi ces diffrentes techniques biomtriques existantes
on distingue trois catgories:
Lanalyse morphologique
Liris : La reconnaissance de liris est une technologie plus rcente puisquelle ne sest
vritablement dveloppe que dans les annes 80, principalement grce aux travaux de J.
Daugman [3]. Aprs lavoir localis, on prend des photos en noir et blanc (fig.1.1), on utilise
ensuite des coordonnes polaires et on cherche les transformes en ondelettes, pour avoir
finalement un code reprsentatif de liris. Et on utilise la distance de Hamming comme mesure
de similarit, ou dautres procds. La reconnaissance par iris est trs utilise dans les
applications didentification et de vrification, car il est hautement distinctif et unique, sa
forme est stable et il est protg et trs robuste, toutefois les quipements dacquisition cotent
chres. Cette technologie de liris est aborde en dtails dans la suite du manuscrit.

Fig. 1.1 Image dun iris captur dans le proche infrarouge

-6-

Chapitre 1

Introduction la biomtrie

Le visage : La reconnaissance base sur le visage vrifie lidentit, en comparant les donnes
caractristiques extraites des visages de diffrentes personnes partir de vidos ou dimages
fixes (fig1.2). La fabrication des camras connat actuellement dnormes dveloppements, on
est capable de prendre des photos de personnes distantes sans quils ne sachent quils sont
observs. Cest pour cette raison que la reconnaissance de visages est trop utilise dans les
applications de contrle de frontires, dans la scurit des tablissements, des zones urbaines et
dans lidentification des conducteurs. Cest une technique commune, populaire, simple et qui a
beaucoup davantages savoir : lutilisation des visages qui sont des donnes publiques, la
possibilit de sintgrer aux systmes de surveillances existants et elle ne ncessite pas des
quipements chers. Cependant, des lments externes comme lclairage, le bruit, lexpression
facile et la posture dgradent les taux de reconnaissance [1; 2].

Fig. 1.2 Diffrentes caractristiques du visage

Les veines : Les techniques bases sur les veines ont t dveloppes en se basant sur le fait
que chaque personne des formes de veines diffrentes sous la peau (voir fig.1.2) [1].
Cette technique rcente semble prometteuse. Elle sonde par infrarouge le dessin du rseau
veineux, soit du doigt, soit de la main. Les premiers produits viennent dtre mis sur le
march. Des espoirs peuvent tre fonds sur cette technologie qui prsente de nombreux
avantages, car elle permet de prendre une empreinte sans contact et sans laisser de trace, elle
est en outre trs difficile djouer par un imposteur.

-7-

Chapitre 1

Introduction la biomtrie

Fig. 1.2 Rseau de veines

La gomtrie de la main : La gomtrie de la main ou du doigt est une mesure automatise de


plusieurs dimensions, notamment la largeur de la main, celle des doigts et la longueur des
doigts. Cest une technologie qui est rapide et bien dveloppe et qui est facilement accepte
par les utilisateurs (voir fig.1.3). Elle est satisfaisante dans plusieurs situations et elle est
approprie l'authentification. Nanmoins elle nest ni trop distinctive, ni unique, ce qui la
rend inadapte pour des applications d'identification. Elle offre un taux derreur relativement
haut et elle nest pas utilisable avec des personnes jeunes ou ges [1; 2].

Fig. 1.3 Dispositif de reconnaissance par gomtrie de la main

Lempreinte digitale : la reconnaissance par empreinte digitale se base sur le fait que chaque
personne des empreintes uniques. Aprs la capture de limage de lempreinte, on fait un
rehaussement de limage (voir fig1.4). Ensuite on identifie et on extrait les minuties, qui vont
tre compares avec lensemble des minuties sauvegardes des autres utilisateurs. Cest lune
des technologies biomtriques les plus tudies et les plus utilises, surtout dans le contrle
daccs. Les avantages de cette technique sont : le non changement des empreintes, la haute
stabilit et fiabilit, en plus du prix accessible des quipements. Et les inconvnients sont : la

-8-

Chapitre 1

Introduction la biomtrie

fragilit par rapport aux bruits et aux salets et la possibilit dendommagement ou


dlimination des empreintes [2; 4].

Fig. 1.4 Pr-traitement des images dempreintes digitales (extraction des minuties)

La rtine : On mesure dans cette technique la forme des vaisseaux sanguins qui se trouvent
dans larrire de lil (voir fig.1.5). Le dispositif utilis emploie une source lumineuse
rayonnante en direction de l'oeil dutilisateur, qui doit se tenir fixe devant le dispositif. Et
puisque les utilisateurs peroivent cette technologie comme tant intrusive, la reconnaissance
par rtine reste peu populaire et actuellement il nexiste aucun dispositif commercial [4].

Fig. 1.5 Rseau vasculaire de la rtine extrait par segmentation


Lanalyse comportementale
La voix : la reconnaissance par voix utilise les caractristiques vocales pour identifier les
personnes en utilisant des phrases mots de passe. Un tlphone ou un microphone peut tre
utilis comme dispositif dacquisition, ce qui rend cette technologie relativement conomique
et facilement ralisable, cependant elle peut tre perturbe par des facteurs extrieurs comme le
bruit de fond [1].

-9-

Chapitre 1

Introduction la biomtrie

Fig. 1.6 Spectre dun signal vocal

La signature : La vrification par signature est une mthode automatique de mesure des
signatures des personnes. Cette technologie examine un ensemble de dynamiques comme la
vitesse, la direction, et la pression de l'criture, le temps pendant lequel le stylo est en contact
avec le papier, le temps pris pour faire la signature et les positions o le stylo est relev et
abaiss sur le papier [2].

Fig. 1.7 Signature

Lanalyse des traces biologiques:


Lodeur : Une autre technique que nous pouvons citer est le nez lectronique. Les nez
artificiels sinspirent trs largement du monde du vivant et sont des systmes dvelopps pour
la dtection automatique et la classification des odeurs, des vapeurs et des gaz (voir fig.1.8).
Lempreinte de lodeur corporelle dune personne est obtenue par composition de plusieurs
molcules odorifrantes, dgages par la sueur ou le sbum. Lutilisation dun nez
lectronique tel que Cyranose, dvelopp par le Pr. Nathan Lewis linstitut technologique de
Californie (USA), est donc envisageable des fins biomtriques, mais il reste toutefois

- 10 -

Chapitre 1

Introduction la biomtrie

identifier les substances chimiques discriminantes entre individus, ainsi que les polymres
ractifs associs [1; 2].

Fig. 1.8 Composition dun nez artificiel

LADN : Lauthentification dun individu par analyse de son ADN savre complexe,
coteuse et lente raliser compte tenu des nombreuses manipulations biologiques
(amplification +

lectrophorse). Ceci explique quil nexiste toujours pas de solution

technologique grand public qui permette de raliser automatiquement cette analyse, dautant
plus quelle ncessite un prlvement dchantillon (sang, salive, sperme, cheveux, urine,
peau, dents, etc.) qui rend cette technique trs intrusive [1; 2].

Tableau 1. Comparaison des 4 grandes techniques morphologiques en usage [1].

- 11 -

Chapitre 1

Introduction la biomtrie

FAR: Probabilits de fausse acceptation (False Acceptance Rate).


FRR : Probabilits de faux rejets (False Rejection Rate).
Ces deux probabilits donnent une information sur le degr de sret du systme.
Le taux FTE exprime le pourcentage de fois o lutilisateur na pas russi senrler. Il
existe un compromis entre le taux de FTE et le couple (FRR, FAR) mesur, puisque la
performance du systme biomtrique peut tre perue diffremment suivant que la base de
donnes ne

contient que des gabarits de rfrence de trs bonne qualit (rejets plus

importants lors de lapprentissage) [1].

Tableau 2. Comparaison des technologies biomtriques [1].

- 12 -

Chapitre 1

Introduction la biomtrie

A partir de ces mtriques, lanalyse compare sur le Tableau 1 des quatre techniques
morphologiques en usage montre que liris est tout particulirement prometteur. Sa stabilit
au cours du temps, lie la protection derrire les paupires et lhumeur aqueuse de la corne,
sa prcision, sa faible complexit algorithmique (temps dexcution dune identification sur
une large base de donnes relativement court), la compacit des gabarits extraits de sa texture,
sont autant de points forts qui laisse penser que liris a un bel avenir en reconnaissance
biomtrique dindividus. Toutefois les deux problmes majeurs de lanalyse par liris sont : sa
faible capacit dintgration (portabilit sur systmes embarqus), et le fait quelle soit perue
comme intrusive ou contraignante par lutilisateur car lacquisition dune image diris, mme
si elle ne ncessite aucun contact avec le capteur biomtrique, exige un certain apprentissage
et une complte coopration. Ces deux inconvnients sont directement lis au systme
dacquisition et la prcision des calculs ncessaires lors du traitement mathmatique. Ceci
explique pourquoi le visage et lempreinte digitale sont souvent prfrs liris par les
intgrateurs de solutions portables. Mais ce choix nest autre quun compromis entre facilit
dutilisation, performances et cot du systme. On notera que les capteurs intgrs
dempreintes digitales posent dautres problmes : les variations du taux dhygromtrie, les
poussires, la graisse, les cicatrices et lusure des doigts sont autant de paramtres qui altrent
linformation biomtrique. Les systmes de reconnaissance de visage sont eux extrmement
sensibles lenvironnement (clairage, lunettes, etc.). Quant la morphologie de la main, son
usage est restreint aux applications et systmes du type contrle daccs, gnralement sans
contrainte en terme dencombrement matriel (pas de limitation de la taille physique du
capteur) [1].

1.2 .3 Applications de la biomtrie


On peut distinguer quatre grands types dapplications de la biomtrie le contrle daccs
(access control), lauthentification des transactions (transactions authentication), la rpression
(law enforcement) et la personnalisation (personalization).

1.2.3.1 Contrle daccs


Le contrle daccs peut tre lui-mme subdivis en deux sous catgories : le contrle daccs
physique et le contrle daccs virtuel. On parle de contrle daccs physique lorsquun
utilisateur cherche accder un lieu scuris. On parle de contrle daccs virtuel dans le
cas o un utilisateur cherche accder une ressource ou un service.

- 13 -

Chapitre 1

Introduction la biomtrie

1.2.3.1.1 Contrle daccs physique


Il y a longtemps, laccs des lieux scuriss (btiments ou salles par exemple) se faisait
laide de clefs ou badges. Les badges taient munis dune photo et un garde tait charg de la
vrification. Grce la biomtrie, la mme opration peut tre effectue automatiquement de
nos jours. Lune des utilisations les plus clbres de la gomtrie de la main pour le contrle
daccs est le systme INSPASS (Immigration and Naturalization Service Passenger
Accelerated Service System) [5] dploy dans plusieurs grands aroports amricains (NewYork, Washington, Los Angeles, San Francisco, etc.). Cette application permet aux passagers
rpertoris dans le systme, dviter les files dattente pour le contrle des passeports. Ceux-ci
possdent une carte magntique qui contient linformation sur la gomtrie de leur main.
Lorsquils prsentent leur main au systme, celle-ci est compare linformation contenue
dans la carte.

1.2.3.1.2 Contrle daccs virtuel


Le contrle daccs virtuel permet par exemple laccs aux rseaux dordinateurs ou laccs
scuris aux sites web. Le march du contrle daccs virtuel est domin par les systmes
bass sur une connaissance, typiquement un mot de passe. Avec la chute des prix des
systmes dacquisition, les applications biomtriques devraient connatre une popularit
croissante. Un exemple dapplication est lintgration par Apple dans son systme
dexploitation MAC OS 9 dun module de reconnaissance de locuteur de manire protger
les fichiers dun utilisateur, tout particulirement lorsque lordinateur est utilis par plusieurs
individus ce qui est de plus en plus souvent le cas [6].

1.2.3. 2 Authentification des transactions


Lauthentification des transactions reprsente un march gigantesque puisquil englobe aussi
bien le retrait dargent au guichet des banques, les paiements par cartes bancaires, les
transferts de fond, les paiements effectus distance par tlphone ou sur Internet, etc.
Mastercard estime ainsi que les utilisations frauduleuses des cartes de crdit pourraient tre
rduites de 80 % en utilisant des cartes puce qui incorporeraient la reconnaissance des
empreintes digitales [1]. Les 20 % restants seraient principalement dus aux paiements
distance pour lesquelles il existerait toujours un risque. Pour les transactions distance, des
solutions sont dj dployes en particulier pour les transactions par tlphone. Ainsi, la
technologie de reconnaissance du locuteur de Nuance (Nuance VerifierTM) [7] est utilise par

- 14 -

Chapitre 1

Introduction la biomtrie

les clients du Home Shopping Network, une entreprise de tlshopping, et de Charles


Schwab.

1.2.3.3 Rpressions
Une des applications les plus immdiates de la biomtrie la rpression est la criminologie.
La reconnaissance dempreintes digitales en est lexemple le plus connu. Elle fut accepte ds
le dbut du XXe sicle comme moyen didentifier formellement un individu et son utilisation
sest rapidement rpandue. Il existe aussi des applications dans le domaine judiciaire. T-Netix
[1] propose ainsi des solutions pour le suivi des individus en libert surveille en combinant
technologies de linternet et de reconnaissance du locuteur.

1.2.3.4 Personnalisation
Les technologies biomtriques peuvent tre aussi utilises afin de personnaliser les appareils
que nous utilisons tous les jours. Cette application de la biomtrie apporte un plus grand
confort dutilisation. Afin de personnaliser les rglages de sa voiture, Siemens propose par
exemple dutiliser la reconnaissance des empreintes

digitales [8]. Une fois lutilisateur

identifi, la voiture ajuste automatiquement les siges, les rtroviseurs, la climatisation, etc.

1.3 Lil et liris


L'iris plac derrire la corne de loeil figure(1.9) est un diaphragme variable perc d'un trou
circulaire, la pupille (diamtre de 2,5 4,5 mm), rgie par un sphincter et par un dilatateur
form de fibres musculaires antagonistes, lisses, rayonnantes et circulaires. La pupille
s'agrandit quand les fibres musculaires sympathiques se contractent ; elle se rtrcit quand les
fibres circulaires parasympathiques agissent. Cette ouverture de la pupille permet de modifier
la quantit de lumire qui pntre dans lil pour viter laveuglement en plein soleil ou
capter le peu de rayons lumineux la nuit [1].

- 15 -

Chapitre 1

Introduction la biomtrie

Fig. 1.9 Anatomie de lil

La couleur des tubes au niveau de liris varie avec le temps (du gris bleu au brun en passant
par le bleu et le vert) et pour certaines maladies, elle rsulte de la combinaison de la
transparence des fibres iridiennes et des pigments (mlanine) qui s'y fixent progressivement.
Bleu la naissance, elle varie jusqu' la pubert. Lobservation pratique travers un systme
optique permet uniquement de dceler les contours macroscopiques, et pas de descendre au
niveau des tubes lmentaires. Ces motifs alatoires de liris sont uniques chaque individu :
ils constituent en quelque sorte un code barres humain partir des filaments, creux et stries
dans les cercles colors qui entourent la pupille de chaque oeil (voir fig.1.10). De plus,
sagissant dun tissu interne, ces empreintes iridiennes sont relativement labri des lsions,
protges par la corne et lhumeur aqueuse [1].

Fig.1.10 Diffrents types de texture diris

- 16 -

Chapitre 1

Introduction la biomtrie

1.3.1 Annulaire de liris dans lil


Le profil dun iris contient beaucoup de ligaments courbs, de sillons, de stries, dauroles,
de tches, etc. Des tudes biologiques [1] ont montr que la diversit de ces traits garantit
lunicit dun iris humain : les deux iris (droit et gauche) dune mme personne ne sont jamais
identiques, de mme que les iris de jumeaux ou de clones.

Fig. 1.11 Composition dun oeil humain : partie parfaitement annulaire de


liris dans loeil

1.3.2 Schma global de vrification par reconnaissance diris.

Un tel systme peut se dcomposer en deux units principales (voir fig.1.12) :


une unit optique de capture de limage de liris (dispositif de vision).
une unit de traitement des donnes (extraction et comparaison des informations
discriminantes avec celles stockes pralablement lors de lenrlement).

- 17 -

Chapitre 1

Introduction la biomtrie

Acquisition

Prtraitement

Extraction de
caractristiques

Base de
donnes
diris

Comparaison

Dcision

Fig. 1.12 Schma gnral dun systme de reconnaissance diris

1.3.3 Lacquisition
Lacquisition dune image diris peut seffectuer avec une camra monochrome. Mais du fait
de la rflexion spectaculaire des sources lumineuses environnantes sur la corne (comme
montre la figure (1.13.a), La capture dimage dun iris seffectue gnralement dans le
domaine du proche infrarouge (non visible, donc non blouissant pour lutilisateur) (figure
(1.13.b) [1].

- 18 -

Chapitre 1

Introduction la biomtrie

Fig.1.13 Image dun iris captur, (a) dans le visible (b) dans le proche infrarouge

1.3.4 Traitement des donnes


Toutes les mthodes proposes reposent sur le mme principe qui se dcompose en quatre
tapes :

Localisation de liris au sein de limage.

Normalisation des dimensions des donnes.

Extraction de caractristiques discriminantes.

Comparaison des informations.

On constate que la troisime tape est un lment clef du traitement, dans la mesure o le
choix des procds employer pour les autres tapes est souvent fix par la manire de coder
linformation.

Concernant limplmentation dun algorithme de vrification didentit dindividus par


reconnaissance de liris. Nous proposons une chane algorithmique inspire dans sa globalit
de la mthodologie introduite par le Professeur J.Daugman [3]. Cette chane algorithmique se
dcompose en quatre tches :

1. Localisation de liris au sein de limage, exploitant la transforme de Hough


suivant les gradients dcomposs ou les Intgro-diffrentiels [3; 9].
2. Reprsentation de la texture dans un repre cartsien.
3. Extraction de caractristiques (extraction du code), en utilisant soit les moments
de Zernike, soit en exploitant les Ondelettes.
4. Comparaison des signatures diris (identification), en utilisant soit lapproche
neuronale soit dautres procds jugs efficaces.
- 19 -

Chapitre 1

Introduction la biomtrie

1.4 Conclusion
Dans ce chapitre nous avons vu l'mergence des mthodes biomtriques de reconnaissance et
des problmes qui en dcoulent. Les caractristiques diris ainsi que la structure globale d'un
systme de reconnaissance diris ont galement t dcrit; il s'agit l'heure actuelle de la
technique biomtrique la plus aboutie (extrmement fiable). Dans la suite de ce travail nous
nous intresserons un systme complet de vrification diris bas sur lextraction des
caractristiques les plus discriminantes (code diris, etc.).

- 20 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

2.1 Introduction
Les performances dun systme de reconnaissance diris sont troitement lies la qualit des
images acquises. Or lacquisition dune image bien dfinie dun iris ncessite un clairage par
LED proche infrarouge et une lentille spcifique, qui contraignent lutilisateur tre
extrmement coopratif. La texture de liris est peut tre dtriore par diffrents types de
bruits : les cils, les paupires et les reflets qui peuvent tre considrs comme des bruits
occultants, et peut tre masque par des bruits de flou que ce soit dacquisition ou de boug et
cela rendant la segmentation plus difficile.
Afin de fournir l'identification prcise des individus, l'information la plus distinctive actuelle
dans un modle d'iris doit tre extraite. Seulement les dispositifs significatifs de l'iris doivent
tre cods de sorte que des comparaisons entre les calibres puissent tre faites. La plupart
des systmes d'identification d'iris se servent d'une dcomposition de passage de bande de
l'image d'iris pour crer un calibre biomtrique.
Dans la suite nous aborderons les diffrentes techniques de la segmentation (extraction de
liris), et les techniques dextraction dun code partir de la texture diris normalise.

2.2 Acquisition de liris


Lacquisition dune image diris est considre comme lune des plus difficiles en biomtrie.
En effet, liris est un objet de petite taille, sombre, localise derrire la corne qui constitue un
miroir hautement rflchissant. Toutes ces caractristiques en font un objet trs difficile
photographier. Premirement, liris est sombre, il faut donc lclairer mais en mme temps
liris est sensible la lumire et de fortes illuminations peuvent engendrer des malaises chez
lutilisateur. Deuximement, liris est un objet de petite taille (environ 1cm de diamtre) il est
alors impratif dutiliser des focales trs puissantes ou de rapprocher liris de lobjectif mais
on sans risque, car dans ce dernier cas, on rapprocherait liris de la source dillumination ce
qui pourrait nuire aux personnes. Enfin liris est une surface dite Lambertienne [10], c'est-dire une surface qui rflchit la lumire dans toutes les directions et derrire la corne situ un
miroir hautement rflchissant. Ces deux dernires caractristiques font que si aucune
- 21 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

technique particulire nest employe, liris photographi sera couvert par des reflets de toutes
les sources lumineuses prsentes dans lenvironnement dacquisition. Il est noter que
diffrentes longueurs dondes de lillumination engendrent un pouvoir de pntration de la
corne diffrent et donc un taux de rflexion sur liris plus grand lui aussi [11]. Ce principe
est illustr la figure (2.1).

Fig.2.1 Taux dabsorption de la lumire en fonction de la longueur donde

Dun autre ct, selon leurs longueurs dondes, les diffrents types dillumination ne sont pas
sans danger pour les yeux humains. Il convient alors dtudier tant en termes de longueur
donde que de puissance, les illuminations adquates pour russir le meilleur rapport sret
taux de pntration de la corne. La premire solution serait dutiliser un dispositif
dillumination en lumire visible. La figure (2.2) montre un iris acquis sans condition
particulire. Il est clair quavec ce genre dimage aucun traitement de reconnaissance nest
possible. Les rflexions proviennent de toutes les sources lumineuses prsentes dans la salle
dacquisition ; tube non, fentre, cran du PC... Afin de couvrir ces rflexions, une solution
serait dutiliser une forte source lumineuse qui viendrait couvrir toutes les autres pour quon
puisse rcuprer une image diris sans reflet part celui gnr par la source lumineuse
additionnelle. Ce procd dacquisition utilisant un flash de ct et une lampe de bureau afin
dilluminer encore plus liris. Limage en figure (2.3) est un exemple dimage diris obtenue

- 22 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

[10]. Il savre effectivement que les reflets quon a pu constater sur limage de la figure
(2.2) ont disparus.

Fig. 2.2 Image acquise en lumire visible, conditions normales dacquisition [3]

Une deuxime option, adopte par tous les industriels de la reconnaissance de liris qui
correspond la norme ISO [11] est lutilisation dune ou plusieurs sources infrarouge comme
illuminateur puissant. La figure (2.4) montre le mme iris que celui de la figure (2.2) mais
acquis avec une lumire infrarouge. Linfrarouge possde deux avantages majeurs sur la
lumire visible. Premirement, la lumire est invisible, lutilisateur ne sera pas aussi gn
quen lumire visible par une puissante illumination. Le deuxime avantage est que le proche
infrarouge comme indiqu dans la figure (2.1) possde un pouvoir de pntration de la corne
largement plus grand que celui de la lumire visible et il est ainsi possible de rcuprer une
richesse de texture suprieure celle obtenue en lumire visible surtout pour les iris sombres.
Le seul inconvnient possible vis--vis de la lumire visible est limpact de lutilisation du
proche infrarouge sur la scurit de lil.
Des tudes ont montr que vu le temps dacquisition, les longueurs dondes utilises et les
puissances ncessaires pour acqurir des images diris de bonne qualit, le procd est
compltement sans consquence pour la sret de lil (dit eye-safe) [10].

- 23 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

Fig. 2.3 Image acquise en lumire visible, avec lutilisation dun flash et dune lampe de
bureau

Gnralement, les systmes dacquisition diris acquirent une image diris de 30 50 cm,
utilisant de une quatre diodes LED de longueurs donde diffrentes. Liris obtenu a un
diamtre compris entre 100 et 200 pixels. Il a t prouv rcemment que la capture dune
image diris de bonne qualit avec une coopration minimale de lutilisateur tait possible.
Les travaux du groupe Sarnoff ont dbouch sur la cration du produit Iris On the Move o
les personnes sont identifies la vole jusqu 3m de distance entre eux et la camra, et cela
le long dun corridor. Une camra 5 mga pixels 15 trams/secondes (frames/secondes) et
une focale de 210 mm sont requises. Des diodes LED proche infrarouge haute puissance
sont elles aussi ncessaires [10].

Fig. 2.4 Image acquise en infrarouge [3]

- 24 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

Une fois limage de liris acquise, un systme de traitement diris peut tre compos de
plusieurs modules : la segmentation et dtection diris, normalisation de liris, extraction des
caractristiques.

2.3 Segmentation de liris


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 lil acquise par un quelconque
capteur. La rgion de liris comme illustre dans la figure (2.5) est entoure par des frontires
extrieures (iris-blanc de lil) et des frontires intrieures (iris-pupille).

Fig. 2.5 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 fig.2.5). Ces reflets dpendent du nombre de diodes
LED, de leur puissance et de la position de lil 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 lil. Une acquisition en proche infrarouge complique la tche
de segmentation car le contraste blanc de lil-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 [13].

- 25 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

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 le cas diris
dasiatiques.
Notre objectif est de localiser les frontires pupille-iris et iris-blanc de lil ainsi que
dextraire de limage de lil diffrents lments qui sont considrs comme bruits.

2.4 Les diffrentes mthodes de dtection diris existantes


2.4.1 La transforme de Hough
La transforme de Hough est une technique qui peut tre utilise afin disoler des objets de
formes gomtriques simples dans limage. En gnral, on se limite aux lignes, cercles ou
ellipses prsents dans limage. Lun des grands avantages de la transforme de Hough est
quelle est tolrante aux occlusions dans les objets recherchs et demeure relativement
inaffecte par les bruits. Les objets dtecter dans limage de lil (iris, pupille, paupires)
sont circulaires ou ellipsodaux et donc se prtent bien une dtection par la transforme de
Hough. Wildes a t le premier introduire cette mthode dans le contexte de la segmentation
de liris [14]. Les tapes de la transforme de Hough sont les suivantes :

Une image de contours est gnre par une quelconque mthode de gnration de
contours. Plusieurs images de contours obtenues par la mthode Canny [13] sont
montres sur la figure (2.6).

Un processus de vote est mis en place sur limage de contours obtenue. Chaque point
de contour vote pour les cercles dont il appartient et le cercle qui obtient le plus de
vote est le cercle recherch. Parfois cette mthode est lourde surtout lorsque beaucoup
de points de contours sont dtects et si nous avons une connaissance priori sur la
localisation du cercle recherch. Dans ce cas, nous comptabilisons pour chaque cercle
dans la zone recherche, les points de contours appartenant ce cercle. Le cercle qui
possde le plus de points de contours est le cercle recherch [13].

- 26 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

Fig. 2.6 (a) Image de lil, (b) diffrentes images de contours par la mthode Canny
selon que lon considre des contours diagonaux, (c) horizontaux ou (d)verticaux

Dans notre cas on utilise des images de la base de donnes [15], o quelques reflets sont
localiss lintrieur de la pupille. Avant dappliquer la mthode de Canny aux images
dentres pour extraire les contours de la pupille et de liris, on doit dabord liminer ces
reflets pour ne pas avoir des contours lintrieure de la pupille (voir fig.2.7).

Fig 2.7 (a)image originale avec reflet, (b) image segmente avec reflet

En plus de a pour viter lerreur la segmentation (dtection du contour diris), comme


montr dans la figure (2.7).

- 27 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

Fig. 2.8 (a)image originale sans reflet, (b) image segmente sans reflet

Pour dterminer le centre de la pupille on procde comme suit :


-

Binarisation de limage

Seuillage

- Dtermination du rayon Rp et du centre de la pupille cp( xp ,yp).

Fig. 2.9 Dtermination du rayon et du centre de la pupille

Le rayon et le centre de la pupille sont donns par les formules suivantes :

Rp (xmax xmin) / 2

(2.1)

xp Rp xmin
y p R p y min

(2.2)

Aprs avoir dtermin Cp (xp, yp) on peut extraire le rayon de liris Ri : partir du centre de
la pupille en partant du ce point (Cp) que nous avons trouv, nous avanons jusqu trouver
- 28 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

un deuxime contour. Nous notons alors le point (Xi) o nous sommes arrivs: il appartient
au bord de liris (voir fig.2.10).

Fig. 2.10 Dtermination le Rayon de liris

Donc le rayon de liris est donn par lquation suivante :

Ri= (xi-xp)

partir de ces quations on peut facilement isoler la rgion de liris, (voir la figu.2.11).

Fig. 2.11 (a) rgion de liris, (b) localisation de la pupille et de liris

2.4.2 La mthode par dtecteur de contours circulaires


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 [3;16] dfini par lexpression
suivante:

- 29 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

max( r , x0 , y0 ) G (r ) *
Avec : G

I ( x, y)
ds
r r , x0 , y0 2 r

(r )

r
1
e 2
2

(2.3)

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 diffrence 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 (2.12) montre une image
segmente par la mthode intgro-diffrentielle.

Fig. 2.12 Segmentation de liris par la mthode intgro-diffrentielle [3].

- 30 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

Quelque soit la mthode utilise (Transforme de Hough ou dtecteur intgro-diffrentiel),


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, elles 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, dautres mthodes misent en uvre pour la dtection des contours de
liris et des bruits occultants qui ne soient pas limites aux formes gomtriques connues.
Pour raliser ce genre dopration, M. Kass, A.Witkin, et D. Terzopoulos, utilisent deux
mthodes diffrentes, celle base sur les contours actifs [17] et une mthode statistique
modle mixtures de gaussiennes GMM.

2.4.3 Les contours actifs


Lide dutiliser les contours actifs pour une dtection des paupires, de liris et de la pupille a
t voque par Masek dans sa thse [13]. Plus rcemment Daugman et Xiaomei Liu [18; 19]
ont publi des documents indiquant quils ont utilis les contours actifs comme moyen
disoler liris du reste des rgions de lil. L'ide principale de cette mthode est de dplacer
les points de contrle pour les rapprocher le plus possible des contours d'intrt. Elle est base
sur les notions d'nergies interne et externe dont le but est de minimiser l'nergie totale
prsente le long de la courbe.
Lnergie dun contour dpend de sa forme et de sa position dans limage. Ces deux
paramtres dfinissent les forces intrieures et extrieures du contour.
Un contour est dfini dune manire paramtre par :

V(S) [ X (S),Y(S)]
O

(2.4)

s [0,1] est larc normalis tout au long du contour. Lnergie peut tre crite sous la

forme suivante :

ESnaks Einterne Eexterne


Lnergie interne est divise en deux sous nergies :
- 31 -

(2.5)

Chapitre 2

Traitement de l'image et l'extraction de code diris

1) La force d'lasticit : elle contrle la tension du contour actif et empche le contour de se


rtracter mais aussi l'extension de ce dernier.
2) La force de courbure: Cette force contrle la rigidit du contour. Pendant le processus de
dformation, elle essaye de lisser le contour.
L'nergie externe est la drive de l'intensit de l'image. Son but est d'attirer la courbe au plus
prt du contour d'intrt. Cette nergie est la nature de l'attraction vers les contours
intressants.
Il existe plusieurs mthodes pour calculer les forces extrieures toutes bases sur le calcul du
gradient. Chenyang XU a propos une approche appele: le champ GVF (Gradient Vector
Flow). Cette approche permet de prendre en compte lensemble de limage pour le calcul des
forces extrieures et donc a lavantage de ne pas dpendre du contour initial. Dans la pratique
lutilisation de ce champ donne effectivement de meilleurs rsultats [17].

2.5 Normalisation de liris


2.5.1 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 selon lquation
suivante :

x(r,) (1 r)xp () rxs ()


y(r,) (1 r) yp () rys ()

- 32 -

(2.6)

Chapitre 2

Traitement de l'image et l'extraction de code diris

Fig. 2.13 Transformation en pseudo-polaire


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 Yp() 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 de
la figure (2.14) montre une image normalise obtenue par ce processus qui est rectangulaire et
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.

Fig. 2.14 Image diris normalise

2.5.2 La mthode de Wildes


Wildes a t le premier et lunique jusqu ce jour proposer une mthode alternative et
compltement diffrente de celle de Daugman. Les diffrences se situent dans toutes les
phases de traitement incluant : la capture de liris, la segmentation, la normalisation et la
reconnaissance. En segmentation, Wildes a propos une mthode base sur la transforme de
Hough circulaire et elliptique.
La normalisation seffectue en alignant une image Ia(x,y) avec la rfrence Id(x,y) en
utilisant une fonction de transformation des pixels u(x,y),v(x,y) telle que les niveaux de gris
dans Ia(x-u(x,y),y-v(x,y)) et Id(x,y) soient les plus proches possible. Dune manire
gnrale les fonctions u et v doivent minimiser lintgrale suivante :

- 33 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

xy

(Id (x, y) Ia (x u, y v))2 dxdy

(2.7)

Avec la contrainte de transformation suivante :

sR( )
x'
y'

x
y

x
y

(2.8)

O S et R reprsentent respectivement le facteur dchelle et la matrice de rotation par un


angle . En utilisant une mthode de minimisation itrative, il est possible de dduire les
valeurs de s et de [13].

2.6 Extraction des caractristiques :


Jusqu prsent, les chercheurs sont parvenus isoler la rgion de liris porteuse
dinformation et la placer dune faon bien dtermine dans une matrice. Il sagit
maintenant de traiter cette rgion diris pour localiser les caractristiques significatives et
ainsi permettre lidentification dun individu dtermin lors dune comparaison avec dautres
iris.
Dans la reconnaissance par iris, la plupart des mthodes que l'on trouve dans la littrature
utilisent diffrents types d'ondelettes ou de filtrages par fentre et la recherche sur ce sujet est
encore d'actualit. A titre d'exemple, John Daugman [3] utilise les filtrages deux dimensions
de Gabor. Wilds [14], quant lui, se sert du passage zro d'ondelettes une dimension. Lim
et son quipe ont une approche mixte: elle combine les ondelettes de Haar deux dimensions
la 4me chelle et un rseau neuronal. D'autres techniques telles que les ondelettes de
Daubechies4, ou encore ondelettes biorthogonales sont aussi employes. Masek [13] a tudi
en 2003 lapplication dune ondelette Log-Gabor et a constat quelle prsentait de bonnes
qualits danalyse dans le cas de liris.

2.6.1 Utilisation du filtre de Gabor


Daugman a utilis le filtre de Gabor 2 dimensions (2D) [3] afin de coder le modle d'iris, il
dmodule la sortie du filtre afin de comprimer les donnes. Ceci est fait par quantification de
l'information de phase dans quatre niveaux. Il a t montr par Oppenheim et Lim que
linformation de phase, plutt que celle de lamplitude fournit les informations les plus
significatives dans une image. Ces quatre niveaux sont reprsents en utilisant deux bits de
donne, Un total de 2048 bits est calcul pour tout le calibre. La dmodulation et le processus
de quantification de phase peuvent tre reprsents comme :
- 34 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

h Re,Im sgnRe,Im I(,) eiw(0) e(r0)

2 (0)2 2

d d

(2.9)

O (r0,0) indique la frquence centrale du filtre, (,) indiquent la largeur et la longueur


efficaces, I(,) est une image d'iris dans un systme du mme rang polaire sans dimension et
h peut tre considr comme un bit complexe dont la partie relle et imaginaire dpend du
signe de lintgrale 2D [13].

Fig. 2.15 Exemple de code diris gnr par la mthode Daugman [3]

2.6.2 Le Filtrage de Log-Gabor


Le filtre de Gabor qui est gnralement utilis fournit un bon compromis entre le domaine
spatial et frquentiel. Puisque quil ny a quune seule ondelette utilise, cette proprit de
Gabor joue un rle important. En consultant les diverses tudes disponibles sur le processus
de codage, on rencontre un dsavantage li au choix de londelette que prsente la partie
relle du filtre introduit une composante continue puisque la valeur la frquence zro de la
transforme de Fourier du filtre de Gabor n'est pas nulle. Cette composante continue est
dtermine par lillumination et napporte que linformation des conditions de prise des
photos. Puisque dans le traitement de l'iris, nous nous intressons seulement aux transitions
des valeurs des pixels, cette composante doit tre limine. Solution propose dans la
littrature [13] pour liminer le problme expos.
Il s'agit d'un filtre de Gabor dont l'chelle de frquence est logarithmique. Il possde donc la
rponse frquentielle suivante :

(log( f f 0 )) 2

G ( f ) exp
2
2
(log(

f
))
0

- 35 -

(2.10)

Chapitre 2

Traitement de l'image et l'extraction de code diris

f est la frquence centrale et la largeur de bande du filtre. Les choix de f et dpendent du


0

problme (qualit et proprits des images de la base de donnes) et des applications du


systme.

2.6.3 Dcomposition en ondelettes de Haar


En traitement dimage, les ondelettes orthogonales sont trs utilises car elles conduisent
des calculs rapides. Dans le cas de signaux dune dimension (1D), le signal est dcompos en
une approximation et un dtail. En deux dimensions (2D), limage est dcompose en une
approximation et trois dtails (horizontal, diagonal et vertical).
Nous utilisons les ondelettes de Haar illustres dans la figure (2.16) et l'quation (2.9) comme
une fonction de base pour extraire les caractristiques de la rgion de l'iris.

H ( x)

1 si x 0 , 1 / 2
1 si x 1 / 2 , 1

(2.11)

Fig.2.16 Ondelette de Haar


La figure (2.17) prsente les sousimages aprs la transformation .Les dsignations H et L
reprsentent respectivement le filtre passe-haut et le filtre passe-bas et HH indique que le
filtre passe-haut est appliqu aux signaux des deux axes (lignes puis les colonnes de la matrice
associe limage). La texture de liris est dcompose sur 4 niveaux, et le vecteur de
caractristiques dun iris est construit en combinant la sous-image HH4 (4me niveau) avec
lintensit moyenne des 3 autres sous-images HH1, HH2 et HH3.
Afin de rduire le temps de calcul pour manipuler le vecteur de fonctionnalit, nous
quantifions chaque valeur relle en valeur binaire en convertissant simplement la valeur
positive en 1 et la valeur ngative en 0 [20].

- 36 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

Fig.2.17 forme de dcomposition en sous-bandes par londelette de Haar

Fig.2.18 Texture diris dcompos en sous- images par ondelette de Haar

2.6.4 Passages par zro de l'ondelette 1D


Pour le codage des donnes caractristiques de l'iris. L'ondelette est dfinie comme la drive
seconde de la fonction de lissage (x).

d 2 ( x )
(x)
dx 2

(2.12)

Les passages par zro des chelles dyadiques de ces filtres sont ensuite utiliss pour coder les
formes. La transforme en ondelettes d'un signal f (x) l'chelle s et la position x est donne
par :

2 d 2 ( x )
( x )
ws f ( x ) f * S
2
dx

2
d
ws f ( x ) S 2 2 ( f * s )( x )
dx

(2.13)

s (1 s ) ( x s )

(2.14)

O :

- 37 -

Chapitre 2

Traitement de l'image et l'extraction de code diris

Wsf(x) est proportionnelle la drive seconde de f (x) lisse par s (x), et le passage zro de
la transformation correspond des points d'inflexion dans s * f (x). La motivation de cette
technique est que les passages par zro correspondent des points importants avec la rgion
de liris [13].

2.7 Conclusion
Dans ce chapitre, premirement on a prsent les mthodes de segmentation dimages diris
en gnral et la transforme de Hough (mthode de Canny pour localiser la rgion de l'iris
aprs llimination des reflets sur la pupille) en particulier dans le traitement dimages, puis
on a expos la mthode de la transformation en coordonnes polaire propos par J-Daugman
pour la normalisation de la rgion de l'iris. Pour extraire linformation de la texture de liris
(code diris) ou (vecteur caractristique), on sest intress la dcomposition en ondelettes
de Haar qui donne un vecteur de taille fixe plus rduit par report au filtre de Gabor (2D)
utilis par J-Daugman. Le vecteur obtenu sera exploit dans la phase de reconnaissance.

- 38 -

Chapitre 3

Identification diris et Rseaux de neurones

3.1 Introduction
Dans le contexte de la reconnaissance automatique de forme, il est ncessaire de disposer dun
algorithme simple et efficace surtout lorsquil sagit dexplorer une grande base de donnes.
L'objectif principal de reconnaissance est de faire correspondre l'iris inconnu avec liris stock
pralablement dans la base de donnes et de dterminer si la fonction inconnue vient de liris
authentique ou celui dun imposteur.
Dans ce chapitre nous prsenterons dabord les diffrentes mthodes didentification, en insistant
plus particulirement sur l'utilisation des rseaux de neurones pour la reconnaissance dindividus
par liris.

3.2 Les diffrentes mthodes didentification diris


Dans la littrature, plusieurs techniques ou mthodes didentification sont utilises savoir : les
distances Euclidiennes [14; 22], Les rseaux de neurones [23], la distance de Hamming [15; 21],
le cosinus de Similarit [21], la distance de Hausdroff [21], .etc. Parmi ces mthodes on a :

3.2.1

Les Rseaux de Neurones

Concernant les approches par rseaux de neurones, issues de la psychologie cognitive, on


distingue essentiellement cinq architectures de modles les plus frquemment utiliss: autoassociateurs linaires, rseaux retro-propagation derreur, fonctions de rayon (Radial Basis
Functions), rseaux doptimisation de cot (ex : rseau de Hopfield), et architecture lien
dynamique qui autorise une certaine flexibilit/volution des connexions entre neurones ou sousgroupes de neurones [1].
Lutilisation des rseaux de neurones (RN) pour

la classification de modle diris dune

personne se droule comme suit : Les iris dtects aprs la normalisation et le prtraitement pour
rduire la taille du rseau de neurone. Alors les images sont reprsentes par des matrices. Ces
- 39 -

Chapitre 3

Identification diris et Rseau de neurones

matrices (images) contiennent les valeurs de gris de la texture du modle diris. Ces valeurs sont
des signaux d'entre pour le rseau de neurones. La structure neuronale du rseau utilis par
Rahib Hidayat Abiyev et Koray Altunkaya [23] est donne par la figure (3.1).

Fig.3.1 Architecture de rseaux

O :
x1, x2, ..., xm sont des valeurs dentre des niveaux de gris qui caractrise l'information de texture
de l'iris, P1, P2, ..., Pn sont des modles de sortie qui caractrisent l'iris. La kme sortie du rseau
est dtermine par la formule :
h2

h1

pk f ( v jk . f ( uij . f ( wli xl )))


j 1

i 1

(3.1)

l 1

O Vjk sont les poids entre la couche cache et la couche de sortie du rseau, Uij sont les poids
entre les couches caches, Wli sont les poids entre la couche d'entre et la premire couche
cache, f est la fonction d'activation utilise dans les neurones. m est le nombre de composantes
d'entre, h1 et h2 sont le nombre de neurones dans les deux couches caches, n est le nombre de
neurones de sortie (k = 1, ., n).

3.2.2

La distance Euclidienne (MED) [21]

La mesure de la distance entre deux signatures permet de dcider si deux signatures proviennent
du mme iris ou de deux iris diffrents. Elle est calcule selon lexpression suivante :

- 40 -

Chapitre 3

Identification diris et Rseau de neurones

1M
dE(p,q) (pi qi )2
M i1

(3.2)

O M = K L est la dimension du vecteur caractristique, pi est la ime composante du vecteur


caractristique de l'chantillon, et qi la ime composante du vecteur de lchantillon inconnu.

3.2.3 Cosinus de similarit [21]


Une dfinition similaire peut tre utilise dans l'espace vectoriel, par laquelle le cosinus de
l'angle entre deux vecteurs est dfini comme :

d ( p, q) 1

p
p

q
q

(3.3)

O p et q sont deux vecteurs caractrisant deux iris et ( ||.|| ) indique la norme euclidienne.
Avec : 0

p
p

q
q

Plus la valeur d(p, q) est petite, plus ces deux vecteurs p et q sont similaires.

3.2.4 La distance de Hamming [21]


La comparaison entre individus se fait travers les codes de leurs iris. Une fois deux codes diris
extraits, on calcule leur distance de Hamming dH qui est donne par :

1M
dH (p,q) pi qi
M i1

(3.4)

O dsigne OR exclusive (XOR), M la longueur de la squence binaire, pi la ime composante


du vecteur chantillon figurant dans la base de donnes, et le qi la ime composante du vecteur
inconnu.

- 41 -

Chapitre 3

Identification diris et Rseau de neurones

Plus la distance de Hamming est faible, plus les deux codes se ressemblent. Une distance 0
correspond une parfaite correspondance entre les deux images alors que deux images de
personnes diffrentes auront une distance de Hamming proche de 0.5.

3.3 Introduction aux Rseaux de Neurones Artificiels


Les rseaux de neurones sont composs dlments simples (ou neurones) fonctionnant en
parallle. Ces lments ont t fortement inspirs par le systme nerveux biologique. Comme
dans la nature, le fonctionnement du rseau de neurone est fortement influenc par les connexions
des lments entre eux. On peut entraner un rseau de neurone pour une tche spcifique
(reconnaissance de forme par exemple) en ajustant les valeurs des connexions (ou poids) entre
les lments (neurones).
En gnral, lapprentissage des rseaux de neurones est effectu de sorte que pour une entre
particulire prsente au rseau corresponde une cible spcifique. Lajustement des poids se fait
par comparaison entre la rponse du rseau (ou sortie) et la cible, jusqu ce que la sortie
corresponde (au mieux ) la cible. On utilise pour ce type dapprentissage dit supervis un
nombre consquent de paire entre/sortie.
Lapprentissage par paquet (batch training) du rseau consiste ajuster les poids et biais en
prsentant les vecteurs dentre/sortie de tout le jeu de donnes.
Lapprentissage pas pas ou squentiel (incremental training) consiste ajuster les poids et biais
en prsentant les composantes du vecteur dentre/sortie les unes aprs les autres. Ce type
dapprentissage est souvent qualifi dapprentissage en ligne (on line training) ou adaptatif
(adaptive training) [24].
Lapprentissage permet aux rseaux de neurones de raliser des tches complexes dans diffrents
types dapplication (classification, identification, reconnaissance de caractres, de la voix, vision,
systme de contrle). Ces rseaux de neurones peuvent souvent apporter une solution simple
des problmes encore trop complexes ne pouvant tre rsolus rapidement par les ordinateurs
actuels (puissance de calcul insuffisante) ou par notre manque de connaissances.
La mthode dapprentissage dite supervise est souvent utilise mais des techniques
dapprentissage non supervis existent pour des rseaux de neurones spcifiques. Ces rseaux
peuvent, par exemple, identifier des groupes de donnes (rseaux de Hopfield).
- 42 -

Chapitre 3

Identification diris et Rseau de neurones

Les rseaux de neurones ont une histoire relativement jeune (environ 50 ans) et les applications
intressantes des rseaux de neurones nont vu le jour quil y a une vingtaine danne
(dveloppement de linformatique).

3.3.1 Le neurone formel


Le neurone formel est le modle mathmatique du neurone biologique. Il fait la somme pondre
de ses entres, suivie dune non linarit (lment de dcision pour les classificateurs) appele
fonction dactivation ou fonction de seuil.
Les entres dun neurone sont soit des entres externes, soit des sorties dautres neurones [22].
Le schma dun neurone formel est donn par la figure (3.2).

Fig. 3.2 Schma dun neurone formel

Lquation de sortie Oi du neurone i est donne par :

oi f ( Li )

(3.5)

Li wijk Eij wiok x0

(3.6)

O :

- 43 -

Chapitre 3

Identification diris et Rseau de neurones

Les coefficients de pondration Wij sont appels coefficients synaptiques Souvent, il y a un


paramtre additionnel (Wi0.x0 avec x0=1), ce terme est considr comme la valeur du seuil interne
du neurone

3.3.2 Fonction dactivation


Cest une fonction prsente gnralement par une non linarit appele aussi fonction de seuil.
Elle permet de dfinir ltat interne du neurone en fonction de son entre totale Les fonctions les
plus souvent utilises sont reprsentes par la (figure 3.3) [24].

- 44 -

Chapitre 3

Identification diris et Rseau de neurones

Fig.3.3 Les diffrentes formes de la fonction dactivation

Toutes les fonctions dactivation utilises doivent tre diffrentiables, car larchitecture du rseau
de neurones limpose pour que lapprentissage soit possible [22].

3.3.3 Architecture des rseaux de neurones


3.3.3.1 Les rseaux couches
Aujourdhui les rseaux de neurones couches ou multicouches sont les plus utiliss en
reconnaissance de forme en raison de leur capacit rsoudre les problmes de classification non
linaires par lutilisation de lalgorithme de rtro-propagation du gradient driv de la rgle de
Widrow- Hoff pour le calcul des poids des connexions des neurones des couches internes.
Le rseau couches comprend :
Une couche dentre qui reoit lensemble des formes classer.
Une ou plusieurs couches caches intermdiaires.
Une couche de sortie qui doit restituer lensemble des sorties aprs lapprentissage.
- 45 -

Chapitre 3

Identification diris et Rseau de neurones

Cest pourquoi on utilise plutt une structure de rseaux couches telle que les neurones qui
appartiennent une mme couche ne soient pas connects entre eux, chacune des couches
recevant des signaux de la couche prcdente, et transmettant le rsultat de ses traitements la
couche suivante. Les deux couches extrmes correspondent la couche qui reoit ses entres du
milieu extrieur dune part, et la couche qui fournit le rsultat des traitements effectus dautre
part. Les couches caches, leur nombre est variable [22].

Fig.3.4 Rseau couche

3.3.3.2 Les rseaux entirement connects


Dans ces rseaux, chaque cellule est relie toutes les autres et possde mme un retour sur ellemme. Limportance de ces rseaux nest pas due une origine biologique comme cela ltait
pour les rseaux couches caches, mais du fait quon a pu tablir une analogie entre les rseaux
de ce type constitus dautomates seuil et le comportement dun verre de spin ; Ceci a permis
de mettre la disposition des chercheurs tout le formalisme de la mcanique statistique et
entran un regain dintrt pour ltude des rseaux de neurones.

Fig.3.5 Rseaux entirement connects (boucls)

- 46 -

Chapitre 3

Identification diris et Rseau de neurones

3.3.4 Le Perceptron multi-couches


Le cerveau humain est compos de plusieurs de milliers de neurones, alors il est vident quun
seul neurone ne peut rien faire, il lui faut la coopration dautres neurones. En suivant ce
raisonnement il est vident quil faut trouver une architecture qui relie les neurones entre eux, qui
cre une liaison entre les neurones pour crer un rseau de neurones.
En sinspirant du perceptron mono-couche, une architecture plus complexe englobant plusieurs
neurones a t mise au point. Cette nouvelle architecture est le perceptron multicouches (ou MLP
pour Multi Layer Perceptron). Lapparition de cette architecture a permis de rsoudre les
problmes de classification non linaire du perceptron et de dpasser les limites principales de
celui-ci. L'ide principale est de grouper des neurones dans une couche. En plaant ensuite bout
bout plusieurs couches et en connectant compltement les neurones de deux couches adjacentes.
Les entres des neurones de la deuxime couche sont donc en fait les sorties des neurones de la
premire couche [22].

Fig.3.6 Architecture de rseaux multi-couches

- 47 -

Chapitre 3

Identification diris et Rseau de neurones

3.3.5 Equations du rseau


Avant de dfinir la rgle dapprentissage, on doit dfinir la relation entre les sorties du rseau,
dune part, et les entres et les poids dautre part. On considre dans ce qui suit les rseaux non
rcurrents multicouches.
Pour un rseau multi-couches m entres et n sorties, compos de L couches (couches caches et
couche de sortie), les tats des neurones sont donns par les quations suivantes :

Sik wijk Okj 1 (t )

i 1,2,........nk ; k 1,2,......L

(3.7)

Avec :

O0k (t)1 k 0,1,2,.......,L

(3.8)

Oi0(t) xi (t) i 1,2,.......,


m

(3.9)

yi (t) OiL (t) i 1,2.......,n

(3.10)

nk1

Oik (t) f k [Sik (t)] f k wijk Oik1 (t)


j0

(3.11)

3.3.6 La rtro-propagation
La rtro-propagation est actuellement loutil le plus utilis dans le domaine des rseaux de
neurones. Cest une technique de calcul des drives qui peut tre applique nimporte quelle
structure des fonctions drivables.
Lanne 1986 a vu lapparition de lalgorithme de rtro-propagation de lerreur publi par
Rumelhart, Hinton et Williams qui permet doptimiser les paramtres dun rseau de neurones
plusieurs couches [22].
Lobjectif de la mthode de rtro-propagation est dadapter les paramtres Wijk de faon
minimiser la valeur moyenne de lerreur sur lensemble dentranement. La fonction de cot la
plus utilise est donne par :

1 T
1 T
E E (t ) [ y d (t ) y (t )] 2
2 t 1
2 t 1
- 48 -

(3.12)

Chapitre 3

Identification diris et Rseau de neurones

O yd est le vecteur de sortie dsire, y le vecteur de sortie du rseau et T la longueur de


lensemble dapprentissage. Cependant, dans quelques situations dautres critres derreur
peuvent tre plus appropris. Lapproche la plus utilise pour la minimisation de la fonction E est
base sur les mthodes de gradient. On commence lentranement par un choix alatoire des
valeurs initiales des poids. On prsente le premier vecteur dentre. Une fois la sortie du rseau,
lerreur correspondante et le gradient de lerreur par rapport tous les poids sont calcules, les
paramtres sont ajusts dans la direction oppose celle du gradient de lerreur. On refait la
mme procdure pour tous les exemples dapprentissage. Ce processus est rpt jusqu ce que
les sorties du rseau soient suffisamment proches des sorties dsires.
Pour un ensemble de poids donn, il est facile de calculer la sortie Y(t) et lerreur E (t)
correspondant une entre X (t), en utilisant les quations (3.7) et (3.12). Les paramtres du
rseau sont alors ajusts par la mthode de gradient en utilisant la formule itrative :

wijk ( n ) wijk ( n 1) wijk ( n )

wijk ( n )

E
wijk ( n )

(3.13)

(3.14)

O est une constante appele facteur ou pas dapprentissage. n est le numro de litration.
La vitesse de convergence dpend de la constant . Sa valeur est gnralement choisie
exprimentalement. Si est trop petit la convergence est lente mais la direction de descente est
optimale. Si est trop grand la convergence est rapide mais la prcision est mdiocre, un
phnomne doscillation intervient ds quon approche du minimum. La drive de lerreur E par
rapport au poids Wijk (n) est donne par :
T
E
E (t )
k
k
wij ( n ) t 1 wij ( n )

Avec :

E
ik (t )Oik 1 (t )
k
wij ( n )

(3.15)

(3.16)

O i (t ) est lerreur quivalente la sortie du neurone i de la couche k, pour les neurones des
couches de sortie :
k

- 49 -

Chapitre 3

Identification diris et Rseau de neurones

i1 (t ) f 1 ' [ S i1 (t )[ y id (t ) y i (t )] ]

(3.17)

Pour les neurones des couches caches :


nk 1

(t ) f ' [ S (t ) jk 1 (t )wijk 1 ( n ) ]
k
i

k
i

(3.18)

j 1

Pour minimiser lerreur totale E sur lensemble dentranement, les poids du rseau doivent tre
ajusts aprs la reprsentation de tous les exemples. Cependant on peut ajuster les poids aprs la
reprsentation de chaque exemple, les corrections sont assez faibles et la minimisation de E (t) est
une bonne approximation de la minimisation de E, lquation (3.14) est remplace par :

wijk ( n )

E (t )
wijk ( n )

(3.19)

Alors on a :

wijk ( n 1) wijk ( n ) ik Oik 1


3.3.6 Algorithme
Etape 1: Initialiser les poids Wij et les biais des neurones de petites valeurs alatoires.
Etape 2: Prsenter le vecteur d'entre et de sortie dsirs correspondants.
Etape 3: Calculer :
1- La somme des entres des neurones d'une couche cache : Eq.(3.7).
2- Les sorties des neurones de la couche cache : Eq.(3.11).
3- La somme des entres de la couche de sortie : Eq.(3.7).
4- Les sorties du rseau : Eq.(3.11).
Etape 4: calculer :
1- Les termes de lerreur pour les neurones de la couche de sortie: Eq.(3.17).
2- Les termes de lerreur pour les neurones de la couche cache: Eq.(3.18).
Etape 5 : Ajuster :
- Les poids de la couche de sortie et la couche cache: Eq.(3.20).

- 50 -

(3.20)

Chapitre 3

Identification diris et Rseau de neurones

Etape 6 : Si la condition sur l'erreur ou sur le nombre d'itration est atteinte, aller l'tape 7,
sinon revenir l'tape 3 jusqu' la stabilisation du systme.
Etape 7 : Fin.

3.4 Conclusion
Dans ce chapitre nous avons list les outils ncessaires lidentification diris. Puis nous avons
expos les rseaux de neurones, en spcifiant leurs dfinitions, les concepts de base de cette
technique, lapprentissage des rseaux de neurones.
Nous avons prsent une tude sur lalgorithme du rtro-propagation qui a prouv son efficacit
dans la pratique avec ses capacits dapprentissage et didentification.

- 51 -

Chapitre 4

Application et rsultats obtenus

4.1 Introduction
Dans ce dernier chapitre, nous prsenterons la plate forme logicielle que nous avons implmente
sous lenvironnement MATLAB7.0, qui montre le principe du systme complet de
reconnaissance diris, ainsi quune explication des diffrentes tches que nous avons ralises dans
le cadre de ce travail depuis le prtraitement, jusqu la recherche dans une base de donnes, en
passant par la codification.

4.2 Procdure complte de codage


La premire tape du procd de traitement de linformation qui se trouve dans limage dun oeil est
de localiser la pupille et liris (voir annexe C ).

4.2.1 Localisation de la pupille


La localisation de la pupille dans l'image est une phase trs importante. Si on la connat, on peut
diminuer la taille de la zone de recherche et donc augmenter la vitesse d'excution et diminuer
l'erreur. De plus, le niveau de gris de la pupille est le plus bas dans image et ne varie pas beaucoup.
Donc, la rgion de la pupille est la plus facile dtecter dans l'image. On peut faire un simple
seuillage pour obtenir cette rgion.
A laide des fonctions sous MATLAB7.0, on peut obtenir les images binaires suivantes pour
diffrentes valeurs du S (seuil) :

- 51 -

Chapitre 4

Application et rsultats obtenus

Fig. 4.1 Localisation de la rgion de la pupille

Pourtant, lorsque nous avons appliqu le seuillage, nous avons rencontr un problme. Nous avons
obtenu dans l'image binaire non seulement la rgion de la pupille mais aussi celle des cils. Chaque
cil est svelte. Normalement, on pourrait faire une rosion pour supprimer ou sparer les rgions
prsentant des cils dans image binaire.

Fig. 4.2 Isolation de la pupille

Aprs avoir dtect la rgion de la pupille, on peut liminer le reflet apparu sur elle.

Fig. 4.3 Elimination des reflets


- 52 -

Chapitre 4

Application et rsultats obtenus

4.2.2 Recherche du centre et contour de la pupille


L'tape de localisation de la pupille et la suppression des reflets tant trs importante, toutes les
tapes suivantes se sont bases sur ses rsultats. Alors si on s'est tromp, on dtectera de mauvais
contours de pupille et d'iris.
On utilise ici lalgorithme de dtection de contours de Canny (voir annexe A). Celui-ci nous permet
dobtenir une image o les contours sont en blanc sur un fond noir.

Fig. 4.4 Dtection du contour de la pupille

4.2.3 Recherche du contour et rayon de liris


Une fois la dtection du cercle intrieur de liris (le bord iris-pupille) effectue, on recherche le bord
extrieur de liris, qui est modlis par un cercle. Pour ce faire, nous avons employ une technique
capable de dtecter la forme gomtrique dsire, appele "Transformation de Hough ". (Dtection
des contours de Canny), Elle fournit le rayon exact du bord extrieur de liris, ainsi que les
coordonnes du centre (voir annexe 1). En utilisant sigma comme cart type du filtre gaussien. La
figure (4.5) montre les contours dtectes pour diffrentes valeurs de sigma.

- 53 -

Chapitre 4

Application et rsultats obtenus

Fig. 4.5 Dtection du contour de liris pour diffrentes valeurs de sigma

Aprs avoir dtermin Cp (xp, yp) par lquation (2.1), on peut extraire le rayon de liris Ri : partir
du centre de la pupille en partant du ce point (Cp) que nous avons trouv, nous avanons jusqu
trouver un deuxime contour. Nous notons alors le point (Xi) o nous sommes arrivs : il appartient
au bord de liris (voir figure (2.10) de chapitre 2.

- 54 -

Chapitre 4

Application et rsultats obtenus

Le rayon de liris est donn par lquation : Ri=Xi-Xp


partir de lquation prcdente et lquation (2.1), on peut facilement isoler la rgion de liris,
(voir la figure 4.6).

Fig. 4.6 (a)rgion de liris, (b) localisation de la pupille et de liris

4.2.4 Normalisation la rgion de liris


Aprs avoir obtenu les cercles les plus proches des contours finaux, nous utilisons la mthode
propose par Daugman pour gnrer les images normalises diris (voir chapitre 2).

Limage de la figure (4.7) droite montre une image normalise obtenue par ce processus. Comme
cest montr limage normalise est rectangulaire de taille constante, gnralement la taille choisie
est de 16*180 pixels. La largeur de limage reprsente la variation sur laxe angulaire alors que la
hauteur reprsente les variations sur laxe radial.

Fig. 4.7 Normalisation de liris


- 55 -

Chapitre 4

Application et rsultats obtenus

4.2.5 Extraction des caractristiques


Pour pouvoir reconnatre un iris, il faut en extraire une signature et la comparer une base de
donnes de signatures de rfrence. Lextraction des caractristiques (vecteurs dattributs)
(signature) repose sur lutilisation de la transforme en ondelettes (ondelette mre de Haar). La
texture de liris est dcompose sur quatre niveaux, et le vecteur de 959 caractristiques dun iris est
construit en combinant la sous-image HH4 (4me niveau) avec lintensit moyenne des 3 autres
sous-images HH1, HH2 et HH3, en utilisant la commande WAVEMENU .Cette dernire ouvre
linterface graphique de pris en main de la boite outils .cette interface sert utiliser de faon
visuelle les diffrentes fonctions proposes sur des signaux (1D) ou des images (2D) sans connatre
les commandes Matlab ncessaires la cration dun programme.
Le vecteur caractristique obtenu contient des valeurs positives et ngatives, Ces lments
caractristiques (coefficients dondelettes) seront quantifis, chaque valeur relle en valeur binaire
en convertissant tout simplement la valeur positive en 1 et la valeur ngative en 0.

La figure (4.8) illustre la dcomposition dune image diris sur quatre niveaux. Et le tableau (4.1)
prsente un exemple dun vecteur qui caractrise liris N 1(Aveva.bmp) et leur code associe.

- 56 -

Chapitre 4

Application et rsultats obtenus

Fig. 4.8 Dcomposition en ondelette de Haar

- 57 -

Chapitre 4

Application et rsultats obtenus


Tableau 4.1 Exemple dun code de liris N 1 (Aveva.bmp)

Vecteur des Coefficients

Vecteur Cod

325,0

0000

103,8

101,6

-126,1

-052 ,5

-059,3

-161,1

:
:
-003 ,7

:
:
0

-007,3

019,3

037,7

-036,9

045,3

-101,0

086,0

017,6

012,4

-039,0

-136,5
080,9

0
1

:
:
:
001,5

:
:
:
1

- 58 -

Chapitre 4

Application et rsultats obtenus

4.3 Comparaison entre iris


4.3.1 La distance de Hamming
La comparaison entre individus se fait travers les codes de leurs iris. Une fois deux codes diris
extraits, on calcule leur distance de Hamming par la formule (3.4) (voir chapitre 3).

Dans notre cas : M=959 (longueur du vecteur).


Si deux modles sont drivs du mme iris, la distance de Hamming entre eux sera gale 0.
Si deux configurations binaires sont compltement indpendantes, comme des calibres d'iris
produits diris diffrents, la distance de Hamming entre les deux modles sera proche de 0.5.
Le tableau (4.2) donne un exemple de calcul de la distance de Hamming calcule pour une base de
donnes de 30 iris.

Tableau 4.2 Exemple de calcul de la distance de Hamming

Images

Distance de Hamming

Aveva.bmp

0.0000

Chingycl.bmp

0.4661

Fional.bmp

0.4755

Hockr.bmp

0.4724

Lokel.bmp

0.4797

Zulaikahl.bmp

0.4880

Lpjl.bmp

0.4505

Mahskl.bmp

0.4828

Masl.bmp

0.4546

10

Mimil.bmp

0.5000

11

Nkll.bmp

0.4703

12

Norsuhaidahl.bmp

0.4984

13

Ongbll.bmp

0.4901

14

Salal.bmp

0.4567

15

Sell.bmp

0.4776

16

Sarinl.bmp

0.4901

17

Sitil.bmp

0.4807

18

Tanwnl.bmp

0.4963

- 59 -

Chapitre 4

Application et rsultats obtenus


19

Eugenehol.bmp

0.4619

20

Chualsl.bmp

0.4838

21

Christinel.bmp

0.4724

22

Chongpkl.bmp

0.5000

23

Zulaikahl.bmp

0.4984

24

Zaridahl.bmp

0.4891

25

Maranl.bmp

26

Yannl.bmp

0.4672

27

Vimalal.bmp

0.4880

28

Hockl.bmp

0.4494

29

Kelvinl.bmp

0.4369

30

Liujwl.bmp

0.4609

0.4995

On voit clairement que limage diris qui correspond une distance de Hamming nulle est limage
recherche donc le sujet (Avea.bmp) est parfaitement identifi.

4.3.2 Le rseau de neurones RN


Dans cette approche, l'image de l'iris est reprsente par un vecteur qui contient les coefficients
dondelette de Haar. Ces valeurs sont des signaux d'entre pour le rseau de neurones aprs la
normalisation (c.--d. valeurs entre -1 et 1). Nous choisissons une seule couche cache (et 30
neurone de sortie), nous testerons le rseau sur 10 et 20 neurones en couche cache et on fait varier
le pas dapprentissage. Puis nous utilisons deux couches caches (100 et 80 neurones
respectivement).

4.3.2.1 Rseau une seule couche cache


La structure neuronale du rseau est donne par la figure (4.9). Une couche cache tait utilise
dans le (RN). Dans cette structure, x1, x2, ..., xm sont des valeurs dentre qui caractrise
l'information de texture de l'iris et S1, S2, ..., Sn des modles de sortie qui caractrisent l'iris.

- 60 -

Chapitre 4

Application et rsultats obtenus

Fig. 4.9 Architecture de rseau une seule couche cache (1 cc)

O : uij sont des poids entre la couche cache et la couche de sortie du rseau, wli sont des poids
entre la couche d'entre et la couche cache, f est la fonction d'activation qui est utilis dans les
neurones. m est le nombre de composantes d'entre, n est le nombre de composantes de sortie.

Lapprentissage (Evaluation de lerreur quadratique)

Pour 10368 itrations et 10 neurones de la couche cache et avec un pas dapprentissage gal
0.01, simul par un PC Pantium4 de 3 GHZ et de 504 Mo de RAM, on obtient le rsultat suivant au
bout une minute et 51 secondes (00 :01 :51s).

Fig. 4.10 Erreur totale en fonction du Nombre ditrations, avec 20 neurones dans la couche
cache

- 61 -

Chapitre 4

Application et rsultats obtenus

Pour 3657 itrations et 20 neurones de la couche cache et avec un pas dapprentissage gal 0.01,
on obtient la courbe suivante au bout de 52 secondes.

Fig. 4.11Erreur totale en fonction du nombre ditrations, avec 20 neurones dans la couche
cache

Daprs les deux figures prcdentes, on remarque que la vitesse de convergence de lerreur est lie
au nombre de neurones dans la couche cache. Plus le nombre augmente plus le temps de
convergence diminue (et moins ditrations).dans la suite on fixe le nombre de neurones de la
couche cache 20 et on fait varier le pas dapprentissage.

Pour 3732 itrations et 20 neurones de la couche cache et avec un pas dapprentissage gal
0.0001, on obtient le rsultat suivant au bout de 53 secondes.

- 62 -

Chapitre 4

Application et rsultats obtenus

Fig. 4.12 Erreur totale en fonction du nombre ditrations, avec 20 neurones de la couche
cache
Pour 6030 itrations et 20 neurones de la couche cache et avec un pas dapprentissage gal
0.000001, au bout de (00 :01 :25s) on obtient le rsultat suivant.

Fig. 4.13 Erreur totale en fonction du nombre ditrations, avec 20 neurones de la couche
cache
- 63 -

Chapitre 4

Application et rsultats obtenus

4.3.2.2 Rseau deux couches caches


La structure neurale du rseau est donne par la figure (4.14).

Fig.4.14 Architecture de rseau deux couches caches utilis

Lapprentissage

On fixe le nombre de neurones de la premire couche cache 100 et 80 pours la deuxime couche
et on fait varier le pas dapprentissage.
Pour 719 itrations et un pas dapprentissage gal 0.01, on obtient le rsultat suivant au bout
dune minutes.

Fig.4.15 Erreur totale en fonction du nombre ditrations, avec deux couche caches

- 64 -

Chapitre 4

Application et rsultats obtenus

Pour 1050 itrations et un pas dapprentissage gal 0.0001, on obtient le rsultat suivant au bout
dune minutes.

Fig.4.16 Erreur totale en fonction du nombre ditrations, avec deux couches caches

Pour 1270 itrations et un pas dapprentissage gal 0.000001, on obtient le rsultat suivant au
bout de (00 :01:23s).

- 65 -

Chapitre 4

Application et rsultats obtenus

Fig.4.17 Erreur totale en fonction du nombre ditrations, avec deux couches caches

Lorsque on augmente le nombre de couches caches, on remarque daprs les deux figures (4.13 et
4.17), o lerreur totale est minimale (dordre de 10-6) que le temps de convergence pour le rseau
deux couches cest un peu plus que pour le rseau une seule couche. Donc, de manire ne pas
augmenter de faon inutile la complexit du rseau, nous avons choisis une seule couche cache. Et
nous avons testes le rseau sur 20 neurones en couche cache.

La reconnaissance :
Dans cette phase on prend les poids travers lesquelles on a obtenue la sortie convenable (prenant
le cas dun rseau 1cc avec 20 neurones), puis on charge des images de la base. Aprs la validation
nous avons obtenu le pourcentage de reconnaissance de chaque iris (figure 4.18).

Taux de reconnaissance

La figure (4.18) reprsente lhistogramme du taux de reconnaissance des 30 iris de diffrentes


personnes.

- 66 -

Chapitre 4

Application et rsultats obtenus


100
90

Taux de reconnaissance(%)

80
70
60
50
40
30
20
10
0

10

15
20
Nombre d'iris

25

30

35

Fig. 4.18 Histogramme de reconnaissance des iris de la base dapprentissage

Reconnaissance de modle de la base de donnes

La figue (4.19) reprsente lhistogramme du taux de reconnaissance de liris numro 5. On voit


clairement que limage de liris recherche correspondant bien au sujet (Lokel.bmp)

Fig. 4.19 Histogramme de reconnaissance diris N 5

- 67 -

Chapitre 4

Application et rsultats obtenus

Si la personne nappartient pas la base de donnes, on reoit lhistogramme ci-dessous, donc


liris quon cherche ne correspond pas au numro des iris de la base.

Fig. 4.20 Histogramme de reconnaissance diris inconnu

4.4 Prsentation de lapplication


Lapplication est ralise dans un environnement graphique MATLAB 7.0. La figure (4.17)
prsente la fentre principale de cette application.

- 68 -

Chapitre 4

Application et rsultats obtenus

2
3
4

Fig.4.21 Fentre principale de lapplication

1- Bouton (1), permet de charger une image traiter. Les figures (4.22 et 4.23) montrent
respectivement un exemple dimages de la base de donnes et un exemple dun iris slectionn.

- 69 -

Chapitre 4

Application et rsultats obtenus

Fig.4.22 Les images de la base de donnes

Fig.4.23 Limage de la base slectionne


- 70 -

Chapitre 4

Application et rsultats obtenus

2- Bouton (2), permet de visualiser une image aprs le prtraitement. La figure (4.20) montre un
exemple dune image sans reflets.

Fig.4.24 Limage aprs le prtraitement

3- Bouton (3), permet de faire la dtection de la rgion diris. La figure (4.25) montre un
exemple dun iris dtect.

- 71 -

Chapitre 4

Application et rsultats obtenus

Fig.4.25 Dtection de liris

4- Bouton (4), permet de normaliser la rgion de liris. La figure ci-dessous montre un exemple
dun iris normalis.

- 72 -

Chapitre 4

Application et rsultats obtenus

Fig.4.26 Normalisation de liris

5- Bouton (5), permet de chercher une image diris dans la base de donnes. Le message ci-dessous
confirme que la personne se trouve dans la base.

Si la personne nappartient pas la base on reoit le message suivant :


- 73 -

Chapitre 4

Application et rsultats obtenus

6- Bouton (6), permet de revenir la fentre principale.

7-Bouton (7), quitter linterface avec un message pour confirmer.

4.6 Conclusion
Nous avons prsent dans ce chapitre les diffrentes tapes de reconnaissance biomtrique par le
code diris que nous avons implments sous lenvironnement MATLAB7.0.
En premier lieu, notons que la phase de prtraitement des images de liris est trs importante dans le
processus de reconnaissance et que lutilisation des ondelettes de Haar pour extraire les vecteurs de
caractristiques partir des images est une tape qui nous a permis de rduire le temps de calcul
dans la phase dapprentissage.
Dans le cadre des mthodes de reconnaissance, nous avons prsent et discut deux approches
savoir la distance de Hamming et lapproche par rseaux de neurones. Les taux de reconnaissance
obtenus taient satisfaisants pour les deux mthodes. Nanmoins, nous ne pouvons pas en dire
autant en ce qui concerne le facteur temps. En effet, lidentification par rseaux de neurones
consomme beaucoup plus de temps en apprentissage.

- 74 -

Conclusion gnrale
Dans ce mmoire, nous avons trait deux applications essentielles et complmentaires
rencontres dans la reconnaissance de liris. Il sagit, dune part de lextraction automatique de la
rgion de liris et de ses caractristiques, et dautre part de la reconnaissance de liris.
La difficult de lextraction de la rgion de liris et de ses caractristiques est due principalement
aux conditions dacquisition (apparition des reflets sur la rgion de la pupille), ce qui produit une
fausse dtection de liris.

Tout d'abord, nous avons prsent les diffrentes tapes de segmentation automatique, ce qui tait
de localiser la rgion de l'iris et d'isoler les paupires, les cils et les zones de rflexion. La
segmentation automatique a t ralis grce l'utilisation de la transforme de Hough (mthode
de Canny pour lextraction de contours). Un seuillage a galement t employ pour isoler les
cils et les reflets. Ensuite, la rgion de l'iris segmente a t normalise. Ceci a t ralis en
mettant en uvre une version du modle de Daugman, o la normalisation d'iris bas sur la
mthode pseudo-polaire (reprsentation de la texture dans un repre cartsien). Enfin, nous avons
utilis la dcomposition en ondelettes de Haar comme moyen danalyse multi-rsolution pour
extraire les caractristiques de la texture de l'iris normalise, qui donne les vecteurs dattributs
constitus des coefficients dondelettes de Haar.

Par ailleurs, nous avons pu travailler sur le problme de la reconnaissance de liris. Nous avons
appliqu deux mthodes, la distance de Hamming, et les rseaux de neurones formels.
La distance de Hamming a t utilise comme un moyen de comparaison. Pour cela nous avons
cod chaque coefficient dondelettes de Haar en un bit selon son signe.
Le rsultat obtenu est un code binaire de taille fixe. Une fois deux codes diris extraits, on calcule
leur distance de Hamming, plus la distance est faible, plus les deux codes se ressemblent. Une
distance 0 correspond une parfaite correspondance entre les deux images alors que deux
images de personnes diffrentes auront une distance proche de 0.5. Le rsultat trs satisfaisant
obtenu par cette mthode donne un taux de reconnaissance de 100%.
Nous avons galement appliqu les rseaux de neurones la reconnaissance diris, o nous avons
introduit les vecteurs dattributs (coefficients dondelettes de Haar aprs normalisation) comme
- 75 -

Conclusion gnrale
paramtres lentre du rseau caractris par une architecture (nombre de couches caches et
leurs nombres de neurones, le pas dapprentissage, les fonctions dactivations).
Nous avons enregistr un taux de reconnaissance gale 99.24%. Ce rsultat nous semble
satisfaisant compar aux autres mthodes, mais le seul inconvnient est le facteur temps lors de
lapprentissage du rseau, surtout lorsquil sagit dexploiter une grande base de donnes.

Les perspectives de ce travail sont nombreuses :


Il sagit dabord de trouver les bons contours pour toutes les images de la base en ajoutant la
phase de recherche du contour actif. Cette phase permet de chercher un contour plus net et plus
proche du contour intress. Il sagit aussi de rduire au maximum les vecteurs dattributs
(coefficients dondelettes de Harr) pour rendre la phase dapprentissage plus rapide.
Il est aussi intressant de constituer une large base de donnes, comprenant un grand nombre
d'individus et davantage d'images par individu.
La multi-modalit, qui consiste combiner des systmes de reconnaissance (Iris et Visages par
exemple) pour amliorer la fiabilit globale d'un systme.

- 76 -

Annexe A

Le Filtre de Canny
A .1 L'algorithme de Canny
L'algorithme de Canny (1986) [24], est utilis en traitement ou en analyse d'image pour la
dtection des contours. L'auteur l'a conu pour tre optimal suivant trois critres clairement
explicits :
1. bonne dtection : faible taux d'erreur dans la signalisation des contours,
2. bonne localisation : minimisation des distances entre les contours dtects et les
contours rels,
3. clart de la rponse : une seule rponse par contour et pas de faux positifs
A.1.1 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 :
(A.1)

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

(A.2)

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.
A.1.2 Gradient d'intensit
- 77 -

Annexe A

Le filtre de Canny

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 dimensions 31 et l'autre 13:

(A.3)

La valeur du gradient en un point est approxime par la formule :


| G | = | Gx | + | Gy |

(A.4)

A.1.3 Direction des contours


Les orientations des contours sont dtermines par la formule :

(A.5)

Nous obtenons finalement une carte des gradients d'intensit en chaque point de l'image
accompagne des directions des contours.
A.1.4 Suppression du non-maxima
La carte des gradients obtenue prcdemment fournit une intensit en chaque point de l'image.
Une forte intensit indique une forte probabilit de prsence d'un contour. Toutefois, cette
intensit ne suffit pas dcider si un point correspond un contour ou non. Seuls les points
correspondant des maxima locaux sont considrs comme correspondant des contours, et
sont conservs pour la prochaine tape de la dtection.
Un maximum local est prsent sur les extrema du gradient, c'est--dire l o sa drive
s'annule
A.1.5 Seuillage des contours
La diffrenciation des contours sur la carte gnre se fait par seuillage hystrsis.

- 78 -

Annexe A

Le filtre de Canny

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.
A.1.6 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.

Il n'existe pas actuellement de mthode gnrique pour dterminer des seuils produisant des
rsultats satisfaisants sur tous les types d'images [24].
A.2 Etapes dune dtection de contours par le filtre de canny
L'objectif est bien de calculer le module du gradient de l'image analyse. Souvent avant
d'appliquer le filtre de Canny, un filtrage pralable est opr sur l'image au moyen d'un
filtre gaussien. Les diffrentes tapes sont numres ci-aprs :

- 79 -

Annexe A

Le filtre de Canny

Convolution de l'image initiale avec un filtre passe-bas gaussien bi-dimensionnel (ou


convolution 1D dans chacune des deux directions).
Convolution de l'image lisse avec le filtre de Canny ou la drive de gaussienne
dans les directions horizontale et verticale.
Calcul du module du gradient partir des deux images reprsentant les gradients de
l'image filtre passe-bas dans les directions horizontale et verticale.

Fig.A.1 Exemple d'application du filtrage de Canny

Fig.A.2 Obtention du module du gradient par filtrage de Canny


- 80 -

Annexe B

La transforme en ondelettes
B.1 La transforme en ondelettes
La transforme en ondelette (TO) est apparue en gophysique au dbut des annes 1980 pour
l'analyse des signaux sismiques, et a t formalise plus tard par Grossmann et Morlet (1984)
et Goupillaud. C'est au sein de ces dernires communauts que des dveloppements
thoriques et appliqus majeurs ont eu lieu ces quinze dernires annes. Des avances
significatives ont notamment t faite par Meyer, Mallat, Daubechies , Chui, Wornell et
Holschneider. Ces avances ont alors influenc d'autres domaines de recherche, dont en
particulier, des applications pour la comprhension des processus gophysique (FoufoulaGeorgiou et Kumar, 1994). Ces interactions entre dveloppement et application favorisent
encore aujourd'hui l'volution rapide de l'outil "ondelettes"[25].
B.1.1 La transforme en ondelettes continue
Lanalyse multi-rsolution est intimement lie la transforme en ondelettes. Cest en fait une
manire de dcrire la transforme en ondelettes : celle-ci consiste en effet obtenir
lapproximation dun signal en le projetant sur un espace dapproximation (x). Bien
videmment, pour ne pas perdre dinformations, il faut aussi projeter le signal sur un espace
de dtail (x). La transforme en ondelettes utilise des translations et des dilatations
(fonctions dexpansions) dune fonction fixe appele ondelette mre . Dans le cas de la
transforme en ondelettes continue, les paramtres de dilatation a et de translation b varient de
manire continue :

a,b (x)

x b

(B.1)

La transforme en ondelettes dun signal f(x) produit une fonction de deux variables (le temps
et lchelle danalyse du signal) W(a,b) reprsentant la projection du signal f sur la base
dondelettes a,b :

- 81 -

Annexe B

La transforme en ondelettes

w(a, b)

f (x)

a, b

(x) dx

(B.2)

B.1.2 La transforme en ondelettes discrte


Puisque la translation de londelette est continue, linformation obtenue est infiniment
redondante. Pour diminuer cette redondance, la transforme en ondelettes discrte est utilise:
la translation et dilatations seffectuent alors selon des valeurs discrtes. Londelette
prsente dans lquation (B.1) est modifie de la manire suivante :

m,n (x)

m nb0
a0m a0

(B.3)

Les paramtres de translation et de dilatation discrtiss sont dfinis par :


a =a0m et b= nb0 a0m , avec a0 > 1 et b0 > 0, des entiers relatifs fixs.

B.2 Les ondelettes orthogonales


Cependant, il existe encore de la redondance. Pour la supprimer totalement, il faut utiliser des
ondelettes dites orthogonales. Lorthogonalit signifie que linformation capture par une
ondelette est totalement dcorrle de celle capture par une autre. Lutilisation dondelettes
orthogonales va de soi pour la compression dimages, car cela permet de ne garder que
linformation ncessaire et dassurer la rversibilit.
Deux ondelettes mres orthogonales permettent deffectuer une analyse multi-rsolution
orthogonale : les espaces de dtail et dapproximation sont alors orthogonaux, cest--dire que
la projection des vecteurs de la base de lun des espaces sur lautre donne zro. Chaque
ondelette et sa fonction dchelle associe sont galement orthogonales. Une famille
dexpansion trs populaire a t cre par Ingrid Daubechies. Une autre fonction dexpansion
galement frquemment utilise est celle de Haar. Ces deux ondelettes et leur fonction
dchelle associe sont illustres ci-dessous.

- 82 -

Annexe B

La transforme en ondelettes

Fig.B.1 La fonction d'chelle de Haar (gauche) et l'ondelette (droite).

Fig.B.2 La fonction d'chelle Daubechies 4 (gauche) et l'ondelette associe (droite).

B.3 Analyse dimages par londelette de Haar [26]


Il existe une infinit de fonctions de base multi - chelles, i.e. d'ondelettes, mais pour chaque
type d'ondelette il y a une soit dite fonction "mre" l'aide de laquelle toutes les fonctions de
la base sont "fabriqus". Dans cette annexe nous allons introduire les ondelettes de Haar, les
plus simples et premires tre utilises dans l'analyse du signal.
Toutes les familles dondelettes sont dfinies par une ondelette pre et une ondelette mre
. Dans le cas des ondelettes de Haar, londelette pre est dfinie par : IR IR

(x) 10
- 83 -

si 0t 1
si non

(B.4)

Annexe B

La transforme en ondelettes

Londelette mre est dfinie par :

1 si 0 t 1 / 2

( x) 1 1 / 2 t 1
0
si non

Les espaces Wj et Vj pour londelette de Haar sont :


B

1 1

w1
,
,0 ,0,0 ......, 0
2
2

1 1

w2 0 , 0 ,
,
,0,0 ......, 0
2
2

.
.
.
.

1 1

w N / 2 0 ,0,0 ,0,0,......... 0,0,


,

2
2

Et

1
1

v1
,
,0,0,0 ......, 0
2
2

1
1

v2 0,0 ,
,
,0 ,0 ......, 0
2
2

- 84 -

(B.5)

Annexe B

La transforme en ondelettes

1
1

v N / 2 0,0 ,0,0 ,0,......... 0 ,0,


,

2
2

Soit un signal discret f de la forme F = (f1, f2, f3, , fN), avec N la longueur de f.
Les lments du vecteur dtail sont :
cD j F .W j

Pour j = 1, 2, N/2.

Les lments du vecteur approximation sont:


cA j F .V j

Pour j = 1, 2, N/2.

Donc pour londelette de Haar :

cD

cA

F .W

F .V j

F2* j 1 F2* j
2

F2* j 1 F2* j
2

Pour j = 1, 2, N/2.

Pour j = 1, 2, N/2.

Le passage l'espace de dimension 2 peut tre pens d'une manire trs simple:
Si on a une image avec NxN, avec N une puissance de 2 (en compltant ventuellement avec
0), on revient la dfinition des ondelettes en dimension 1 et on procde en 2 tapes :

On transforme en ondelettes chaque ligne de l'image, 2 par 2 : on obtient une


approximation de l'image et des dtails.

On prend l'approximation de l'image et on transforme de nouveau en ondelettes, en


procdant cette fois sur les colonnes. Finalement on obtient une image
d'approximations et 3 images de dtailles, comme dans les figures (B.3).

- 85 -

Annexe B

La transforme en ondelettes

Fig.B.3 Transforme de Haar dune image 2D.

Fig.B.4 Exemple de la transforme de Haar dune image de lil.


- 86 -

Annexe C

Les diffrents processus utiliss


C.1 Extraction diris
Le processus de lextraction de la rgion de liris est reprsent sous forme dorganigramme par la
figure (C.1).

Fig.C.1. Processus dextraction de la rgion de liris


- 87 -

Les diffrents processus utiliss


C.2 Normalisation de liris
Lorganigramme de la figure (C.2), prsente le processus de normalisation et de lextraction du
vecteur dattribut qui caractrise la texture de liris normalis.

Fig.C.2. Processus de normalisation et dextraction du vecteur dattribut

- 88 -

Les diffrents processus utiliss


C.3 Codage de liris
Le processus du codage de liris est prsent par la figure (C.3).

Fig.C.3. Processus de Codage de liris

- 89 -

Les diffrents processus utiliss


C.4 Reconnaissance diris par la distance de Hamming
La figure (C.4), prsente le processus de reconnaissance diris, en utilisant la distance de
Hamming.

Fig.C.4. Processus de reconnaissance diris par la distance de Hamming

- 90 -

Les diffrents processus utiliss


C.5 Reconnaissance diris par rseau de neurones
Le processus de reconnaissance de liris est reprsent sous forme dun organigramme par la
figure (C.5).

Fig.C.5. Processus de reconnaissance diris par rseau de neurones

- 91 -

Bibliographie
[1] Christel -Loc TISSE. Contribution la vrification biomtrique de personnes par
reconnaissance de liris .Thse de doctorat de luniversit de Montpellier II, Octobre 2003.
[2] Anil K. Jain and Ruud Bolle Biometrics Persona1 Identification in Networked Society
Kluwer Academic Publishers New York, Boston, Dordrecht, London, Moscow 2002.
[3] J. Daugman. How Iris Recognition Works, IEEE transactions on circuits and systems
for video technology,vol.14, no.1, January 2004.
[4] International Biometric Group, homepage: www.biometricgroup.com.
[5] INSPASS, http://www.ins.usdoj.gov/graphics/howdoi/inspass.htm.
[6] Florent PERRONNIN, Jean-Luc DUGELAY Introduction la biomtrie. Traitement
du Signal Volume 19 n4,2002.
[7] Nuance, http://www.nuance.com.
[8] Siemens Automotive, http://media.siemensauto.com.
[9] Yong-zeng Shen, Min-jie Zhang, Jie-wei Yue and Hong-min Ye.A New Iris Locating
Algorithm,IEEE Proceedings of the 16th International Conference on Artificial Reality
andTelexistence-Workshops (ICAT'06), 2006.
[10] J. R. Matey, O. Naroditsky, K. Hanna, R. Kolczynski, D. J. LoIacono, S. Mangru, M.
Tinker, T. M. Zappia, and W. Y. Zhao, Iris on the move: Acquisition of images for iris
recognition in less constrained environments, Proceedings of the IEEE, vol. 94, pp.1936
1947, November 2006.
[11] Electromagnetic Radiation Tutorial: Electromagnetic Waves, CRISP: Center for
Remote Imaging, Sensing and Processing.
http://www.crisp.nus.edu.sg/~research/tutorial/em.htm
[12] J. Wayman, A. Jain, D. Maltoni, D. Maio, Biometric Systems: Technology, Design and
Performance Evaluation, London: Springer, 2005.
[13] L. Masek, Recognition of Human Iris Patterns for Biometric Identification, 2003.
http://www.csse.uwa.edu.au/~pk/studentprojects/libor/index.html
[14] R.P. Wildes, Iris recognition: an emerging biometric technology, Proceedings of the
IEEE , Volume 85, Issue 9, pp. 1348 -1363, September 1997.
[15] Data bases: http://pesona.mmu.edu.my/~ccteo/.
[16] John Daugman, High confidence recognition of persons by rapid video analysis of iris
texture, European Convention on Security and Detection, pp. 244 -251, 16-18 May 1995.

- 92 -

Bibliographie
[17] M. Kass, A.Witkin, and D. Terzopoulos, Snakes: active contour models, Intl J. Comp.
Vis., vol. 1, pp. 321-331, 1987.
[18] J. Daugman Probing the uniqueness and randomness of IrisCodes: Results from 200
billion iris pair comparisons. Proceedings of the IEEE,vol. 94, no. 11, pp 1927- 1935, 2007.
[19] X liu, Optimizations in Iris Recognition, A Dissertation Submitted to the Graduate
School of the University of Notre Dame in Partial Fulfillment of the Requirements for the
Degree of Doctor of Philosophy in Computer Science. 2006.
[20] Hunny Mehrotra, Banshidhar Majhi, and Phalguni Gupta.Multi- algorithmic Iris
Authentication System. Proceedings of Worde academy of science,engineering and
technology volume ISSN 2070-374034 ,October 2008.
[21] Chien-Ping Chang, Jen-Chun Lee, Yu Su, Ping S. Huang, Te- Ming Tu, Using
Empirical Mode Decomposition for Iris Recognition, Computer Standards & Interfaces doi:
10.1016/j.csi.(2008.09.013). 2008.
[22] Marc Parizeau, rseaux de neurones GIF-21140 et GIF-64326, universit Laval,
Automne 2004.
[23] Rahib Hidayat Abiyev and Koray Altunkaya Neural Network Based Biometric Personal
Identification with Fast Iris Segmentation International Journal of Control, Automation, and
Systems (2009) 7(1):17-23 DOI 10.1007/s12555-009-0103-1. ICROS, KIEE and Springer
2009.
[24] http://fr.wikipedia.org/wiki/Algorithme_de_Canny.
[25] S. Mallat, A Wavalet Tour of Signale Processing, Academic Press, 1998.
[26] http://www.amara.com/IEEEwave/IEEEwavelet.html.

- 93 -

Rsum :
La reconnaissance biomtrique par iris est lun des moyens les plus performants pour identifier une
personne. En effet, des tudes biologiques ont montr que les profils et les courbes prsents dans un iris
garantissent son unicit. Le travail effectu dans ce mmoire a consist tudier un systme complet et
fiable de reconnaissance sappuyant sur cette proprit: depuis le prtraitement jusqu la recherche dans
une base de donnes, en passant par la codification.
Ce systme de reconnaissance est constitu d'un systme de segmentation automatique bas sur la
transforme de Hough (mthode de Canny pour lextraction de contours) qui permet la localisation de la
rgion de l'iris. La normalisation est utilise pour la conversion de l'iris circulaire en forme rectangulaire
sous forme de dimensions fixes en utilisant le modle pseudo- polaire de Daugman. Ensuite, on procde
au codage en s'appuyant sur l'utilisation de l'analyse en ondelettes de Haar pour extraire les coefficients
qui caractrisent la texture de l'iris. Nous obtenons ainsi un code d'iris d'une taille fixe. Enfin, deux
mthodes ont ts employes pour la reconnaissance du modle de l'iris : La distance de Hamming avec
la reconnaissance parfaite sur un ensemble de 30 images de liris et les rseaux de neurones. Cette
dernire a confirm son efficacit et encourage de nouvelles recherches.
Mots-cls: Biomtrie, localisation de liris, reconnaissance de l'iris, filtre de Canny, analyse en ondelettes
de Haar, distance de Hamming, rseau de neurones.
Abstract:
Biometric iris recognition is one of the most efficient means to identify a person. Indeed, studies have
shown that biological profiles and curves present in an iris guarantee its uniqueness. The work done in this
subscript was therefore to study a comprehensive and reliable recognition based on this property, starting
from the pre-treatment up to the search in a database, after codification.
The recognition system consists of a system of automatic segmentation is based on the Hough Transform
(Canny method for contour extraction) and is able to locate the iris region. Standardization is used to
convert the circular iris into a rectangular form of fixed size using the Daugmans pseudo-polar model.
Thus the result is to encode using Haars wavelets analysis to extract their coefficients which characterize
the texture of the iris. We thus obtain a fixed size iris code. Finally, two methods are used to recognize the
iris modal: The Hamming distance with perfect recognition on a set of 30 images of the iris and the neural
networks which confirms the effectiveness of this method and encourages further research.
Keywords: Biometrics, iris localization, iris recognition, Canny filter, Haar wavelet analysis, Hamming
distance, neural networks.
:
.
.
.
. "" .( " " )" "
30 " " : ." "
. .
. :