Vous êtes sur la page 1sur 68

Universit Kasdi Merbah-Ouargla

Facult des Nouvelles Technologies de lInformation et


de la Communication Dpartement d'Informatique et
Technologie de l'information

MEMOIRE MASTER ACADEMIQUE

Domaine : Science et Technique.

Filire : Electronique.

Spcialit : Automatique.

Prsent par :
EL-Moundher HADJAIDJI Khaled MAHDADI

Thme

Modlisation dempreinte biomtrique


par un modle flou de Sugeno optimis
Soutenue publiquement
Le : /05/2017

Devant le jury :
Mr. D.SAMAI MCB Prsident UKM Ouargla
Mr. M. SMAHI MAA Examinateur UKM Ouargla
Mr. Z. TIDJANI MAA Rapporteur UKM Ouargla
Mr. K. BENSID Doctorant Co-Rapporteur UKM Ouargla

Anne Universitaire : 2016 /2017


Remerciements

Remerciement
Reconnaissance et grce Allah, notre
Crateur qui nous a donn la force de
terminer ce travail modeste.
Nous tenons remercier nos professeurs de
superviseurs Mr. TIDJANI Zakaria et Mr.
Ben Sid Khaled pour les conseils et les
orientations pour la ralisation de ce
travail.
Nous tenons galement adresser nos
sincres remerciements tous les
enseignants qui ont contribu la fin de
nos tudes en particulier.
Nous tenons galement remercier tous
ceux qui ont contribu directement ou
indirectement ce travail,
surtout nos parents
et nos collgues.

i
Ddicaces

Ddicaces

Je ddie
Ce travail modeste
ma mre compatissante,
mon cher pre,
tous les membres de la famille surtout mes surs
MANEL, RIM DALAL, MOUNA et FARAH,
l'esprit de ma sur HAFSA,
De plus, ne pas oublier de ddier ce travail
Pour tous les collgues de spcialit automatique et
tous les amis.

HADJAIDJI El-Moundher

ii
Ddicaces

Ddicaces

Louange ""qui ma aid sur ce travail.


Je ddie ce travail, toute ma famille
et tous mes amis.
A tous mes amis groupe automatique.
Et tous ceux qui ont maid la ralisation de ce
travail.

MAHDADI Khaled

iii


:
, .



.
,
( )
,
.

: - - -
- - -

iv
Abstract

Abstract
The work presented in this paper is based mainly on the conceptual framework of the
biometric system and the basic components of this system when the framework is constructed
in the division of the biometric system into two types, biometric system uni-modal and
biometric multimodal system, where highlight the types of fusions that plot the multimedia
system settings.
This work also aims at extracting a vector of characteristics relating to the biometric
palmprint during the recognition phase conforming to the biometric print signatures recorded
in the database in the enrollment phase by forming the system Extraction of characteristics
depends on the modeling of the biometric image on fuzzy logic as a universal approximator It
also depends on gradient methods that are known to a family for their ability to process
second order equations.
When the Sugeno (TS) blur model makes it possible to form a function that we call the
approximate image. This leads to the construction of a quadratic function (second order) this
difference represents the percentage of error that can be reduced with the steepest algorithm
that exists in the family of gradient mentioned above. This corresponds to the objective of
improving the performance of biometric recognition.
Key words: biometric - multimodal - fuzzy logic - universal approximator - recognition -
palmprint - quadratic function

v
Rsum

Rsum
Le travail prsent dans cette mmoire bas principalement sur le cadre conceptuel du
systme biomtrique et les composants de base de ce systme lorsque le cadre est construit
dans la division du systme biomtrique en deux types, system biomtrique uni-modale et
systme biomtrique multimodal, o mettre en vidence les types des fusions qui tracent les
repres du systme multimodal.
Ce travail vise galement extraire un vecteur de caractristiques relatif lempreinte
biomtrique au cours de la phase de reconnaissance conforme aux signatures d'empreintes
biomtriques enregistres dans la base de donnes la phase denrlement grce la
formation du systme d'extraction des caractristiques cela dpend de la modlisation de
l'image biomtriques sur la logique floue comme approximateur universelle Il dpend aussi
sur des mthodes de gradient qui sont connus une famille pour leur capacit traiter les
quations du second ordre .
Lorsque le modle flou de Sugeno (TS) permet de former une fonction que nous
appelons limage approxim. Celle-ci conduit de construire une fonction quadratique
(deuxime ordre) Rsultant de la diffrence carr entre la fonction de limage relle et la
fonction de l'image approxim avec la logique floue, Cette diffrence reprsente le
pourcentage d'erreur qui peut tre rduit avec lalgorithme la plus raide qui existe dans la
famille de gradient mentionn prcdemment.
Cela correspond l'objectif d'amliorer la performance de la reconnaissance
biomtrique.

Mots cls : biomtrique enrlement - multimodal - logique floue - gradient- fonction


quadratique- approximateur universelle- modle flou

vi
Table des matires

Table des matires


iv
Abstract v
Rsum vi
Liste des tableaux ix
Liste des figures x
Liste des acronymes xii
Introduction Gnrale 1

Chapitre I :
Gnralits sur les systmes biomtriques

I.1 Introduction 3
I.2 Cest quoi la biomtrie ? 3
I.3 Diffrentes modalistes biomtrique 3
I.3.1 Analyse biologique 4
I.3.2 Analyse comportemental 5
I.3.3 Analyse morphologique 6
I.4 Modes de fonctionnement du systme biomtrique 8
I.4.1 Le mode denrlement 8
I.4.2 Le mode de reconnaissance (Test) 9
1) Le mode de vrification ou authentification 9
2) Le mode d'identification 9
I.5 Principaux modules dun systme biomtrique 10
I.5.1 Module capteur biomtrique 10
I.5.2 Module dextraction des caractristiques 10
I.5.3 Module comparaison 11
I.5.4 Module base de donnes 11
I.5.5 Module de dcision 11
I.6 La biomtrie multimodale 11
I.6.1 Pourquoi la multimodalit ? 11
I.6.2 Les diffrentes multimodalits 11
I.6.3 Les diffrents niveaux de fusion 13
I.7 Mesure de performance dun systme biomtrique 15
I.7.1 Taux de faux rejet 15
I.7.2 Taux de fausse acceptation 15

vii
Table des matires

I.7.3 Taux dgale erreur 15


I.8 Conclusion 18
Chapitre II : Optimisation de modle flou de Sugeno pour lextraction des
caractristiques biomtriques

II.1 Introduction 20
II.2 Limage biomtrique et la fonction associe 20
II.2.1 Image numrique : 20
II.2.2 Caractristiques d'une image numrique 21
II.2.3 Images niveaux de gris (Monochromes) 21
II.2.4 Fonction non linaire associe limage 22
II.3 Systme flou 23
II.3.1 Terminologie des systmes flous 23
II.3.2 Structure dun systme flou 24
a) Module de Fuzzification 25
b) Module dinfrence 25
c) Module de dfuzzification 26
II.3.3 Proprits dapproximation universelle 272
II.3.4 Modlisation dimage par un modle flou 28
1) Formulation du problme doptimisation 28
2) Les mthodes du gradient pente la plus grande 29
3) Discussion 32
II.4 Conclusion 32
Chapitre III :
Rsultats exprimentaux et interprtations
III.1 Introduction 34
III.2 La reconnaissance par lempreinte palmaire 34
III.3 Systme biomtrie propos (protocole) 35
III.3.1 Dispositif de capture des images lempreinte palmaire en ligne 36
III.3.2 Lextraction des caractristiques 37
III.3.3 Ltape de comparaison 38
III.4 Base des donnes Multi-spectral Palmprint 38
III.5 Sparation des bases de donnes 40
III.6 Ladaptation des paramtres 40
III.6.1 Application uni-modale 42
III.6.2 Application Multimodal 44
III.7 Conclusion 46
Conclusion Gnrale 84
Bibliographie

viii
Liste des tableaux

Liste des tableaux

Tableau III.1 Rsultat de lEER, lROR et ROR en fonction du nombre ditration 41

Tableau III.2 Influence du nombre des fonctions dappartenances 41

Tableau III.3 Rsultats de lEER, ROR et RPR pour diffrentes bandes uni-modal 42

Tableau III.4 Rsultats de lEER, ROR et RPR pour diffrentes bandes multimodale 44

ix
Liste des figures

Liste des figures


Chapitre I
Fig. I.1 : Modalits biomtrique 4
Fig. I.2 : ADN 5
Fig. I.3 : Dmarche 5
Fig. I.4 : signale de la voix 6

Fig. I.5 : caractristiques des Empreintes digitales 6

Fig. I.6 : La reconnaissance faciale (visage) 7

Fig. I.7 : caractristiques des Empreintes des articulations des doigts (FKP) 7

Fig. I.8 : La reconnaissance Lempreint palmaire 8

Fig. I.9 : Le mode denrlement 9


Fig. I.10 : Le mode de vrification ou authentification 9
Fig. I.11 : Le mode didentification 9
Fig. I.12 : Les diffrentes multimodalits 12
Fig. I.13 : les diffrents niveaux de fusion 13

Fig. I.14 : fusion au niveau capteur 13

Fig. I.15: Fusion au niveau des caractristiques 14

Fig. I.16 : Fusion au niveau scores 14

Fig. I.17 : Fusion au niveau dcision 15

Fig. I.18 : Graphe dmonstratif de lEER 16


Fig. I.19 : Illustration du FRR et du FAR 16
Fig. I.20 : Courbe ROC 17
Fig. I.21 : Courbes CMC 17

Chapitre II

Fig. II.1 : Reprsentation dune image numrique 21

Fig. II.2 : Image niveau de gris. 22

Fig. II.3 : Image niveau de gris et sa fonction associe 22

Fig. II.4 : Fonctions dappartenances typiques 24

Fig. II.5 : Structure dun Systme Floue 24


Fig. II.6 : Illustration de la mthode de Steepest Descent 30

x
Liste des figures

Fig. II.7 : organigramme de la mthode du gradient steepest 31

Chapitre III

Fig. III.1 : La reconnaissance par lempreinte palmaire 35

Fig. III.2 : Systme Multi-model (avec fusion au niveau de score) 36

Fig. III.3 : Dispositif de capture de palmaires en ligne 36

Fig. III.4 : Systme biomtrie propos (protocole) 37

Fig. III.5 : Systme biomtrique propos. 38

Fig. III.6 : reconnaissance de Palmprint multi-spectrales 39

Fig. III.7 : Performance de systme uni-modal ROC 43

Fig. III.8 : Performance de systme uni-modal CMC 43

Fig. III.9 : Performance de systme Multimodal ROC 45

Fig. III.10 : Performance de systme Multimodal CMC 46

xi
Acronymes

Acronymes

ADN Acide Dsoxyribose Nuclique

CMC Cumulative Match Characteristics

EER Error Equal Rate ( Taux dgale erreur )

EQM Erreur Quadratique Moyenne

FAR False Accept Rate (Taux de fausse acceptation)

FKP Empreintes des articulations des doigts

FRR False Reject Rate (Taux de faux rejet)

HOG Histogram of Oriented Gradient

LBP Locale Binary Pattern

LPQ Local Phase Qontisation

Nfa Nombre fonctions dappartenance

Niter Nombre ditrations

ROC Receiver Operating Characteristic

ROR Rank One Recognition (Taux didentification)

RPR Rank of Perfect Recognition

TS Takagi-Sugeno

xii
Introduction gnrale
Introduction Gnrale

Introduction Gnrale

D
ans le contexte actuel, la scurit des systmes d'information est devenue un
domaine de recherche d'une trs grande importance, en particulier, concevoir un
systme d'identification fiable, efficace et robuste est une tche prioritaire.
L'identification de l'individu est devenue essentielle pour assurer la scurit des systmes et
des organisations. Face cette sollicitation grandissante, plusieurs mthodes de
reconnaissance biomtriques ont t proposes, reconnaissance palmaire, faciale, empreinte
digitale et reconnaissance de l'irisetc.

La reconnaissance par lempreint palmaire est largement tudie au cours des


dernires annes et de nombreux efforts sont faits pour l'utiliser comme une modalit
biomtrique pour diverses applications.

La biomtrie multimodale, qui consiste combiner plusieurs systmes biomtriques,


est de plus en plus tudie. En effet, elle permet de rduire certaines limitations des systmes
biomtriques, comme l'impossibilit d'acqurir les donnes de certaines personnes ou la
fraude intentionnelle, tout en amliorant les performances de reconnaissance. Ces avantages
apports par la multi modalit aux systmes biomtriques "monomodaux" sont obtenus en
fusionnant plusieurs systmes biomtriques.

La logique floue est une technique largement utilise dans le domaine de la commande
des systmes et lidentification des processus industriels ; notre objectif est d'utiliser cette
technique pour la modlisation du vecteur de caractristiques biomtrique.

De l, nous considrons que l'empreinte biomtrie est une fonction non linaire qui
peut tre modlise en utilisant la logique floue. Par un modle de Sugeno. Un vecteur des
paramtres du modle flou est dtermin en optimisation un critre quadratique de lerreur
dapproximation. Nous allons considre ce vecteur comme le vecteur caractristique de
lempreinte biomtrique.

Ainsi, dans le premier chapitre nous allons examiner les principales notions lies aux
systmes biomtriques.

Universit Kasdi Merbah Ouargla | 2017 1


Introduction Gnrale

Le deuxime chapitre sera dvou la prsentation des systmes logique floue et au


dveloppement de lextraction des caractristiques base de lalgorithme de gradient steepest.
Pour valuer lalgorithme dvelopp, nous prsenterons dans le dernier chapitre les
lments lis la base de donnes de lapplication ainsi que les rsultats exprimentaux. A la
fin de ce travail, nous dresserons une conclusion.

Universit Kasdi Merbah Ouargla | 2017 2


Chapitre I
Gnralits sur les systmes
biomtriques
Chapitre I Gnralits sur les systmes biomtriques

I.1 Introduction

Depuis les temps anciens, ltre humain cherche dvelopper de nombreux aspects de sa
vie en particulier du ct de la scurit, o le vol et la fraude ont form un lourd fardeau de ce
ct.
Le dveloppement scientifique et technologique a permis lapparition des systmes de
reconnaissance de l'identit comme solutions efficace afin d'amliorer la scurit et la protection
des patrimoines et les donnes sensibles contre le piratage en particulier ceux lis aux
gouvernements, entreprises, zones industrielles importantesetc.
Le besoin croissant en matire de scurit et de transactions ncessitant la reconnaissance
didentit a pouss les chercheurs la conqute de nouvelles techniques dans les systmes
biomtriques assurant une meilleure efficacit.
Dans ce chapitre, on donne des notions et des dfinitions de base lies la biomtrie.
Nous introduirons aussi le principe de fonctionnent d'un systme biomtrique et ses
performances ainsi que les diffrentes modalits utilises.

I.2 Cest quoi la biomtrie ?

Avant de procde aux dtails de la biomtrie il y a lieu de dfinir ce terme


comme suit :
Le terme de biomtrie est originaire dune contraction des deux anciens termes grecs :"bios"
qui signifie : la vie et "metron" qui se traduit par : mesure [1].

On peut dire que la biomtrie s'applique des particularits ou des caractres humains
uniques en leur genre et mesurables permettant de reconnatre ou de vrifier automatiquement
lidentit. Et on peut dire aussi que la biomtrie est une science qui sintresse lidentification
des personnes sur la base des analyses mathmatiques et travers des attributs biologiques,
comportementales ou morphologiques, ces caractristiques doivent tre fiables, infalsifiables,
universelles, mesurables, permanentes ne variant pas avec le temps, et enregistrables.

I.3 Diffrentes modalits biomtriques


Il existe plusieurs catgories danalyses biomtriques qui ne peuvent tre identifis avec
prcision. La figure ci-dessous montre des modalits biomtriques pour des catgories
diffrentes.

Universit Kasdi Merbah Ouargla | 2017 3


Chapitre I Gnralits sur les systmes biomtriques

(a) (b) (c) (d)

(e) (f) (g) (h)

(i) (j) (k) (l)

Fig. I.1: Modalits biomtriques.

(a):Empreintes digitales,(b) : Gomtrie de la main, (c):Iris, (d): Rtine, (e) :Visage


(f) :Palm, (g) :Forme de loreille, (h) :ADN,(i) :Voix (j) :Dmarche, (k) : Signature
(i): Dynamique de la frappe au clavier.

Pour cela, nous dfinissons trois catgories danalyse biomtrique principales comme suit :

I.3.1 Analyse biologique


Cette analyse est base sur les caractristiques biologiques des individus (ADN, salive,
Odeur). Ce type de biomtrie est trs complexe mettre en uvre dans un systme usuel de
reconnaissance et nest utilis que dans un cas dextrme ncessit (ex: Enqute criminelle, test
de paternitetc.)[2].

ADN

Prsent dans les cellules du corps, lADN est spcifique lindividu et permet de
lidentifier de manire certaine partir dun simple fragment de peau, dune trace de sang ou
dune goutte de salive voir la figure I.2. Actuellement, le temps requis pour une analyse et le
cot associ celle-ci restreignent son utilisation des domaines tels que celui de lidentification
judiciaire. Cependant, ce procd biomtrique fait lobjet de recherche intensive puisquil
reprsente la technologie didentification par excellence avec une marge derreur bien en dessous
des autres moyens biomtriques [3].

Universit Kasdi Merbah Ouargla | 2017 4


Chapitre I Gnralits sur les systmes biomtriques

Fig. I.2 : ADN.

I.3.2 Analyse comportementale

La biomtrie comportementale, quant elle, se base sur l'analyse de certains


comportements d'une personne comme le trac de sa signature, l'empreinte de sa voix, sa
dmarche et sa faon de taper sur un clavier [4].
a) Dmarche
Chaque individu, en fonction de son corps et plus spcifiquement de sa musculature,
dveloppe une dmarche qui lui est propre. En analysant, entre autres, la distance entre les pas,
les enjambes, la vitesse, la cadence, langle des pieds, etc., il devient possible dutiliser la
dmarche comme caractristique biomtrique [5]. La figure I.3 montre un exemple des
squelettes de dmarche.

Fig. I.3 : Dmarche.

b) Voix

Est une caractristique extrmement recherche dans des systmes lis des applications
distance o la personne sauthentifie par tlphone par exemple. Elle est toutefois une
caractristique trs dlicate utiliser car elle est extrmement soumise aux conditions extrieures
(maladie, stress de la personne, etc.). Elle est parfois choisie en combinaison avec une autre
caractristique (voix et criture par exemple) [5].

Universit Kasdi Merbah Ouargla | 2017 5


Chapitre I Gnralits sur les systmes biomtriques

Fig. I.4 : signal de voix.

I.3.3 Analyse morphologique


Lanalyse morphologique est base sur lidentification des caractristiques physiques
particulires, ces derniers sont uniques et permanents, ils ont aussi plusieurs types, tel que l'iris de
loille, lempreintes des articulations des doigts (FKP), les empreinte digitales, le visage, les
empreinte palmaire ...etc.
a) Empreintes digitales (finger-print)
Lidentification laide des empreintes digital est la technique la plus vieille et la plus
rpandu puisquelle a t inaugure par Alphonse Bertillon en 1882.Les dessins sont reprsents
par les crtes et sillons de la peau (jonctions, terminaisons aveugles, croisements). Ces dessins
sont les donnes de base. Lempreint digital est caractrise par une centaine de points
particuliers appels minuties.
Les minuties : Il existe plusieurs types de minuties tel que (lac, bifurcation, delta ou
impasse...etc.) tel que montre la figure I.5; gnralement les empreintes digitales prsentent une
centaine de points caractristiques dont la dtermination repose sur des rgles prcises et
complexes. Statistiquement, il est impossible de trouver 2 individus prsentant 14 points
caractristiques identiques, mme dans une population de plusieurs millions de personnes.

Fig. I.5: caractristiques des Empreintes digitales.

Universit Kasdi Merbah Ouargla | 2017 6


Chapitre I Gnralits sur les systmes biomtriques

b) Visage

La reconnaissance faciale (visage) permet dadapter la vrification biomtrique toutes les


situations. C'est une technologie trs efficace qui est utilise dans de nombreuses applications
lies la scurit. Elle est par exemple un outil trs fiable pour aider les forces de police
identifier des criminels, ou bien pour permettre aux services de douanes de vrifier lidentit des
voyageurs. Actuellement, avec la numrisation des changes, lusage de cette technologie est en
train de stendre au monde des entreprises. Utilise dans des applications commerciales, la
reconnaissance faciale permet par exemple de scuriser des transactions en ligne. La
reconnaissance faciale est sans contact et son utilisation ne ncessite aucun outil spcifique, ce
qui en fait la solution idale pour lidentification de personnes dans une foule ou dans des
espaces publics.

Fig. I.6 : La reconnaissance faciale (visage).

c) Empreintes des articulations des doigts (FKP)

Cest la technologie biomtrique base sur la surface arrire de doigt, elle contient des
caractristiques distinctives, telles que les lignes principales, les lignes secondaires et les crtes,
qui peuvent tre extraites partir des images basse rsolution. La main contient plusieurs
doigts, pour cela, il faut conserver les informations chaque doigt pour une reconnaissance
prcise dans le domaine didentification [6].

Fig. I.7: caractristiques des Empreintes des articulations des doigts (FKP).

Universit Kasdi Merbah Ouargla | 2017 7


Chapitre I Gnralits sur les systmes biomtriques

d) Lempreint palmaire

Lempreint palmaire contient comme les empreintes digitales des valles, des rides, etc. sur
une surface cependant plus large. Cette technologie est ainsi suppose plus caractristique que
les empreintes digitales. Deux types de rsolution sont utiliss pour la reconnaissance par la
paume : la haute et la faible rsolution. En haute rsolution, toutes les caractristiques de la main
peuvent tre obtenues ce qui permet une reconnaissance de haute performance. Dans les
applications de moyenne scurit, un capteur de faible rsolution et donc de faible prix peut tre
utilis pour extraire les lignes principales et les rides de la paume.

Fig. I.8: La reconnaissance Lempreinte palmaire.

I.4 Modes de fonctionnement du systme biomtrique

Un systme biomtrique est essentiellement un systme de reconnaissance de formes qui


utilise les donnes biomtriques d'un individu. Selon le contexte de lapplication, un systme
biomtrique peut fonctionner en mode denrlement ou en mode de reconnaissance :
I.4.1 Le mode denrlement
Cest une phase dapprentissage qui a pour but de recueillir des informations biomtriques
sur les personnes identifier.
Plusieurs campagnes dacquisitions de donnes peuvent tre ralises afin dassurer une
certaine robustesse au systme de reconnaissance et aux variations temporelles des donnes.
Pendant cette phase, les caractristiques biomtriques des individus sont saisies par un
capteur biomtrique, puis reprsentes sous forme numrique (signatures), et enfin stockes dans
la base de donnes (voir la figure I.9).
Le traitement li lenrlement na pas de contrainte de temps, puisquil seffectue hors-
ligne .

Universit Kasdi Merbah Ouargla | 2017 8


Chapitre I Gnralits sur les systmes biomtriques

Fig. I.9: Le mode denrlement

I.4.2 Le mode de reconnaissance (Test)

Opration se droulant chaque fois qu'une personne se prsente devant le systme, elle
consiste en l'extraction d'un ensemble de caractristiques comme pour l'tape d'apprentissage
suivie d'une autre tape de comparaison et de prise de dcision selon le mode opratoire du
systme :

1) Le mode de vrification ou authentification


Est une comparaison "1 :1", dans lequel le systme valide l'identit d'une personne en
comparant les donnes biomtriques saisie avec le modle biomtrique de cette personne stocke
dans la base de donnes du systme. Dans un tel mode, le systme doit alors rpondre la
question suivante : Suis-je rellement la personne que je suis en train de proclamer ?.
Actuellement la vrification est ralise via un numro d'identification personnel, un nom
d'utilisateur, ou bien une carte puce. le mode est illustre par la figure (I.10).

Fig. I.10:Le mode de vrification ou authentification

2) Le mode d'identification

Est une comparaison "un N", dans lequel le systme reconnat un individu en lappariant
avec un des modles de la base de donnes. La personne peut ne pas tre dans la base de

Universit Kasdi Merbah Ouargla | 2017 9


Chapitre I Gnralits sur les systmes biomtriques

donnes. Ce mode consiste associer une identit une personne. En d'autres termes, il rpond
des questions du type : Qui suis-je ? .

Fig. I.11: Le mode dIdentification

Au cours de cette phase, on distingue deux types didentification :


a. Identification en ensemble ferm : par exemple on utilise. Ce type didentification afin
denregistrer la prsence de personnes dans certaine entreprise. Si lchantillon possd un
certain degr de similitude avec les chantillons dans le system, la personne sera accepte.
b. Identification en ensemble ouvert : Sil y a une grande similitude entre l'chantillon
biomtrique test et tous les modles prenregistrs et si cette similitude est infrieure (ou
suprieure) au seuil de scurit, cette personne est rejete. Cela signifie que la personne ne
fait pas partie de celles enregistres par le systme [6].

I.5 Principaux modules dun systme biomtrique


Les principaux modules qui composent un systme biomtrique sont rsums comme suit :

I.5.1 Module capteur biomtrique

Il Correspond la lecture de certaines caractristiques morphologiques, comportementales


ou biologiques dune personne, au moyen dun terminal de capture biomtrique.

I.5.2 Module dextraction des caractristiques


Prend en entre les donnes biomtriques acquises par le module de capture et extrait
seulement l'information pertinente afin de former une nouvelle reprsentation des donnes.
Idalement, cette nouvelle reprsentation est cense tre unique pour chaque personne et
relativement invariante [7].

Universit Kasdi Merbah Ouargla | 2017 11


Chapitre I Gnralits sur les systmes biomtriques

I.5.3 Module comparaison


Ce module compare les caractristiques biomtriques dune personne soumise contrle
(volontairement ou son insu) avec les signatures mmorises. Ce module fonctionne soit
en mode vrification (pour une identit proclame) ou bien en mode identification (pour une
identit recherche) [8].
I.5.4 Module base de donnes: Dans lequel on stocke les modles biomtriques des
utilisateurs enrls.
I.5.5 Module de dcision : Il vrifie lidentit affirme par un utilisateur ou dtermine
lidentit dune personne base sur le degr de similitude entre les caractristiques extraites
et le(s) modle(s) stock(s).
I.6 La biomtrie multimodale

La biomtrie multimodale est la combinaison de plusieurs modalits biomtriques


diffrentes, ce qui implique l'utilisation d'informations complmentaires pour amliorer les
performances de reconnaissance [9]. En augmentant la quantit d'informations discriminantes de
chaque personne, on souhaite augmenter le pouvoir de reconnaissance du systme. En plus, le
fait d'utiliser plusieurs modalits biomtriques rduit le risque d'impossibilit d'enregistrement
ainsi que la robustesse aux fraudes [10].

I.6.1 Pourquoi la multimodalit ?


Malgr que les techniques de reconnaissance biomtrique promettent dtre trs
performantes, on ne peut garantir actuellement un excellent taux de reconnaissance avec des
systmes biomtriques unimodaux, bass sur une unique signature biomtrique. De plus, ces
systmes sont souvent affects par les problmes suivants [3]:

- Bruit introduit par le capteur ;

- Non-universalit ;

- Manque dindividualit ;

- Manque de reprsentation invariante ;

- Sensibilit aux attaques ;

I.6.2 Diffrents systmes multimodaux


On peut distinguer cinq types de systmes multimodaux selon les sous-systmes qu'ils
combinent (voir Fig. I.10). On les appelle [11]:

Universit Kasdi Merbah Ouargla | 2017 11


Chapitre I Gnralits sur les systmes biomtriques

1. Multi-capteurs: lorsquils associent plusieurs capteurs pour acqurir la mme modalit, par
exemple un capteur optique et un capteur thermique pour l'acquisition de Palmprint.

2. Multi-instances: lorsquils associent plusieurs instances de la mme biomtrie, par exemple


l'acquisition de plusieurs images de visage avec des changements de pose, d'expression ou
d'illumination.

3. Multi-algorithmes: lorsque plusieurs algorithmes traitent la mme image acquise, cette


multiplicit des algorithmes peut intervenir dans le module d'extraction en considrant plusieurs
ensembles de caractristiques et/ou dans le module de comparaison en utilisant plusieurs
algorithmes de comparaison.

4. Multi-chantillons: lorsquils associent plusieurs chantillons diffrents de la mme modalit,


par exemple deux empreintes palmaires des mains. Dans ce cas, les donnes sont traites par le
mme algorithme mais ncessitent des rfrences diffrentes l'enregistrement contrairement
aux systmes multi-instances qui ne ncessitent qu'une seule rfrence.

5. Multi-biomtries: lorsque l'on considre plusieurs biomtries diffrentes, par exemple visage
et voix.

Fig. I.12: Les diffrentes multimodalits

Universit Kasdi Merbah Ouargla | 2017 12


Chapitre I Gnralits sur les systmes biomtriques

I.6.3 Les diffrents niveaux de fusion


La combinaison de plusieurs systmes biomtriques peut se faire quatre niveaux
diffrents : au niveau des donnes, au niveau des caractristiques extraites, au niveau des scores
ou au niveau des dcisions (voir Fig. I.11). Ces quatre niveaux de fusion peuvent tre classs en
deux sous-ensembles :

Fig. I.13 : les diffrents niveaux de fusion.


a) Avant comparaison
Correspond la fusion des informations issues de plusieurs donnes biomtriques au
niveau du capteur (images brutes) ou au niveau des caractristiques extraite par le module
d'extraction de caractristiques ce genre de fusion ncessite une homognit entre les
donnes.
1. La fusion au niveau capteur (aux niveaux donns)
Les donnes brutes provenant des capteurs sont combines par fusion au niveau capteur
(Fig. I.12). La fusion au niveau capteur peut se faire uniquement si les diverses captures
sont des instances du mme trait biomtrique obtenu partir de plusieurs capteurs
compatibles entre eux ou plusieurs instances du mme trait biomtrique obtenu partir d'un
seul capteur [11].

Fig. I.14: fusion au niveau capteur.

Universit Kasdi Merbah Ouargla | 2017 13


Chapitre I Gnralits sur les systmes biomtriques

2. La fusion au niveau des caractristiques

La fusion au niveau des caractristiques consiste combiner diffrents vecteurs de


caractristiques qui sont obtenus partir d'une des sources suivantes : plusieurs capteurs du
mme trait biomtrique, plusieurs instances du mme trait biomtrique, plusieurs units du
mme trait biomtrique ou encore plusieurs traits biomtriques (Fig. I.13).

Fig. I.15: Fusion au niveau des caractristiques.


b) Aprs la comparaison
Les schmas d'intgration de l'information aprs l'tape de la classification ou de
comparaison peuvent tre diviss en quatre catgories : fusion au niveau score et fusion au
niveau dcision.
3. La fusion au niveau des scores
Les scores (de correspondance) donns en sortie par les modules de comparaison
contiennent l'information la plus riche propos du modle d'entre. En fait, la fusion au niveau
score (Fig. I.14) donne le meilleur compromis entre la richesse d'information et la facilit
d'implmentation. Aussi, il est relativement facile d'accder et de combiner les scores gnrs
par les diffrents modules de comparaison. En consquence, l'intgration d'information au niveau
score est l'approche la plus courante dans les systmes biomtriques multimodaux [11].

Fig. I.16: Fusion au niveau des scores dans un systme biomtrique multimodal.

Universit Kasdi Merbah Ouargla | 2017 14


Chapitre I Gnralits sur les systmes biomtriques

4. La fusion au niveau dcision


Les rsultats des modules de dcisions associes aux diffrentes modalits sont combins
pour produire une seule dcision finale.

Fig. I.17: Fusion au niveau dcision.


I.7 Mesure de performance dun systme biomtrique
Tout d'abord, afin de comprendre comment dterminer la performance d'un systme
biomtrique, il nous faut dfinir clairement trois critres principaux :
I.7.1 Taux de faux rejet (False Reject Rate ou FRR) : Ce taux reprsente le pourcentage de
personnes censes tre reconnues mais qui sont rejetes par le systme ;

(I.1)

I.7.2 Taux de fausse acceptation (False Accept Rate ou FAR) : Ce taux reprsente le
pourcentage de personnes censes ne pas tre reconnues mais qui sont tout de mme
acceptes par le systme :

(I.2)

I.7.3 Taux dgale erreur (Equal Error Rate ou EER) : Ce taux est calcul partir des
deux premiers critres et constitue un point de mesure de performance courant.
Ce point correspond l'endroit o FRR = FAR, c'est--dire le meilleur compromis entre les
faux rejets et les fausses acceptations.

(I.3)

La Fig. I.16 illustre lEER partir des courbes FRR ( ) et FAR ( ) ou est le seuil de dcision.

Universit Kasdi Merbah Ouargla | 2017 15


Chapitre I Gnralits sur les systmes biomtriques

Fig. I.18 : Graphe dmonstratif de lEER

La courbe de distribution permet de visualiser la rpartition des scores des imposteurs et


des clients en fonction du seuil de dcision.
Le but fondamental de tout systme biomtrique oprant au niveau score, est de pouvoir
sparer au maximum les distributions de score des imposteurs et des authentiques (voir la Fig.
I.17).
En minimisant la zone de recouvrement entre ces deux distributions, on amliore la
performance globale du systme en augmentant le taux de reconnaissance.

Fig. I.19: Illustration du FRR et du FAR.


Selon le mode (vrification ou identification) du systme biomtrique, il existe deux
faons dun mesurer la performance :
Lorsque le systme opre en mode vrification, on utilise ce que lon appelle une courbe
(ROC)"Receiver Operating Characteristic"reprsente la figure I.20. Elle permet de
reprsenter graphiquement la performance dun systme de vrification pour les diffrentes
valeurs du seuil de dcision.
Le taux derreur gal (Equal Error Rate ou EER) correspond au point FAR = FRR,

Universit Kasdi Merbah Ouargla | 2017 16


Chapitre I Gnralits sur les systmes biomtriques

cest--dire graphiquement lintersection de la courbe ROC avec la premire bissectrice. Il est


frquemment utilis pour donner un aperu de la performance dun systme. Cependant, il est
important de souligner que lEER ne rsume en aucun cas toutes les caractristiques dun
systme biomtrique [12].
Le seuil doit donc tre ajust en fonction de lapplication cible : haute securit, basse
scurit ou compromis entre les deux.

Fig. I.20 : Courbe ROC.


En mode identification, il peut tre utile de savoir si le bon choix se trouve parmi les N
premires rponses du systme. On trace alors la courbe "Cumulative Match
Characteristics"(CMC)qui reprsente la probabilit que le bon choix se trouve parmi les N
premiers rsultats. Comme lillustre la Fig. I.21 [8].

Fig. I.21 : Courbe CMC.

Universit Kasdi Merbah Ouargla | 2017 17


Chapitre I Gnralits sur les systmes biomtriques

I.8 Conclusion

Dans ce chapitre, nous avons prsent le cadre conceptuel de ce mmoire, Soutenu avec
quelques notions et dfinitions de base lies la biomtrie et sa diversit technologique, les
diffrents modes ainsi les modules des systmes biomtriques. Tout a nous permet de donner
la dfinition et larchitecture dun systme biomtrique multimodale avec une prsentation des
diffrents types et niveaux des fusions ; finalement nous dfinissions trois critres principaux de
mesure de la performance dun systme biomtrique.

Universit Kasdi Merbah Ouargla | 2017 18


Chapitre II
Optimisation de modle flou de Sugeno
pour lextraction des caractristiques
biomtriques
Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

II.1 Introduction

La logique floue est une extension de la logique boolenne formalise par Lofti Zadeh
en 1965, cest une gnralisation de la thorie des ensembles classiques, qui par son aspect
numrique soppose aux principes de la logique modale.

L'intrt principal de la logique floue est de permettre la reprsentation et le traitement


de connaissances imprcises [13]. Elle est utilise dans des domaines aussi varis que la
gestion de base de donnes, les systmes experts, le traitement du signal, la classification de
donnes, la modlisation ainsi que la commande des systmes automatiques.

Dans plusieurs travaux recherches [25], les auteurs ont montr la capacit de certaines
classes des systmes flous approximer des fonctions non linaires suffisamment lisses. Cela
a permet lapplication des systmes flous dans lidentification paramtrique et non
paramtrique. Malheureusement, ces travaux de recherches ne donnent pas une mthodologie
systmatique pour la dtermination des paramtres.

Dans ce chapitre, nous allons tous dabords considrer lempreinte biomtrique


comme une fonction non linaire modliser. Dans la section suivante, nous dvelopperons
les notions principales des systmes flous ainsi que son utilisation pour la modlisation.
Ensuite, la dfinition dun problme doptimisation, et sa formulation en critre quadratique,
nous permettra dexploiter un algorithme doptimisation du gradient avec descente amliore
pour la dtermination du vecteur caractristique.

II.2 Limage biomtrique et la fonction associe

L'image est une reprsentation d'une personne ou d'un objet par la peinture, le dessin,
la photographie, le film, etc. [14]. C'est aussi un ensemble structur d'informations qui, aprs
affichage sur l'cran, ont une signification pour l'il humain. Elle peut tre dcrite sous la
forme d'une fonction de brillance analogique continue, dfinie dans un domaine born.
Les x et y sont les coordonnes spatiales d'un point de l'image et est une fonction de
couleurs et/ou d'intensit lumineuse [15].

II.2.1 Image numrique

Les images numriques sont des images manipules par lordinateur (reprsentes par
une srie de bits) [16] aussi L'image numrique est l'image dont la surface est divise en
lments de taille fixe appels pixels, ayant chacun comme caractristique un niveau de gris
ou de couleurs prlev l'emplacement correspondant dans l'image relle, ou calcul partir

Universit Kasdi Merbah Ouargla | 2017 21


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

d'une description interne de la scne reprsenter [14].

La numrisation d'une image est la conversion de celle-ci de son tat analogique en


une image numrique reprsente par une matrice bidimensionnelle de valeurs numriques
f(x, y), comme la montre la Fig. II.1o x, y sont coordonnes cartsiennes d'un point de
l'image et f(x, y) le niveau dintensit.

Fig. II.1: Reprsentation dune image numrique

II.2.2 Caractristiques d'une image numrique


L'image est un ensemble structur d'informations caractris par les paramtres suivants :

a- Dimension : C'est la taille de l'image. Cette dernire se prsente sous forme de


matrice dont les lments sont des valeurs numriques reprsentatives des intensits
lumineuses (pixels). Le nombre de lignes de cette matrice multiplie par le nombre de
colonnes nous donne le nombre total de pixels dans une image.

b- Pixel : Le pixel est la contraction de lexpression anglaise "Picture elements". Le


pixel, tant le plus petit point de limage, Cest une entit calculable qui peut recevoir
une structure et une quantification.
II.2.4 Images niveaux de gris (Monochromes)
Le niveau de gris est la valeur de l'intensit lumineuse en un point. La couleur du pixel
peut prendre des valeurs allant du noir au blanc en passant par un nombre fini de niveaux
intermdiaires. Donc pour reprsenter les images niveaux de gris, par exemple la Fig. II.2,
on peut attribuer chaque pixel de l'image une valeur correspondant la quantit de lumire
renvoye [15].

Universit Kasdi Merbah Ouargla | 2017 21


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

Le nombre de niveaux de gris dpend du nombre de bits utiliss pour dcrire la


"couleur " de chaque pixel de l'image. Plus ce nombre est important, plus les niveaux
possibles sont nombreux [17].

Fig. II.2:Image niveau de gris.

II.2.4 Fonction non linaire associe limage

Daprs la discussion prcdente, nous pouvons dornavant associer chaque image


une fonction non linaire deux variables dfinie sur un espace limit par les
dimensions de limage.

Cette fonction borne est dune variation relativement lisse. La figure Fig. II.3 illustre
lexemple de la fonction associe.

Fig. II.3 : Image niveau de gris et sa fonction associe

Universit Kasdi Merbah Ouargla | 2017 22


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

Travailler avec la fonction associe, nous permettra dappliquer les diffrentes


techniques de modlisation ou didentification.

Dans la section suivante, nous allons introduire la notion des modles flous.

II.3 Systme flou

Lide de base de la logique floue est de modliser des phnomnes ou des procds
comme le ferait ltre humain, cest--dire de mettre en algorithmes, composs
essentiellement par des rgles du type Si Alors .

En effet, lhomme a tendance tirer des conclusions sur certaines situations partir de
donnes imprcises ou incompltes et agir en fonction dun ensemble de rgles implicites au
raisonnement [18].

Dans le but de comprendre le raisonnement flou et de le formuler avec des expressions


analytiques, nous allons prsenter dans la suite ses lments de base.

II.3.1 Terminologie des systmes flous

La description dune certaine situation, dun phnomne ou dun procd contient en


gnral des qualificatifs flous par exemple la variable linguistique image peut appartenir
aux ensembles flous trop clair , clair ou sombre .

Soit U un rfrentiel ou un espace de point, galement appel univers de discours, et


soit x un lment de U.

Un sous ensemble flou A de U est caractris par une fonction d'appartenance


qui associe chaque lment x de U un nombre rel dans l'intervalle [0,1] qui
reprsente le degr d'appartenance de cet lment A, ainsi le sous ensemble flou A de U est
dfini par [19]:

A= (II.1)

La fonction d'appartenance peut tre de forme singleton, triangulaire, gaussienne, ou


trapzodale [20], pour des raisons de simplicit, nous introduisons les fonctions
dappartenances ci-dessous (voir Fig. II.4):

Universit Kasdi Merbah Ouargla | 2017 23


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

Fonction Triangulaire Fonction trapzodale

Fonction Gaussienne Fonction singleton

Fig. II.4 : Fonctions dappartenances typiques

II.3.2 Structure dun systme flou

Un systme flou est souvent dcompos en trois parties principales constituant la


structure dun systme flou :

1. Module de Fuzzification
2. Module dInfrence
3. Module de Dfuzzification

La figure (Fig. II.5) reprsente, titre illustratif, la structure dun systme flou ayant deux
entres x et y et une sortie .

Fig. II.5 : Structure dun Systme Floue

Universit Kasdi Merbah Ouargla | 2017 24


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

Dans cette structure, nous distinguons :

a) Module de Fuzzification

La fuzzification permet de traduire une donne numrique provenant d'un capteur en


une variable linguistique grce une fonction d'appartenance cre par le concepteur du
systme.

Frquemment, la forme de ces fonctions est choisie parmi les formes typiques de la
Fig. II.4.

b) Module dinfrence

Le Module dinfrence est reparti sur deux blocs :

1- La base de rgles
Les rgles floues permettent de dduire des connaissances concernant ltat du systme en
fonction des qualifications linguistiques fournies par ltape de fuzzification. Habituellement,
les rgles floues sont dduites des expriences acquises par les oprateurs ou les experts.

Ces connaissances sont traduites en rgles simples pouvant tre utilises dans un
processus dinfrence floue.

Ces rgles, souvent de dcision, sont formules sous la formes Si.Alors [26]

2- Le moteur dinfrence
Il ralise le traitement numrique des rgles dinfrence, dcrites par des oprateurs
flous, pour obtenir la sortie linguistique ou floue du systme base des rgles.

Cette opration est ralise par diffrentes mthodes bases sur les oprateurs
dimplications floues [21], dont nous citons :

a- La mthode dinfrence max-min : Loprateur ET est ralis par la formation du


minimum, loprateur OU est ralis par la formation du maximum, et limplication
(ALORS) est ralise par la formation du minimum.
b- La mthode dinfrence max-produit : Loprateur ET est ralis par la formation du
produit, Loprateur OU est ralis par la formation du maximum, et limplication
(ALORS) est ralise par la formation du produit.
c- La mthode dinfrence somme-prod : On ralise au niveau de la condition,
loprateur OU par la formation de la somme (valeur moyenne), et loprateur ET par la
formation du produit. Pour la conclusion, loprateur ALORS est ralis par un produit [22].

Universit Kasdi Merbah Ouargla | 2017 25


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

c) Module de dfuzzification

Cest le dernier module du systme flou qui consiste caractriser les variables
linguistiques utilises dans le systme. Il sagit donc dune transformation des rsultats flous
de linfrence en valeurs de sortie numrique [23]. Cela est ncessaire pour interfacer le
systme flou avec dautres systmes physiques (de commande, didentification, de
supervisionetc.).
Quant aux systmes flous, nous pouvons diffrencier deux types de modles :
1- Modle floue de Mamdani : Dans ce type de modle, les rgles floues Si-Alors sont
crites sous la forme suivante :

Les termes sont des valeurs linguistiques avec est le nombre de rgles. Ici la
consquence est une fonction floue [18]. Ce modle sadapte bien la description des
systmes partir dune exprience sous forme de rgle de dcision linguistique.

2- Modle de Takagi-Sugeno
Le modle de raisonnement approximatif flou de Takagi-Sugeno (TS) est compos de
rgles sous la forme :

Souvent, les fonctions des consquences sont choisies avec une expression
polynomiale. La sortie du systme flou sera donne par [24]:

(II.2)

Avec une fonctionscalaire souvent choisie ayant une forme polynomiale. Dans le cas
dun systme du premier ordre.

Dans le cas, de polynmes dordre zro, nous avons o sont des


paramtres rels constants. Lexpression de la sortie deviendra :

(II.3)

O le vecteur est appel vecteur dactivation, chaque terme reflte le


degr de considration de la rgle dans la dcision finale. Il est donn par :

(II.4)

Universit Kasdi Merbah Ouargla | 2017 26


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

Le vecteur des paramtres regroupe les diffrents gains des


fonctions polynmiales.

La sortie du systme flou est le produit des deux vecteurs et . Le premier vecteur
est choisi par le concepteur. Ainsi, le choix des fonctions dappartenances dfini
compltement ce vecteur si les entres (x et y) sont disponibles. Lors de la dtermination dun
systme flou, le problme majeur rside dans lidentification du vecteur des paramtres ( ).
Dans la section suivante, nous allons discuter une proprit intrinsque aux systmes flous
appeleapproximation universelle.

II.3.3 Proprits dapproximation universelle

Daprs lexpression de la sortie dun systme flou, Le modle flou peut tre considr
comme une fonction ayant plusieurs variables et une seule sortie.

Les rgles floues sont censes de dfinir les caractristiques de la fonction car
elles reprsentent la connaissance sur laquelle le modle flou est bas. Entre autres, en 1992
Kosko a prouv que les systmes flous sont des approximateurs universels. Ces systmes sont
capables dapproximer toute fonction suffisamment lisse avec une erreur borne. Cette erreur
peut tre rduite considrablement avec un bon choix des paramtres du systme flou (par
exemple augmentation du nombre et de la distribution des fonctions dappartenance).
Autrement dit, nous pouvons crire :

(II.5)

O est la fonction approximer et est lerreur maximal dapproximation. Il


faut noter que le systme flou peut tre considr comme une discrtisation de de la fonction
(ou comme multi-modlisation locale) sur son intervalle de dfinition. Entre ces
discrtisations, une interpolation est effectue par linfrence floue.

Le systme flou peut tre considr comme une interpolation entre un certain nombre
de modle, chacun dfini par une rgle floue, si le nombre de modles est lev,
l'approximation de la fonction continue est amliore [25].

En plus le fait que la fonction peut tre non linaire, en raison des rgles floues, le
mappage peut galement tre non linaire en raison du choix des oprateurs, des fonctions
d'appartenance, etc.

La proprit dapproximation universelle nous donne un outil important pour


caractriser des fonctions non linaires. Notre objectif dans la section suivante est de

Universit Kasdi Merbah Ouargla | 2017 27


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

dterminer un modle flou permettant dapproximer la fonction associe une image


biomtrique.

II.4 Modlisation dimage par un modle flou

II.4.1 Formulation du problme doptimisation

Nous considrons une fonction associe une image biomtrique donne par
et un modle flou dapproximation . Nous proposons la
dtermination du vecteur travers la minimisation du critre suivant :

(II.6)

O est le nombre de pixel contenus dans limage. Ce critre est la moyenne des
carres des erreurs dapproximation sur toute limage appelle aussi Erreur Quadratique
Moyenne (EQM). Cette dernire quation scrit :

(II.7)

Aprs dveloppement, nous obtenons :

(II.8)

Sous forme matricielle, nous rcrirons lEQM sous la forme :

(II.9)

O la matrice A, le vecteur b et le scalaire c sont donnes par :

(II.10)

(II.11)

(II.12)

Il est clair que le critre est maintenant reformul sous forme dune fonction
quadratique. La littrature nous propose plusieurs algorithmes doptimisation. Les plus
connus sont ceux drivs de mthode dite du Gradient. Il existe de nombreuses mthodes
dterministes (ou exactes) permettant de rsoudre certains types de problmes doptimisation
et dobtenir la solution optimale du problme, en un temps raisonnable.

Universit Kasdi Merbah Ouargla | 2017 28


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

Ces mthodes ncessitent que le critre minimiser prsente un certain nombre de


caractristiques telles que la convexit, la continuit ou la drivabilit.

II.4.2 Les mthodes du gradient pente la plus grande

Les mthodes du gradient sont classiques en optimisation. Elles comprennent


principalement les mthodes drivant des mthodes de rsolution dun systme dquations
non-linaires comme les mthodes de la plus grande pente (steepest descent method), les
mthodes de gradient conjugu, la mthode de Newton-Raphson, etc. [27].

a- Principe de la mthode du gradient


Pour illustrer le principe de la mthode du gradient, considrons le problme
doptimisation du critre . Nous allons chercher une solution du problme sous la
forme avec un paramtre arbitraire de pondration dans la direction .

Tout d'abord, nous montrons que si A est symtrique dfinie


positive.

(II.13)

prs dveloppement, nous obtenons :

(II.14)

O : . Maiintennant, cherchons une valeur optimale de manire que la


nouvelle solution produit un critre tel que

)< ) (II.15)

La mthode classique consiste chercher lextremum et de vrifier que cest un


minimum et non pas un maximum.Ainsi, calculons partir de la relation :

(II.16)

Il est facile dobtenir :

(II.17)

LEQM correspondant devient :

(II.18)

Universit Kasdi Merbah Ouargla | 2017 29


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

Puisque : (II.19)

La dernire quation montre que lEQM est rduit grce au choix optimal du
paramtre de pondration . Dans ce cas, lapplication successive de cette procdure permet
de minimiser continuement lEQM jusqu la satisfaction dun critre darrt.Malgrs la
dtermination de la pondration optimale, cette mthode narrive pas fixer le choix du
vecteur de direction. La mthode du steepest suggre la direction de descente celle
prsentant la plus grande pente, cest dire loppos du vecteur gradient au point considr
comme il est trs connu en gomtrie. Alors, nous pouvons crire :

(II.20)

Ou bien :

(II. 21)

En effet, la mthode du steppest sapproche du minimum dune manire itrative. La


nouvelle direction de recherche est orthogonale la prcdente [27].La figure (Fig. II.6)
illustre un exemple de la convergence vers la solution optimale par la mthode du steepest.

Fig. II.6 : Illustration de la mthode de Steepest Descent

Pour des raisons de simplicit, nous sugrons de recrire le paramtre de pondration


ltape nsous la forme suivante :

(II.22)

Pour le mme objectif, nous pouvons dduire lexpression rcurssive suivante :

(II.23)

Universit Kasdi Merbah Ouargla | 2017 31


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

Lalgorithme doptimisation par le gradient steepest permettant de calculer la nouvelle


solution en fonction de la solution prcdente utilise les les quations (II.22)(II.23).

Cet algorithme est rsum comme suit :

c. Algorithm de la mthode

Lorganigramme de la mthode

Lorganigramme de la mthode est montr parla figure (Fig. II.7).

Fig. II.7 : organigramme de la mthode du gradient steepest

Universit Kasdi Merbah Ouargla | 2017 31


Chapitre II Optimisation de modle flou de Sugeno pour lextraction des caractristiques biomtriques

II.4.3 Discussion

La mthode de Steepest Descent est simple, facile appliquer, et chaque itration est
rapide. Il est galement trs stable; Si les points minimum existent, la mthode est garantie de
les localiser aprs un nombre fini d'itrations. Un autre avantage de cette mthode lors de
lutilisation des systme flous cest que la matrice A qui apparait dans lalgorithme est la
mme pour toutes les images biomtriques approximer. Cela rduit considrablement le
temps dexcusion de lalgorithme vu la taille importante de cette matrice et les expressions
complexes calculer chaque tape.

Mais, mme avec toutes ces caractristiques positives, la mthode prsente un


inconvnient trs important; Il a gnralement une convergence lente. Cete mthode
commence avec une convergence raisonnable, mais les progrs sont plus lents lorsquon se
rapproche du minimum..La mthode peut converger rapidement pour de certains systmes
grande chelle, mais dpend alors beaucoup d'un bon choix de point de dpart. En d'autres
termes, la mthode Steepest Descent peut tre utilise lorsque l'on a une indication de l'endroit
o est le minimum [28].

II.5 Conclusion

Dans ce chapitre, nous avons prsent les principaux outils ncessaires la


modlisation de limage par un systme flou de type TS. Lcriture particulire de la sortie
dun modle flou de TS, nous a permis de formuler un critre quadratique minimiser.
Lalgorithme du gradient steepest, tel que prsent, offre une procdure rcursive pour
dterminer le vecteur des paramtres inconnus du modle flou. Dans le chapitre suivant, nous
allons appliquer cet algorithme dans le cadre dun systme biomtrique.

Universit Kasdi Merbah Ouargla | 2017 32


Chapitre III
Rsultats exprimentaux et
interprtations
Chapitre III Rsultats exprimentaux et interprtations

III.1 Introduction
Lempreinte palmaire a de nombreuse caractristique qui les distingue les distingue
des autres modalits. Cela nous a pousss la considrer comme un choix appropri pour
notre tude exprimentale qui sera expos dans ce chapitre.

Ainsi, nous allons tout dabord prsenter la reconnaissance palmaire. Ensuite, nous
examinerons la caractristique de la base de donns cible de notre application.

La section suivante sera de voue la au dveloppement de protocole exprimentale, a


rsultats obtenus et linterprtation de diffrents paramtres dvaluations.

III.2 La reconnaissance par lempreinte palmaire


Introduite par David Zhang et Shu (chercheurs et professeurs luniversit
polytechnique de Hong Kong) depuis 1996 pour remdier aux problmes lis la non
visibilit dune empreinte digitale ou bien le cot lev des appareils de capture des images de
liris et de la rtine ou encore les faibles taux de reconnaissance des autres modalits
biomtriques ; lempreintes palmaire ou Palmprint est cette surface trs large et interne de
la main [29].
Lempreinte palmaire se compose de deux caractristiques uniques, savoir les crtes
de friction palmaires (the palmar friction ridges) et les plis de flexion palmaire (palmar
flexion creases).
Les plis de flexion sont les zones de fixation plus solides de la structure de la peau
basale. Les plis de flexion apparaissent avant la formation de crtes de frottement pendant la
phase embryonnaire de dveloppement de la peau, et ces deux caractristiques sont
prtendues immuables, permanentes et uniques un individu.
Les trois principaux types de plis de flexion qui sont les plus clairement visibles dans
une empreinte palmaire sont : pli transversal distal (distal transverse crease), pli transversal
proximal (proximal transverse crease) et pli transversal radial (radial transverse crease)
(voir Fig. III.1).
Diverses caractristiques dans les empreintes palmaires peuvent tre observes
diffrentes rsolutions d'image. Si des plis majeurs peuvent tre observs moins de 100 ppi,
les plis minces (thin creases), les crtes (ridges) et les minuties (minutiae) ne peuvent tre
observs qu' une rsolution d'au moins 500 ppi. Des rsolutions suprieures 500ppi sont
ncessaires pour observer les pores [30].

Universit Kasdi Merbah Ouargla | 2017 34


Chapitre III Rsultats exprimentaux et interprtations

Fig. III.1 : caractristiques de lempreinte palmaire.


Grce cette large surface et labondance des traits caractristiques, on prvoit que les
empreintes palmaires soient trs robustes aux bruits et uniques chaque individu.

Compar aux autres caractristiques physiques, lidentification par les empreintes


palmaires (Palmprint) a plusieurs avantages :

1. Traitement dimage basse rsolution.


2. Peu de risque dintrusion.
3. Les traits des lignes sont stables.
4. Taux lev dacceptation par les utilisateurs

III.3 Systme biomtrie propos le protocole

Nous proposons un systme biomtrique multimodal (Multi-chantillons) bas sur


l'empreinte palmaire qui consiste en deux sous systme fusionns au niveau de score (voir la
voir Fig. III.2).

Chaque sous-systme reprsente un systme uni-modal compos de quatre modules :


capture biomtrique (image de la palmaire), module dextraction de caractristiques module
de comparaison et module de dcision.

Universit Kasdi Merbah Ouargla | 2017 35


Chapitre III Rsultats exprimentaux et interprtations

Fig. III.2 Systme Multi-model (avec fusion au niveau de score)

III.3.1 Dispositif de capture des images de lempreinte palmaire en ligne

Pour accomplir une identification en ligne par les empreintes palmaires en temps rel,
il faut un dispositif particulier qui doit tre plus rapide dans lacquisition dempreintes
palmaires. Un exemple dun tel dispositif est prsent dans la Fig. III.3.

Fig. III.3 Dispositif de capture de palmaires en ligne

Universit Kasdi Merbah Ouargla | 2017 36


Chapitre III Rsultats exprimentaux et interprtations

III.3.2 Lextraction des caractristiques


Ltape dextraction des caractristiques admet de construire des vecteurs contenant
les caractristiques discriminantes dune image dune modalit biomtrique (empreinte
palmaire)obtenue avec un capteur biomtrique pour lenregistrement dans une base des
donns sous forme de valeurs mathmatiques.

Aujourdhui, il y a plusieurs mthodes appliques pour lextraction des


caractristiques telles que : LPQ (Local Phase Quantization) ; LBP (Local Binary Pattern) ;
HOGetc.

Dans le chapitre prcdent nous avons montr que le systme flou est un
approximateur universel, sur la base de cet avantage nous allons proposer lutilisation du flou
pour modliser limage et extraire leurs caractristiques, mais nous avons constat que le flou
a besoin une adaptation des paramtres avec une mthode doptimisation.

Le choix qui a t propos dans le chapitre prcdent est la mthode de steepest


descent pour adapter les paramtres flous partir de loptimisation de lerreur qui a t
calcul ltape de comparaison. Une grande partie de la figure (Fig. III.4) explique ltape
dextraction des caractristiques avec le systme flou optimis.

Fig. III.4:Extraction des caractristiques dans le systme biomtrique propos


(protocole).

Universit Kasdi Merbah Ouargla | 2017 37


Chapitre III Rsultats exprimentaux et interprtations

III.3.3 Ltape de comparaison


Nous avons vue dans le premier chapitre cest quoi un module de comparaison et leur
utilisation dans un systme biomtrique.

Il existe plusieurs travaux qui utilisent la mthode de Distance Euclidienne , Ainsi


nous avons procd la comparaison avec de cette mthode entre limage approximer par le
systme flou et les signatures (modles) dj mmoris dans la base de donnes. La
distance euclidienne est une distance gomtrique dans cet espace multidimensionnel. Elle est
calcule comme suit :

(III.1)

Ou :

: Vecteur caractristique de lemprunte de reconnaissance.

: Vecteur caractristique de lindic " " dans la base de


donnes (le modle de comparaison).

Cette distance sera en suite normalise entre 0et 1.Le schma de principe de systme
biomtrique propose est par la figure Fig. III.5:

Fig. III.5:Systme biomtrique propos.

III.4 Base des donnes Multi-spectral Palmprint


Le Centre de recherche biomtrique (UGC / CRC) de l'Universit polytechnique de
Hong Kong a dvelopp un dispositif de capture de Palmprint multi-spectral en temps rel qui
peut capturer des images de Palmprint sous des illuminations bleue, verte, rouge et infrarouge

Universit Kasdi Merbah Ouargla | 2017 38


Chapitre III Rsultats exprimentaux et interprtations

proche (NIR) et l'a utilis pour construire une base des donnes multi-spectrales de Palmprint
grande chelle.

Pour faire progresser la recherche et fournir aux chercheurs qui travaillent dans le
domaine de la reconnaissance multi-spectrale avec une plate-forme pour comparer l'efficacit
de divers algorithmes multi-spectral de reconnaissance de palmprint [31].

Fig. III.6: reconnaissance de Palmprint multi-spectrales.

La base de donnes Multi-spectral Palmprint a t recueillie auprs de 250 volontaires,


dont 195 hommes et 55 femmes. La rpartition par ge est de 20 60 ans. Les chantillons
ont t recueillis en deux sances distinctes.

Dans chaque session, la personne a t invite fournir 6 images pour chaque paume.
Par consquent, 24 images de chaque illumination de 2 palmes ont t collectes de chaque
personne.

Au total, la base de donnes contient 6 000 images provenant de 500 paumes


diffrentes pour un clairage.

L'intervalle de temps moyen entre la premire et la deuxime session tait d'environ 9


jours.

Dans nos expriences, nous utilisons des bases des donnes a rgion dintrt (ROI)
dj extraite avec une taille 128 128 pixels pour valuer nos mthodes d'extraction des
fonctionnalits [32].

Universit Kasdi Merbah Ouargla | 2017 39


Chapitre III Rsultats exprimentaux et interprtations

III.5 Sparation des bases de donnes

Afin de dvelopper une application de reconnaissance palmaire, il est ncessaire de


disposer de deux bases de donnes : une base pour effectuer lapprentissage et lautre pour
tester les techniques et dterminer leurs performances, mais Il ny a pas de rgle pour
dterminer ce partage de manire quantitatif.

Il rsulte souvent dun compromis tenant compte du nombre de donnes dont on


dispose et du temps pour effectuer lapprentissage. Dans les sries de test que nous avons
effectu la base a t segmente de la faon suivante :

Images d'apprentissages
La premire, la cinquime et la neuvime image de chaque personne servent pour la phase
dapprentissage.

Images de Tests
Les neufs (9) images restantes de chaque individu nous ont servi pour la ralisation des
diffrents tests.

III.6 Ladaptation des paramtres

Lobjectif de ladaptation des paramtres au cours de notre protocole exprimentale


est lestimation de ces paramtres qui assure de trouver une performance dsirable. partir
de cet objectif, on organise notre exprience en trois tapes principales.

En tape 1, nous avons fix le nombre des fonctions dappartenances du flou 20


fonctions au mme temps, nous avons vari le nombre ditrations associ la mthode de
steepest descent entre 5 et 40 itrations avec un pas gale 5 pour dterminer la meilleure
qui donne des bons rsultats pour la bande NIR . Avant de procd linterprtation des
rsultats indiqus aux tableaux ultrieurement, il y a lieu de signaler en matire de mesure de
performance deux modes de fonction.

A-en mode ouvert : nous avons mesur la performance sur la base de deux paramtres
essentiels qui sont lEER et le seuil threshold 0.

B- en mode ferm : nous avons mesur la performance travers le (ROR) et le (RPR).Le


tableau III.1 rsume la variation des itrations en tenant compte des valeurs de lEER ; du
ROR et du RPR, avec un nombre ditration , nous obtenons des meilleures
rsultats (EER= ) sans quil soit amlior si ce nombre est augment.

Universit Kasdi Merbah Ouargla | 2017 41


Chapitre III Rsultats exprimentaux et interprtations

Concernant le ROR, on peut dire que le taux 99.2% reprsente le meilleur rsultat qui
correspond aux 10,25, 30,35 et 40 itrations. En ce qui concerne le RPR, nous constatons que
la valeur de 350 est la meilleure, et cette valeur a suggr que 10 itrations est le meilleur
choix. Aussi le temps dexcution de cette dernire est relativement rduit.

Tableau III.1 : Rsultat de lEER, lROR et ROR en fonction du nombre ditration

Bande NIR Mode ouvert Mode ferm


Nfa EER ROR RPR
5 99.17 350
10 1.996 99.2 350
15 1.996 99.1778 352
20 1.996 99.1778 351
25 1.996 99.2 351
30 1.996 99.2 351
35 1.996 99.2 351
40 1.996 99.2 351

Pour cette raison en tape 2, nous avons fix le nombre ditrations 10 et on


procd la variation des fonctions dappartenance relative au flou. Suivant le tableau III.2
qui reprsente les rsultats de (EER, ROR et RPR) pour cette variation.

Tableau III.2: Influence du nombre des fonctions dappartenances.

Bande NIR Mode ouvert Mode ferm

Nfa EER ROR RPR


5 5.988 99.06 427
10 1.996 99.51 325
15 1.996 99.37 349
20 1.996 99.2 350

A travers la lecture de ce tableau, nous remarquons que les meilleurs rsultats obtenus
correspondent un nombre de fonction dappartenance Nfa = 10. LEER=1.996 ,
ROR=99.51 et RPR=325. Ltape 3 reprsente la mesure de performance dun system uni-
modale ou nous avons choisis le nombre ditration gal 10 et le nombre des fonctions
dappartenance gal 10aussi pour une application multi-spectral (au niveau de toutes les
bandes dimages).

Universit Kasdi Merbah Ouargla | 2017 41


Chapitre III Rsultats exprimentaux et interprtations

III.6.1 Application uni-modal


Comme nous avons vu dans le premier chapitre de cette mmoire, le systme
biomtrique peut fonctionner en deux modes ; mode ouvert ou mode ferm

Le tableau cit en ci-dessous reprsente les valeurs des paramtres relatifs au mode
ouvert et mode ferm pour les varits des bandes dimages (Blue, Red, Green, NIR)

Tableau III.3 : Rsultats de lEER, ROR et RPR pour diffrentes bandes uni-modal

Mode ouvert Mode ferm


Modalit EER (%) 0 ROR RPR
BLUE 6.6533 0.1336 99.75 257
NIR 1.996 0.157 99.51 325
RED 1.128 0.1470 97.71 253
GREEN 0.01972 0.1365 81 482

La lecture de ce tableau nous permis de conclure sur la qualit des rsultats pour les
diffrentes bandes comme suit :

1- La bleue est la meilleure bande, par ce que son EER est le minimum ; et son ROR est
le maximum
2- Concernant la bande NIR ; nous remarquons que son EER est meilleure que les deux
autres valeurs restantes, par contre son ROR a enregistr une classification moyenne.
3- La bande RED malgr quavoir le meilleur RPR et le deuxime meilleur ROR, nous
remarquons que la bande en question a enregistre la troisime classe cause de la
valeur de son EER qui est de 1.128 E-3% (faible par rapport aux deux bandes bleu et
NIR).
4- La bande GREEN a enregistr des rsultats trs les plus faibles
Interprtation graphique

La figure III.7 montre les courbes caractristiques (Receiver Operating Characteristic


(ROC)) du systme, dans le mode ouvert pour les quatre bandes dimages dempreint
palmaire (Bleu, NIR, Red, Green). Cette figure reprsente la distribution des valeurs dEER
qui sont cite au tableau prcdent sur chaque intersection entre la premire bissectrice et les
courbes ROC des bandes dimages qui ont t mentionnes prcdemment.

Universit Kasdi Merbah Ouargla | 2017 42


Chapitre III Rsultats exprimentaux et interprtations

Cette figure classifi les bandes prcdentes sur la base des valeurs dEER, de ce sens,
nous remarquons que la meilleure bande est le bleu par ce quelle a un EER mieux que les
autres, ce dernier est gal 6.6533E-5%.

-1
10
Nir EER
Blue
Read
Green
-2
10 1.128E-3%
Taux de faux rejet = FRR (%)

0.01972%

-3
10 1.996E-4%

-4
10

6.6533E-5%

-4 -3 -2 -1
10 10 10 10
Taux de fausse acceptation = FAR (%)

Fig. III.7.:Performance de systme uni-modal (ROC)

Ensuite, nous avons test les performances du systme didentification oprant en


mode ferm. La figure III.8, montre les courbes des scores cumuls (Cumulative Match Curve
(CMC)) du systme bas sur les diffrentes bandes dimages.

100

99.95
RPR=253
RPR=482
99.9 RPR=325
RPR=257
99.85
Taux d'identificatio (%)

Blue
Green
99.8
Read
Nir
99.75

99.7

99.75%
99.65

99.51%
99.6

97.71%
99.55
81%

99.5
0 50 100 150 200 250 300 350 400 450 500
Rang

Fig. III.8: Performance de systme uni-modal (CMC)

Universit Kasdi Merbah Ouargla | 2017 43


Chapitre III Rsultats exprimentaux et interprtations

Pour cette figure il y a lieu de noter que la bande bleu donne un meilleur ROR avec un
pourcentage de 99.75%, mais pour le RPR, nous remarquons que la bande RED donne un
meilleur RPR avec une valeur de 253.

III.6.2 Application Multimodal


Comme nous le savons l'orientation au systme biomtrique multimodale est
considre comme l'une des meilleures solutions pour amliorer les performances.

Dans ce sens, au cours de notre tude exprimentale base sur un system multimodale
de type multi-chantillons, nous avons procd lensemble des tests des fusions.

Dans la premire tape, nous avons fusionn les deux bandes la bleu et la RED,
ensuite, la bleu, la RED et la GREEN. Avec l'enregistrement des valeurs de EER le seuil
threshuld le ROR et le RPR.

De la mme manire. Dans la deuxime tape nous avons mesur la performance des
fusions de la bande NIR et la bleue, la NIR et la RED et enfin la NIR et la GREEN ; toujours
avec les paramtres lEER, le seuil, le ROR et le RPR.

Le tableau ci-aprs rsume les rsultats du protocole en question.

Tableau III.4 : Rsultats de lEER, ROR et RPR pour diffrentes bandes multimodale

Mode ouvert Mode ferm


Modalit EER 0 ROR RPR
BLUE et RED 0.1713 99.82 86
BLUE et RED et GREEN 7.3187 0.1468 98.35 292

NIR et BLUE 6.65 0.1963 99.88 56


NIR et RED 1.3307 0.1502 99.53 125
NIR et GREEN 4.9514 0.1547 93.93 447

Dans la premire tape, ce tableau montre que la fusion au niveau de deux modalits
la bande BLEU et la RED au niveau du score mieux que la fusion des trois modalits sur la
base de la valeur de EER en mode ouvert et sur la base de le ROR et le RPR en mode ferm.

La deuxime partie explique que la fusion entre la bande NIR et la bande Bleu au
niveau de score dlivre des rsultats meilleures que celle enregistres pour ces deux bandes en

Universit Kasdi Merbah Ouargla | 2017 44


Chapitre III Rsultats exprimentaux et interprtations

monomodale sparation, cest dire le EER, le ROR et le RPR relatifs la bande NIR et la
bande bleue au cours dapplication uni-modal.

Interprtation graphique
Les courbes ROC qui sont cite la figure ci-dessus donnent la projection des valeurs
de lEER mentionn au tableau III.9 sur chaque intersection entre ces courbes et la premire
bissectrice.

Fig. III.9:Performance de systme Multimodal (ROC)

Cette figure nous permet de classifier la meilleure fusion au niveau de score par
ordre dcroissant comme suit :

- La fusion entre les bandes NIR et la Bleu, le bleu et la RED, la NIR et la RED, la
Bleu la RED et la GREEN, et finalement la NIR et la GREEN, ce qui ont t
donn les EER respectivement ( , , ,
, ).

Universit Kasdi Merbah Ouargla | 2017 45


Chapitre III Rsultats exprimentaux et interprtations

La figure III.10, montre les courbes des scores cumuls (Cumulative Match Curve
(CMC)) du systme associ lapplication multi spectrale dimages.

Fig. III.10:Performance de systme Multimodal (CMC).

A travers cette figure nous remarquons que la fusion entre les bandes NIR et GREEN
donne un meilleur ROR avec un pourcentage de 99.88%, et nous remarquons aussi que cette
fusion donne le meilleur RPR avec une valeur de 56.

III.7 Conclusion
Nous pouvons dduire que ltape d'extraction des caractristiques est une tape trs
ncessaire pour chaque systme biomtrique, o nous avons concentr notre recherche sur le
dveloppement de cette tape l o nous avons profit du caractre du systme flou comme
un approximateur universelle aussi bien que la mthode du gradient steepest afin d'atteindre
une performance leve du systme biomtrique.
Dans le mme cadre il est claire que l'utilisation du systme biomtrique multimodal
de type multi-chantillons avec une fusion au niveau de score nous a permis de minimiser les
imperfections du systme biomtrique uni-modale et d'amliorer son performance.

Universit Kasdi Merbah Ouargla | 2017 46


Conclusion Gnrale
Conclusion Gnrale

Conclusion Gnrale

e travail prsent dans ce mmoire s'inscrit dans le contexte de l'identification

L automatique des personnes base sur leurs descripteurs biomtriques.

Nous avons dvelopp lapplication de lalgorithme du gradient steepest pour


loptimisation du modle flou de Sugeno dans le sens dapproximation de lempreinte
biomtrique. Nous avons examin lorigine de cet algorithme ainsi que sa diffrence avec le
gradient pas fixe.

La convergence sre de la solution, du problme doptimisation, vers un optimum a


t aussi examine et expliqu. Cet algorithme ne ncessite pas la recherche par ttonnement
dun pas optimal.

Nous avons utilis une nouvelle modalit biomtrique, savoir lempreinte palmaire,
pour raliser nos systmes biomtriques proposs, uni-modal et multimodal. Nous avons
constat que les performances des systmes biomtriques dpendent de plusieurs facteurs et
quelles varient dun systme un autre.

Pour pallier tous ces problmes, nous avons conclu quil fallait combiner des
modalits pour avoir des rsultats plus fiables. Ainsi, nous avons prsent la biomtrie
multimodale ainsi que les diffrents types de combinaisons de modalits possibles, mais aussi
les architectures et les niveaux de fusion pouvant tre utiliss dans un systme multimodal.

Universit Kasdi Merbah Ouargla | 2017 48


Bibliographie
Bibliographie

Bibliographie
[1] Peter GREGORY And Michel A.SIMON, "biometrics for Dummies", Cisa, Cissp,
2008.

[2] Talib Hichem BETAOUAF, "Caractrisation de la rtine pour la reconnaissance


biomtrique des personnes". Universit Aboubakr Belkad Tlemcen, Magister en
Informatique 2011.

[3] Ibtissam Benchennane, "Etude et mise au point dun procd biomtrique


multimodale pour la reconnaissance des individus ". Universit Oran Mohamed
Boudiaf, thse Doctorat 2015/2016.

[4] Max CHASSE," La biomtrie au Qubec ". Les enjeux Prpar Analyste en
informatique, 2002.

[5] Rapport technique Tour dhorizon des technologies biomtriques Projet CCT
PFPDT juin 2012.

[6] Abderahmane BENAGGA, Lina TELIB, "Reconnaissance des personnes base sur
lempreinte de larticulation de doigt ".UKM Ouargla, Master Acadmique ,2016.

[7] Mr. SAMAI Yacine. "Reconnaissance de lIris humain en utilisant les mthodes de
lIntelligence Artificielle. "Uni ELHADJ LAKHDAR Batna .diplme de Magister
2011/2012

[8] Souhila GUERFI ABABSA " Authentification dindividus par reconnaissance de


caractristiques biomtriques lies aux visages 2D/3D ". Universit Evry Val
d'Essonne ,2008.

[9] Lorne ALLANO,"La Biomtrie multimodale : stratgies de fusion de scores et


mesures de dpendance appliques aux bases de personnes virtuelles ".Uni devry-
val DESSONNE, thse Doctorat 2009.
Bibliographie

[10] Ahmed HADJAR,"Identification des individus par la biomtrie


multimodale".Universit Oran Mohamed Boudiaf, diplme de magister 2014.

[11] Nicolas Morizet. "Reconnaissance Biomtrique par Fusion Multimodale du Visage et


de lIris". Thse de Docteur. Domain_other. Telecom ParisTech, 2009.

[12] Florent Perronnin et Jean-Luc Dugelay,"Introduction a la Biomtrie Authentification


des Individus par Traitement Audio-Vido " .Multimdia Communications
Dpartement, EEE 2002.

[13] Abdelkrim KHERKHARE " Commande floue en poursuite et stabilisation des


systmes non linaires incertains". UNIV FERHAT ABBAS SETIF, diplme de
magister 2010.

[14] Mourad SAHIR, "Compression des images numriques par la technique des on de
lettes", Uni FERHAT Abbas SETIF, diplme de magister 2011.

[15] Mohamed SANDELI, "Traitement d'images par des approches bio-inspires


Application la segmentation dimages" Universit Constantine 2, Magister en
informatique,2014.

[16] Chrif TAOUCHE," Implmentation d'un Environnement Parallle pour la


Compression d'Images l'aide des Fractales ". Uni Mentouri Constantine diplme de
magister 2005.

[17] Sarra BENFRIHA et Asma HAMEL," Segmentation dimage par Coopration


rgion-contours". UKM Ouargla, Master Professionnel,2015/2016.

[18] Abdelmalek ZAHAF,"Commande Prdictive Floue Sous Contraintes : Application


des Systmes non Linaires". Uni Constantine 1, diplme de magister 2014.

[19] Khaled BARKA et Youcef BOUKHRIS,"Systme didentification biomtrique


base dun modle flou ". UKM Ouargla, Master, 2015/2016.
Bibliographie

[20] Yassine BOUDOUAOUI,"Contribution la synthse automatique des systmes


flous par approches mta-heuristiques". Universit de Boumerds, diplme de
magister 2014/2015.

[21] Mohamed Amine KORICHI,"Dtection de fuites dans un changeur de chaleur


courants parallles par mthodes didentification floue". Uni de Boumerds, Master,
2013/2014.

[22] Hamid OUAKKA,"Contribution lIdentification et la Commande Floue dune


Classe de Systmes Non Linaires". Uni Sidi Mohamed Ben Abdellah, thse
Doctorat 2009.

[23] http://dspace.univ-tlemcen.dz/bitstream/112/8301/4/CHAPITRE2.pdf 21/04/2017.

[24] Mohamed BAHITA,"Commande Adaptative Floue des Systmes Non Linaires


Base sur les Rseaux Mmoire Associative Fonction de Base Radiale ".Uni de
Constantine, thse Doctorat 2011.

[25] Ren JAGER." Fuzzy Logic in Control, l'Universit technique de Delft, pour obtenir
un doctorat,26 Juin 1995

[26] MERABTI Halim," Etude des systmes flous intervalle ". Universit Mentouri
Constantin, Mmoire de magistre, 2008.

[27] TRAN The Vinh," identification du comportement des matriaux mtalliques au


del de leur limite dlasticit par la mthode des champs virtuels", Universit de
Technologie de TROYES, thse Doctorat 2008.

[28] http://www.trond.hjorteland.com/thesis/node26.html .17/3/2017

[29] BOUKHARI Wassila, BENYETTOU Mohamed, "identification Biomtrique des


Individus par leurs Empreintes Palmaires Palmprint : Classification par la
Mthode des Sparateurs Vaste Marge (SVM)".Universit dOran, IEE.
Bibliographie

[30] Anil K. Jain, Ruud Bolle, Sharath Pankanti, "Biometrics Personal Identification in
Networked Society", Kluwer Academic Publishers New York, Boston, Dordrecht,
London, Moscow, 2002.

[31] Multi-spectrale palmprint poly-U data base


http://www4.comp.polyu.edu.hk/~biometrics/MultispectralPalmprint/MSP.htm

[32] Hoang Thien Van, Thai Hoang Le,"A Palmprint Identification System Using
Robuste Discriminant Orientation Code".IEEE, Uni Vietnam, 2014.