You Ns I Mohamed

République Algérienne Démocratique et Populaire
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
UNIVERSITE MOULOUD MAMMERI DE TIZI-OUZOU
FACULTE DU GENIE ELECTRIQUE ET D’INFORMATIQUE

DEPARTEMENT D’INFORMATIQUE
Mémoire de Fin d’Etudes

De MASTER ACADEMIQUE
Domaine : Mathématiques et Informatique
Filière : Informatique
Spécialité : Réseau, Mobilité et Systèmes
Embarqués
Présenté par
Mohamed YOUNSI
Younes MEDJTOUH
Thème
Développement d'un système

biométrique pour la reconnaissance de
visages, basé sur les ondelettes.
Mémoire soutenu publiquement le 28/09/ 2016 devant le jury composé de :
Présidente : Melle AIT-ADDA Samia

Encadreur : Mme FERHAOUI-CHERIFI Chafia
Examinateur : Melle YESLI Yasmine
Examinateur : Mme BOUSNINA Lila
Remerciements :
Nous tenons tout d’abord à remercié DIEU, tout puissant, de nous avoir donné la force de
réaliser ce projet tout au long de cette année. Nous adressons nos plus vifs remerciements à
notre promotrice C.FERHAOUI-CHERIFI pour la confiance qu’elle nous a accordée en nous
proposant ce sujet, pour ses précieux conseils, pour ses remarques pertinentes, ainsi que
son encouragement sans lequel ce travail n’aurait jamais vu le jour.
Nos remerciements vont également à tous les enseignants de l’université Mouloud

Mammeri (département informatique) pour le savoir qu’ils nous ont permis d’acquérir et
pour l’esprit d’analyse qu’ils nous ont permis de développer. Nous présentons nos gratitudes
au président et aux membres du jury qui nous font l’honneur de juger notre travail.
Nous remercions tous ceux, qui de près ou de loin, nous ont apporté leur contribution pour
la réalisation de ce travail.
i
Dédicaces
Je dédie ce travail à :
Ma très chère mère celle qui m’a aidée du mieux qu’elle

pouvait pour réussir, celle qui a toujours été derrière moi
pour me guider dans la bonne direction,
A mon père qui m’a toujours soutenu dans tout ce que j’ai
entrepris, qui m’a accompagné et encouragé tout au long du
parcours de mes études.
A mes sœur Sarah, Yousra et mes très chers frères

Abdarahmane, Ilyane qui ont toujours été là pour me
soutenir durant mon parcours,
Je dédie, aussi, ce travail à tous les membres de ma famille,

grands et petits, pour leur soutien, et particulièrement à mon
binôme Mohamed avec qui j’ai eu le bonheur de partager des
moments de travail et d’amitié.
Younes.
ii
Dédicaces
Je dédie ce travail à :
Ma très chère mère celle qui m’a aidée du mieux qu’elle

pouvait pour réussir, celle qui a toujours été derrière moi
pour me guider dans la bonne direction,
A mon père qui m’a toujours soutenu dans tout ce que j’ai
entrepris, qui m’a accompagné et encouragé tout au long du
parcours de mes études.
A ma sœur Souad, et mon très cher frère TAHAR, qui ont

toujours été là pour me soutenir durant mon parcours,
Je dédie, aussi, ce travail à tous les membres de ma famille,

grands et petits, pour leur soutien, et particulièrement à mon
binôme YOUNES avec qui j’ai eu le bonheur de partager des
moments de travail et d’amitié.
Mohamed.
iii
Résumé :
Afin de répondre aux besoins en sécurité qui deviennent de plus en plus importantes avec
les avancements économiques, le développement des systèmes de contrôle d’accès
physiques ou biométriques ne cessent de croitre.
Plusieurs modalités biométriques peuvent être utilisées et chacune présente un intérêt

particulier suivant l’application visée.
Dans le cadre de notre travail, nous nous somme intéressées à l’étude de la modalité visage
en développant un système de reconnaissance facial basé sur l’approche DWT, afin
d’analyser et profiter des avantages de la technique implémentée dans un même système.
Le développement a été fait en passant par trois étapes à savoir : l’acquisition des images,
l’extraction des paramètres et enfin leurs modélisations.
D’une part, l’extraction des paramètres est réalisée par la transformation DWT (transformée
en ondelette discrète) qui a prouvé sa robustesse.
D’autre part, après l’extraction des paramètres, la modélisation de ces derniers est réalisée
par l’approche PCA (Analyse en composantes principales) (Eigen face).
En effet, la notion d’orthogonalité fait des DWT une approche plus robuste du point de vu
complexité, et d’optimalité (temps de réponse).
L’évaluation de l’approche DWT a été faite à travers plusieurs tests comparatifs par
rapport aux systèmes : DWT-cos, DWT-euc, DWT-mahco, DWT-ctb sur la base de données
notamment ORL. L’ensemble des résultats a mis en évidence l’intérêt que cette approche
apporte en termes d’efficacité et de robustesse face aux variations d’éclairage et les
expressions du visage.
Mots clefs : modalité biométrique, système de reconnaissance facial, ondelettes, analyse en

composante principale(PCA), transformée en ondelette discrète, distance (euclidienne,
cosine, mahalanobis, …).
iv
Abstract:
Security needs are becoming increasingly important with the economic advancements. That
is why the development of biometric systems based on different modalities continue to
grow.
In our work, we are interested in the study of the face modality by developing a face
recognition system based on DWT approach to analyze the benefits of both techniques
implemented on the same system.
The development can be divided into three main parts namely: image acquisition features
extraction and finally features modeling.
On the one hand, extraction of parameters is performed by the DWT (Discrete Wavelet
Transform) that has proven its robustness.
Moreover, after the extraction of parameters, modeling of these is performed by the PCA
approach (Principal Component Analysis) (Eigen face).
Indeed, the notion of orthogonal DWT made a more robust approach from the point of view
complexity and optimality (response time).
The evaluation of the DWT approach was made through several comparative tests over
systems: DWT-cos, DWT-euc, DWT-mahco, DWT-ctb on the database ORL. The overall results
showed the interest that this approach brings in terms of efficiency and robustness against
lighting changes and facial expressions.
Keywords: biometric modality, facial recognition system, wavelets, principal component

analysis (PCA), Discrete Wavelet Transform, distance (Euclidean, cosine, mahalanobis ...).
v
Sommaire :
Introduction générale : ........................................................................................................................................... 1
PARTIE I : BIOMETRIE ET RECONNAISSANCE DE VISAGES.
Chapitre I : BIOMETRIE : CONCEPT, APPLICATIONS ET ENJEUX

I.1 Introduction :.................................................................................................................................................. 3
I.2 Modalités biométriques : ............................................................................................................................... 3
I.2.1 Modalités biométriques physiques : ..................................................................................................... 3
I.2.1.1 Empreintes digitales (finger-scan) : .............................................................................................. 3
I.2.1.2 Géométrie de la main / du doigt (hand-scan) : ............................................................................. 4
I.2.1.3 Iris (iris-scan) : ............................................................................................................................... 5
I.2.1.4 Rétine (retina-scan) :..................................................................................................................... 6
I.2.1.5 Visage (facial-scan) :...................................................................................................................... 6
I.2.1.6 Système et configuration des veines (vein pattern-scan) : ........................................................... 7
I.2.2 Modalités comportementales : ............................................................................................................. 7
I.2.2.1 Dynamique des frappes au clavier (keystroke-scan) : .................................................................. 7
I.2.2.2 Reconnaissance vocale (voice-scan) : ........................................................................................... 8
I.2.2.3 Dynamique des signatures (signature-scan) : ............................................................................... 8
I.2.3 Modalités biologiques : ......................................................................................................................... 8
I.2.3.1 Odeur : .......................................................................................................................................... 8
I.2.3.2 Acide Désoxyribose Nucléique (ADN) : ......................................................................................... 9
I.2.4 Multi modalité : ..................................................................................................................................... 9
I.3 Les caractéristiques d'une modalité biométrique : ...................................................................................... 10
I.4 Les systèmes biométriques : ........................................................................................................................ 10
I.4.1 Module d’apprentissage : .................................................................................................................... 11
I.4.2 Module de reconnaissance : ................................................................................................................ 11
I.4.3 Module d’adaptation : ......................................................................................................................... 12
I.5 Évaluation de performance : ........................................................................................................................ 12
I.5.1 Évaluation de l’identification : ............................................................................................................. 13
I.5.2 Évaluation de la vérification : .............................................................................................................. 13
I.6 Applications des systèmes biométriques : ................................................................................................... 15
I.7 La place de la reconnaissance faciale parmi les autres techniques biométriques : ..................................... 15
I.8 La part de marche par technologie : ............................................................................................................ 16
I.9 Les enjeux pour de la biométrie de demain : ............................................................................................... 16
I.10 Conclusion : .............................................................................................................................................. 17
Chapitre II : SYSTEME DE RECONNAISSANCE DE VISAGES.

II.1. Introduction: ............................................................................................................................................ 19
II.2. La place de la reconnaissance de visage parmi les autres modalités : .................................................... 19
II.3. Le système de reconnaissance de visages : ............................................................................................. 20
II.3.1. Acquisition de l'mage : .................................................................................................................... 21
II.3.2. Prétraitement : ................................................................................................................................ 21
II.3.3. Extraction des paramètres et Classification : .................................................................................. 21
II.3.4. L’apprentissage : ............................................................................................................................. 21
II.3.5. Décision : ......................................................................................................................................... 21
II.4. État de l’art des méthodes de reconnaissances de visages : ................................................................... 22
II.4.1. Méthodes globales : ........................................................................................................................ 22
II.4.2. Méthodes locales : .......................................................................................................................... 25
II.4.3. Méthodes hybrides : ....................................................................................................................... 26
II.5. Principales difficultés de la reconnaissance de visage : ........................................................................... 26
II.6. Performances d’un système de reconnaissances de visage : .................................................................. 29
II.6.1. Performance d'un système d'identification : .................................................................................. 29
II.6.2. Performance d'un système de vérification : ................................................................................... 29
II.8. Conclusion : .............................................................................................................................................. 31
PARTIE II : EXTRACTION DES PARAMETRES ET CLASSIFICATION.
Chapitre III : APPLICATION DES ONDELETTES POUR L’EXTRACTION DES

PARAMETRES.
III.1. Introduction: ............................................................................................................................................ 32
III.2. Pourquoi les ondelettes(contribution) :................................................................................................... 32
III.3. Qu’est-ce qu’une ondelette : ................................................................................................................... 33
III.4. Les principales caractéristiques d’une ondelette mère : ......................................................................... 33
III.4.1. L’admissibilité : ................................................................................................................................ 34
III.4.2. Localisation : .................................................................................................................................... 34
III.4.3. L'oscillation : .................................................................................................................................... 34
III.4.4. La translation et la dilatation : ........................................................................................................ 34
III.5. La transformée en ondelettes : ................................................................................................................ 35
III.5.1. La transformation en ondelettes continues : .................................................................................. 36
III.5.2. La transformation en ondelettes discrètes : ................................................................................... 37
III.6. Propriétés des ondelettes : ...................................................................................................................... 37
III.6.1. Sélectivité en fréquence : ................................................................................................................ 37
III.6.2. Similarité : ....................................................................................................................................... 37
III.6.3. Symétrie : ........................................................................................................................................ 37
III.6.4. Orthogonalité : ................................................................................................................................ 38
III.6.5. Régularité : ...................................................................................................................................... 38
III.6.6. Nombre de moments nuls : ............................................................................................................. 38
III.6.7. Facteur d'échelle minimal : ............................................................................................................. 38
III.6.8. Relation entre fréquence et échelle : .............................................................................................. 38
III.7. Présentation des ondelettes multidimensionnelles : .............................................................................. 38
III.8. Famille d’ondelettes : .............................................................................................................................. 39
III.8.1. Ondelette de Haar : ......................................................................................................................... 41
III.8.2. Ondelettes de Daubechies : ............................................................................................................ 41
III.8.3. Ondelettes de Symlets : .................................................................................................................. 45
III.8.4. Ondelettes de Coiflets : ................................................................................................................... 47
III.9. Les avantages de la transformée en ondelettes : .................................................................................... 49
III.10. Conclusion : ......................................................................................................................................... 50
Chapitre IV : MODELISATION DES PARAMETRES ET DECISION.

IV.1. Introduction : ........................................................................................................................................... 51
IV.2. Réduction de dimensionnalité : ............................................................................................................... 51
IV.2.1. Définition d’analyse en composantes principale : .......................................................................... 52
IV.2.2. Modélisation par la méthode PCA : ................................................................................................ 53
IV.2.3. Représentation de l'image du visage dans l'espace des Eigen faces :............................................. 55
IV.2.4. Décision : ......................................................................................................................................... 55
IV.2.5. Seuil : ............................................................................................................................................... 55
IV.3. Différentes distances utiliser pour la classification [50] : ........................................................................ 56
IV.3.1. Distances Euclidiennes : .................................................................................................................. 56
1. Distance City Block (L1) :...................................................................................................................... 56
2. Distance Euclidienne (L2) : ................................................................................................................... 56
IV.3.2. Distance Cosine (cosinus) : .............................................................................................................. 56
IV.3.3. Distances dans l’Espace de Mahalanobis : ...................................................................................... 57
1. De l’espace des images à l’espace de Mahalanobis : .......................................................................... 57
2. Mahalanobis L1 (MahL1) : ................................................................................................................... 57
3. Mahalanobis L2 (MahL2) : ................................................................................................................... 57
4. Cosinus de Mahalanobis (MahCosine) :............................................................................................... 58
IV.4. Conclusion : .............................................................................................................................................. 58
Chapitre V : CONCEPTION ET REALISATION.

V.1. Introduction : ........................................................................................................................................... 59
V.2. Conception : ............................................................................................................................................. 59
V.2.1. Les acteurs du système : ................................................................................................................. 59
1. L’Administrateur : ................................................................................................................................ 59
1. L’individu Test : .................................................................................................................................... 59
V.2.2. Les diagrammes de cas d’utilisation du système : .......................................................................... 59
1. Description du diagramme de contexte « Apprentissage » : .............................................................. 60
2. Description du cas d’utilisation « Identification » : ............................................................................. 61
3. Description du cas d’utilisation « Authentification » :......................................................................... 61
4. Description du cas d’utilisation « test des performances » : ............................................................... 62
V.2.3. Architecture et fonctionnement du système : ................................................................................ 63
1. L’Apprentissage : ................................................................................................................................. 63
2. Découpage modulaire : ....................................................................................................................... 64
3. Module d’acquisition : ......................................................................................................................... 65
4. Module de prétraitement : .................................................................................................................. 65
5. Module d’extraction des paramètres : ................................................................................................ 65
6. Module de modélisation :.................................................................................................................... 66
7. Module de sauvegarde : ...................................................................................................................... 67
V.2.4. Phase de reconnaissances (Test et décision) : ................................................................................ 67
1. Identification : ..................................................................................................................................... 67
2. Authentification : ................................................................................................................................. 68
V.2.5. Calcul des performances du système : ............................................................................................ 70
1. Mode identification : ........................................................................................................................... 70
2. Mode authentification : ....................................................................................................................... 70
3. Test de performances : ........................................................................................................................ 73
V.2.6. Schéma conceptuel de la base de données : .................................................................................. 73
V.3. Réalisation : .............................................................................................................................................. 74
V.3.1. Introduction :................................................................................................................................... 74
V.3.2. Outils de développement : .............................................................................................................. 74
1. Matlab : ............................................................................................................................................... 74
V.3.3. Structures de données et implémentation : ................................................................................... 74
1. Acquisition : ......................................................................................................................................... 75
2. Extraction de paramètre : .................................................................................................................... 75
3. Identification : ..................................................................................................................................... 75
4. Authentification : ................................................................................................................................. 76
V.3.4. Présentation de l’application : ........................................................................................................ 76
1. Interface apprentissage : ......................................................................................................................... 77
2. Tests de performance : ............................................................................................................................ 77
3. Interface identification :........................................................................................................................... 78
4. Interface authentification : ...................................................................................................................... 78
V.3.5. Conclusion : .............................................................................................................................................. 79
Chapitre VI : TEST ET EVALUATION DES RESULTATS.

VI.1. Introduction : ........................................................................................................................................... 80
VI.2. La Base de données ORL : ........................................................................................................................ 80
VI.3. Protocole d'évaluation : ........................................................................................................................... 81
VI.4. Résultats des Tests : ................................................................................................................................. 82
VI.4.1. Mode identification (vecteurs caractéristiques concaténés) : ........................................................ 82
VI.4.2. Mode authentification (vérification) : ............................................................................................. 83
VI.4.3. Mode identification (vecteur image détaillé) : ................................................................................ 85
VI.4.4. Mode authentification (vérification) : ............................................................................................. 86
VI.5. Comparaison entre l'utilisation de vecteur image détaillée et le vecteur concaténé : ........................... 88
VI.6. Comparaison entre les quatre distances de classification : ..................................................................... 89
VI.7. Temps d'exécution : ................................................................................................................................. 90
VI.8. CONCLUSION : .......................................................................................................................................... 91
Conclusion et Perspectives :.................................................................................................................................. 92

Liste des figures:
Chapitre I :
Figure I.1 : Empreinte digitale. ................................................................................................................................ 4

Figure I.2 : Géométrie de la main. ........................................................................................................................... 5
Figure I.3 : L’iris. ...................................................................................................................................................... 5
Figure I.5 : La rétine. ............................................................................................................................................... 6
Figure I.6 : Visage en plusieurs images faites de nuances de gris "Eigen face". ..................................................... 7
Figure I.7 : Architecture d’un système de reconnaissance biométrique............................................................... 11
Figure I.8 : Distributions des taux de vraisemblance des utilisateurs légitimes et des imposteurs d’un système
biométrique. ......................................................................................................................................................... 13
Figure I.9 :Courbe ROC. ......................................................................................................................................... 14
Figure I.10 : Part de marche de chaque technologie. ........................................................................................... 16
Chapitre II
Figure II.1 : Le processus de reconnaissance de visage......................................................................................... 20
Figure II.2 : Classification des méthodes principales utilisées dans la reconnaissance de visage......................... 22
Figure II.3 : Image moyenne et les 15ères eigenfaces. ......................................................................................... 24
Figure II.4 : Exemple de six classes utilisant LDA................................................................................................... 25
Figure II.5 : Exemple de variation d’éclairage. ...................................................................................................... 27
Figure II.6 : exemple de variation de pose. ........................................................................................................... 27
Figure II.7 : Exemples de variation d’expressions faciale. ..................................................................................... 28
Figure II.8 : Seuil de décision et taux d'erreurs. .................................................................................................... 30
Figure II.9 : Relation entre FAR et FRR. ................................................................................................................. 30
Chapitre III:
Figure III.1 : Exemples d’ondelette φ(t). (D’après Charles, 2003). ........................................................................ 33
Figure III.2 : Quelques exemples d'ondelettes 1D................................................................................................. 34
Figure III.3 : Exemple d'une ondelette dilatée et translatée................................................................................. 35
Figure III.4 : Exemple d'une ondelette 2D. ............................................................................................................ 39
Figure III.5 : Filtre h0 de Haar. ............................................................................................................................... 41
Figure III.6 : La fonction d’échelle et la fonction d’ondelette de haar. ................................................................. 42
Figure III.7 : Les ondelettes de Daubechies. .......................................................................................................... 43
Figure III.8 : Ondelettes de Daubechies (db4). ...................................................................................................... 44
Figure III.9 : Ondelettes de Daubechies (db8). ...................................................................................................... 44
Figure III.10 : Les ondelettes de symlets. .............................................................................................................. 45
Figure III.11 : Ondelettes de Symlets (sym4)......................................................................................................... 46
Figure III.12 : Ondelettes de Symlets (sym8)......................................................................................................... 47
Figure III.13 : Les ondelettes de coiflets. .............................................................................................................. 48
Figure III.14 : Ondelettes de Coiflet (coif3). .......................................................................................................... 48
Figure III.15 : Ondelettes de Coiflet (coif5). .......................................................................................................... 49
Chapitre IV :
Figure IV.1 : Exemple d'Eigenfaces (MIT 2012). .................................................................................................... 53
Figure IV.2 : Transformation de la matrice image ∗ en vecteur 2 ∗ 1. ....................................................... 54
Figure IV.3 : Les deux vecteurs m et n dans l’espace de Mahalanobis. ................................................................ 58
Chapitre V :
Figure V.1 : Diagramme de contexte du système. ................................................................................................ 60
Figure V.2 : Description du cas d’apprentissage pour un nouveau client. ............................................................ 61
Figure V.3 : Description du cas d’apprentissage d’un client. ................................................................................ 61
Figure V.4 : Description du cas d’authentification d’un client. ............................................................................. 62
Figure V.5 : Description du cas d’authentification d’un client. ............................................................................. 62
Figure V.6 : Diagramme d’activité du système...................................................................................................... 63
Figure V.7 : Diagramme de séquence Apprentissage............................................................................................ 64
Figure V.8 : Représentation modulaire de la phase d’apprentissage. .................................................................. 64
Figure V.9 : Processus d’acquisition. ..................................................................................................................... 65
Figure V.10 : Représentation de l’étape prétraitement. ....................................................................................... 65
Figure V.11 : Algorithme DWT............................................................................................................................... 66
Figure V.12 : Algorithme PCA. ............................................................................................................................... 66
Figure V.13 : Diagramme de séquence du cas Identification. ............................................................................... 67
Figure V.14 : Description du procédé d’identification. ......................................................................................... 68
Figure V.15 : Description du procédé d’authentification. ..................................................................................... 69
Figure V.16 : Description du procédé d’authentification. ..................................................................................... 70
Figure V.17 : Calcul du TID. ................................................................................................................................... 70
Figure V.18 : calcul du Seuil................................................................................................................................... 71
Figure V.19 : calcul du score client. ....................................................................................................................... 71
Figure V.20 : calcul du score imposteur. ............................................................................................................... 71
Figure V.21 : calcul du FAR. ................................................................................................................................... 72
Figure V.22 : calcul du FRR. ................................................................................................................................... 72
Figure V.23 : Diagramme de séquence du cas test de performances. .................................................................. 73
Figure V.24 : Schéma conceptuel de la base de données. .................................................................................... 73
Figure V.25 : variables et fonction de la partie acquisition. .................................................................................. 75
Figure V.26 : variables et fonction de la partie apprentissage. ............................................................................. 75
Figure V.27 : variables et fonction de la partie identification. .............................................................................. 76
Figure V.28 : variables et fonction de la partie authentification. ......................................................................... 76
Figure V.29 : interface apprentissage. .................................................................................................................. 77
Figure V.30 : interface tests de performance. ...................................................................................................... 77
Figure V.31 : interface identification..................................................................................................................... 78
Figure V.32 : interface authentification ................................................................................................................ 78
Chapitre VI :
Figure VI.1 : Exemple de visages de la base ORL. .................................................................................................. 81
Figure VI.2 : Variation du taux d'identification TID (%) en fonction de type d'ondelette et la distance............... 83
Figure VI.3 : Variation du taux de fausse acceptation FAR (%) en fonction de type d'ondelette et la distance ... 84
Figure VI.4 : Variation du taux de faux rejet FAR (%) en fonction de type d'ondelette et la distance .................. 85
Figure VI.5 : Variation du taux d’identification TID (%) en fonction de type d'ondelette et la distance .............. 86
Figure VI.6 : Variation du taux de fausse acceptation FAR (%) en fonction de type d'ondelette et la distance ... 87
Figure VI.7 : Variation du taux de faux rejet FRR (%) en fonction de type d'ondelette et la distance .................. 88
Figure VI.8 : vecteur image détaillé Vs vecteur concaténé TID (%) ....................................................................... 89
Figure VI.9 : comparaison des quatre distances de classification en TID (%)........................................................ 90
Liste de tableaux:
Chapitre I :
Tableaux I.1 : Avantages et inconvénients de la Reconnaissance de Visage. ....................................................... 16
Chapitre II
Tableau II.1 : Avantages et Inconvénients de la Reconnaissance de visage. ........................................................ 20
Chapitre III:
Tableau III.1 : Familles d’ondelettes. .................................................................................................................... 40
Tableau III.2 : Les propriétés principales des ondelettes. .................................................................................... 40
Chapitre VI :
Tableau VI.1 : Variation du taux d’identification TID (%) en fonction de type d'ondelette et la distance ............ 82
Tableau VI.2 : Variation du taux fausse acceptation FAR (%) en fonction de type d'ondelette et la distance ..... 83
Tableau VI.3 :Variation du taux de faux rejet FRR (%) en fonction de type d'ondelette et la distance ................ 84
Tableau VI.4 : Variation du taux d'identification TID (%) en fonction de type d'ondelette et la distance ............ 85
Tableau VI.5 : Variation du taux de fausse acceptation FAR (%) en fonction de type d'ondelette et la distance 86
Tableau VI.6 : Variation du taux de faux rejet FRR (%) en fonction de type d'ondelette et la distance ............... 87
Tableau VI.7 : vecteur image détaillé Vs vecteur concaténé TID (%) .................................................................... 88
Tableau VI.8 : comparaison des quatre distances de classification en TID (%). .................................................... 89
Tableau VI.9 : temps d'exécutions en mode identification et authentification en (seconds)............................... 90
Introduction générale.
La croissance internationale des communications, les déplacements des individus, les

transactions financières et les accès au service implique le besoin de s’assurer de l’identité
des individus. Il y a donc un intérêt grandissant pour les systèmes d’identification et
d’authentification. Leur dénominateur commun, est le besoin d’un moyen simple, pratique
et fiable pour vérifier l’identité d’une personne sans l’assistance d’une autre personne.
Aujourd’hui, l’identification automatique de l’homme basée sur la reconnaissance
automatique des particularités physiques est en phase de transformer notre identité. Fini les
lieus et dates de naissances, le nom des parents place à la détection du contour de la main,
de l’empreinte ou de l’iris, rétine, …, c’est ce qu’on appelle l’identification biométrique. Les
différentes caractéristiques physiques nommées modalités biométriques sont à la fois sûres
et faciles d’accès pour les usagers, elles pallient aux risques d’oubli et de vol des cartes ou
des codes personnels. Toutefois, plusieurs contraintes dues à l’ergonomie et l’acceptabilité
sont liées à certaines modalités. En effet, si la reconnaissance d’iris ou la rétine sont
généralement mal perçues par le public, il existe d’autres modalités, moins intrusives,
comme la reconnaissance automatique du locuteur ou du visage. Cette dernière modalité,
présente l’avantage d’être naturelle, tout en apportant un niveau de sécurité suffisant pour
un grand nombre d’applications, mais qui peut tout de même être sérieusement affectée
lors d'une utilisation dans des `` environnements difficiles``.
Les ondelettes, comme nouvel outil mathématique notable, se sont imposées dans de divers
domaines d’application. Par leur capacité extraordinaire de concentration de l´énergie et par
leur pouvoir fascinant de détection d’irrégularités. L’analyse par ondelettes ne se limite plus
à l’image telle qu’elle nous apparaît, mais permet l’étude des objets présents dans l’image à
différentes échelles, elle permet de réduire la redondance pour améliorer la compression
d’une image, elle peut également extraire les informations importantes (texture, contours,
etc.) contenues dans une image et aussi de réduire le bruit contenu dans l’image.
C’est dans ce cadre que se place notre projet de fin d’études, qui a pour objectif la
proposition d’un système de reconnaissance de visage basé sur une technique globale les
ondelettes, qui se veut être fiable et adaptée à un environnement présentant des variabilités
de luminance, de pose, expression de visage et présence ou absence des composants
structurel. Il est nécessaire de travailler à tous les niveaux du système (détection, extraction
des caractéristiques et reconnaissance) en apportant des contributions pertinentes à
différents points de la chaîne de traitement. Nous on s’est base sur l’extraction des
caractéristiques et de la reconnaissance en utilisant les ondelettes qui nous permettent
d’extraire les donnes pertinentes d’une image puis les projeter dans un espace de vecteurs
propres dans le but de réduire leur dimension et ce en utilisant la méthode dite analyse des
composantes principales ACP.
Pour la partie reconnaissances on a opter pour plusieurs méthodes de classification par
mesure de similarité a noté la distance euclidienne, cosine, mahalonobis et ctb.
Nous avons choisi d’articuler notre étude autour de six chapitres principaux. Le premier
chapitre est consacré à la présentation générale de la biométrie concept et enjeux. Il décrit
tout d’abord le principe de fonctionnement des systèmes biométriques puis définit les outils
1
Introduction générale.
utilisés pour évaluer leurs performances. Ensuite, la place de la reconnaissance faciale

parmi les autres techniques biométriques est analysée. A travers ce chapitre, nous voulons
positionner le problème de la reconnaissance faciale et présenter ses enjeux et intérêts par
rapport aux autres techniques. Nous étudions également les principales composantes d’un
système de reconnaissance faciale, notamment la détection, l’extraction de caractéristiques
et la reconnaissance. Enfin, nous mettons en lumière les difficultés rencontrées par les
systèmes de reconnaissance de visage.
Dans le second chapitre une analyse détaillée des différentes techniques développées au
cours de ces dernières années dans les domaines de la détection de visage et de la
reconnaissance 2D est présentée.
Dans le troisième chapitre nous présentons les ondelettes. Leur principe de fonctionnement
et fondement mathématique ainsi que l’avantage apporté par les ondelettes pour la
communauté scientifique.
Dans le quatrième chapitre nous présentons la modélisation des paramètres et décision
notamment la méthode ACP et les différentes distances utilise pour la classification.
Dans le cinquième chapitre nous présentons la phase de conception et réalisation du
système les cas d’utilisation de notre système ainsi que toutes les méthodes utilise pour
réaliser notre système.
Dans le dernier chapitre nous présentons les test et résultat obtenue après réalisation et
exécution de notre système toutes en donnant une synthèse de notre travail.
Enfin, la conclusion générale résumera nos contributions et donnera quelques perspectives
sur les travaux futurs.
2
PARTIE I :
[TITRE DU DOCUMENT]
[TITRE DU DOCUMENT]
BIOMETRIE ET RECONNAISSANCE DE VISAGES.

Chapitre I :
[TITRE DU DOCUMENT]
[TITRE DU DOCUMENT]
BIOMETRIE : CONCEPT, APPLICATIONS ET ENJEUX.

CHAPITRE I BIOMETRIE : CONCEPT, APPLICATIONS ET ENJEUX
I.1 Introduction :
La biométrie`èst une technique globale visant à établir l'identité d'une personne en
mesurant une de ses caractéristiques physiques(humaine) préalablement enregistrer :
physiologique, comportementale, biologique``[1]. Il peut y avoir plusieurs types de
caractéristiques physiques, les unes plus fiables que d'autres, mais toutes doivent être
infalsifiables et uniques pour pouvoir être représentatives d'un et un seul individu. D'autre
part, comme nous allons le voir, les caractéristiques physiques sont loin d'être si parfaites et
si précises, et l'on atteint très vite des limites pour ces techniques.
Les techniques basées sur la biométrie jouissent à l'heure actuelle d'un engouement général
favorisé par un phénomène de mode, principalement véhiculé par les films au cinéma et à la
télévision. Ainsi, il n'est pas rare de voir des scanners rétiniens avec de superbes lasers
rouges, des lecteurs d'empreintes digitales avec de très jolis voyants -clignotants-, etc.… tout
cela représentant le summum de la technologie du contrôle d'accès. Or, les techniques de
biométrie sont belles et bien en train de se répandre dans notre vie quotidienne, et ce tout
en gardant une image quelque peu trompeuse.
Ce mémoire ne se veut pas exhaustif sur un sujet aussi vaste que la biométrie, mais il a tout
de même pour vocation de donner quelques bases indispensables pour les lecteurs.
I.2 Modalités biométriques :

Les modalités biométriques sont les caractéristiques humaines physiologiques,
comportementales ou biologiques.
I.2.1 Modalitésbiométriques physiques :
Il existe plusieurs caractéristiques physiques qui se révèlent être uniques pour un individu, et
il existe également pour chacune d'entre elles plusieurs façons de les mesurer :
I.2.1.1 Empreintes digitales (finger-scan) :

La donnée de base dans le cas des empreintes digitales [1] est le dessin représenté par les
crêtes et sillons de l'épiderme. Ce dessin est unique et différent pour chaque individu. En
pratique, il est quasiment impossible d'utiliser toutes les informations fournies par ce dessin
(car trop nombreuses pour chaque individu), on préfèrera donc en extraire les
caractéristiques principales telles que les bifurcations de crêtes, les "îles", les lignes qui
disparaissent, etc... Une empreinte complète contient en moyenne une centaine de ces
points caractéristiques (les "minuties"). Si l'on considère la zone réellement scannée, on
peut extraire environ 40 de ces points. Pourtant, là encore, les produits proposés sur le
marché ne se basent que sur une quinzaine de ces points (12 au minimum vis-à-vis de la loi),
voire moins pour beaucoup d'entre eux (jusqu'à 8 minimum).
3
Figure I.1. Empreinte digitale.
Les techniques utilisées pour la mesure sont diverses : capteurs optiques (caméras
CCD/CMOS), capteurs ultrasoniques, capteurs de champ électrique, de capacité, de
température...
Ces capteurs sont souvent doublés d'une mesure visant à établir la validité de l'échantillon
soumis (autrement dit, qu'il s'agit bien d'un doigt) : mesure de la constante diélectrique
relative du l'échantillon, sa conductivité, les battements de cœur, la pression sanguine, voire
une mesure de l'empreinte sous l'épiderme...
I.2.1.2 Géométrie de la main / du doigt (hand-scan) :

Ce type de mesure biométrique est l'un des plus répandus, notamment aux Etats Unis. Cela
consiste à mesurer plusieurs caractéristiques [1] de la main (jusqu'à 90) tel que la forme de
la main, longueur et largeur des doigts, formes des articulations, longueurs inter-
articulations, etc... La technologie associée à cela est principalement de l'imagerie infrarouge
; d'une façon générale, le système présente des FAR (False Acceptation Rate, voir plus bas)
assez élevés, surtout entre personnes de la même famille ou bien encore des jumeaux.
4
FigureI.2. Géométrie de la main.
I.2.1.3 Iris (iris-scan):
En ce qui concerne l'iris, l'individu se place en face du capteur (caméra CCD/CMOS) qui
scanne son iris. Celui-ci représente quelque chose de très intéressant pour la biométrie car il
est à la fois toujours différent (même entre jumeaux, entre l'œil gauche et le droit, etc.…),
indépendant du code génétique de l'individu, et très difficilement falsifiable. En effet, l'iris
présente une quasi-infinité de points caractéristiques (que certains comparent en nombre à
ceux de l'ADN), qui ne varient pratiquement pas pendant la vie d'une personne
contrairement à la couleur de l'iris qui, elle, peut changer. Mais cela n'a aucune influence car
les images d'iris obtenues par les capteurs sont en noir et blanc. Le seul problème de cette
technique est lié à la mesure en elle-même, qui peut être source d'erreurs ou de problèmes.
Ainsi, on peut quasiment dire que le nombre de problèmes rencontrés lors de cette mesure
augmente proportionnellement avec la distance entre l'œil et la caméra.
D'autres problèmes se posent à cause des reflets (nécessité d'avoir un éclairage restreint et
maitrisé), et lors de la détection de faux yeux (photos) et autres fraudes. Pour ces dernières,
on peut faire appel à certaines caractéristiques dynamiques de l'œil qui prouveront son
authenticité : réactivité de la pupille (dilatation/rétraction) par rapport à la quantité de
lumière, étude de l'iris dans l'infrarouge et l'ultraviolet, etc...
Figure I.4. L’iris.
5
I.2.1.4 Rétine (retina-scan):

Cette mesure biométrique est plus ancienne que celle utilisant l'iris, mais elle a été moins
bien acceptée par le public et les utilisateurs, sans doute à cause de son caractère trop
contraignant : la mesure doit s'effectuer à très faible distance du capteur (quelques
centimètres), qui effectue ensuite un balayage de la rétine. Il est physiquement impossible
d'effectuer une mesure rétinienne à une distance de 30cm ou plus sur un sujet mobile
comme on peut le voir dans certains films. Cette méthode requiert des sujets coopératifs et
entrainés.
Pourtant cette technique semble être tout aussi fiable que celle de l’iris ; elle se base sur le
fait que le schéma et le dessin formé par les vaisseaux sanguins de la rétine (la paroi interne
et opposée de l'œil) est unique pour chaque individu, différent entre jumeaux et assez stable
durant la vie de la personne. La mesure peut ainsi fournir jusqu'à 400 points caractéristique
du sujet, que l'on peut comparer aux 30 à 40 points fournis par une empreinte digitale !
En conclusion, la mesure rétinienne est la plus difficile à utiliser mais également la plus dure
à contrefaire.
Figure I.5. La rétine.
I.2.1.5 Visage (facial-scan):

Il s'agit ici de faire une photographie plus ou moins évoluée pour en extraire un ensemble de
facteurs qui se veulent propres à chaque individu [1]. Ces facteurs sont choisis pour leur
forte invariabilité et concernent des zones du visage tel que le haut des joues, les coins de la
bouche, etc.… on évitera d'autre part les types de coiffures, les zones occupées par des
cheveux en général ou toute zone sujette à modification durant la vie de la personne.
Il existe plusieurs variantes de la technologie de reconnaissance du visage.
6
Source : MIT Face Recognition Demo Page
Figure I.6. Visage en plusieurs images faites de nuances de gris"Eigenface".

La plupart des systèmes d’identification du visage utilisent du matériel standard, un
ordinateur et une caméra pour capturer l’image.
I.2.1.6 Système et configuration des veines (vein pattern-scan):

Cette technique est habituellement combinée à une autre, comme l'étude de la géométrie
de la main. Il s'agit ici d'analyser le dessin formé par le réseau des veines sur une partie du
corps d'un individu (la main) pour en garder quelques points caractéristiques.
I.2.2 Modalitéscomportementales :
Outre les caractéristiques physiques, un individu possède également plusieurs éléments liés
àson comportement qui lui sont propres :
I.2.2.1 Dynamique des frappes au clavier (keystroke-scan):

La dynamique de la frappe au clavier est propre à chaque individu. Il s’agit en quelque sorte
de la graphologie des temps modernes car nous écrivons plus souvent avec un clavier
qu’avec un stylo. Cette technique repose sur les particularités de chaque individu lorsqu’il
frappe sur un clavier, en particulier, la force et le rythme avec laquelle il frappe.
Cette technique biométrique est appliquée au mot de passe qui devient ainsi beaucoup plus
difficile à imiter. Lors de la mise en place de cette technique, il est demandé à l’utilisateur de
saisir son mot de passe une dizaine de fois de suite. A l’aide d’un algorithme qui exploite le
7
temps d’appui sur chaque touche et le temps entre chaque touche [34], la dizaine de saisie
est moyenné pour construire un profil de frappe de l’utilisateur qui servira de référence aux
accès. En suivant la même approche, la saisie du mot de passe donné sera couplée à un
profil de frappe qui sera comparé au profil de référence. Le droit d’accès est alors accordé en
fonction du niveau de ressemblance de ce profil avec la référence. Suivant le degré de
filtrage qu’un administrateur aura défini, cet accès sera plus ou moins difficile.
En l’état actuel des techniques, cette modalité biométrique peut difficilement être regardée
comme une technique de haute sécurité, mais plus comme une technique de substitution à
un code pour ouvrir un appareil électronique.
I.2.2.2 Reconnaissance vocale (voice-scan):

Les données utilisées par la reconnaissance vocale proviennent à la fois de facteurs
physiologiques et comportementaux. Ils ne sont en général pas imitables.
I.2.2.3 Dynamique des signatures (signature-scan):

Ce type de biométrie est à l'heure actuelle peu utilisé mais ses défenseurs espèrent
l'imposer assez rapidement pour des applications spécifiques (documents électroniques,
rapports, contrats...). Le procédé est habituellement combiné à une palette graphique (ou
équivalent) munie d'un stylo. Ce dispositif va mesurer plusieurs caractéristiques lors de la
signature, tel que la vitesse, l'ordre des frappes, la pression et les accélérations, le temps
total, etc... Bref tout ce qui peut permettre d'identifier une personne de la façon la plus sure
possible quand on utilise une donnée aussi changeante que la signature.
I.2.3 Modalités biologiques :

Il s’agit des techniques d’identification à partir des caractéristiques internes de chaque
individu, telles que l’odeur, le sang, la salive, l’urine et l’ADN. Ici, nous allons uniquement
parler de l’odeur et de l’ADN qui sont des techniques émergentes et en plein
développement.
I.2.3.1 Odeur :
L’odeur corporelle provient d’un mélange complexe de substances chimiques. Le parfum
naturel du corps se compose du sébum (notre propre huile essentielle), de la sueur, de
l’activité des bactéries sur notre peau et des hormones que contiennent le sébum et la
sueur.
En 1999, CNR-Australia(Computer-News-Reseller) évoquait dans un article de presse [20] les
travaux entrepris par la société anglaise Mastiff-Electronics situé à Hampshire, sous le nom
de code SCENTINEL, pour le développement d’un système biométrique d’identification
d’individu s’appuyant sur l’odeur corporelle de la personne. A ce jour, même si aucun
résultat ou information n’a été publié sur la technologie étudiée au cours de ce projet, le
potentiel et la faisabilité d’un tel système ne peuvent être remis en cause quand on connaît
la capacité des chiens pisteurs à identifier un individu parmi 6 milliards à partir de leur odeur
corporelle.
8
I.2.3.2 Acide Désoxyribose Nucléique (ADN) :
L’analyse des empreintes génétiques est une méthode extrêmement précise d’identification,
issue directement de l’évolution de la biologie moléculaire. L’information génétique d’un
individu est unique car aucun membre de l’espèce ne possède la même combinaison de
gènes codés dans l’Acide Désoxyribonucléique (ADN), constituant essentiel des
chromosomes du noyau cellulaire. Le profil génétique, aujourd’hui couramment utilisé pour
des identifications judiciaires, fut introduit officiellement pour la première fois dans une
affaire criminelle en 1986 par l’universitaire anglais Alec Jefreys [21], [22].
Selon les techniques d’analyse de l’ADN, l’identification est plus ou moins performante et/ou
intrusive. L’identification d’un individu par analyse de son ADN s’avère complexe, coûteuse
et lente à réaliser compte tenu des nombreuses manipulations biologiques (amplification +
électrophorèse). Ceci explique qu’il n’existe toujours pas de solution technologique au
grand-public qui permette de réaliser automatiquement cette analyse, d’autant plus qu’elle
nécessite un prélèvement d’échantillon (sang, salive, sperme, cheveux, urine, peau, dents,
etc.) qui rend cette technique très intrusive.
I.2.4 Multi modalité :

Bien que de nos jours il existe des techniques biométriques extrêmement fiables telles que
la reconnaissance de la rétine ou de l’iris, elles sont coûteuses et, en général, mal acceptées
par le grand public et ne peuvent donc être réservées qu’à des applications de très haute
sécurité. Pour les autres applications, des techniques telles que la reconnaissance du visage
ou de la voix sont très bien acceptées par les utilisateurs mais ont des performances encore
trop peu satisfaisantes pour être déployées dans des conditions réelles [8]. Afin d’améliorer
la sécurité des systèmes précédents, une première solution consiste à intégrer la biométrie
avec l’identification basée sur une connaissance ou une possession. Cette méthode permet
d’améliorer la sécurité du système, mais elle possède les faiblesses inhérentes à
l’identification basée sur une connaissance ou une possession. La multi modalité est une
alternative qui permet d’améliorer de manière systématique la performance d’un système
biométrique [9]. Par performance, nous entendons à la fois la précision du système mais
aussi son efficacité, plus particulièrement en mode identification [10]. En effet, des
classificateurs différents font en général des erreurs différentes, et il est possible de tirer
parti de cette complémentarité afin d’améliorer la performance globale du système. Nous
exposerons d’abord les différentes formes de multi modalité possibles, puis les bases de
données multimodales existantes, et enfin, les moyens de fusionner les informations
obtenues par les différents classificateurs.
9
I.3 Les caractéristiques d'une modalité biométrique :

Pratiquement n’importe quelle caractéristique physiologique ou comportementale peut être
considérée comme une caractéristique biométrique, dans la mesure où elle répond aux
critères suivants :
• Universalité : Chaque personne doit présenter cette caractéristique.
• Caractère distinctif : La caractéristique doit être suffisamment différente chez deux

personnes.
• Permanence : La caractéristique doit être suffisamment immuable pendant une

période donnée.
• Perceptibilité : La caractéristique doit pouvoir être mesurée quantitativement.

Il faut prendre en compte plusieurs autres facteurs pour savoir si l’on doit utiliser un système
de reconnaissance biométrique des personnes, notamment :
• La performance : Fiabilité et rapidité de reconnaissance du système ; ressources
requises pour obtenir la fiabilité et la rapidité de reconnaissance voulues ; facteurs
opérationnels et environnementaux qui influent sur la fiabilité et la rapidité du
système.
• L’acceptabilité : Mesure dans laquelle les gens sont disposés à accepter l’utilisation
d’une technologie de reconnaissance biométrique à des fins d’identification.
• La facilité de contournement : Facilité avec laquelle le système peut être induit en

erreur par des méthodes frauduleuses.
I.4 Les systèmes biométriques :

Un système biométrique est essentiellement un système de reconnaissance de formes qui
fonctionne en acquérant des données biométriques à partir d’un individu, en amenant un
ensemble de caractéristiques à partir des données acquises lors d’apprentissage et en
comparant ces caractéristiques lors de reconnaissance. Les systèmes biométriques
permettent de reconnaître une personne (ou d’authentifier son identité) dont l’identité a
préalablement été enregistrée dans une base de données (de N personnes « autorisées »).
Les termes généraux d’authentification ou de reconnaissance et l’identification sont deux
processus bien différents.
Il existe toujours au moins deux modules dans un système biométrique : le module
d’apprentissage et celui de reconnaissance [7], [2]. Le troisième module (facultatif) est le
module d’adaptation. Pendant l’apprentissage, le système va acquérir une ou plusieurs
mesures biométriques qui serviront à construire un modèle de l’individu. Ce modèle de
10
référence servira de point de comparaison lors de la reconnaissance. Le modèle pourra être

réévalué après chaque utilisation grâce au module d’adaptation.
I.4.1 Module d’apprentissage :

Au cours de l’apprentissage, la caractéristique biométrique est tout d’abord mesurée grâce à
un capteur ; on parle d’acquisition ou de capture. En général, cette capture n’est pas
directement stockée et des transformations lui sont appliquées. En effet, le signal contient
de l’information inutile à la reconnaissance et seuls les paramètres pertinents sont extraits.
Le modèle est une représentation compacte du signal qui permet de faciliter la phase de
reconnaissance, mais aussi de diminuer la quantité de données à stocker. Il est à noter que
la qualité du capteur peut grandement influencer les performances du système. Meilleure
est la qualité du système d’acquisition, moins il y aura de pré- traitements à effectuer pour
extraire les paramètres du signal.
Figure I.7 : – Architecture d’un système de reconnaissance biométrique.
Cependant, les capteurs de qualité sont en général coûteux et leur utilisation est donc
limitée à des applications de haute sécurité pour un public restreint. Le modèle peut être
stocké dans une base de données comme représenté sur la figure 1 ou sur une carte de type
carte à puce.
11
I.4.2 Module de reconnaissance :

Au cours de la reconnaissance, la caractéristique biométrique est mesurée et un ensemble
de paramètres est extrait comme lors de l’apprentissage. Le capteur utilisé doit avoir des
propriétés aussi proches que possibles du capteur utilisé durant la phase d’apprentissage. Si
les deux capteurs ont des propriétés trop différentes, il faudra en général appliquer une
série de prétraitements supplémentaires pour limiter la dégradation des performances. La
suite de la reconnaissance sera différente suivant le mode opératoire du système :
identification ou vérification. En mode identification, le système doit deviner l’identité de la
personne. Il répond donc à une question de type : « Qui suis-je ? ». Dans ce mode, le
système compare le signal mesuré avec les différents modèles contenus dans la base de
données (problème de type 1 : n). En général, lorsque l’on parle d’identification, on suppose
que le problème est fermé, c’est-à-dire que toute personne qui utilise le système possède un
modèle dans la base de données. En mode vérification, le système doit répondre à une
question de type : « Suis-je bien la personne que je prétends être ? ». L’utilisateur propose
une identité au système et le système doit vérifier que l’identité de l’individu est bien celle
proposée. Il suffit donc de comparer le signal avec un seul des modèles présents dans la base
de données (problème de type 1 :1). En mode vérification, on parle de problème ouvert
puisque l’on suppose qu’un individu qui n’a pas de modèle dans la base de données
(imposteur) peut chercher à être reconnu. Identification et vérification sont donc deux
problèmes différents. L’identification peut-être une tâche redoutable lorsque la base de
données contient des milliers, voire des millions d’identités, tout particulièrement lorsqu’il
existe des contraintes de type « temps réel » sur le système. Ces difficultés sont analogues à
celles que connaissent par exemple les systèmes d’indexation de documents multimédia.
I.4.3 Module d’adaptation :

Pendant la phase d’apprentissage, le système biométrique ne capture souvent que quelques
instances d’un même attribut afin de limiter la gêne pour l’utilisateur. Il est donc difficile de
construire un modèle assez général capable de décrire toutes les variations possibles de cet
attribut. De plus, les caractéristiques de cette biométrie ainsi que ses conditions
d’acquisition peuvent varier. L’adaptation est donc nécessaire pour maintenir voire
améliorer la performance d’un système utilisation après utilisation. L’adaptation peut se
faire en mode supervisé ou non-supervisé mais le second mode est de loin le plus utile en
pratique. Si un utilisateur est identifié par le module de reconnaissance, les paramètres
extraits du signal serviront alors à ré-estimer son modèle. En général, le taux d’adaptation
dépend du degré de confiance du module de reconnaissance dans l’identité de l’utilisateur.
Bien entendu, l’adaptation non-supervisée peut poser problème en cas d’erreurs du module
de reconnaissance. L’adaptation est quasi indispensable pour les caractéristiques non
permanentes comme la voix [3] [4].
12
I.5 Évaluation de performance :

La performance d’un système d’identification peut se mesurer principalement à l’aide de
trois critères : sa précision, son efficacité (vitesse d’exécution) et le volume de données qui
doit être stocké pour chaque locuteur. Nous nous concentrerons dans cette section sur le
premier aspect. Comme nous l’avons vu précédemment, l’identification et la vérification
sont des modes opératoires différents. Elles nécessitent donc des mesures de précision
différentes que nous étudierons dans les deux sous-sections suivantes. Le lecteur pourra
aussi se référer à l’article de P. Phillips et al. Sur l’évaluation des systèmes biométriques [5].
I.5.1 Évaluation de l’identification :

Le taux d’identification est la mesure la plus couramment utilisée mais il n’est pas toujours
suffisant. En effet, en cas d’erreur, il peut être utile de savoir si le bon choix se trouve dans
les N premiers. On trace alors le score cumulé (cumulative match score) qui représente la
probabilité que le bon choix se trouve parmi les N premiers [6]. Dans le cas où il existe
plusieurs modèles pour chaque individu dans la base de données, les mesures classiques des
systèmes de recherche dans une base de données peuvent être utilisées. La précision est le
rapport entre le nombre de modèles correctement retrouvés par le système dans la base de
données et le nombre total de modèles retrouvés. Le rappel est le rapport entre le nombre
de modèles correctement retrouvés dans la base de données et le nombre total de modèles
qui auraient dû être retrouvés.
Figure I.8. – Distributions des taux de vraisemblance des utilisateurs légitimes et des
imposteurs d’un système biométrique.
I.5.2 Évaluation de la vérification :

Lorsqu’un système fonctionne en mode vérification, celui-ci peut faire deux types d’erreurs.
Il peut rejeter un utilisateur légitime et dans ce premier cas on parle de faux rejet (false
13
rejection). Il peut aussi accepter un imposteur et on parle dans ce second cas de fausse
acceptation (false acceptance). La performance d’un système se mesure donc à son taux de
faux rejet (False Rejection Rate ou FRR) et à son taux de fausse acceptation (False
Acceptance Rate ou FAR). La vérification est un problème de décision similaire à la détection
d’un signal dans le bruit en théorie de l’information [40]. Il peut être formulé de la manière
suivante. Soient H0 l’hypothèse : « la capture C provient d’un imposteur » et H1 l’hypothèse
: « la capture C provient de l’utilisateur légitime ». Il faut donc choisir l’hypothèse la plus
probable. On considère que la capture C provient d’un utilisateur légitime si P(H1|C) >
P(H0|C). En appliquant la loi de Bayes on obtient :
P(C|H1) P(H1)/P(C) > P(C|H0)P(H0) /P(C) et donc : P(C|H1) /P(C|H0) > P(H0)/ P(H1)
Le taux de vraisemblance (likelihood ratio) P(C|H1) /P(C|H0) est comparé à un seuil θ appelé
seuil de décision. Les valeurs P(H0) et P(H1) qui représentent respectivement la probabilité
pour qu’un imposteur ou un utilisateur légitime essayent d’accéder au système sont des
valeurs difficiles à estimer. Nous avons représenté sur la figure 2 la distribution hypothétique
des taux de vraisemblance qu’obtiendraient les utilisateurs.
Figure I.9. – Courbe ROC.
Légitimes et les imposteurs d’un système de vérification donné. Les FAR et FRR sont
représentés en hachuré. Idéalement, le système devrait avoir des FAR et FRR égaux à zéro.
Comme ce n’est jamais le cas en pratique, il faut choisir un compromis entre FAR et FRR. Plus
le seuil de décision θ est bas, plus le système acceptera d’utilisateurs légitimes mais plus il
acceptera aussi d’imposteurs. Inversement, plus le seuil de décision θ est élevé, plus le
système rejettera d’imposteurs mais plus il rejettera aussi d’utilisateurs légitimes. Il est donc
impossible en faisant varier le seuil de décision de faire diminuer les deux types d’erreurs en
même temps. C’est l’une des raisons qui a motivé l’introduction de la multi modalitépuisqu’il
14
est possible de diminuer les deux types d’erreur à la fois en combinant correctement
plusieurs modalités (c.f. section 5). La courbe dite ROC (Receiver Operating Characteristic),
représentée à la figure 5, permet de représenter graphiquement la performance d’un
système de vérification pour les différentes valeurs de θ [10]. Le taux d’erreur égal
(EqualError Rate ou EER) correspond au point F AR = F RR, c’est-à-dire graphiquement à
l’intersection de la courbe ROC avec la première bissectrice. Il est fréquemment utilisé pour
donner un aperçu de la performance d’un système. Cependant, il est important de souligner
que le EER ne résume en aucun cas toutes les caractéristiques d’un système biométrique. Le
seuil θ doit donc être ajusté en fonction de l’application ciblée : haute sécurité, basse
sécurité ou compromis entre les deux.
I.6 Applications des systèmes biométriques :

Les applications de la biométrie peuvent être divisées en trois groupes principaux :
• Applications commerciales :
Telles que l'ouverture de réseau informatique, la sécurité de données électroniques, l'e-

Commerce, l'accès Internet, la carte de crédit, le contrôle d'accès physique, le téléphone
cellulaire, la gestion des registres médicaux, l'étude à distance, etc.
• Applications gouvernementales :
Telles que la carte d'identité nationale, le permis de conduire, la sécurité sociale, le contrôle
des frontières, le contrôle des passeports, etc.
• Applications légales :
Telles que l'identification de corps, la recherche criminelle, l'identification de terroriste, etc.

De nos jours les systèmes biométriques sont de plus en plus utilisés dans des applications
civiles. Par exemple, le dispositif de Schiphol Privium à l'aéroport d'Amsterdam, utilise un
capteur de l’iris pour accélérer la procédure de contrôle des passeports et des visas
[11]. Les passagers insèrent leur carte dans un lecteur et se mettent en face d’un
appareil-photo ; ce dernier acquiert l'image de l'œil. Des processus de traitement d’images
sont alors lancés afin de localiser l'iris et de calculer une signature appelée « Iris code »
[12]. Une fois l'Iris code calculé, il est comparé aux données stockées dans la carte pour
identifier le passager. Un dispositif semblable est également employé pour vérifier
l'identité des employés de l’aéroport qui travaillent dans des secteurs de haute sécurité. Un
autre exemple d'utilisation à grande échelle de la reconnaissance faciale est celui de la ville
de Newham, dans la banlieue de Londres. Il s'est vu décerner le trophée Big Brother
Awarden 1998 par l'organisation non gouvernementale Privacy International.
15
I.7 La place de la reconnaissance faciale parmi les autres techniques

biométriques :
La reconnaissance de visages est la technique la plus commune et populaire. Elle reste la
plus acceptable puisqu'elle correspond à ce que les humains utilisent dans l'interaction
visuelle; et par rapport aux autres méthodes, la reconnaissance du visage s’avère plus
avantageuse, d’une part c’est une méthode non intrusive, c’est-à-dire elle n’exige pas la
coopération du sujet (en observant les individus à distance), et d’une autre part les capteurs
utilisés sont peu coûteux (une simple caméra) contrairement à l’empreinte digitale et l’iris
où le sujet devra être très proche du capteur et devra coopérer pour l’acquisition de l’image
sans oublier le coût de l’équipement nécessaire pour l’acquisition (équipement spécial
coûteux). Malgré que certains disent que la reconnaissance de visages est une biométrie
relativement peu sûre, sur le fait que le signal acquis est sujet à des variations beaucoup plus
élevées que d'autres caractéristiques, comme la variation de l'éclairage, le changement de la
position du visage, la présence ou l'absence de lunettes et autres; mais, au cours de ces
dernières années
plusieurs techniques de traitements d’images sont apparues, telle que la détection du
visage, la normalisation de l’éclairage, etc. Sans oublier le développement considérable des
technologies des caméras numériques, ce qui néglige l’effet de ces problèmes.
Avantages Inconvénients
Bien accepté par le public. Technologie sensible à l’environnement
Aucune action de l’usager (peu intrusive). (éclairage, position, expression du visage…).
Pas de contact physique. Difficultés de différencier de vrais jumeaux.
Technique peu coûteuse. Sensible aux changements. (Barbe,
moustache, lunettes, piercing, chirurgie…).
Tableaux I.1 : Avantages et inconvénients de la Reconnaissance de Visage.
I.8 La part de marche par technologie :

Les empreintes digitales continuent à être la principale technologie biométrique en termes
de part de marcher, près de 50% de chiffre d’affaire total (hors applications judiciaires). La
reconnaissance faciale avec 12% de part (hors applications judiciaires) dépasse la
reconnaissance de la main qui avait avant la deuxième place en termes de sources de
revenue après les empreintes digitales.
16
ENJE
Figure I.10.Part
I.10 de marche de chaque technologie.
I.9 Les enjeux pour de la biométrie de demain :

• Besoin de tests de systèmes et évaluation sur de grandes bases de donnes
standardisées.
• Grand potentiel pour améliorer notre sécurité mais des lois et règlementations sont
nécessaires.
• Aucun système de sécurité, biométrique inclus, n’est infaillible ”foolproof”.
• Besoin d’analyse de cout / bénéfice pour le déploiement de systèmes biométriques.
• Adaptation aux utilisateurs
isateurs : observation des interactions avec le dispositif
biométrique.
• Utilisation des caractéristiques : couleur des yeux, des cheveux, genre pour renforcer
l’identité.
• Suivi : suivre le comportement de l’utilisateur pendant une session entière pour
valider l’identité.
I.10 Conclusion :
Comme le fait remarquer Bill Spence de Recognition Systems Inc. [13] : « Chaque fois que
vous utilisez votre clef, vous vous identifiez auprès de votre
votre maison. Chaque fois que vous
utilisez votre carte de crédit, chaque fois que vous vous connectez à un système, vous vous
identifiez. » [14]. À terme, tous les mots de passe, codes confidentiels, badges, clefs, etc.
seront amenés à être remplacés par des systèmes biométriques. La recherche en biométrie
est donc un domaine à très fort potentiel. Cependant, nombreuses sont les personnes qui
craignent que l’essor de la biométrie ne s’accompagne d’une atteinte généralisée à la vie
privée des individus. Tout d’abord
d’abord le manque de fiabilité des systèmes biométriques
inquiète. Après les attentats du 11 Septembre 2001, beaucoup ont vu dans la biométrie, et
plus précisément dans la reconnaissance de visages, le meilleur moyen de surveiller les lieux
publics tels que les aéroports [15]. Mais supposons, par exemple, que le système FaceIt de
17
Visionics [16], l’un des systèmes de reconnaissance du visage les plus populaires à l’heure
actuelle, soit déployé dans le Hartsfield Atlanta International Airport (ATL), premier aéroport
au monde en termes de passagers. Sachant que, d’une part, selon les chiffres fournis par
Visionics, le EER de FaceIt est de 0.68 % et que, d’autre part, le Airports Council International
[17] estime à 80 millions le nombre de passagers de ATL en 2000, un rapide calcul aboutit à
une moyenne de 1 500 personnes « rejetées » à tort quotidiennement et à plus d’un demi-
million de personnes par an ! Même si aujourd’hui les passagers sont prêts à faire des
concessions pour garantir leur sécurité, ils accepteront sans doute très mal ces erreurs à
répétition. Et bien que des progrès constants soient enregistrés séparément pour chaque
modalité, la performance des systèmes à un seul mode est encore loin d’être satisfaisante ce
qui plaide en faveur du développement de systèmes biométriques multimodaux. Un
problème très différent est le stockage de données personnelles dans des bases de données
biométriques et l’utilisation malveillante qui pourrait en être faite. La meilleure solution à ce
problème est d’abandonner l’idée d’une base de données centralisée au profit des cartes de
type carte à puce dont l’utilisateur resterait possesseur [18]. Conscient de l’enjeu que
représentent les libertés individuelles, c’est d’ailleurs l’un des arguments qu’utilise
Mastercard pour promouvoir sa carte à puce intelligente (« Wewill not have a database of
finger print sany where. » [19]). Quoi qu’il en soit, la biométrie peut apporter beaucoup dans
la vie quotidienne en termes de sécurité mais également de confort. Comme pour d’autres «
nouvelles technologies » (biotechnologie, réalité virtuelle, etc.) son essor devra
s’accompagner d’une réflexion approfondie sur le respect des libertés individuelles.
18
Chapitre II :
SYSTEME DE RECONAISSANCE DE VISAGES

CHAPITRE II SYSTEME DE RECONNAISSANCE DE VISAGES.
II.1. Introduction:
Par la fréquence à laquelle on le rencontre dans l’environnement et par son contenu riche
en information sociale de premier ordre [23]., le visage humain constitue un stimulus visuel
de classe à part. En effet, il suffit d’un clin d’œil porté sur le visage d’un individu pour en
distinguer le sexe, l’état émotionnel ou l’identité. Cette grande capacité à identifier les
visages à pousser les chercheurs à tenter de rapprocher le cerveau humain dans sa rapidité,
son exactitude et sa fiabilité par des systèmes de reconnaissance basés sur des approches
statistiques ou non statistiques.
Cependant un système de reconnaissance de visage [24] consiste à identifier un individu à

partir de la géométrie de son visage. Pour que ce système soit efficace, il faut disposer d’une
image numérique de qualité du visage de l’individu en question, d’une base de données
d’images numériques d’individus identifiés et d’un logiciel de reconnaissance de visage
capable d’établir une correspondance exacte entre l’image d’un individu et une image d’un
individu identifié qui est enregistrée dans la base de données.
Certaines applications de cette technologie à des fins de sécurité sont incontestablement

bénéfiques et performantes, par exemple l’authentification des employés autorisés à avoir
accès à une centrale nucléaire. Bien qu'elle soit plus en plus performante l'usage de cette
technologie pose des problèmes éthiques selon certaines personnes et organisations. Le
respect de la vie privée est, pour elles, bafoué lorsque des personnes totalement inconnues
et sans que l'on en ait connaissance, peuvent avoir accès à des informations privées [23].
Dans ce présent chapitre on va expliquer bravement le mode de fonctionnement de la
technologie de reconnaissance de visage et l'état de l’art de celle-ci.
II.2. La place de la reconnaissance de visage parmi les autres modalités :

La reconnaissance de visages est la technique la plus commune et populaire. Elle reste la
plus acceptable puisqu'elle correspond à ce que les humains utilisent dans l'interaction
visuelle ; par rapport aux autres méthodes, la reconnaissance du visage s'avère plus
avantageuse, d'une part c'est une méthode non intrusive, c'est-à-dire elle n'exige pas la
coopération du sujet (en observant les individus à distance) d'autre part les capteurs utilisés
sont peu coûteux. Depuis le 11 septembre 2002 un intérêt tout particulier est porté sur cette
technologie, dont celui de pouvoir effectuer une identification à distance. Il ne faut
cependant pas oublier les limites technologiques des systèmes actuels qui nécessitent pour
l’instant un environnement (éclairage, position de la caméra, etc.) bien contrôlé pour
pouvoir pleinement exprimer leurs performances [25].
19
Avantages Inconvénients
Très bien accepté par le public Technologie sensible à l'environnement

Ne demande aucune action de l'usager (éclairage, position, expression du visage...)
(Peu intrusive), pas de contact physique Les vrais jumeaux ne sont pas différenciés
Technique peu coûteuse Occultations partielles : Sensible aux
changements (barbe, moustache, lunette,
piercing, chirurgie...)
Tableau II.1 : Avantages et Inconvénients de la Reconnaissance de visage.
II.3. Le système de reconnaissance de visages :

La reconnaissance faciale est une tâche que les humains effectuent naturellement et sans
effort dans leurs vies quotidiennes. La grande disponibilité d’ordinateurs puissants et peu
onéreux ainsi que des systèmes informatiques embarqués ont suscité un énorme intérêt
dans le traitement automatique des images et des vidéos numériques au sein de
nombreuses applications [26], incluant l’identification biométrique, la surveillance,
l’interaction homme-machine et la gestion de données multimédia. La reconnaissance
faciale, en tant qu’une des technologies biométriques de base, a pris une part de plus en
plus importante dans le domaine de la recherche, ceci étant dû aux avances rapides dans des
technologies telles que les appareils photo numériques, Internet et les dispositifs mobiles, le
tout associé à des besoins en sécurité sans cesse en augmentation.
Dans un système de reconnaissance de visages, depuis son acquisition, l’image suit un
processus bien précis pour arriver à déterminer ou à vérifier l’identité du porteur de visage.
Ce processus peut être présenté par le diagramme suivant :
Figure II.1: Le processus de reconnaissance de visage.
20
Un système de reconnaissance du visage passe par plusieurs étapes qui sont :

II.3.1. Acquisition de l'mage :
C'est l'opération qui permet d'extraire du monde extérieur (réel) une représentation
matricielle (un ensemble de pixels) c'est-à-dire une image, cette opération peut être statique
(Appareil photo, Scanner, etc.) ou dynamique (Caméra, Webcam) [27].
II.3.2. Prétraitement :
Les données brutes issues des capteurs sont les représentations initiales des données, à
partir desquelles des traitements permettent de construire celles qui seront utilisé pour la
reconnaissance. L'image brute peut être affectée par différents facteurs causant ainsi sa
détérioration, elle peut être bruitée c'est à dire contenir des informations parasites à cause
des dispositifs optiques ou électroniques. Pour pallier à ces problèmes, il existe plusieurs
méthodes de traitement et d'amélioration des images, telle que : la normalisation,
l'égalisation de l'histogramme...etc. [27].
II.3.3. Extraction des paramètres et Classification :
• Extraction des paramètres : On doit extraire les informations utiles qui reviennent à
établir un modèle du visage (vecteur de caractéristiques). Ces informations
nécessaires pour que le visage d'une personne ne ressemble pas à celui d'un autre,
en même temps qu'il ressemble à lui-même dans d'autres conditions d'acquisition
[27].
• Classification des paramètres : Ces informations seront ensuite classées, autrement
dit, affectés à la classe la plus proche, les individus ayant des similarités sont
regroupés dans la même classe. Ces classes varient selon le type de décision.
L’efficacité de cette étape à une influence directe sur la performance du système de
reconnaissance de visage [27].
II.3.4. L’apprentissage :
Cette étape consiste à mémoriser les modèles calculés dans la phase d'analyse pour les
individus connus. Un modèle est une représentation compacte des images qui permet de
faciliter la phase de reconnaissance mais aussi de diminuer la quantité de données à stocker
en quelque sorte l'apprentissage est la mémoire du système [27].
II.3.5. Décision :
Est la partie du système ou l’on tranche sur l'appartenance (ou pas) d'un individu à
l'ensemble des visages, si oui quelle est son identité. Donc la décision c'est l'aboutissement
du processus. On peut le valoriser par le taux de reconnaissance (fiabilité) qui est déterminé
par le taux de justesse de la décision [27].
21
II.4. État de l’art des méthodes de reconnaissances de visages :

Plusieurs méthodes de reconnaissance de visages ont été proposées durant les vingt
dernières années. Elle est un axe de recherche ouvert attirant des chercheurs venants de
disciplines différentes : psychologie, reconnaissance de formes, réseaux de neurone, vision
artificielle et infographie. Les caractéristiques qui servent à la reconnaissance du visage sont
les yeux, la bouche, la forme du visage (contour), etc.
Les méthodes de reconnaissance faciales peuvent être séparées en trois grandes familles, les
méthodes globales (ou holistiques), les méthodes locales, basées sur des modèles et les
méthodes hybrides. Le diagramme suivant fournit une classification des méthodes
principales de reconnaissance faciale :
Figure II.2: Classification des méthodes principales utilisées dans la reconnaissance de

visage.
II.4.1. Méthodes globales :

Les méthodes holistiques appelées aussi méthodes globales, sont des méthodes qui utilisent
la région entière du visage comme entrée à l’algorithme de reconnaissance [28]. Ce sont des
techniques très réussies et bien étudiées. L’avantage principal de ces méthodes est qu’elles
sont relativement rapides à mettre en œuvre et que les calculs de base sont d’une
complexité moyenne [29]. Bien que ces méthodes offrent de bonnes performances, ces
22
méthodes sont exposées aux problèmes de stockage d'informations extraites lors de la

phase “apprentissage”, de variations d'éclairage, pose, expressions faciales. Parmi ses
méthodes nous citons : l’analyse en composantes principales (PCA), l’analyse discriminante
linéaire (LDA).
• L’Analyse en Composantes Principales (PCA):

L'algorithme PCA est né des travaux de MA.Turk et AP.Pentaland au MIT Media Lab [30].
Aussi connu sous le nom Eigen faces car il utilise des vecteurs propres et des valeurs propres
(respectivement Eigen vectors et Eigen values en anglais). L’idée principale consiste à
exprimer nos M images de départ selon une base de vecteurs orthogonaux particuliers ces
fameux vecteurs propres contenant des informations indépendantes d'un vecteur à l'autre
[31]. Ces nouvelles données sont donc exprimées d'une manière plus appropriée à la
reconnaissance du visage.
Les images originales peuvent être reconstituées par combinaison linéaire de ces vecteurs
propres. Les représentations graphiques de ces vecteurs rappellent un peu des images
fantômes, chacune mettant en avant une partie du visage, on les appelle Eigen faces. (Figure
II.3). Tout d’abord, l’algorithme PCA est une méthode globale utilisant en premier lieu les
niveaux de gris des pixels d’une image. Sa simplicité à mettre en œuvre contraste avec une
forte sensibilité aux changements d’éclairement, de pose et d’expression faciale [31].
Néanmoins, le PCA ne nécessite aucune connaissance apriori sur l’image et se révèle plus
efficace lorsqu’il est couplé à la mesure de distance MahCosine.
Le principe selon lequel on peut construire un sous-espace vectoriel en ne retenant que les
"meilleurs" vecteurs propres, tout en conservant beaucoup d’information utile, fait du PCA
un algorithme efficace et couramment utilisé en réduction de dimensionnalité où il peut
alors être utilisé en amont d’autres algorithmes (comme le LDA par exemple).
Enfin, l´étude théorique de l’algorithme PCA est très pédagogique et permet d’acquérir de
solides bases pour la reconnaissance 2D du visage.
23
Figure II.3 : Image moyenne et les 15ères Eigen faces.
• L’Analyse Discriminante Linéaire (LDA):
L’algorithme LDA est né des travaux de Belhumeur et al. De la Yale University (USA), en
1997. Il est aussi connu sous le nom de Fisher faces.
Contrairement à l’algorithme PCA, le LDA effectue une véritable séparation de classes Pour
pouvoir l’utiliser, il faut donc au préalable organiser la base d’apprentissage d’images en
plusieurs classes : une classe par personne et plusieurs images par classe. Le LDA analyse les
vecteurs propres de la matrice de dispersion des données, avec pour objectif de maximiser
les variations interclasses tout en minimisant les variations intra classes [31].
Tout d’abord, l’algorithme LDA permet d’effectuer une véritable séparation de classes, selon
un critère mathématique qui minimise les variations entre les images d’un même individu
(variations intra classe) tout en maximisant les variations entre les images d’individus
différents (variations interclasses) (Figure. II.4). Cependant, pour des problèmes (sous-
échantillonnés) en reconnaissance du visage, c’est-à-dire lorsque le nombre d’individus à
traiter est plus faible que la résolution de l’image, il est difficile d’appliquer le LDA qui peut
alors faire apparaitre des matrices de dispersions singulières (non inversibles) [31]. Afin de
contourner ce problème, certains algorithmes basés sur le LDA ont récemment été mis au
point (les algorithmes ULDA, OLDA, NLDA).
24
Figure II.4 : Exemple de six classes utilisant LDA.
II.4.2. Méthodes locales :

Ce sont des méthodes géométriques [32], appelées aussi méthodes à traits, à
caractéristiques locales, ou analytiques. L'analyse du visage humain est donnée par la
description individuelle de ses parties et de leurs relations. Ce modèle correspond à la
manière avec laquelle l'être humain perçoit le visage, c'est à dire, à nos notions de traits de
visage, de parties caractéristiques comme les yeux, le nez ou la bouche. L'avantage
principale de ces méthodes est de pouvoir modéliser plus facilement les variations de pose,
d’éclairage et d'expression faciale contrairement aux méthodes dites globales. Bien que ces
méthodes offrent de bonnes performances, mais leurs problèmes c’est qu’elles sont plus
lourdes à utiliser puisqu'il faut souvent placer manuellement un assez grand nombre de
points sur le visage alors que les méthodes globales (ou holistiques) ne nécessitent de
connaitre que la position des yeux afin de normaliser les images, ce qui peut être fait
automatiquement et de manière assez fiable par un algorithme de détection [33] .Parmi les
algorithmes de reconnaissance de cette méthode nous citons le SVM.
• Machine à Vecteurs de Support (SVM):

C’est une nouvelle technique qui a été proposée par V.Vapnik en 1995 [34]., elle est utilisée
dans plusieurs domaines statistiques (classement, régression, fusion,… etc.). Plusieurs
travaux ont montré son efficacité et principalement en traitement d’images depuis son
introduction dans le domaine de reconnaissance de formes.
L’idée essentielle de cette approche consiste à projeter les données de l’espace d’entrée
(appartenant à des classes différentes) non linéairement séparables, dans un espace de plus
grande dimension appelé espace de caractéristiques, de façon à ce que les données
deviennent linéairement séparables [35].Dans cet espace, la technique de construction de
l'hyperplan optimal est utilisée pour calculer la fonction de classement séparant les classes
tels que :
25
Les vecteurs appartenant aux différentes classes se trouvent de différents côtés de l’hyper
plan.
La plus petite distance entre les vecteurs et l'hyperplan (la marge) soit maximale.
II.4.3. Méthodes hybrides :
Les méthodes hybrides (ou méthodes de fusion) sont des approches utilisant à la fois des
caractéristiques globales et des caractéristiques locales. Les facteurs clés qui influent les
performances des méthodes de fusion comprennent le choix des caractéristiques pour la
combinaison et la manière de les combiner de telle sorte que leurs avantages soient
préservés et que leurs inconvénients soient évités. Les caractéristiques locales et les
caractéristiques globales ont des propriétés très différentes et peuvent offrir des
informations complémentaires utiles à la tâche de classification. Notons aussi que d’un
certain point de vue, les méthodes locales peuvent être considérées comme des méthodes
hybrides car des informations globales sont généralement prises en compte. Dans la
méthode probabiliste locale [36] de nouveaux échantillons d’apprentissage sont d’abord
produits pour chaque personne par méthode globale, puis une méthode locale est utilisée
pour la reconnaissance. Parmi les algorithmes de reconnaissance de cette méthode nous
citons le EBGM.
• L’algorithme Elastic Bunch Graph Matching (EBGM):

A partir d’une image de visage, cette méthode localise des points caractéristiques comme les
coins des yeux, de la bouche et le nez. Un treillis élastique virtuel est ensuite appliqué sur
l’image de visage à partir de ces points. Chaque point représente un nœud étiqueté auquel
nous associons un jeu de coefficients d’ondelettes complexes de Gabor, appelés Jet [31].
Dans cette approche, la reconnaissance se fait par la mesure de similarité entre les différents
Jets et les longueurs des segments du treillis de deux images.
La caractéristique de l’EBGM est qu’il ne traite pas directement les valeurs de niveaux de gris
des pixels d’une image de visage, ce qui lui confère une plus grande robustesse aux
changements d’éclairement, de pose et d’expression faciale. Cependant il est plus difficile à
implémenter par rapport aux méthodes globales.
II.5. Principales difficultés de la reconnaissance de visage:

Pour l'être humain la reconnaissance de visage est un processus visuel de haut niveau, il
détecte, il identifie des visages, objets, lieux dans des scènes différentes sans beaucoup de
peine. Simuler le système de reconnaissance humain à un système automatique de
reconnaissance de visages représente un vrai challenge pour les chercheurs Or, ce challenge
semble plus en plus difficile lorsque les conditions d'acquisition des images sont dynamiques
voire très variables. Il existe deux types de variation associées aux images de visage : inter et
intra sujet, bien que, la variation inter est limitée vue la ressemblance physique des visages
26
humains. La variation intra sujet est plus vaste elle peut être influencé par plusieurs facteurs
qui sont :
• Changement d’illumination :
L’apparence d’un visage dans une image varie énormément en fonction de l’illumination de
la scène lors de la prise de vue (voir figure II.5). Les variations d’éclairage rendent la tâche de
reconnaissance de visage très difficile [28]. En effet, le changement d’apparence d’un visage
dû à l'illumination, se révèle parfois plus critique que la différence physique entre les
individus, et peut entraîner une mauvaise classification des images d'entrée. Ceci a été
expérimentalement observé dans Adini et al [37] où les auteurs ont utilisé une base de
données de 25 individus. L'identification de visage dans un environnement non contrôlé
reste donc un domaine de recherche ouvert. Les évaluations FRVT [38] ont révélé quelque
problèmes de variation d'illumination constitue un défi majeur pour la reconnaissance
faciale.
Figure II.5 : Exemple de variation d’éclairage [28].
• Variation de pose:
La variation de pose est considérée, comme un problème majeur pour les systèmes de
reconnaissance faciale [28]. Quand le visage est de profil dans le plan image
(orientation<30°), il peut être normalisé en détectant au moins deux traits faciaux (passant
par les yeux). Cependant, lorsque la rotation est supérieure à 30°, la normalisation
géométrique n'est plus possible (voir figure II.6).
Figure II.6 : Exemples de variation de poses [28].
27
• Expressions faciales:
Un autre facteur qui affecte l’apparence du visage est l’expression faciale (voir figure II.7).La
déformation du visage qui est due aux expressions faciales est localisée principalement sur la
partie inférieure du visage [28]. L'information faciale se situant dans la partie supérieure du
visage reste quasi invariable. Elle est généralement suffisante pour effectuer une
identification. Toutefois, étant donné que l'expression faciale modifie l'aspect du visage, elle
entraîne forcément une diminution du taux de reconnaissance. L'identification de visage
avec expression faciale est un problème difficile qui est toujours d’actualité et qui reste non
résolu. L'information temporelle fournit une connaissance additionnelle significative qui
peut être utilisée pour résoudre ce problème [39].
Figure II.7 : Exemples de variation d’expressions faciale [39].

• Présence ou absence des composants structurels:
La présence des composants structurels telle que la barbe, la moustache, ou bien les
lunettes peut modifier énormément les caractéristiques faciales telles que la forme, la
couleur, ou la taille du visage. De plus, ces composants peuvent cacher les caractéristiques
faciales de base causant ainsi une défaillance du système de reconnaissance [28]. Par
exemple, des lunettes opaques ne permettent pas de bien distinguer la forme et la couleur
des yeux, et une moustache ou une barbe modifie la forme du visage.
• Occultations partielles:
Le visage peut être partiellement masqué par des objets dans la scène, ou par le port
d’accessoire tels que lunettes, écharpe... Dans le contexte de la biométrie, les systèmes
proposés doivent être non intrusifs c’est-à-dire qu’on ne doit pas compter sur une
coopération active du sujet. Par conséquent, il est important de savoir reconnaître des
visages partiellement occultés. Gross et al [39] ont étudié l’impact du port de lunettes de
soleil, et du cache-nez occultant la partie inférieure du visage sur la reconnaissance faciale
28
ainsi, Leurs résultats expérimentaux semblent indiquer que, dans ces conditions, les
performances des algorithmes de reconnaissance restent faibles.
II.6. Performances d’un système de reconnaissances de visage :

Chaque système de reconnaissance de visage à ses points fort et ses points faibles et cela
dépend de la technologie utilisée et le domaine d’application de celui-ci, jusqu'à présent il
n'existe aucun système " optimal " en termes des performances ce qui est due à plusieurs
facteurs qui interviennent à plusieurs niveaux et qui peuvent limiter le degré de précision de
ce dernier.
Néanmoins, il serait primordial d'observer ces facteurs avant de mesurer la performance
d’un système de reconnaissance parmi ces facteurs on peut citer :
• L’environnement au moment de l’acquisition.
• La qualité des capteurs.
• Les différentes positions des capteurs.
• La mauvaise interaction entre l’utilisateur et les capteurs.
Généralement la performance d'un système biométrique se mesure par la performance de
système d'identification et la performance de système de vérification.
II.6.1. Performance d'un système d'identification:

Pour évaluer les performances d'un système d'identification, on calcule le taux de
reconnaissance du système par la formule suivante:
Taux de reconnaissance= nombre de décision correctes divisé par le nombre de décision totale.
II.6.2. Performance d'un système de vérification:
Dans ce cas, deux types d'erreurs peuvent être commises : Soit l'individu est rejeté alors qu'il
s'agit bien d'un utilisateur enregistré dans la base de données, c'est ce qu'on appelle le Faux
Rejet « False rejection FR», soit l'individu est accepté alors qu'il s'agit d'un imposteur, on
l'appelle Fausse Acceptation « False acceptance FA».
La figure ci-après montre en fait la courbe de ce type d'erreurs :
29
Figure II.8 : Seuil de décision et taux d'erreurs.
Dans un système idéal FRR=FAR= 0, mais ce n'est pas le cas dans la pratique ; quand FR
augmente, FA diminue et vice versa. Par conséquent, il faut trouver un compromis entre les
deux taux qui est la jonction des courbes, c'est-à-dire le point X (voir Figure II.9) où le couple
(FAR, FRR) est minimal.
Figure II.9 : Relation entre FAR et FRR.
II.7. Nouvelles technologies améliorant la reconnaissance faciale:
La reconnaissance faciale de personnes est un sujet dont l’intérêt n’est plus à démontrer que
ce soit dans la biométrie, vidéosurveillance, IHM avancées ou encore l'indexation
d’images/vidéos. Cependant, elle se heurte encore à de nombreux problèmes, dont les plus
connu le changement d’éclairage. Une possibilité pour pallier ce problème est l’utilisation
d’autres nouvelles technologies telles que l’infrarouge, et la technologie 3D.
30
• L’utilisation de la technologie infrarouge:
L’infrarouge permet en outre à un système biométrique de fonctionner, même lorsque la

capture dans le domaine visible est impossible ou de mauvaise qualité, lors d’une capture
nocturne [40] par exemple. Le capteur infrarouge utilisé fonctionne dans le domaine des
faibles longueurs d’ondes, générant ainsi une cartographie thermique des visages.la
technologie infrarouge n'est pas sensible aux changements d'éclairage, mais plutôt à la
température des corps capturés.
Néanmoins, le coût extrêmement élevé de cette technologie rend son utilisation prohibitive
pour les applications.
• L’utilisation de la technologie 3D:

La quasi-totalité des systèmes de reconnaissance de visages travaillent à partir d’images
fixes (images 2D)[41].Bien que les approches 2D aient donné de bonnes performances, elles
restent très sensibles aux problèmes de changements de conditions d’éclairage, de pose,
d’expressions faciales et d’occultations. L’introduction de la forme 3D du visage dans la
reconnaissance de personnes est considérée comme une voie très prometteuse pour
remédier à ces problèmes.
L'imagerie à trois dimensions (3D) est moins sensible aux variations d'éclairage, à la
modification d'apparence, volontaire ou involontaire, ou au fait que la personne ne fait pas
face à la caméra. En effet, si quelqu'un se présente de biais, un logiciel fait « tourner » le
modèle tridimensionnel pour le faire correspondre à l'image bidimensionnelle prise en
conditions réelles.
II.8. Conclusion :
A travers ce chapitre, nous avons présenté un résume sur l'état de l'art des systèmes de
reconnaissance faciale, le processus de reconnaissance faciale depuis l’acquisition de l'image
à l’identification. Ensuite, Nous avons mis en évidence les différentes difficultés inhérentes à
la reconnaissance automatique de visages. Enfin, nous avons aussi donné un aperçu sur les
techniques de mesure de performances d'un système de reconnaissance de visage et
quelques nouvelles technologies améliorant ce dernier. Le chapitre suivant sera consacré à
l’application des ondelettes pour l'extraction des paramètres.
31
PARTIE II :
[TITRE DU DOCUMENT]
[TITRE DU DOCUMENT]
EXTRACTION DES PARAMETRES ET CLASSIFICATION.

Chapitre III :
APPLICATION DES ONDELETTES POUR L'EXTRACTION

DES PARAMETRES
CHAPITRE III APPLICATION DES ONDELETTES POUR L’EXTRACTION DES PARAMETRES.
III.1. Introduction:
L’analyse par ondelettes est apparue au début des années 80. En réalité, celle-ci ne repose
pas sur une nouvelle idée originale. Cette théorie est un travail pluridisciplinaire qui a réuni
des ingénieurs, des mathématiciens et des physiciens ayant développé des idées semblables
dans leur domaine respectif. La synthèse mathématique a débouché sur des résultats
nouveaux, qui ont apporté des perspectives plus larges dans chaque discipline originelle. A
l’époque actuelle, la plupart des chercheurs scientifiques ont déjà entendu parler des
ondelettes. Dans la majorité des congrès traitant de l’analyse du signal et de l’image, de la
statistique, de la mathématique, etc., des conférences au sujet des ondelettes sont données.
Les transformations mathématiques sont appliquées aux signaux bruts pour obtenir
davantage d'informations qui sont disponibles dans ces signaux.
En pratique, la plupart des signaux, sous leur format brut, sont représentés dans le domaine
temporel. La représentation du signal est une représentation temps - amplitude. Cette
représentation n'est pas toujours la meilleure pour toutes les applications en traitement du
signal. Dans beaucoup de cas, l'information la plus pertinente est cachée dans la
composante de fréquence du signal. Le SPECTRE de fréquence d'un signal est constitué par
les composantes de fréquence de ce signal.
Intuitivement, nous savons que la fréquence est liée au régime de changement d’une
variable physique ou mathématique. Cette variable peut
• changer rapidement : changement à haute fréquence,
• changer lentement : changement à basse fréquence, et
• ne pas changer du tout : fréquence zéro.
III.2. Pourquoi les ondelettes (contribution) :

Etant donné que notre travail s’inscrit dans le cadre de la reconnaissance de visages, On a
choisi les ondelettes pour diverse avantage. Elles permettent de palier aux problèmes de
variations d’éclairage, expressions faciales, position et aux changements des caractéristiques
physiques (barbe, moustache, lunette, chirurgie …) qui avant était un frein pour la
reconnaissance faciales. Les ondelettes, comme nouvel outil mathématique notable, se sont
imposées dans de divers domaines d’application. Par leur capacité extraordinaire de
concentration de l´énergie et par leur pouvoir fascinant de détection d’irrégularités.
L’analyse par ondelettes ne se limite plus à l’image telle qu’elle nous apparaît, mais permet
l’étude des objets présents dans l’image à différentes échelles, elle permet de réduire la
redondance pour améliorer la compression d’une image, elle peut également extraire les
informations importantes (texture, contours, etc.) contenues dans une image et aussi de
réduire le bruit contenu dans l’image.
32
CHAPITRE III APPLICATION DES ONDELETTES
ONDE POUR L’EXTRACTION
TION DES PARAMETRES.
III.3. Qu’est-ce
ce qu’une ondelette :
Une ondelette [42] est une fonction oscillante (ce qui explique le mot "onde")
"o de moyenne
nulle, possédant un certain degré de régularité et dont le support est fini (ce qui explique le
mot "ondelette", qui veut dire petite onde).Décomposition
onde). composition similaire à la transformée de
Fourier à court terme, utilisée dans le traitement du signal. Cependant, elle comporte deux
différences majeures avec la transformée de Fourier à court terme : * elle peut mettre en
œuvre une base différente, non forcément
forcément sinusoïdale ; * il existe une relation entre la
largeur de l'enveloppe et la fréquence des oscillations : on effectue ainsi une homothétie de
l'ondelette, et non seulement de l'oscillation.
Toutefois, il ne s'agit pas d'un formalisme différent de la transformée de Fourier, mais
complémentaire ; la décomposition en ondelettes utilisant le formalisme de Fourier.
La technique des ondelettes est particulièrement utilisée en compression de données
informatiques. Plusieurs exemples sont montrés dans la
l figure III.1.
Figure III.1 : Exemples d’ondelette φ(t).

φ (D’après Charles,, 2003).
III.4. Les principales caractéristiques d’une ondelette mère :
Une ondelette mère est une fonction de base que l'on peut translater et dilater pour
recouvrir le plan temps-fréquences
fréquences et analyser un signal. L'ondelette doit être une fonction
de moyenne nulle, en d'autres termes, doit être une onde ! Ce qui s'écrit
mathématiquement par [42] :
Toutes les ondelettes d'une famille, , sont générées

à partir d'une ondelette mère, en introduisant les paramètres de dilatation (échelle) a et de
translation dans le temps b.
Une ondelette mère doit remplir certaines propriétés dont les plus importantes sont :
33
III.4.1. admissibilité :
L’admissibilité
Soit une fonction non nulle de L2 ( ) et TF ( ) sa transforme de Fourier. On dit que
est admissible si :
III.4.2. Localisation :
Une ondelette dont la fonction de L2 est locale, si elle est à décroissances
rapide sur les deux bords de son domaine de définition. La localisation signifie que l’énergie
l’
d’une ondelette est contenue dans un intervalle fini. Idéalement, l’ondelette est une
fonction nulle en dehors d’un intervalle fini : c’est-à-dire
dire une fonction a support compact.
III.4.3. L'oscillation :
2
C'est le moment d'ordre 0, où la moyenne
moyen de la fonction de L est nulle, et
par conséquent, doit avoir un caractère ondulatoire, qui change de signe au moins
une fois. Cette propriété figure dans l'expression (2.8).
III.4.4. La translation et la dilatation :

L'ondelette mère doit satisfaire les propriétés de translation et dee dilatation pour quelle
puisse générer d'autres ondelettes (Figure2.2).
Nous présentons ci-dessous
dessous quelques ondelettes unidimensionnelles :
Ondelette de Meyer
Ondelette de Haar
Ondelette de Morlet
Ondelette Bêta
Ondelette Chapeau mexicain
III.2 Quelques exemples d'ondelettes 1D.

Figure III.2:
34
Figure III.3 : Exemple d'une ondelette dilatée et translatée.
III.5. La transformée en ondelettes :
La transformée en ondelettes [45] est similaire à la transformée de Fourier (et encore plus à
la transformée de Fourier locale) avec une fonction de mérite complètement différente. La
différence principale est la suivante : la transformée de Fourier décompose le signal en sinus
et en cosinus, c'est-à-dire
dire en fonctions localisées dans l'espace de Fourier ; contrairement à
la transformée en ondelettes qui utilise des fonctions localisées à la fois dans l'espace réel et
dans l'espace de Fourier. De manière générale, la transformée en ondelettes
ondelett peut être
exprimée avec l'équation suivante :
35
Où le symbole * désigne le conjuguer complexe et ψ est une fonction donnée. Cette fonction
peut être choisie arbitrairement à condition qu'elle obéisse à certaines règles.
Comme on peut le voir, la transformée en ondelettes est en fait un ensemble infini de
diverses transformées, dépendant de la fonction de mérite utilisée pour la calculer. C'est la
raison pour laquelle nous pouvons entendre parler de la « transformée en ondelettes » dans
des contextes et applications très divers. Il existe aussi de nombreuses manières de classer
les types de transformées en ondelettes. Nous ne présentons ici que la division basée sur
l'orthogonalité des ondelettes. Nous pouvons utiliser les ondelettes orthogonales pour le
développement en ondelettes discret et les ondelettes non-orthogonales pour le
développement en ondelettes continu. Ces deux transformées possèdent les propriétés
suivantes :
III.5.1. La transformation en ondelettes continues :
La transformée en ondelettes continue (CWT, Continuous Wavelet Transform) est une

implémentation de la transformée en ondelettes utilisant des échelles arbitraires ainsi que
des ondelettes pratiquement arbitraires. Les ondelettes utilisées ne sont pas orthogonales et
les données obtenues par cette transformée sont hautement corrélées. Nous pouvons aussi
utiliser cette transformée pour les séries discrètes dans le temps, avec la limitation que les
translations des plus petites ondelettes soient égales au pas d'échantillonnage des données.
Cette transformée est parfois appelée transformée en ondelettes continue discrète dans le
temps (DT-CWT, Discrete-Time Continuous Wavelet Transform), et il s'agit de la façon la plus
répandue de calculée la CWT pour des applications réelles.
En principe la transformée en ondelettes continue fonctionne en utilisant directement la
définition de la transformée en ondelettes, c'est-à-dire en calculant la convolution du signal
par l'ondelette mise à l'échelle. Nous obtenons de cette manière pour chaque échelle un
ensemble de longueur N identique à celle du signal. En utilisant M échelles choisies
arbitrairement nous obtenons une matrice N×M représentant directement le plan temps-
fréquence. L'algorithme utilisé pour ce calcul peut être basé sur une convolution directe ou
par une convolution réalisée par une multiplication dans l'espace de Fourier (aussi appelée
transformée en ondelettes rapide).
Les propriétés de La transformée en ondelettes continue sont qu’elle retourne quant à elle
un vecteur de dimension supérieure d’un à celle des données d'entrée. Pour des données 1D
nous obtenons une image du plan temps-fréquence. On peut ainsi aisément visualiser
l'évolution fréquentielle pendant la durée du signal et comparer son spectre avec ceux
d'autres signaux. Comme on utilise ici un ensemble d'ondelettes non-orthogonales, les
données sont hautement corrélées, on a donc dans ce cas une redondance élevée. Ceci
permet de voir le résultat sous une forme plus « humaine ».
36
III.5.2. La transformation en ondelettes discrètes :
La transformée en ondelettes discrète (DWT, Discrete Wavelet Transform) est une

implémentation utilisant un ensemble discret d'échelles et de translations d'ondelettes
obéissant à certaines règles. En d'autres termes, cette transformée décompose le signal en
un ensemble d'ondelettes mutuellement orthogonales, ce qui constitue la différence
principale avec la transformée en ondelettes continue, ou son implémentation en séries
discrètes dans le temps parfois appelée transformée en ondelettes continue discrète dans le
temps (DT-CWT, discrete-time continuous wavelet transform).
L'ondelette peut être construite à partir d'une fonction d'échelle décrivant les propriétés
d'échelle du signal. La restriction d'orthogonalité avec les translations discrètes implique
certaines conditions mathématiques.
Les propriétés de La transformée en ondelettes discrète sont qu’elle retourne un vecteur de
données de même longueur que les données d'entrée. Généralement la plupart des valeurs
de ce vecteur sont pratiquement nulles. Cela vient du fait qu'elle décompose en un
ensemble d'ondelettes (fonctions) orthogonales par translation et par homothétie. On
décompose ainsi le signal en un nombre égal ou inférieur de coefficients du spectre
d'ondelettes que le nombre de points de données du signal. Un tel spectre d'ondelettes est
très bon pour le traitement du signal et la compression, par exemple, car nous n'obtenons ici
aucune information redondante.
III.6. Propriétés des ondelettes:
III.6.1. Sélectivité en fréquence :

Dans la transformée de Fourier, la fonction utilisée pour analyser le signal étudié est une
fonction sinusoïdale de fréquence précise, et quand on la multiplie par le signal, le
coefficient obtenu ne se réfère qu'à cette fréquence.
En revanche, une ondelette est constituée de plusieurs fréquences. Les coefficients
d'ondelettes se réfèrent à ce mélange de fréquences. Plus la gamme de fréquence de
l'ondelette est étroite, plus l'ondelette est sélective en fréquence.
III.6.2. Similarité :
Toutes les ondelettes qui appartiennent à la même famille doivent être similaires, c’est-à-
dire se déduire les unes des autres par combinaison linéaire de translations et de dilatations.
III.6.3. Symétrie:
On souhaite parfois que l'ondelette présente des propriétés de symétrie temporelle afin
d'éviter le déphasage dans la transformée en ondelettes.
37
III.6.4. Orthogonalité :
Cette propriété est à l'origine de la popularité des ondelettes qui offrent des bases
d'ondelettes orthogonales et non redondantes. Cela conduit à une décomposition unique.
III.6.5. Régularité :
Une ondelette doit être suffisamment régulière car c'est la principale contribution des
ondelettes dans le domaine du codage. Elle agit sur la qualité de la reconstruction du signal.
Une ondelette est dite régulière si elle est très lisse et on peut l'approximer localement par
un polynôme. L'ordre de régularité d'une ondelette est égal au nombre de ses moments
nuls.
III.6.6. Nombre de moments nuls:

Pour certaines applications, les ondelettes doivent également avoir un certain nombre de
moments nuls, afin d’éliminer la partie polynomiale du signal et être ainsi plus sensible aux
fluctuations les moins régulières.
III.6.7. Facteur d'échelle minimal:

Théoriquement le facteur d'échelle, a, qui est strictement positif, peut varier jusqu'à +∞.
En pratique, Il convient de se fixer un nombre de points de discrétisation minimum, Nmin, de
telle sorte que les valeurs discrètes de l'ondelette soient représentatives de sa forme
continue.
Soit amin le facteur d'échelle minimum, alors : amin= Nmin/ N
Avec Nmin: nombre d'échantillons minimal de ψa(t)
N : nombre d'échantillons de l'ondelette mère ψ(t).
III.6.8. Relation entre fréquence et échelle:

Si f0 est la fréquence centrale de l’ondelette mère ψ(t), les autres ondelettes ψa,b(t) oscillent
à la fréquence f = f0/a.
D’où l’identification : a = f0/f.
III.7. Présentation des ondelettes multidimensionnelles :
Dans le cadre de la modélisation, il est fréquent d'avoir affaire à des processus multi
variables, il est donc utile d'introduire la notion d'ondelette multidimensionnelle.
38
On peut définir une ondelette

ondelette multidimensionnelle comme le produit d'ondelettes
unidimensionnelles : on dit alors que les
les ondelettes sont séparables [44].
[44 Dans ce cas,
l'expression d'une ondelette multidimensionnelle est :
Où est la kième composante du vecteur d'entrée x, et Zjk la composante centrée

par mjk et dilatée d'un facteur djk. Il a été montré que ces ondelettes multidimensionnelles
2
sont des frames à structures obliques de L ( ).
III Exemple d'une ondelette 2D.

Figure III.4:
III.8. Famille d’ondelettes :
Avant de détailler quelques familles d’ondelettes usuelles, nous dressons dans le tableau
suivant (Tableau III.1)) la liste de quelques-unes
quelques unes de ces familles, avec les abréviations
associées.
39
Nom des familles d’ondelettes Abréviations

Ondelette de Haar Haar
Ondelettes de Daubechies Db
Ondelettes Symlets Sym
Ondelettes Coiflets Coif
Ondelettes biorthogonales Bior
Ondelette de Demystified dmey
Ondelettes gaussiennes Gaus
Ondelettes gaussiennes complexes Cgau
Chapeau mexicain Mexh
Ondelette de Morlet Morl
Ondelette de Morlet complexe Cmor
Ondelettes de Shannon complexes Shan
Tableau III.1: Familles d’ondelettes.
Les familles d’ondelettes peuvent être caractérisées par quatre propriétés principales :
existence de filtres associés, orthogonalité ou bi orthogonalité, support compact ou non,
ondelettes réelles ou complexes. Le tableau (Tableau III. 2) résume ces diverses propriétés.
Ondelettes à filtres Ondelettes sans filtres

A support compact A support non Réelles Réelles Complexe
compact
Orthogonales Biorthogonales Orthogonales gaus, mexh, cgau, shan,
Db, haar, Bior dmey morl cmor
sym, coif
Tableau III.2 : Les propriétés principales des ondelettes.
Les ondelettes à filtre sont associées à des analyses multi résolution orthogonales ou bi
orthogonales ; la transformée discrète et les calculs rapides en utilisant l’algorithme de
Mallat [47] sont alors possibles. Les ondelettes sans filtre, en revanche, sont utiles pour la
transformée en ondelettes continues.
En général, les ondelettes à support compact n’ont pas de forme analytique (c'est-à-dire : on
sait comment calculer la fonction, mais on ne peut pas l’exprimer avec une formule
mathématique).
40
III.8.1. Ondelette de Haar :
Figure III.5 : Filtre h0 de Haar.
La transformée de Haar a été introduite en 1910, et est de loin la plus ancienne transformée
en ondelettes. Elle est basée sur la démonstration de Haar que les fonctions
h(j,k;x)=2j/2H(2jx-k) telle que :
H(x)=1 pour x dans ]0,1/2[
H(x)=-1 pour x dans ]1/2,1[
H(x)=0 ailleurs,
Forment un ensemble orthogonal complet, i.e., une base pour l'espace L2(R).
L'ondelette de Haar est simple à étudier et à mettre en œuvre. Malheureusement les
résultats de la transformée de Haar sont peu satisfaisants.
III.8.2. Ondelettes de Daubechies:
Cette famille d’ondelettes (dbN) à un paramètre, due à I. Daubechies [48], est la première
permettant de manipuler des ondelettes orthogonales à support compact de régularité
arbitraire, on dira que N est l’ordre de l’ondelette dbN.
Cette famille contient l’ondelette de Haar (db1), qui est la plus simple et certainement la
plus ancienne des ondelettes. Elle est discontinue, ressemble à un échelon.
La fonction d’ondelette de Haar est définie par (Figure III.6) :
41
y(x) = 1 si x Î [0,0.5[,y (x) = -1 si x Î [0.5,1[ et 0 sinon.
La fonction d’échelle associée est la fonction échelon :
j(x) = 1 si x Î [0,1] et 0 sinon.
Figure III.6: La fonction d’échelle et la fonction d’ondelette de haar.
Hormis db1, les ondelettes de cette famille n’ont pas une formule analytique. Ces ondelettes
pour les ordres de 2 à 10 (db2, db3,…, db10) sont présentées dans la figure (Figure III.7).
42
Figure III.7 : Les ondelettes de Daubechies.
Cette famille d’ondelettes possède les propriétés suivantes :

• Le support des ψ et de j sont de longueur 2N-1. Le nombre de moments nuls de ψ est
N;
• Les ondelettes dbN sont asymétriques, en particulier pour les faibles valeurs de N,
sauf l’ondelette de Haar ;
• La régularité augmente avec l’ordre ;
• L’analyse est orthogonale.
Pour les deux types d’ondelettes db4 et db8, on trouve dans les figure (Figure. III.8 et Figure.
III.9) en plus de l’ondelette, la fonction d’échelle et les quatre filtres associés (deux pour la
décomposition, deux pour la reconstruction).
43
Figure III.8:Ondelettes de Daubechies (db4).
Figure III.9:Ondelettes de Daubechies (db8).
44
III.8.3. Ondelettes de Symlets:
Les symlets (symN) constituent une famille d’ondelettes presque symétrique, proposée par
I.Daubechies en modifiant la construction des dbN. A part la symétrie, les autres propriétés
des deux familles sont similaires. Les symlets d’ordre 2 à 8 (sym1 est simplement l’ondelette
de Haar) sont présentées dans la figure (Figure III.10) [48]. De plus, pour deux d’entre elles
(sym4et sym8), on trouve dans les figures (Figure. III.11 et Figure. III.12) en plus de
l’ondelette, la fonction d’échelle et les quatre filtres associés (deux pour la décomposition,
deux pour la reconstruction).
Figure III.10: Les ondelettes de symlets.
45
Figure III.11:Ondelettes de Symlets (sym4).
46
Figure III.12 : Ondelettes de Symlets (sym8).
III.8.4. Ondelettes de Coiflets:
Construite par I. Daubechies sur la demande de R. Coifman [48], les coiflets (coifN)
constituent une famille d’ondelettes possédant une propriété inhabituelle. Non seulement,
comme pour les deux familles précédentes, l’ondelette ψassociée à coif N à 2N moments
nuls. Les deux fonctions ψet ϕ ont un support de longueur 6N-1. Les coiflets d’ordre 1 à 5
sont représentés à la figure (Figure. III.13).
47
Figure III.13 : Les ondelettes de coiflets.
Pour deux d’entre elles (coif3 et coif5), on trouve dans les figures (Figure. III.14 et Fig. III.15)
l’ondelette, la fonction d’échelle et les quatre filtres associés.
Figure III.14:Ondelettes de Coiflet (coif3).
48
Figure III.15 : Ondelettes de Coiflet (coif5).
III.9. Les avantages de la transformée en ondelettes :
Le fait que la transformée utilise des fonctions bien localisées dans le plan temps-fréquence
lui donne beaucoup d'avantages [44] :
• La résolution en fréquence de la transformée dépend du facteur de dilatation par le
principe de Heisenberg, on peut donc choisir arbitrairement celle-ci suivant ce que
l'on désire analyser.
• Pour des signaux physiques présentant des variations très rapides et des
discontinuités, l'analyse en ondelettes est adaptée car l'ondelette va détecter ces
variations et les analyser. Cette particularité rend l'analyse en ondelettes
complémentaire à l'analyse de Fourier. En effet, avec l'analyse de Fourier, les
discontinuités d'un signal ne sont pas facilement analysables.
• La localisation en temps est précieuse pour beaucoup d'applications.
• La transformée en ondelette peut représenter complètement et efficacement un
signal quelconque avec peu de coefficients.
49
III.10. Conclusion :
Les ondelettes sont considérées comme une découverte importante en mathématiques

appliqués. Dans plusieurs domaines d’applications où l’analyse de Fourier était
habituellement utilisée, elles ont proposé une voie alternative souvent mieux adaptée à la
nature des phénomènes étudiés.
L’étude approfondie qui a été menée dans ce chapitre a permis de mieux cerner les bases
théoriques, les propriétés et les caractéristiques de la transformée en ondelettes, et mieux
apprécier leurs avantages ainsi que leurs inconvénients dans l’analyse des signaux en
général, et le traitement d’image en particulier.
Dans le chapitre suivant on parlera de la modélisation des paramètres et classification.
50
Chapitre IV :
MODELISATION DES PARAMETRES ET DECISION

CHAPITRE IV MODELISATION DES PARAMETRES ET DECISION.
IV.1. Introduction:
Après extraction des paramètres pertinents du visage et obtention des vecteurs DWT qui
représentent le visage, on associe à chaque personne un modèle unique qui le caractérise à
l'aide d'une fonction mathématique.
Ces modèles de caractéristiques discriminantes feront l'objet de reconnaissance des
individus testés, et cela à l'aide d'un classificateur qui se base sur une méthode de
classification par mesure de similarité avec les quatre distances respectivement,
Euclidienne,Mahalanobis- Cosine, la norme Ctb et Cosine.
Nous présentons au cours de ce chapitre l'approche de modélisation par l'Analyse en
composantes principales (PCA) et les distance utiliser pour la classification.
IV.2. Réduction de dimensionnalité :

Les techniques de réduction de dimensionnalité sont un ensemble de techniques
mathématiques utilisées pour représenter des données disponibles dans un espace de
faibles dimensions. Ces techniques issues de travaux en statistiques permettent d'obtenir
une représentation réduite ou compressée des données originales tout en conservant les
caractéristiques les plus importantes pour les traitements subséquents (Bengio et al, 2004,
2004b, 2006, Van der Maaten et al,2001, 2009, Cai, 2009, Ghodsi, 2006, Saul, 2005).
La réduction de dimensionnalité permet d'obtenir une représentation d'un ensemble de
données en tant qu'espace topologique de dimension p incorporé dans un espace de
dimension m où p<m (avec m la dimension des données originales et p la dimension des
données réduites).
Les techniques de réduction de dimensionnalités peuvent être classifiées en utilisant trois
caractéristiques (Journaux et al., 2006) :
• Linéaire / non linéaire : en fonction du type de transformation appliquée aux

données (mapping).
• Local / global : basées sur les propriétés préservées par la transformation (dans la
plupart des méthodes non linéaires, il y a un compromis entre la préservation des
relations topologiques locales et la structure globale des données).
• Euclidienne / géodésique : sur la base de la fonction de distance utilisée pour
estimer si deux données sont proches les unes des autres avant et après la
transformation.
Dans la littérature scientifique, on peut retrouver d'autres types de classifications (Bengio et
al, 2004, 2004b, 2006, Ghodsi, 2006) : convexes, non-convexes, spectrales, denses, éparses,
etc.
En reconnaissance des visages, les techniques de réduction de dimensionnalité sont utilisées
pour l'apprentissage des sous-espaces des visages et pour la reconnaissance des données
extraites à partir d'images du visage. Dans le spectre infrarouge, la plupart des techniques
utilisées sont des techniques linéaires.
51
La majorité des techniques de réduction de dimensionnalité est inspirée de la

technique PCA. Ces dernières années, plusieurs auteurs (Yu et al, 2012, Bengio et al,
2004, 2004b, 2006, Ghodsi, 2006) ont démontré une relation directe entre diverses
techniques non linéaires et la technique PCA. La majorité des techniques non linéaires sont
une généralisation de la technique PCA où les données sont transformées de manière non
linéaire avant leur projection dans un espace propre (Eigen space).
IV.2.1. Définition d’analyse en composantes principale :
La technique des Eigen faces [49] a été développée par (Turk et al, 1991). Elle est basée sur
l'analyse en composantes principales (PCA). Cette analyse permet d'obtenir les vecteurs
propres (correspondants aux plus grandes valeurs propres) qui formeront la base où sera
représentée l'image du visage, d'où le nom de Eigen faces (Figure IV.1). Cette approche
permet une réduction de dimensionnalité en projetant l'image du visage dans un espace de
dimensions inférieures. Les coefficients de projection sont utilisés lors de la phase de
reconnaissance.
L'approche des Eigen faces permet une réduction de dimensionnalité et une représentation
sousespace dans un prolongement topologique. Une représentation moyenne des images
des visages est construite à partir de l'ensemble d'images utilisées lors de l'apprentissage.
Cette image et l'ensemble d'apprentissage sont ensuite utilisés pour extraire les vecteurs
propres représentatifs de l'espace des visages.
52
Figure IV.1 : Exemple d'Eigen faces (MIT 2012).

Supposons qu'on a un vecteur de dimensions m représentant l'image d'un visage,
l'algorithme des Eigen faces permet d'en obtenir une décomposition en composantes
principales. Il permet de retrouver le sous-espace ayant une direction de ses bases selon le
maximum de variance de l'espace original. Soit F, une transformation linéaire (mapping) de
l'espace original de dimensions m au sous-espace de dimensions n avec n « m.
Le nouveau vecteur est défini par : v, = F x,. Les colonnes de F sont les vecteurs propres
obtenus en résolvant l'équation : A\ vt=Q v„ avec Q étant la matrice de covariance. En
supposant que l'ensemble des visages utilisés lors de l'apprentissage est une bonne
représentation des diverses images de visages, alors les vecteurs sélectionnés sont une
bonne représentation de tous les visages possibles (Turk et al, 1991, Socolinsky et al, 2001,
Selinger et al, 2002). En sélectionnant les vecteurs propres correspondants aux valeurs
propres les plus grandes, on construit un sous-espace de projection des images des visages
de dimension réduite. Les étapes de l'algorithme des Eigenfaces sont présentées dans la
suite :
IV.2.2. Modélisation par la méthode PCA :

La phase de modélisation se fait hors ligne et consiste à générer l'espace de projection des
Eigenfaces à partir d'une base de données de vecteur caractéristiques du visage.
53
1. Soit un ensemble de M matrices de dimensions ∗ : 1≤ ≤ .

2. Transformer les matrices , de dimension ∗ en un vecteur Г, de dimensions ∗
1 en superposant les colonnes de chaque image (figure IV.2).
Figure IV.2 : Transformation de la matrice image ∗ en vecteur ∗ 1.
3. Calculer le vecteur moyen des images du visage ᴪ par : ᴪ= ∑ Г.

4. Soustraire le vecteur moyen des vecteurs représentant les images :ɸ = Г − ᴪ.
5. Calculer la matrice de covariance :
= ∑ ɸ ɸ = (Matrice de dimension ∗ ).Ou ( = [ɸ ɸ … ɸ ]).
6. Calculer les vecteurs propres ! , de la matrice de covariance = . La matrice

est très grande ∗ , donc le calcul des vecteurs propres peut s'avérer très coûteux
en temps de calcul. Turk et al (1991) ont proposé de résoudre un système de plus petite
dimension : Calculer les vecteurs propres " , de la matrice dont la dimension est de
∗ .
Et ont les mêmes valeurs propres et leurs vecteurs propres sont reliés
par l'équation suivante :! = ∗ " .
À M valeurs propres correspondantes au M plus grandes valeurs propres
de .
À cette étape, on calcule les M vecteurs propres ! de correspondant aux M plus
grandes valeurs propres, en utilisant l'équation : ! = ∗ " (Il est important de
normaliser les vecteurs ! , afin d'avoir‖! ‖ = 1).
54
7. Garder les $ vecteurs propres correspondants aux $ plus grandes valeurs propres
(avec$ ≤ ≪ ).
IV.2.3. Représentation de l'image du visage dans l'espace des Eigen faces :

Les vecteurs propres calculés précédemment représentent les vecteurs de base de l'espace
des Eigen faces où on projette les images du visage.
Une image du visage à laquelle on a soustrait la moyenne des visages peut être représentée
par une combinaison linéaire des $ vecteurs propres :
ɸ = Г − ᴪ = ∑)
( '( !( . On a '( = ! ɸ .
Ainsi, chaque image du visage ɸ , peut être représentée dans la base des Eigen faces !( par le vecteur:
'
* =' = 1,2,3, … , .
')
IV.2.4. Décision :
Dans le cas de l'identification, il s'agit d'examiner les modèles retenus par un agent humain
et donc décider. En ce qui concerne l'authentification, la stratégie de décision nous permet
de choisir entre les deux alternatives suivantes : l'identité de l'utilisateur correspond à
l'identité proclamée ou recherchée ou elle ne correspond pas. Elle est basée sur un seuil
prédéfini. L'estimation du seuil de la décision constitue la plus grande difficulté de ces
techniques, et elle peut engendrer deux types d'erreurs, souvent prises comme mesures de
performances pour ces techniques d'authentification: faux rejet (FRR) et fausse acceptation
(FAR). Bien sûr, un système d'authentification idéal est celui qui donne FAR=FRR=0.
Malheureusement, dans les conditions réelles, ceci est impossible. Par conséquent, un
compromis doit être fait dans le choix du seuil, et ce dernier est très dépendant de
l'application.
IV.2.5. Seuil :
Dans le problème de vérification d’identité, nous cherchons à définir, pour chaque personne,
ou de manière globale un seuil. Ce seuil va déterminer le minimum de ressemblance entre
deux images pour admettre qu’il s’agit de la même personne.
Ce minimum de ressemblance va s’exprimercomme une distance maximale entre les
caractéristiques des deux images. Pour fixer ce seuil l’ensemble d’évaluation est utilisé. Deux
distances sont calculées :
La distance intra classe (distance_intra) : La distance entre deux images de visage de même
individu.
La distance extra classe (distance_extra) : La distance entre deux images de visage de deux
individus différents.
Théoriquement on le calcule Seuil =(max (distance_intra)+min (distance_ extra))/2.
55
IV.3. Différentes distances utiliser pour la classification [50] :

Lorsqu’on souhaite comparer deux vecteurs de caractéristiques issus du module d’extraction
de caractéristiques d’un système biométrique, on peut soit effectuer une mesure de
similarité (ressemblance), soit une mesure de distance (divergence).
Dans le cadre de notre travail on s'est intéressé aux quatre distances suivantes:
Euclidienne(L2), Cosinus de Mahalanobis (MahCosine), Cosine et la norme Ctb.
La première catégorie de distances est constituée de distances Euclidiennes et sont définies

à partir de la distance de Minkowski d’ordre p dans un espace euclidien (déterminant la
dimension de l’espace euclidien).
Considérons deux vecteurs . = (/1, /2, … … ,/ ) et 0 = (11, 12, … … , 1 ), la distance de

Minkowski d’ordre p notée 2est définie par :
Nous allons présenter quelques mesures de distance dans l’espace original des imagespuis
dans l’espace de Mahalanobis.
IV.3.1. Distances Euclidiennes:

Dans le cadre de notre travail on a utilisé seulement la distance L2.
1. Distance City Block (L1) :

Pour p = 1, on obtient la distance City-Block (ou distance de Manhattan) :
2. Distance Euclidienne (L2):

Pour p = 2, on obtient la distance euclidienne :
Les objets peuvent alors apparaître de façons très différentes selon la mesure de distance
choisie.
IV.3.2. Distance Cosine (cosinus):
La similarité cosinus (ou mesure cosinus) permet de calculer la similarité entre deux
vecteurs à n dimensions en déterminant le cosinus de l'angle entre eux.
Soit deux vecteurs A et B , l'angle s'obtient : par le produit scalaire et la norme des
vecteurs comme suit :
56
Comme la valeur est comprise dans l'intervalle [1,-1] la valeur -1 indiquera résolument
opposés,0 vecteurs indépendants (orthogonaux) et un des vecteurs similaires (de coefficient
positif) les valeurs intermédiaires permettent d'évaluer le degré de similarité.
IV.3.3. Distances dans l’Espace de Mahalanobis :
1. De l’espace des images à l’espace de Mahalanobis :
Avant de pouvoir effectuer des mesures de distance dans l’espace de Mahalanobis, il est
essentiel de bien comprendre comment l’on passe de l’espace des images Im à l’espace de
Mahalanobis Ԑ ℎ. En sortie de l’algorithme PCA, nous obtenons des vecteurs propres
associés à des valeurs propres (représentant la variance selon chaque dimension). Ces
vecteurs propres définissent une rotation vers un espace dont la covariance entre les
différentes dimensions est nulle. L’espace de Mahalanobis est un espace où la variance selon
chaque dimension est égale à 1. On l’obtient à partir de l’espace des images Im en divisant
chaque vecteur propre par son écart-type correspondant.
Soit u et v deux vecteurs propres de 45, issus de l’algorithme PCA, et m et n deux vecteurs
de Ԑ ℎ. Soit 6 les valeurs propres associées aux vecteurs u et v, et 7 l’écart-type, alors on
définit 6 = 7 . Les vecteurs u et v sont reliés aux vecteurs m et n à partir des relations
suivantes :
2. Mahalanobis L1 (MahL1):
Cette distance est exactement la même que la distance City-Block sauf que les vecteurs sont
projetés dans l’espace de Mahalanobis. Ainsi, pour des vecteurs propres u et v de
projections respectives m et n sur l’espace de Mahalanobis, la distance Mahalanobis 1
estdéfinit par :
3. Mahalanobis L2 (MahL2) :
Cette distance est identique à la distance euclidienne à part qu’elle est calculée dans
l’espace de Mahalanobis. Ainsi, pour des vecteurs propres u et v de projections respectives
m et n sur l’espace de Mahalanobis, la distance Mahalanobis 2 est dénie par :
57
4. Cosinus de Mahalanobis (MahCosine):
Il s’agit tout simplement du cosinus de l’angle entre les vecteurs u et v, une fois qu’ils ont été
projetés sur et normalisées par des estimateurs de la variance.
Figure IV.3 : Les deux vecteurs m et n dans l’espace de Mahalanobis.
Nous avons donc par définition :
De plus, on peut écrire :
D’où la formule finale de la mesure de similarité MahCosine:
Où8 ℎ 9: (;, ) est la mesure de distance équivalente. On peut enfin noter qu’il s’agit
principalement de la covariance entre les vecteurs dans l’espace de Mahalanobis.
IV.4. Conclusion :
Nous avons vu dans ce chapitre l’intérêt, le mode de fonctionnement de la méthode PCA
pour la réduction de dimensions ou la modélisation, En deuxième lieu, nous nous somme
intéressées aux distances de classification. Nous verrons l’intérêt de ces dernières dans le
chapitre Tests et Résultats. Pour le prochain chapitre on verra les différentes étapes pour la
conception et réalisation de notre système.
58
Chapitre V :
CONCEPTION ET REALISATION
CHAPITRE V CONCEPTION ET REALISATION.
V.1. Introduction :
Ce Chapitre est consacré à l’étude analytique du fonctionnement du système, nous

détaillerons l’implémentation structurelle ainsi que les différents concepts et approches
informatiques utilisées pour la mise en œuvre de notre système. Nous débuterons par
montrer les différents cas d’usage, en passant par les méthodes de mesure de
performances, et enfin, la structure algorithmique et modulaire du système.
V.2. Conception :
Dans cette première partie du chapitre, nous présentons la composition d’un système de
reconnaissance de visage en général, et celle de notre système en particulier, et cela en
présentant les différentes approches adoptées, l’architecture des différents modules et
classes constituant notre système et en montrant l’interaction entre ces derniersà travers
plusieurs diagrammes.
V.2.1. Les acteurs du système :

1. L’Administrateur :
C'est la personne responsable de la gestion du système et de son bon fonctionnement, en

effectuant plusieurs taches :
• Gestion de la base de données.
• Enregistrement des nouveaux clients et suppression de ceux qui quittent le système.
• Maitre à jour les informations des clients.
• Test et réglage des différents paramètres du système.
1. L’individu Test :
Est la personne qui soit demande une autorisation d'accès (authentification), ou qui va être
identifiée.
V.2.2. Les diagrammes de cas d’utilisation du système :
Les cas d'utilisation vont nous permettre de préciser le contexte fonctionnel de notre système.
Ci-dessous, nous montrerons les différentes façons d'utilisation du système proposé :
59
REALIS
Figure V.1 :Diagramme de contexte du système.
1. Description du diagramme de contexte « Apprentissage » :
Titre : Enregistrement d'un

un nouveau client dans le système.
Résumé : Ce cas d'utilisation
utilisation permet à l'administrateur
l administrateur de répondre aux demandes d'ajouts
d
de nouveaux clients dans le système. Pour chacun, dix images du visage sont
s acquises, puis
utilisées pour générer un modèle unique qui sera stocké avec les informations personnelles
perso
(nom du sujet)) dans une base de données pour une utilisation ultérieure.
Acteur : le client, l'administrateur,
administrateur, webcam.
60
Figure V.2 :Description du cas d’apprentissage pour un nouveau client.
2. Description du cas d’utilisation « Identification » :
Titre : Identification d'un client.

Résumé : Quand l'utilisateur cherche à s'identifier, le système se charge de capter une image
de lui. A partir de cette image et de l'ensemble de modèles stockés dans la base de données,
le système définie l'identité de l'utilisateur.
Acteur : Client, webcam.
Figure V.3 :Description du cas d’apprentissage d’un client.

3. Description du cas d’utilisation « Authentification » :
Titre : Authentification d'un client.

Résumé : C'est le cas d'un individu qui proclame une identité pour une autorisation d'accès
par exemple. Le système prend une image de son visage pour vérifier si elle correspond à
l'identité proclamée ou pas.
61
REALIS
Acteur : Client, webcam.
Description du cas d’authentification d’un client.

Figure V.4 :Description
4. Description du cas d’utilisation « test des performances » :
Titre : Test des performances du système.

Résumé : Dans ce cas, l’Utilisateur
Utilisateur fait des tests sur une base d’images
images donnée,
donn en
variant un ou plusieurs paramètres du système. Ceci, afin d’évaluer
d valuer le système,
syst
mesurer les performances et calculer les paramètres optimaux adéquats pour cette
base.
Acteur :Client, webcam.
Description du cas d’authentification d’un client.

Figure V.5 :Description
62
REALIS
V.2.3. Architecture et fonctionnement du système :
Le système de reconnaissance de visage qu'on propose, se compose de deux unités principales

(Figure IV.6)) : apprentissage et reconnaissance.
Figure V.6 :Diagramme d’activité du système.

Nous détaillerons ci-dessous
dessous les modules qui constituent chaque unité, ainsi que les
algorithmes utilisés.
1. L’Apprentissage :
Fonctionnement du système en phase d'apprentissage :
63
REALIS
V. :Diagramme de séquence Apprentissage.

Figure V.7
Description du scénario d'apprentissage :
Le client introduit au système un ensemble d’image de son visage.
visage.
Le système demande au client d’introduire
d ses informations.
L’administrateur
administrateur choisi les paramètres du système et la base de données
d’enregistrement.
Le client introduit les informations demandées.
Le système sauvegarde les informations entrées par L’utilisateur et l'ensemble de ses
images dans la base de données.
données
On prend n images de la base de données pour faire l’apprentissage.
L'extraction
xtraction des paramètres de l'ensemble des images d'apprentissage en utilisons
l'approche DWT.
Le résultat (Matrices DWT) s
Projection sur un espace de vecteur propre avec la méthode PCA.
Sauvegarde du modèle PCA. PCA
2. Découpage modulaire :
Le processus d'apprentissage
rentissage est illustré ci-dessous
ci (Figure IV.8)) et les différents modules qui le
composent sont détaillés par la suite :
Représentation modulaire de la phase d’apprentissage.

Figure V.8 :Représentation
64
REALIS
3. Module d’acquisition :
L'acquisition de l'image de l'échantillon biométrique est la première étape du
fonctionnement de tout système de reconnaissance biométrique. Elle consiste à extraire des
informations du monde réel en utilisant des dispositifs appropriés à la modalité étudiée.
Dans le cas de notre projet (reconnaissance
(reconnaissance du visage) cette phase suit le schéma suivant :
Figure V.9 :Processus d’acquisition.
Localisation du visage
Elle se fait par la technique de détection des couleurs suivant trois étapes :
• Détection de l’ensemble
ensemble des points ayant comme couleur celle
celle de la peau.
• Calcul du centre de gravité de ces points.
Traçage d’un
un cadre qui englobe le visage ayant comme centre le point calculé auparavant.
La prise de l’image
image du visage se fait par une Webcam qui extrait la partie encadrée
encadr pour
l’enregistrer et l’étudier plu tard.
4. Module de prétraitement :
Plusieurs facteurs peuvent diminuer la qualité de l’image lors de l’acquisition

acquisition, notamment :
la qualité du dispositif d’acquisition
acquisition ou l’environnementd’acquisition.Voir figure IV.10.
Figure V.10 :Représentation de l’étape prétraitement.
5. Module d’extraction des paramètres :
Après prétraitements des images en niveaux de gris, qui qui représentent nos données, ce
module permet d’extraire
extraire les caractéristiques
caract pertinentes
entes de chacune en appliquant
l’approche DWT puis la projection de la matrice caractéristiquesur un espace de vecteur
propre générer par la méthode PCA.
65
Algorithme DWT :
Algorithme DWT
1) Découpage de l’image en quatreblocs de pixels à chaque
itération (selon le Level « dans notre cas level 1 ») : les 3
derniers blocs concernent les détails de l’image (vertical,
horizontal, diagonal), le premier bloc correspond à l’image
détaille.
2) Appliquer deux filtre (passe bas, passe haut) issue du choix
d’ondelette à chaque bloc de pixel.
3) Construction de la matrice DWT à partir des coefficients
(vecteur caractéristique) obtenu.
Remarque : la matrice DWT est forme par la concaténation de
l’ensemble des vecteurs caractéristiques.
Figure V.11: Algorithme DWT.
6. Module de modélisation :
A partir des matrice DWT obtenue à l’aide du module d’extraction de paramètres, ce module
qui est le plus important s’occupe de générer les modèles des personnesc_a_d vecteur
propre (Eigen face) en utilisant la méthode PCA.
Algorithme PCA
Entrées : chargement de la base d’apprentissage.
1) Calculer le vecteur moyen des images d’apprentissage du
visage représenté par la matrice A.
2) Soustraire le vecteur moyen des vecteurs représentant
l’image.
3) Calculer la matrice de covariance ∗ .
4) Calculer les vecteurs propres V de la matrice ∗ .
5) Les vecteurs propres calculés précédemment représentent les
vecteurs de base de l’espace des Eigen faces ou on projette
les images du visage.
Figure V.12: Algorithme PCA.
66
7. Module de sauvegarde :
Chaque client doit être enregistrée dans une base de donnes en sauvegardant ces
informations personnelles et son modèle, pour être par la suite récupérer et utiliser en
phase de reconnaissances.
V.2.4. Phase de reconnaissances (Test et décision) :
Après l’étape d’apprentissage qui se termine par l’enregistrement des clients dans la base de
données, le système est mis en fonction selon les deux modes : Identification ou
authentification (vérification).
1. Identification :
Fonctionnement du système en phase d’identification.

Un système de reconnaissance des visages qui fonctionne en mode identification est un
système qui permet de chercher l’identité d’une personne parmi plusieurs sauvegardées au
préalable (clients) comme montre la figure suivante :
Figure V.13:Diagramme de séquence du cas Identification.
Description du scénario d’identification :
1) Acquisition de l’image du visage de l’individu test.

2) Application des prétraitements nécessaires sur l’image acquise pour éliminer le bruit puis
la transformer en une matrice de deux dimensions.
67
REALIS
3) Extraction des paramètres pertinents de l’image test à l’aide de la DWT et la méthode

PCA comme pour la phase d’apprentissage.
4) Calcul de la distance minimale de l’image test par rapport à tous lesmodèles des clients
dans la base de données.
5) Le résultat de l’identification
identification correspond au modèle
mod le ayant la plus petite
distance avec l’image
image test.
Figure V.14:
V.14 Description du procédé d’identification.
.
2. Authentification :
Le principe de ce mode de reconnaissance est de vérifier si l’identité de la personne testée

est la même que celle proclamée par cette dernière comme illustré dans la figure suivante :
68
REALIS
Figure V.15:Description
V.15 du procédé d’authentification.
Description du scénario d’authentification

d :
1) Le client introduit son identifiant.
identifiant
2) La sauvegarde de l’identifient
identifient dans la base de données.
donn
3) Acquisition de l’image
image du visage du client.
4) Application des prétraitements sur l’image
l image acquise, et sa transformation en matrice de
deux dimensions.
5) Calcul duvecteur propre en appliquant la DWT et PCA a l’imageobtenue imageobtenue après
apr
prétraitements.
6) Calcul de la distance minimale du vecteur propre par rapport au modèle proclamé.
7) Chargement duseuil.
8) Calculer le score_client et le score_imposteur:
score_imposteur
score_client>score_imposteur
_imposteur personne testée : client.
score_client<=score_imposteur
_imposteur personne testée : imposteur.
69
REALIS
Figure IV.16 :Description du procédé d’authentification.

authentification.
V.2.5. Calcul des performances du système :
L’objectif de cette opération

ration est d’optimiser
d les performances du système
syst en jugeant
l’efficacité des méthodes
thodes sur lesquelles il se base. Cela se fait en estimant un ensemble
d’indicateurs
indicateurs qui diffèrent selon le mode de reconnaissance :
1. Mode identification :
Mesurer les performances du système pour ce mode mode de reconnaissance consiste à calculer
le taux d’identification
identification (TID), qui représente
repr sente la proportion du nombre de personnes
identifiées sans erreurs. Le principe est le suivant : Pour toutes les personnes qui ont un
modèle dans la base de données (client),
(client l’administrateur
administrateur effectue un test d’identification
d
et compte le nombre de personnes bien identifiées. Puis, il divise ce dernier sur le nombre
de personne testées et multiplies par 100.
Figure V.17 :Calcul du TID.

2. Mode authentification :
Mesurer les performances d’’un système me de reconnaissance des visages opérant

op en mode
authentification se fait en trois étapes :
Le calcul de l’ensemble des scores clients et scores imposteurs et le seuil.
seuil
70
Seuil :
Seuil← {}
Seuil ←(max (distance_intra)+min (distance_extra))/2.
Figure V.18 :calcul du Seuil.

Scores clients:
Score_client← {}
Pour i=1 nb_presonne dans le système
Min ← distance (proclamer (i,i))
Si Min<=Seuil
Score_client ← Score_client +1
Fin pour.
Figure V.19 :calcul du score client.

Scores imposteurs :
Score_imposteur← {}
Pour i=1 nb_presonne dans le système
Pour j=1, pas, nb_presonne dans le système (i<>j)
Min ← distance (proclamer (i,j))
Si Min>Seuil
Score_imposteur ←Score_imposteur +1
Fin pour.
Fin pour.
Figure V.20:calcul du score imposteur.
Calcul des paramètres FRR, FAR :

Le FAR, FRR qui sont respectivement le taux de fausse acceptation, et le taux de faux rejets
sont des paramètres utilisés pour mesurer les performances en mode authentification.
71
Le taux des fausses acceptations (FAR) est calculé à partir nombre de fausse acceptation sur
le nombre de test extra classe multiplier par 100 qui représente le nombre de personnes qui
ont proclamé des identités autre que les siennes, mais qu’ils ont été acceptés par le système
(personne faussement acceptée). Le FAR est donné par l’algorithme suivant :
Fausse_acceptation← {}
Pour i=1 à nbr_Test_extra
si (dist_min_extra(i)<=Seuil)
Fausse_acceptation← Fausse_acceptation+1
Fin pour
FAR←(Fausse_acceptation/nbr_Test_extra)*100.
Figure V.21:calcul du FAR.
Le taux des fauxrejets (FRR) est calculé à partir nombre de faux rejets sur le nombre de test
intra classe multiplier par 100 qui représente le nombre de personnes qui ont été
faussement rejeter, mais qu’ils doivent être accepter par le système (personne faussement
rejeter). Le FRR est donné par l’algorithme suivant :
Faux_rejet← {}
Pour i=1 à nbr_Test_intra
si (dist_min_intra(i)>Seuil)
Faux_rejet ←Faux_rejet+1
Fin pour
FAR←(Faux_rejet/nbr_Test_intra)*100.
Figure V.22:calcul du FRR.
72
REALIS
3. Test de performances :
Diagramme de séquence du cas test de performances.

Figure V.23:Diagramme
• Description du scénario de calcul des performances :

1) L’utilisateur choisi la configuration.
2) La sélection de la base de données pour faire les tests.
3) La mesure des performances du système : le calcul du TID, FAR,, FRR etSeuil pour la
configuration choisie.
4) Chargement des modèles d’apprentissage
d et de teste déjà enregistrés..
5) Enregistrement du TID, FAR, FRR et Seuil.
6) Affichage des résultats.
V.2.6. Schéma conceptuel de la base de données :
Figure V.24:Schéma
V.24 conceptuel de la base de données.
73
V.3. Réalisation :
V.3.1. Introduction :
Après avoir présenté dans la partie précédente les différentes étapes de la conception de
notre système, nous allons justifier nos choix techniques (outils utilisé et langages de
programmation). Enfin nous allons présenter les différentes interfaces de notre application.
V.3.2. Outils de développement :
Le choix des outils de programmation se fait par plusieurs facteurs : La puissance, La

disponibilité de plusieurs fonctionnalités, …etc. Dans le cadre de notre projet, nous avons
utilisé les outils suivants :Matlab 2015b.
1. Matlab :
MATLAB est une abréviation de Matrix LABoratory. Écrit à l’origine, en Fortran, par Cleve
Moler a la fin des années 1970, optimisé pour le traitement des matrices, d’où son nom.
MATLAB est un environnement puissant, complet en plus de sa disponibilité est assurée sur
plusieurs plateformes : Sun, Bull, HP, IBM, compatibles PC (DOS, Unix ou Windows),
Macintoch, iMac et Plusieurs machines parallèles.
Matlab est un environnement de calcul scientifique et de visualisation de données qui existe
depuis plus de dix ans. Sa facilité d'apprentissage et d'utilisation (due à une syntaxe très
claire) en ont fait un standard adapté pour les divers problèmes l'ingénierie. Parmi les
raisons qui nous ont poussé à l’utiliser, on trouve :
• Ses très nombreuses fonctions prédéfinies et prêtes à l’emploi.
• Sa simplicité à l’implémentation et rapidité de calculs.
• Sa fiabilité et sa robustesse.
V.3.3. Structures de données et implémentation :

L’implémentation de notre système est composée de plusieurs bibliothèques de classes ;
chacune contient plusieurs classes :
74
1. Acquisition :
Afin de capter des images d’individu à partir d’une webcam certaine méthodes sont
nécessaire, Ci-dessous :
Les variables:
Webcam : une variable de type camera.

img : image de visage capturer.
Fonctions:
Acquisition : permet d’appeler la webcam, de détecter le visage et de l’extraire

dans une variable.
Figure V.25:variables et fonction de la partie acquisition.

2. Extraction de paramètre :
Les variables:
Nbr_sujet : nombre de sujet choisie dans la base de donnes.

Type_vecteur_caracteristique : vecteur image détaillé (1), Vecteur concaténé
(4).
Type_ondelette : choix de la DWT (haar, db, …).
Fonctions:
Train_donnees : permet d’appliquer l’ondelette a la base de données, créer la

base de données test et apprentissage toute en extrayant les vecteurs propres.
Figure V.26 :variables et fonction de la partie apprentissage.
3. Identification :
Les variables:

Path_in : le chemin de l’image à identifier.
Dist : choix du classifieur (cos, euc, …).
Nbr_image_dwt : image approximée (1), image détaillée (4). 75
Fonctions:
Identification : permet d’identifier une personne et elle retourne son Id, l’image
de la personne identifier et le temps d’exécution.
Figure V.27:variables et fonction de la partie identification.

4. Authentification :
Les variables:

Path_in : le chemin de l’image à identifier.
Dist : choix du classifieur (cos, euc, …).
Type_vecteur_caracteristique : vecteur image détaillé (1), vecteur concaténé
(4).
Fonctions:
Authentification : permet d’Authentifier une personne à partir d’une image et

elle retourne le score (client, imposteur), le temps d’exécution.
Figure V.28:variables et fonction de la partie authentification.
V.3.4. Présentation de l’application :
Dans cette partie, on présentera notre application, ainsi que ses différentes fonctionnalitéset
leur correspondance avec les modules illustrés dans les sectionsprécédentes.
Comme tout logiciel de reconnaissance de visages, le nôtre est composé des principaux
modules suivants :
76
1. Interface apprentissage :
Figure V.29 : interface apprentissage.

1. Choix du type d’ondelette à appliquer (haar, db1, coif1, sym1, dym).
2. Choix nombre du sujet dans la base de données (1 à 40).
3. Choix du type du vecteur caractéristique (vecteur image détaillée, vecteur concaténé).
4. Résultat d’apprentissage.
5. Temps d’exécution de la phase apprentissage.
2. Tests de performance :
Figure V.30 : interface tests de performance.

1. Choix du classifieur.
2. Choix du nombre du sujet dans la base de données.
3. Taux d’identification (TID).
4. Taux de fausse acceptation (FAR).
5. Taux de faux rejet (FRR).
6. Distance intra classe (intra_max).
7. Distance extra classe (extra_max).
8. Seuil.
77
3. Interface identification :
Figure V.31 : interface identification.

2. Chargement de l’image de la personne à identifier.
3. Image de la personne à identifier.
4. Image de la personne identifier
5. Résultat d’identification (identifiant client).
6. Temps d’exécution de la phase identification.
4. Interface authentification :
Figure V.32 : interface authentification.
2. Chargement de l’image de la personne à authentifier.
3. Image de la personne à authentifier.
4. Résultat d’authentification (client ou imposteur).
5. Temps d’exécution de la phase identification.
78
V.3.5. Conclusion :
Dans ce chapitre, nous avons illustré le schéma général de notre système de reconnaissance
de visages et les détails des modules qui le composent, ainsi que les différentslangages et
outils utilisés pour assurer son bon fonctionnement.
79
Chapitre VI :
TESTS ET EVALUATION DES RESULTATS

CHAPITRE VI TEST ET EVALUATION DES RESULTATS.
VI.1. Introduction:
Dans ce chapitre, on exposera les résultats et tests effectués utilisant l’approche de

classification dite : par mesure de similarité, ou nous avons utilisé quatre distances pour
laclassification à savoir (distance euclidienne, "Mahalcos", "Cosine" et la norme "Ctb").Les
tests effectués concernent les deux modes de reconnaissance à savoir l’identification et la
vérification. Dans un premier temps,on exposera les tests effectués selon chaque mode, et
pour chaque méthode de classification utiliséeon va étudier l'influence du choix d'ondelette
et le type de vecteur caractéristique (soit un vecteur image détaillée ou la concaténation des
quatre vecteurs caractéristiques)utilisé dans l'étape extractions de paramètres, sur la
performance du système.Ensuite, on fera une étude comparative de ces quatre approches
de classification et on terminera par une conclusion des tests réalisés.
VI.2. La Base de données ORL :
Les données utilisées pour réaliser les tests sur notre système proviennent de labase ORL.
Cette base de données est une référence pour les différents systèmes de reconnaissance
automatique de visage dans le monde. Cela est dû au nombre important de contraintes
qu'elle impose, et les différentes variations du visage qu'elle prend en compte, comme par
exemple : la coiffure, la barbe, les lunettes, les changements d'expressions faciales, …etc.
La base ORL (Olivetti Research Laboratory) a été conçue par AT&T laboratoires de
l'université de Cambridge en Angleterre. Elle est constituée de 400 images(en niveau de gris
de taille 92*112 pixels chacune) de l'ensemble de 40 individus, tel que chacun possède 10
poses 5 pour l'apprentissage et 5 pour le test.
• Images apprentissages :Les cinq premières images servent pour la phase

d’apprentissage, ce qui nous fait un sous ensemble de 200 images dédiées à cette
phase.
• Images Tests: Les cinq dernières images de chaque individu nous ontservies pour la
réalisation des différents tests, ce qui nous fait un sousensemble de 200 images
dédiées à la phase test dans ses deux modes.
Les tests ont été réalisés sur un ordinateur personnel PC DELL i5-4200U CPU @ 1.6 GHz 2.3
GHz et une RAM de 6,00 G.
80
CHAPITRE VI TEST ET EVALUATION
ATION DES RESULTATS.
V : Exemple de visages de la base ORL.

Figure VI.1
VI.3. Protocole d'évaluation:
Le système a été soumis à une série de tests en ses deux modes (identification et
vérification) avec différents paramètres de configuration suivant les deux approches
respectivement d'extraction de paramètres DWT et de modélisation par méthode ACP et
ceci avec les quatre distances classification à savoir
oir : (par distance euclidienne,
euclidienne mahalcos,
cosine et la norme ctb)) dans le but de faire une étude étude comparative des différentes
configurations
onfigurations et les performances qui en résultent. Ces tests ont été réalisés suivant
suiv le
protocole suivant:
• Générations des Modèles DWT: On a utilisé comme indiqué précédemment les 5

premières images
mages de chaque personne pour générer leurs modèles suivant
l'algorithme DWT (avec le choix d'ondelette à appliquer et le type de vecteur
caractéristique)) défini dans le chapitre III, il en résulte au final 200 modèles
représentatifs de ces personnes.
• Réduction d'espace des modèles DWT par la méthode méthod ACP: on prend tous les
Modèles DWT on les projette dans l'espace ACP pour réduire leurs tailles et ainsi,
extraire les vecteurs visages
visage (Eigen faces) pour chaque personne, qui serons ensuite
des modèles à enregistrer dans la base de données pour la reconnaissance.
reconnaissance
• Configuration
ation des paramètres du système:
1. Paramètres fixes:
Lee level (le niveau de décomposition) pour la DWT : un level (niveau)
Taille des "Eigen faces" : 199 comparantes caractéristique.
Nombre
ombre d'image d'apprentissage : 5 images pour chaque personne
81
2. Paramètres variables :
Ondelette à utiliser pour la DWT: "Haar", " sym", "db", "dmey", "coief".
Type de vecteur caractéristique : vecteur image détaillée, vecteur concaténé
Méthodes de classification : euclidienne, mahcos, cosine, la norme ctb.
Seuil de décision : variable pour chaque configuration.
Suivant différentes combinaisons des configurations de paramètres décrits plus haut, les
résultats de ces tests sont détaillées comme suit:
VI.4. Résultats des Tests:
Dans ce qui suit, on exposera les différents tests effectués sur la base de données ORL.
Dans les deux modes identification et authentification (vérification).
VI.4.1. Mode identification (vecteurs caractéristiques concaténés) :
Effet du choix d'ondelette et la méthode de classification sur le TID: 8
Euclidienne Mahalcos Cosine Ctb

Haar 52.00 53.00 53.00 73.5
Daubechies 52.00 53.00 53.00 73.5
Symlets 52.00 53.00 53.00 73.5
Coiflets 41.50 44.50 44.50 68.00
Demystified 63.50 56.50 56.50 78.50
Tableau VI.1 : Variation du taux d’identification TID (%) en fonction de type d'ondelette et la
distance (Vecteur concaténé).
82
Figure VI.2 :Variation du taux d'identification TID (%) en fonction de type d'ondelette et la
A travers ces courbes, on s'aperçoit que l'on atteint les meilleures performances en terme de
taux d'identification
ification (TID) avec la méthode de classification par mesure de similarité utilisant
la distance de la norme Ctb par pa rapport aux autres méthodes ,et et cela quel que soit
l'ondelette utilisée notamment l'ondelette orthogonale de "demystified" ou on à trouver le
TID le plus élevé (78.5% ).il
.il est aussi à noter que avec les deux méthodes Cosine et Mahalcos
ont à trouver les mêmes performances ce qui est expliquer par la superposition de la courbe
courb
Cosine sur celle de Mahalcos.
Mahalcos En termes d'ondelette on à constater er que l'ondelette
de"Haar", "Daubchies" et "Symlets" donnent les mêmes résultats (peu satisfaisant), une
légère baisse des performances pour "Coiflets" et un excellent résultat pour l'ondelette de
"Demystified" ceci peut être due à sa grande capacité d'élimination
imination de bruit dans l'étape
l
extraction de paramètres.
VI.4.2. Mode
ode authentification (vérification):
• FAR 8
Effet du choix d'ondelette et la méthode de classification sur le FAR:

Haar 29.358 35.769 35.769 38.589
Daubechies 29.358 35.769 35.769 38.589
Symlets 29.358 35.769 35.769 38.589
Coiflets 47.564 38.461 38.461 36.794
Demystified 28.846 31.794 31.794 27.692
Tableau VI.2 : Variation du taux fausse acceptation FAR (%) en fonction de type d'ondelette
et la distance (Vecteur concaténé).
83
Figure VI.3 : Variation du taux de fausse acceptation FAR (%) en fonction de type d'ondelette
et la distance (Vecteur concaténé).
A travers les résultats dess tests voir (tableau VI.2) et la figure ci-dessus
dessus on remarque qu'on
atteint le Taux de fausse acceptation (FAR) le plus bas avec la méthode de classification par
la distance de la norme Ctb avec
av l'ondelette de "Demystified",d'où elle confirme aussi ses
performances en mode authentification,
authentification il est important à savoir que,, dans un système
biométrique de reconnaissance plus le FAR est proche de zéro plus les performances sont
bonnes et vice versa.
• FRR 8
Effet du choix d'ondelette et la méthode de classification sur le FRR:

Haar 11.40 7.60 7.60 5.40
Daubechies 11.40 7.60 7.60 5.40
Symlets 11.40 7.60 7.60 5.40
Coiflets 8.40 9.60 9.60 10.20
Demystified 9.20 7.30 7.30 8.30
Tableau VI.3 : Variation du taux de faux rejet FRR (%) en fonction de type d'ondelette et la
84
FigureVI.4 : Variation du taux de faux rejet FAR (%) en fonction de type d'ondelette et la
A travers les résultats des tests voir (tableau VI.3) et la figure ci-dessus on remarque qu'on
atteint le Taux de faux rejet (FRR) le plus bas avec la méthode de classification par la
distance de la norme Ctb mais , cette fois ci avec les trois ondelettes respectivement "Haar"
,"Daubechies" et "Symelts" , et mêmes si "Demystified" donne de moins bonnes
performances en terme de FRR par rapport aux ondelettes "Haar", "Daubechies" et
"Symelts" il vaut mieux la choisir parce que avec cette ondelette on a obtenu de meilleure
performances en FAR, cependant dans un système biométrique de reconnaissance , on
préfère souvent un FAR plus bas qu'un FRR , en d'autre terme il vaut mieux rejeter un client
qu'accepter un imposteur .
Il est important à savoir que dans un système biométrique de reconnaissance plus le FRR est
proche de zéro plus les performances sont bonnes et vice versa.
VI.4.3. Mode identification (vecteur image détaillé) :
• Effet du choix d'ondelette et la méthode de classification sur le TID:

Haar 78.00 78.00 78.00 82.50
Daubechies 78.00 78.00 78.00 82.50
Symlets 78.00 78.00 78.00 82.50
Coiflets 81.50 81.50 81.50 87.50
Demystified 77.50 79.50 79.50 85.50
Tableau VI.4 : Variation du taux d'identification TID (%) en fonction de type d'ondelette et la
distance (Vecteur image détaillé).
85
Figure VI.5 : Variation du taux d’identification TID (%) en fonction de type d'ondelette et la
On constate à travers ces courbes

courbe l’effet très positif engendré par l’utilisation d'un seul
vecteur caractéristique
stique (vecteur détaillé),
détaillé), où on atteint de très bonnes performances
perform avec
un TID égale à 87.5%,, représentant le meilleur taux atteint des tests. Également ce taux a été
obtenu avec la distance de la norme Ctb , mais cette fois ci avec l'ondelette de "Coifliets" et
non plus avec l'odelette de "Demystified",
"Demystified" comme on a vu avec l'utilisation de vecteur
caractéristique (vecteur concaténé) "Coifliets"
" elle a était au cinquième rang en terme de
performances en mode identification bien que, avec l'utilisation de vecteur détaillé on à
constater une augmentation positive voire d'un TID de 41.5% à 81.5% avec "Coifliets" et la
distance euclidienne. Pour les quatre distances de classification, aussi on remarque des
augmentions
gmentions très significative de performances par rapport à celles obtenus avec le vecteur
concaténé, (voir tableau VI.1
.1 et tableau VI.4).
V
VI.4.4. Mode authentification (vérification):
• Effet du choix d'ondelette et la méthode de classification sur le FAR:

FAR

Haar 24.743 36.538 36.538 10.897
Daubechies 24.743 36.538 36.538 10.897
Symlets 24.743 36.538 36.538 10.897
Coiflets 21.666 33.846 33.846 16.538
Demystified 26.794 38.205 38.205 20.384
Tableau VI.5 : Variation du taux de fausse acceptation FAR (%) en fonction de type
d'ondelette et la distance (Vecteur image détaillé).
86
Figure VI.6 : Variation du taux de fausse acceptation FAR (%) en fonction de type d'ondelette
et la distance (Vecteur image détaillé).
A travers les résultats des tests voir (tableau VI.4)

V et la figure ci-dessus
atteint le Taux de fausse acceptation (FAR) le plus bas avec la méthode de classification par
la distance de la norme Ctb avec les trois ondelettes respectivement "HaarHaar", "Daubechies" et
"Symlets", d'où il est préférable de les utilisées en mode authentification , il est à savoir que
dans un système biométrique de reconnaissance plus le FAR est proche de zéro plus les
performances est bonnes et vice versa.
• Effet du choix d'ondelette et la méthode de classification sur le FRR:

Haar 7.70 5.10 5.10 13.80
Daubechies 7.70 5.10 5.10 13.80
Symlets 7.70 5.10 5.10 13.80
Coiflets 7.70 4.40 4.40 9.70
Demystified 6.10 3.80 3.80 7.50
Tableau VI.6: Variation du taux de faux rejet FRR (%) en fonction de type d'ondelette et la
87
Figure VI.7 : Variation du taux de faux rejet FRR (%) en fonction de type d'ondelette et la
A travers les résultats des tests voir (tableau VI.6)

V et la figure ci-dessus
atteint le Taux de faux rejet (FRR) le plus bas de ces tests avec la méthode de classification
par les distances "Cosine" et "mahalcos" avec l'ondelette de "Demystified",
"Demystified" même si cette
fois ci la distancee de la norme Ctb n'a pas donner les meilleures
ures performances en faux rejet,
rejet
elle reste quand même, la meilleure
mei en mode authentification,, vue les performance obtenus
en fausse acceptation (FAR). Cependant dans un système biométrique rique de reconnaissance,
reconnaissance on
préfère
éfère un FAR plus bas qu'un FRR, FRR en d’autres termes il vaut mieux rejeter un client
qu'accepter un imposteur.
Ill est à savoir que dans un système biométrique de reconnaissance plus le FRR est proche de
zéro plus les performances sont bonnes et vice versa.
VI.5. Comparaison entre l'utilisation

l de vecteur image détaillé et le
vecteur concaténé:
Dans le but de comparer les deux cas nous avons dressé des tableaux récapitulatifs des
meilleurs taux de chaque cas,, ceci est donné par le tableau ci-après:

Un seul 63.50 56.50 56.50 78.50
vecteur
Concaténation 81.50 81.50 81.50 87.50
des quatre
vecteurs
Tableau VI.7 : vecteur image détaillé Vs vecteur concaténé TID(%)
88
FigureVI.8 : vecteur image détaillé Vs vecteur concaténé TID(%)
Ces courbes nous montrent que les performances avec l'utilisation de vecteur concaténé
sont meilleures que celles d’utilisation de vecteur concaténé et l'écart de performances
augmente en faveur des distances "Cosine" et" mahalcos".
VI.6. Comparaison entre les quatre distances de classification :
Dans le but de comparer les quatre distances de classification nous avons dressé un tableau
récapitulatif des meilleurs taux d'identification dans les deux cas c.-à-d. (vecteur image
détaillé ou vecteur concaténé) et cela pour chaque distance, ceci est donné par le tableau
suivant:

63.50 56.50 56.50 78.50
81.50 81.50 81.50 87.50
Tableau VI.8 : comparaison des quatre distances de classification en TID (%).
89
Figure VI.9 : comparaison des quatre distances de classification en TID (%).
A travers ces courbes on remarque bien, que la distance de la norme Ctb donne de
meilleures performances en mode identification avec un TID très satisfaisant de 87.5 %, en
deuxième rand les trois autres distances Euclidienne, Cosine et Mahalcos avec un TID de
81.5%.
VI.7. Temps d'exécution:
L'approche de classification par mesure de similarité utilisant la distance de la norme Ctb est
particulièrement robuste et on a vu à travers les différents tests effectués qu'elle donne
d'excellents résultats que ce soit en mode identification ou vérification. Cependant il reste
confirmé en terme du temps d’exécution et le comparant ainsi aux temps obtenus avec les
trois autres distances à savoir, Cosine, Mahalcos et Euclide.
Entre autres ce temps-là augmente en augmentant le nombre de personnes dans la base.
Voici donc à titre indicatif quelques mesures de temps d'exécutions pour les quatre
distances de classification en mode identification et authentification avec l'utilisation de
l'ondelette de "Coifelets " et le vecteur détaillé qui ont donné des bons résultats.
Euclidienne Cosine Mahalcos Ctb

4.18 s 4.70 s 6.38 s 3.68 s
Tableau VI.9 : temps d'exécutions en mode identification et authentification en (seconds).
Les temps d'exécution des quatre distances ne dépassent pas sept seconds en identification
plus authentification.
90
VI.8. CONCLUSION :
A travers ces tests effectués dans les deux modes (Identification et vérification), on peut
résumer l'effet du choix d'ondelettes à appliquer, la distance de classification et le type de
vecteur caractéristique, comme suit:
En utilisant le vecteur détaillé, les performances augmentent d'une manière significative et

ceci quel que soit l'ondelette à appliquer et la distance de classification à utiliser ceci peut
être due à l'utilisation seulement de l'information pertinente c.-à-d. en se focalisant juste
sur les détaille de l'image issu de l'application de la DWT.
En utilisant le vecteur concaténé le système n'a pas atteint des très bonnes performances
dans les deux modes identification et authentification, ceci due peut-être à l'utilisation de
composantes caractéristique en plus (détaille vertical, détail horizontal et détail diagonal),
c'est-à-dire de l’information inutile qui joue le rôle de parasite ou bien de bruit dans la
classification.
En terme, d'ondelette " Demystified" est la mieux adapté dans le cas du vecteur image
détaillé, elle nous donne de bonnes performances en identification et authentification,
l'ondelette de " Coiflets" est la mieux adapté dans le cas de la concaténation, avec une
faveur pour cette dernière car, avec l'application de celle-ci on a atteint les meilleures
performances des tests réaliser, quant aux trois autres ondelettes, " Haar", " Daubechies" et
"symlets", les performances sont peu satisfaisantes, et elles sont égaux durant tous les tests
réalisés.
Enfin, pour les distances de classification la distance de la norme Ctb est meilleure pour la
classification, avec elle on a attient les meilleures performances en identification et en
authentification, voire un TID de 87.5% qui est un résultat très satisfaisant en prenant en
compte les limites de la classification par mesure de similarité.
91
Conclusion et Perspectives.
Conclusion et Perspectives :
Ce travail s'inscrit dans le domaine de la reconnaissance automatique des visages. Celui-ci

consiste à vérifier l'identité d'une personne à partir de son image. Utilisés principalement
pour des raisons de sécurité et/ou confidentialité, les systèmes de reconnaissance
automatique des visages sont souvent développés dans les applications de télésurveillance
et l’accès à des endroits sécurisés. On peut également l'associer à d'autre modalités (ex :
vérification de signatures, la voix, des empreintes digitales et de la forme de la main) dans
des systèmes de vérification et d'authentification multimodale de l'identité. Du point de vue
applicatif, les systèmes de reconnaissance de visages ont atteint une maturité permettant
une intégration dans les applications commerciales. Aussi, l'amélioration des performances
permet d'envisager le déploiement d'applications visant à réduire de façon significative la
fraude dans différents contextes où la sécurité est impérative. Notre projet de fin d'étude
s'inscrit dans ce contexte.
En effet, nous avons conçu et réalisé un système de reconnaissance de visages dans ses deux
modes (identification et vérification) basé sur l'approche DWT-PCA pour l'extraction et la
modélisation de paramètres, la méthode de classification dite par mesure de similarité
associé à quatre distance (Euclidienne," Mahalcos","Cosine" et la "norme Ctb"), dont nous
avons constaté la puissance, la robustesse et la simplicité.
Dans chaque système de reconnaissance, le critère de mesure permettant le choix de telle

ou telle approche concerne les performances incarnées par le taux d’identification correcte
en mode identification et le taux de fausse acceptation (FAR) et le taux de faux rejet (FRR) en
mode vérification. A cet effet, les tests effectués sur la base de données ORL nous ont
permis de constater que la modélisation par l'approche DWT-PCA donne de bons résultats
que ce soit par utilisation de la méthode de classification par mesure de similarité associé au
quatre distances notamment celle de la norme Ctb.
Cependant, l’approche DWT-PCA permet de palier aux problèmes de dimensionnement dans

le sens que si la dimension des données est élevée, elle permet de réduire leur dimension
d'une manière considérable, aussi pour les problèmes d’éclairement, de pose et
d’expression faciale.
Ainsi, et comme perspective d’améliorations, l'utilisation de méthodes basé sur la

modélisation probabiliste de mélange de gaussiennes GMM. En effet, les GMM dont la
pertinence a été prouvée, constituant même l’état de l’art actuel des systèmes de
reconnaissance du locuteur présente l’avantage de modéliser avec habilité une large gamme
de distributions complexes dont la densité de probabilité n’étant pas connue d’avance.
Aussi, étant donné que notre système est totalement opérationnel, nous pouvant envisager
une association avec une autre modalité, en l’occurrence la voix afin d’avoir un système
bimodal plus complet et répondant aux exigences actuelles dans le domaine de la sécurité.
De plus, les activités de recherche dans le domaine sont en perpétuelle évolution. Ces
dernières portent sur la consolidation des approches existantes, l’amélioration des
90
Conclusion et Perspectives.
techniques de modélisation et d’estimation statistiques ainsi que le renforcement de

l’efficacité des stratégies de décision.
91
Références bibliographiques :
[2] A. Jain, L. Hong, S. Pankanti, « Biometrics: Promising Frontiers for Emerging Identification
Market », Communications of the ACM, Feb 2000, p. 91-98.
[3] C. Fredouille, J. Mariethoz, C. Jaboulet, J. Hennebert, J.-F. Bonastre, C. Mokbel, F. Bimbot,
« Behavior of a Bayesian Adaptation Method for Incremental Enrollment in Speaker
Verification », International Conference on Acoustics, Speech, and Signal Processing, p.
1197-1200, Istanbul, Turquie, 5-9 Juin 2000.
[4] L. Heck, N. Mirghafori, « On-Line Unsupervised Adaptation in Speaker Verification »,
International Conference on Spoken Language Processing, Vol. 2, p. 454-457, Pékin, Chine,
16-20 Octobre 2000.
[5] P. Phillips, A. Martin, C. Wilson, M. Przybocki, « An Introduction to Evaluating Biometric
Systems », Computer, Vol. 33, n°2, p. 56-63, Février 2000.
[6] P. Phillips, H. Hyeonjoon, S. Rizvi, P. Rauss, « The FERET Evaluation Methodology for Face-
Recognition Algorithms », IEEE Transactions on Pattern Analysis and Machine Intelligence,
Vol. 22, n°10, Octobre 2000.
[7] S. Liu, M. Silverman, « A Practical Guide to Biometric Security Technology », IEEE
Computer Society, IT Pro-Security, Janvier-Février 2001.
[8] P. Verlinde, « Une Contribution à la Vérification Multimodale de l’Identité en Utilisant la
Fusion de Décision », École Nationale Supérieure des Télécommunications, Paris, France,
Septembre 1999.
[9] L. Hong, A. Jain, S. Pankanti, « Can Multibiometrics Improve Performance ? »,
Proceedings AutoID’99, Summit, NJ, p.59-64, Oct 1999.
[10] J. Kittler, M. Hatef, R. Duin, J. Matas, « On Combining Classifiers », IEEE Transactions on
Pattern Analysis and Machine Intelligence, Vol. 20, n°3, p. 226-239, 1998.
[11] CNN World News. Schiphol Backs Eye Scan Security. Available at
http://www.cnn.com/2002/WORLD/europe/03/27/schiphol.security/, March
27, 2002.
[12] J. Daugman. Recognizing Persons by Their Iris Patterns. In A. K. Jain, R.
Bolle, and S. Pankanti, editors, Biometrics: Personal Identification in a
Networked Society, pp. 103-121, Kluwer Academic Publishers, 1999.
[14] « The Price of Biometrics », USA Today, 26 Janvier 1999
http://www.usatoday.com/life/cyber/tech/ctc448.htm.
[15] « A Review of Dynamic Handwritten Signature Verification », James Cook University,
Computer Science Department, Technical Article, 1997.
[17] Airports Council International, http://www.airports.org.
[18] « Identifiez-Vous au Doigt et à l’Oeil’’, Courrier Cadres, n°1412, 20 Septembre 2001.
[19] « Biometrics Comes To Life », Banking Journal, Janvier 1997
http://www.banking.com/aba/cover\_0197.htm.
[20] Z. Korotkaya. Biometric person authentication : Odor, 2003.
[21] M. Hashiyada. Development of biometric dna ink for authentication security. Tohoku
Journal of Experimental Medicine, pages 109–117, 2004.
[22] K. Phua, J. Chen, T. H. Dat, and L. Shue. Heart sound as a biometric. Pattern
Recognition, 41 :906–919, 2008.
[23] : Adrien LEMAITRE & Corentin BUET -ISTIA- E12 2011-2012.
[24] : https://www.priv.gc.ca/information/research-recherche/2013/fr_201303_f.asp.
[26] : https://fr.wikipedia.org/wiki/Système_de_reconnaissance_faciale.
[27] : Kalghoum ANWAR, Institut supérieur d'informatique et de gestion de Kairouan en
Tunisie, "Gestion des présences via la technologie de reconnaissance faciale ,2011.
[28] : SOUHILA GUERFI ABABSA , Université Evry Val d'Essonne, France, Thèse de doctorat
intitulé : Authentification d’individus par reconnaissance de caractéristiques biométriques
liées aux visages 2D/3D , 2008.
[29] : Nicolas MORIZET, École Doctorale d’Informatique,Télécommunications et

Électronique de Paris, France ,Thèse de doctorat intitulé : Reconnaissance Biométrique par
Fusion Multimodale du Visage et de l’Iris, 2009.
[30] : M. A. Turk and A. P. Pentland, Face Recognition using Eigenfaces, Proc. IEEE,
1991, 586-591.
[31] : Nicolas MORIZET, Thomas EA, Florence ROSSANT, Frédéric AMIEL et AMARA. "Revue
des algorithmes PCA, LDA et EBGM utilisés en reconnaissance 2D du visage pour la
biométrie" P1-11. Institut Supérieur d‟Electronique de Paris (ISEP), département
d’Electronique, 2006.
[32] : Michael David Kelly. Visual identification of people by computer. PhD thesis, Stanford,
CA, USA, 1971.
[33] : KANADE, T. 1973. Computer recognition of human faces. Birkhauser, Basel,

Switzerland, and Stuttgart, Germany.
[34] : Mohamed ADJOUT et Abdelhak BENAISSA, «Fusion de la DCT-PCA et la DCT-LDA
Appliquée à la reconnaissance de visages ».Institut National de formation en Informatique
(I.N.I), Alger, 2007.
[35] : Toufik AMELLAL, Kamel BENAKLI, « Système de reconnaissance de visage basé sur les
GMM ». Institut National de formation en Informatique (I.N.I), Alger, 2007.
[36] : Martinez, A. 2002. Recognizing imprecisely localized, partially occluded and

expression variant faces from a single sample per class. IEEE Trans. Patt. Anal. Mach. Intell.
24, 748-763.
[37] : Y. Adini, Y. Moses, S. Ullman, Face recognition : The problem of compensating for
changes in illumination direction. IEEE Trans. Patt. Anal. Mach. Intell. 19, 721–732, 1997.
[38] : D. Blackburn, M. Bone, P. J Phillips. “Face recognition vendor test 2000”. Tech. rep.
http://www.frvt.org, 2001.
[39] : R. Gross, J. Shi, J. Cohn. Quo Vadis Face Recognition ?. Third Workshop on Empirical
Evaluation Methods in Computer Vision, December, 2001.
[40]: Pierre Buyssens, Marinette Revenu. Fusion des modalités Visible et Infrarouge pour la
Reconnaissance Faciale. RFIA, Jan 2010, Caen, France. 8 p., 2010.
[41]: Hassen Drira, Rim Slama, Boulbaba Ben Amor, Mohamed Daoudi, Anuj Srivastava. Une
nouvelle approche de reconnaissance de visages 3D partiellement occultés. RFIA 2012
(Reconnaissance des Formes et Intelligence Artificielle), Jan 2012, Lyon, France. pp.978-2-
9539515-2-3, 2012.
[43] Y. Oussar. Réseaux d'ondelettes et réseaux de neurones pour la modélisation statique et
dynamique de processus. Thèse de doctorat de l'université Pierre et Marie Curie. Paris,
France. Juillet 1998.
[44] D. Jonathan, B. Michael et F. Sébastien. Les Ondelettes. Université Libre de Bruxelles.
Printemps des Sciences. Bruxelles. Belgique.
[45] A. Bultheel: Bull. Belg. Math. Soc. (1995) 2.
[46] Y. Meyer. Ondelettes et opérateurs I - Ondelettes. Hermann, Paris, 1990.
[47] Mallat, S. A wavelet tour of signal processing, Academic Press, second edition, 1998.
[48] DAUBECHIES, I. « The wavelet transforms time-frequency localization and signal
analysis». IEEE Trans. On information theory, Vol. 36, N° 5, pp. 961-1005, September 1990.
[49] Moulay Abdelatif Akhloufi `RECONNAISSANCE DES VISAGES PAR IMAGERIE
MULTISPECTRALE Du visible à l'infrarouge lointain` université Laval Québec.
[50] boudjellal.S `détection et identification de personne par méthode biométrique`
UMMTO.
Webographie :
[1] https://www.securiteinfo.com/conseils/biometrie.shtml
[13] Recognition Systems Inc., http://www.recogsys.com.
[16] Visionics, http://www.visionics.com.
[25]https://www.biometrie-online.net/technologies/voix/voix-abreviations/14.
Technologies.
[42] http://my-definitions.com/fr/definition/ondelette.
• https://www.mathworks.com/matlabcentral/fileexchange/?requestedDomain=www.
mathworks.com

You Ns I Mohamed

Transféré par

Droits d'auteur :

Formats disponibles

You Ns I Mohamed

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

You Ns I Mohamed

Transféré par

Droits d'auteur :

Formats disponibles

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

UNIVERSITE MOULOUD MAMMERI DE TIZI-OUZOU

FACULTE DU GENIE ELECTRIQUE ET D’INFORMATIQUE

Mémoire de Fin d’Etudes

Développement d'un système

Présidente : Melle AIT-ADDA Samia

Nos remerciements vont également à tous les enseignants de l’université Mouloud

Ma très chère mère celle qui m’a aidée du mieux qu’elle

A mes sœur Sarah, Yousra et mes très chers frères

Je dédie, aussi, ce travail à tous les membres de ma famille,

Ma très chère mère celle qui m’a aidée du mieux qu’elle

A ma sœur Souad, et mon très cher frère TAHAR, qui ont

Je dédie, aussi, ce travail à tous les membres de ma famille,

Plusieurs modalités biométriques peuvent être utilisées et chacune présente un intérêt

Mots clefs : modalité biométrique, système de reconnaissance facial, ondelettes, analyse en

Keywords: biometric modality, facial recognition system, wavelets, principal component

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

PARTIE I : BIOMETRIE ET RECONNAISSANCE DE VISAGES.

Chapitre I : BIOMETRIE : CONCEPT, APPLICATIONS ET ENJEUX

Chapitre II : SYSTEME DE RECONNAISSANCE DE VISAGES.

PARTIE II : EXTRACTION DES PARAMETRES ET CLASSIFICATION.

Chapitre III : APPLICATION DES ONDELETTES POUR L’EXTRACTION DES

Chapitre IV : MODELISATION DES PARAMETRES ET DECISION.

Chapitre V : CONCEPTION ET REALISATION.

Chapitre VI : TEST ET EVALUATION DES RESULTATS.

Conclusion et Perspectives :.................................................................................................................................. 92

Figure I.1 : Empreinte digitale. ................................................................................................................................ 4

La croissance internationale des communications, les déplacements des individus, les

utilisés pour évaluer leurs performances. Ensuite, la place de la reconnaissance faciale

BIOMETRIE ET RECONNAISSANCE DE VISAGES.

BIOMETRIE : CONCEPT, APPLICATIONS ET ENJEUX.

I.2 Modalités biométriques :

I.2.1 Modalitésbiométriques physiques :

I.2.1.1 Empreintes digitales (finger-scan) :

Figure I.1. Empreinte digitale.

I.2.1.2 Géométrie de la main / du doigt (hand-scan) :

FigureI.2. Géométrie de la main.

I.2.1.3 Iris (iris-scan):

Figure I.4. L’iris.

I.2.1.4 Rétine (retina-scan):

Figure I.5. La rétine.

I.2.1.5 Visage (facial-scan):

Source : MIT Face Recognition Demo Page

Figure I.6. Visage en plusieurs images faites de nuances de gris"Eigenface".

I.2.1.6 Système et configuration des veines (vein pattern-scan):

I.2.2.1 Dynamique des frappes au clavier (keystroke-scan):

I.2.2.2 Reconnaissance vocale (voice-scan):

I.2.2.3 Dynamique des signatures (signature-scan):

I.2.3 Modalités biologiques :

I.2.3.2 Acide Désoxyribose Nucléique (ADN) :

I.2.4 Multi modalité :

I.3 Les caractéristiques d'une modalité biométrique :

• Caractère distinctif : La caractéristique doit être suffisamment différente chez deux

• Permanence : La caractéristique doit être suffisamment immuable pendant une

• Perceptibilité : La caractéristique doit pouvoir être mesurée quantitativement.

• La facilité de contournement : Facilité avec laquelle le système peut être induit en

I.4 Les systèmes biométriques :

référence servira de point de comparaison lors de la reconnaissance. Le modèle pourra être