sys828 – systèmes biométriques hiver 2014. 2 s ommaire 1. organisation du cours: 1)...

SYS828 – Systèmes biométriquesSYS828 – Systèmes biométriques

Hiver 2014

SOMMAIRE

1. Organisation du cours:1. Organisation du cours:1)1) Présentation personnellePrésentation personnelle2) Plan détaillé du cours

2. Introduction à la biométrie1) Reconnaissance conventionnelle2) Reconnaissance biométrique3) Défis actuels

3. Survol: reconnaissance de formesSYS828: Systèmes biométriques Éric Granger

1.1) Présentation personnelle1.1) Présentation personnelle2008-présent: Directeur de programme MGPA

2006-présent: Professeur agrégé (permanent)

2004-2006: Professeur adjointDépartement de GPA, ÉTS

2001-2004: Ingénieur en circuits ITGE R&D, Mitel Networks

1999-2001: Chercheur pour la défenseDRDC – Ottawa, DND

2001: Ph.D. en génie électriqueÉcole Polytechnique de Montréal

SYS828: Systèmes biométriques Éric Granger

1.1) Présentation personnelle1.1) Présentation personnelle

Intérêts en recherche et expertise: reconnaissance de formes

systèmes adaptatifs pour la reconnaissance– apprentissage incrémental et enligne– classifieurs neuroniques et statistiques – systèmes à classifieurs multiples– détection de changement et d’ambigüité– calcul évolutionnaire

intégration de systèmes microélectroniquesSYS828: Systèmes biométriques Éric Granger

Programme de recherche:

Conception de systèmes robustes et adaptatifs avec des applications en:

– sécurité et surveillance – authentification biométrique

– bio-marquage de documents numérisés

• http://profs.etsmtl.ca/egranger/• LIVIA

Domaines d’application:6 surveillance militaire: identification

de signaux radars-communications

6 biométrie: reconnaissance de visages en vidéo surveillance et vérification de signatures

6 sécurité: détection d’intrusions

dans les réseaux informatiques

6 bio-marquage intelligent

de documents numérisésSYS828: Systèmes biométriques Éric Granger

Vidéosurveillance – reconnaissance automatique de visages dans des séquences vidéo

6 reconnaitre et poursuivre des individus d’intérêt perçus d’un réseaux de caméras IP

Type 1 Type 2 Type 3

CMU – FIA data (mono-modal, 1 face)Type 1: acquisition semi-contrainte – une personne dans

une file d’inspection à l’aéroport

8SYS828: Systèmes biométriques Éric Granger

Chokepoint data (mono-modal, 1 to 24 faces)Type 2: acquisition semi-contrainte – une personne

qui passe dans un portail

Système pour la reconnaissance spatio-temporelle de visages dans des vidéos

Contrôle d’accès – system adaptatif basé sur l’optimisation évolutionnaire (Connolly et al., PR 2011)

1.1) Présentation personnelle1.1) Présentation personnelleVidéo surveillance – system adaptatif avec un ensemble par personne (Pagano et al., IJCNN 2012)

1.1) Présentation personnelle1.1) Présentation personnelleSystem modulaire qui s’adapte selon les types de changements (Pagano et al., INS 2014)

1.1) Présentation personnelle1.1) Présentation personnelleSystem qui s’auto-adapte lors d’opérations à de nouvelles trajectoires (De le Torre et al., IF 2014)

Fusion dynamique des classifieurs selon le contexte: débalancement des données (Radtke et al., IF 20013)• Skew-Sensitive Boolean Combination (SSBC)

Boolean Combination: fusion des décisions dans l’espace ROC

Reconnaissance de visages en vidéo surveillance

1.1) Présentation personnelle1.1) Présentation personnelleRéalisation de classifieurs sur un processeur Réalisation de classifieurs sur un processeur parallèleparallèle (Prieur et al., MVA 2012)

Sécurité dans les réseaux informatiques – détection d’intrusions

1.1) Présentation personnelle1.1) Présentation personnelleSécurité dans les réseaux informatiques

système hybride pour la détection– d’anomalies: modélise le comportement normal– de menaces: modélise de attaques prédéfinis

Sécurité dans les réseaux informatiques

ensembles de HMM pour la détection d’anomalies/menaces

HMM1,1

CLASS 2

P(O/λ1,1)

observation O

DRIFT DETECTION

MODULE

FUSION OF RESPONSES

IN ROC SPACE

class 1

HMM1,2

HMM1,m

P(O/λ1,2)

P(O/λ1,m)

CLASS n...

familiarity

Systèmes militaires de surveillance électronique (SE) pour signaux radars-comms

Systèmes militaires de SE pour signaux radars

système généralisé

Systèmes militaires de SE pour signaux radars

système qui peut exploiter un classificateur neuroniquecontexte: existence d’un ensemble de données radars collecté dans l’environnement

1.1) Présentation personnelle1.1) Présentation personnelleSystèmes militaires de SE pour signaux radars

réseau de neurones à fusion what-and-where

SOMMAIRE1. Organisation du cours:1. Organisation du cours:

1)1) Présentation personnellePrésentation personnelle2) Plan détaillé du cours

3. Survol: reconnaissance de formes

Encadrement:Éric Granger (enseignant et responsable)6 local: A-36426 téléphone: (514) 396-86506 courriel: eric.granger@etsmtl.ca6 disponibilité: lundi au jeudi inclusivement

ou par rendez-vous

Miguel de la Torre Gómora (auxiliaire de laboratoire) 6 local: A-36006 téléphone: (514) 396-8800, poste 76876 courriel: miguel@livia.etsmtl.ca6 disponibilité: par rendez-vous

Site Internet du cours:6 https://cours.etsmtl.ca/sys828/

1.2) Plan détaillé du cours1.2) Plan détaillé du cours

Objectifs spécifiques d’apprentissage:

1. Notions fondamentales – reconnaissance d’individus selon leurs traits biométriques

2. Analyse et conception de systèmes robustes pour la reconnaissance biométrique:6 algorithmes d’apprentissage automatiques pour la

réalisation des classificateurs neuroniques et statistiques

6 architectures spécialisées (modulaire et hiérarchiques)

6 systèmes biométriques adaptatifs

6 fusion multimodale et reconnaissance contextuelle SYS828: Systèmes biométriques Éric Granger

1.2) Plan détaillé du cours1.2) Plan détaillé du coursContenu du cours:

ARECONNAISSANCE

BIOMÉTRIQUE

BALGORITHMES POUR

L’APPRENTISSAGE AUTOMATIQUE

CCONCEPTION DE

SYSTÈMES ROBUSTES

Ø A.1 Un système généralisé

Ø A.2 État de l’art – reconnaissance de visages

Ø B.1 Introduction aux algorithmes d’apprentissage

Ø B.2 Apprentissage non-supervisé pour la catégorisation de vecteurs

Ø B.3 Apprentissage supervisé pour la classification de vecteurs

Ø B.4 Apprentissage supervisé pour la classification de séquences

Ø C.1 Systèmes de classification modulaires et hiérarchiques

Ø C.2 Techniques pour la fusion multimodale

Ø C.3 Systèmes adaptatifs

Ø C.4 Reconnaissance contextuelle

Stratégies pédagogiques:cours magistraux: 3 heures/semaine, 12 semaines

séances pratiques: évaluation de classificateurs pour la reconnaissance de visages

projet de session: étude comparative de différentes techniques/systèmes pour une application en biométrie:

1. synthèse de la littérature – étudier des systèmes biométriques de pointe (qui exploitent les algorithmes d’apprentissage automatique)

2. étude expérimentale – évaluer et comparer les performances de ces systèmes empiriquement, à partir de données biométriques

Évaluation: 2 quiz + projet de session

exigences: surtout la rédaction de 2 rapports techniques et 2 présentations orales

ACTIVITÉ PONDÉRATION

ÉCHÉANCE

Quiz (parties A et B) 10% A) 27 janvierB) 10 mars

Proposition de projet 5% 20 janvier

Rapport 1: courte présentation orale 5% 3 mars

Rapport 1: synthèse de littérature 25% 3 mars

Rapport 2: présentation orale 15% 7 ou 14 avril

Rapport 2: étude expérimentale 40% 21 avril

Documentation obligatoire:R. M. Bolle, J. H. Connell, S. Pankanti, N. K. Ratha and A.W.

Senior, Guide to Biometrics, Springer, New York, 2004.

Fortement Recommandé:T. Dunstone et N. Yager, Biometric Systems and Data Analysis:

Design, Evaluation, and Data Mining, Springer, New York, 2009.

Sommaire

1. Organisation du cours:1. Organisation du cours:1)1) Présentation personnelle2) Plan détaillé du cours

2.1) Reconnaissance conventionnelle2.1) Reconnaissance conventionnelle

Reconnaissance fiable d’individus:

l’association d’une identité avec un individu a toujours été important dans la société humaine

il s’agit d’un élément intégral de l’infrastructure requise pour les:6 finances, 6 soins et santé, 6 sécurité et contrôle d’accès, 6 gouvernements,6 système légal,6 communications, etc.

Situation actuelle: avec la croissance, mobilité et inter connectivité de la population, on doit…

1. exploiter une représentation substitut de l’individu, soit:

6des documents: passports, cartes d’identité, cartes d’accès, etc...6des secrets: mots de passe, codes d’accès, etc...

2. reconnaitre un individu rapidement, par des moyens automatiques, et souvent à distance

Problématique

Les représentations substitues (documents et secrets) ne sont plus fiables pour la reconnaissance automatique d’individus, car:

1. vol d’identité: des informations confidentiels peuvent êtres volées et partagées pour reproduire une identité, et:

6 commettre un crime6 retirer d’un compte bancaire, 6 emprunter de l’argent, etc.

Commissariat à la protection de la vie privée du Canada

Problématique

2. menaces accrues à la sécurité: dans notre société globale et interconnectée, il existe des individus qui sont de plus en plus dangereux et spécialisés6 nous ne pouvons plus leur faire confiance à partir de

documents pouvant êtres compromis et reproduits

3. rétention de plusieurs secrets: une proportion importante d’individus vont:6 transcrire leurs codes et mots de passes6 sélectionner des codes et mots de passe communs

SOMMAIRE

1. Organisation du cours:1. Organisation du cours:1) Présentation personnelle2) Plan détaillé du cours

2. Introduction à la biométrie1) Reconnaissance conventionnelle2)2) Reconnaissance biométriqueReconnaissance biométrique3) Défis actuels

2.2) Reconnaissance biométrique2.2) Reconnaissance biométrique

Déf.: reconnaissance automatique d’individus selon leurs traits distinctifs, soit:

physiologiques: visage, empreinte digitale, etc.comportementales: signature, voix, etc.

La biométrie est un outil potentiellement puissant: car c’est une représentation intrinsèque – on reconnait un individu à partir de son corps,et on associe celui-ci à une identité (établi indépendamment)

Pourquoi la biométrie?

Avantages Inconvénients☺ améliore la sécurité: difficile à transférer, oublier, perdre ou reproduire les traits biométriques

☺ la robustesse et la fiabilité peut être très élevé

☺ décourage les actes de fraude

☺ représentation intrinsèque: peut faciliter la tâche d’authentification pour l’individu

● inquiétudes pour la confidentialité des informations biométriques

● le système peut faire l’objet d’une attaque

● ne peut être remis à zéro si l’information est compromis

● ambigüité des décisions: produit un score de comparaison (et non une décision binaire)

Pourquoi la biométrie?

Aperçu historiqueHabitual Criminal Act (1869): le parlement Britannique demande d’identifier

les criminels familiers

Aperçu historiqueAlphonse Bertillon (1882): propose un système de mesure pour l’identification de criminels

consiste à mesurer le diamètre du crane, la taille, la longueur d’un pied, d’un bras, d’un index, etc.

Aperçu historique − empreintes digitales

Sir William Hershel (1856), Dr. Henry Faulds (1870), Francis Galton (1880s) et Edward Henry (1887): réalisent indépendamment des systèmes pour la classification d’empreintes digitales

adoption par Scotland Yard en 1901

FBI (1924): ouvre une division pour l’identification selon l’empreinte

FBI (1965): installe un AFIS avec une base de 810k individus (1 par individu)

FBI (2000): installe un IAFIS avec une base de 47M individus (10 par individu)50,000 recherches criminelles par jour en moyennetemps de réponse d’environ 2hrs par rechercheattache maintenant une plus grande importance à l’identification fiable, sans intervention humain, et souvent à distance

Aperçu historique − automatisation

1960s: techniques en traitement numérique du signal et en électronique mènent aux premiers systèmes automatiques

1960s: premiers systèmes automatiques pour la voix et l’empreinte sont développés

1970s: premiers systèmes pour la géométrie de la main

Goldstein et al. (1971): premier article sur la reconnaissance automatique de visages

1980s: premiers systèmes pour la rétine, la signature, et le visage

1990s: premiers systèmes pour l’irisSYS828: Systèmes biométriques Éric Granger

Traits biométriques

les technologies biométriques sont basées sur deux types de traits:

physiologiques

le système reconnait une caractéristique anatomique

comportementales

le système reconnait un patron de comportement

iris et rétine des yeux géométrie et paume de main visage empreinte digitale DNA

signature voix dynamique de taponnage au clavier mouvement des lèves

Critères de sélection pour un trait biométrique:– Universality: les individus ont-ils tous ce trait? – Uniqueness: variation entre traits de différent individus?– Permanence: persistance du trait dans le temps?– Collectability: est-ce possible de prendre un bon échantillon

quantitatif?– Performance: peut-on atteindre une discrimination élevée

dans un temps de traitement raisonnable– Acceptability: le processus d’échantillonnage est-il acceptable

pour les individus?– Circumvention: peut-on facilement reproduire ou tricher?SYS828: Systèmes biométriques Éric Granger

Traits biométriquesChoix des traits et des technologies en fonction des besoins spécifiques d’un application

Un autre perspective: coût vs précision

Proportion des technologies sur le marché:

Croissance du marché

revenus annuels selon les

différentes technologies

biométriques

Fonctionnalités biométriques

1. Vérification: vérifier l’authenticité d’un individu abonné au système à partir d’un échantillon biométrique

Le système accepte ou rejette l’authenticité en comparant un échantillon avec le modèle de l’individu identifié

2. Identification: déterminer si un échantillon biométrique est associé avec un des individus abonnés au système

Le système identifie à partir en comparant un échantillon et tous les modèles d’individus abonnés

3. Surveillance: déterminer de façon discrète si un échantillon biométrique correspond à un individu qui figure parmi des individus recherchés

Le système identifie discrètement en comparant un échantillon avec une liste restreinte de modèles

Applications

Domaines d’applications:

Applications

Domaines d’applications:

Applications

Programme US-VISIT: Visitor and Immigrant Status Indicator Technology)

Applications

Programme US-VISIT: vérification biométrique proposée pour le contrôle aux frontière américaines

plus de 500M d’individus traversent

(dans chaque direction) par année

la plupart des visiteurs avec VISA devront

donner 10 empreintes digitales et une photo

numérique

la procédure devra ajouter seulement qques

secondes au temps de traitement par inspecteurs

Applications

G20 Seoul Summit 2010: vérification de visages à l’entée

Applications

Système NEXUS (Canada): identification de l’iris

Applications

Livegrip: système de contrôle d’accès

Applications

Composant mobiles: sécuriser l’accès et les transactions

SOMMAIRE

1. Organisation du cours:1. Organisation du cours:1) Présentation personnelle2) Plan détaillé du cours

2.3) Défis actuels2.3) Défis actuels

Facteurs qui influencent la complexité de conception d’un système de reconnaissance biométrique

2.3) Défis actuels2.3) Défis actuelsFacteur 1: Précision

Taux d’erreurs pour différentes technologies de vérification (classificateurs à 1 ou 2-classes):

Trait biométrique

Test à grande pour technologies de pointe (avec bases standards)

FRR FAR

empreinte digitale

FVC 2006- 4 types de senseurs; population hétérogène; rotations et distorsions de peau

2.2% 2.2%

visage FRVT 2006- contrôle de luminosité; haute résolution

1.6% 0.1%

iris ICE 2006- contrôle de luminosité; haute résolution

1.4% 0.1%

voix NIST 2006-indépendant du texte; multilingue

5-10% 2-5%

Précision

Besoins en performance pour un classificateur à 2-classes intrinsèque typique:

Fonctionnalité biométrique

FRR FAR (fixé)

1) vérification 0.1% 0.1%

2) identification 10.0% 0.0001%

3) surveillance 1.0% 0.001%

Précision

Principaux facteurs qui augmentent le FRR et le FAR:

variabilité intra-classe et la similarité inter-classevariation des conditions dans le temps, vieillissement, etc. (versus les modèles biométriques)segmentation et prétraitement des échantillonséchantillons bruités et distorsions

Défi: concevoir des modèles biométriques robustes à partir de peu d’échantillons de référence, et qui sont mesurés sous des conditions variables

Précision

Variabilité intra-classe et la similarité inter-classe:

Précision

Variations dans le temps:

Précision

Bruit dans les images:

Précision

Segmentation et prétraitement:

2.3) 2.3) Défis actuelsDéfis actuels

Précision

Interopérabilité des senseurs: les senseurs utilisés pour l’abonnement, et la reconnaissance peuvent différer

Précision

Interopérabilité des senseurs: les senseurs utilisés pour l’abonnement, et la reconnaissance peuvent différer

Précision

Solution: fusion multimodale?

Précision

Solution: adaptation des modèles biométriques?6 nouvelles références selon différentes conditions

6 références synthétiques

Facteur 2: Échelle du problème

Impact du nombre d’individus abonnés au système sur la précision et le débit du système

2.3) Défis actuels2.3) Défis actuelsÉchelle du problème

Vitesse de traitement pour différentes technologies de pointe:

Fonctionnalité biométrique

empreinte digitale

visage iris

1) vérification

(temps de traitement)

10 msec 90 µsec < 1 µsec

2) Identification

(débit)

1 / min10 AFIS imprints

0.66 / min > 60 / min

3) Surveillance

(débit)

1 / sec 2 imprints

22 / sec > 2000 / sec

Échelle du problème

Défi: études des techniques et architectures spécialisées permettant un débit élevé tout en • contrôlant le FAR pour grandes bases (donc de

comparaisons)• limitant le nombre d’accès à la mémoire• limitant la consommation mémoire

Échelle du problèmeSolutions: algorithmes d’indexation efficaces qui sont spécifiques aux traits biométriques?• pré-classification grossière • classification complète sur une sous ensemble tous les

modèles biométriques

Facteur 3: Sécurité

L’intégrité d’un système biométrique peut être attaqué de plusieurs différentes façons:

Sécurité

Défi: réaliser un système qui est à l’abri des traits d’un imposteur

Solutions:6 détecter que les mesures viennent

d’individus vivants?

6 fusionner des données de plusieurs caractéristiques biométriques indépendantes?

Sécurité

Solution: protection des modèles dans une système ou une base biométrique

encryption et bio-marquage des modèles dans la base

stocker seulement une version transformée des modèles

Facteur 4 - Confidentialité

La biométrie peut aider dans la protection des informations personnelles et sensibles, mais…

Inquiétudes communes par rapport aux données biométriques:

6 Est-ce que les données vont servir pour l’analyse secrète des habitudes d’individus?

6 Est-ce qu’on va utiliser ces données pour d’autres intentions?

Confidentialité

Défi: réaliser un système dont la fonctionnalité est vérifiable à chaque lieu de déploiementSolution? • crypto-systèmes: générer des clés d’encryption

basées sur un échantillon biométrique• systèmes qui surveille les décisions

d’authentification, ainsi que les personnes qui accèdent à ces décisions

Règlementation gouvernementale

Perspectives de recherche

La reconnaissance biométrique:

− devient un outil très puissant contre la fraude

− devient indispensable pour sécuriser tous les systèmes de gestion des identités

− plusieurs applications émergent dans divers secteurs (e.g., marché des composants mobiles)

− plusieurs technologies (e.g., senseurs) sont disponibles à prix modiques

− mais, il existe plusieurs défis importants avant un déploiement à plus grande échelle…

Perspectives de recherche

− reconnaissance adaptée au contexte

− classificateurs neuroniques et statistiques performants

− systèmes biométriques adaptatifs

− fusion de différentes modalités biométriques

− l’indexation dans les bases de données

− représentation et protection de modèles biométriques d’individus

− études empiriques avec des bases standardisées pour comparer les performances de systèmes

SOMMAIRE

1. Organisation du cours1. Organisation du cours1) Présentation personnelle2) Plan détaillé du cours

3. Survol: reconnaissance de formes3. Survol: reconnaissance de formesSYS828: Systèmes biométriques Éric Granger

3. Reconnaissance de formes3. Reconnaissance de formes

Systèmes de reconnaissance de formes

Reconnaissance de formes: discipline dans laquelle on tente d’assigner des objets à différentes classes selon leurs caractéristiques

1. Acquisition: exploite des senseurs ou transducteurs (camera, microphone, etc.) pour convertir un échantillon du phénomène réel en signal brute

2. Prétraitement et segmentation: traite le signal brute pour en faire ressortir l’information essentielle (signal segmenté)

3. Extraction de caractéristiques: représente le signal segmenté par un ensemble de caractéristiques qui est distinctif et invariant aux translations, aux rotations et à l’échelle

4. Classification: assigne une classe à chaque vecteur de caractéristiques

5. Post traitement: exploit des informations contextuelles pour améliorer les performances

Étapes de conception d’un système

Exemple classique

Classifier par espèce – soit perche ou saumon – des poissons qui passent sur un convoyeur

caractéristiques suivantes ont été suggérées par un expert du domaine car elles sont invariantes et distinctives:

longueurclartélargeurnombre et géométrie des nageoiresposition de la bouche

Exemple classique

Étapes du traitement:1. acquisition: collection des images avec une caméra

2. prétraitement des signaux: segmentation et filtrage pour isoler les poissons l’un de l’autre, et de l’arrière plan

3. extraction de caractéristiques: mesure les caractéristiques de chaque poisson d’après les segments

4. classification: assigne une des deux classes à chaque vecteur caractéristique de poisson

Exemple classique

Essai 1 – Classification 1D avec la longueur du poisson comme caractéristique:

Exemple classique

Essai 2 – Classification 1D avec la clarté du poisson comme caractéristique:

Exemple classiqueEssai 3 – Classification 2D avec clarté + largeur: on trouve la borne de décision 2D qui min l’erreur selon les échantillons d’entrainement

sur-apprentissage...

Exemple classique

Essai 4 – Classification avec clarté + largeur: on trouve la borne de décision 2D qui min l’erreur selon des échantillons de validation

bonne généralisation

sys828 – systèmes biométriques hiver 2014. 2 s ommaire 1. organisation du cours: 1)...

Documents

formation powerpoint 2007 - e-presse.ca · cours access...

h supérieur...

s ommaire des annexes

données source et retraitements pour la mesure du risque...

ommaire - chateauneuf-du-faou.com · yannick tessier,...

morphomanager - biotime technology...morphomanager solution...

défis biométriques à l’ère du rgpd (règlement...

ssommaire - ommaire - iinhoudstafelnhoudstafel editos...

systèmes biométriques pour la vérification d'individu. un...

24 mai 2018 - gironde.fr · la vie de collégienne ou...

es ommaire - piggyback.com

trimestriel n° 42 s ommaire / juillet 2008

belpas passeports biométriques. introduction...

l'economiste · s ommaire introduction

l’utilisation des données biométriques pour identifier...

etude flash biom cfef comparaison et adoption...

cynthia andre jean-françois honnay yves destine. s ommaire...

o rganigramme. programme du robot. s ommaire informations...

trimestriel n° 26 s ommaire / juillet 2004 - site de la cmh

jean-paul alaterre ministère de lintérieur et de...