FACIAL SOFT BIOMETRICS - Library of Ph.D. Theses | EURASIP
FACIAL SOFT BIOMETRICS - Library of Ph.D. Theses | EURASIP FACIAL SOFT BIOMETRICS - Library of Ph.D. Theses | EURASIP
Biométrie faciale douce 4une personne est à son tour arbitrairement sélectionnée pour authentification, etdifférenciée des autres membres du groupe. Notons que ce scénario général incluttout aussi bien les cas de la vérification de personnes que les cas d’identification.Tout système général de biométrie douce effectue la détection en employant λ signescaractéristiques (couleur des cheveux, couleur de peau, etc.) où chaque signes i(avec i=1,2,..., λ) peut être subdivisé en instances de signes μ i , c’est-à-dire quechaque signe i peut prendre une des valeurs μ i . Ainsi, nous appelons catégorie toutensemble de λ éléments. Les éléments étant ici les instances des différents signes.Soit Φ={ } l’ensemble de ρ catégories c’est-à-dire l’ensemble de toutes les ρcombinaisons d’instances de signes de biométrie douce. Le nombre de catégories ρ,s’exprime comme suit :ρ = ∏ [1]Moyennant un léger abus de langage, nous dirons qu’un sujet appartient à unecatégorie φ si ses instances de signes sont un ensemble (de λ éléments) appartenant àla catégorie φ. Notons que pour avoir une authentification concluante d’un sujet, etpar conséquent sa différenciation par rapports aux autres sujets du grouped’authentification, nous devons être dans le cas où ledit sujet n’appartiendrait pas àla même catégorie que les autres membres du groupe d’authentification.Etant donné un groupe d’authentification spécifique, la règle d’optimisation dumaximum de vraisemblance (MV) de détection de la catégorie la plus probable àlaquelle un sujet appartient s’écrit comme suit :̂ ( ) ( ) [2]où y est le vecteur d’observation, P(φ) la fonction de densité de probabilité del’ensemble des catégories pour une population donnée et P(y/φ) la probabilitéd’observer y sachant que le sujet appartient à la catégorie φ. Rappelons au passageque ∑ ( ) .Nous tenons à souligner que tout comme λ, μ i et ρ, les paramètres, tels que lataille, les statistiques du groupe d’authentification, sont des paramètres importantspour un système de biométrie douce. Dans la suite, nous détaillerons lefonctionnement du système de biométrie douce introduit précédemment. L’analysequi suit n’est en aucun cas exhaustive et s’attachera notamment à fournir des détailssur les paramètres tels que :– La propagation des catégories effectives pour un groupe d’authentificationdonné. La propagation est utilisée ici comme une mesure de la convenance de Φpour l’authentification de sujets d’un certain groupe d’authentification.– La relation entre N et sa probabilité d’interférence correspondante en fonctionde Φ (la probabilité que deux utilisateurs partagent la même catégorie et soitindissociable)– La probabilité de l’erreur d’authentification due aux interférences doit aussiêtre considérée comme mesure de la fiabilité du système.
Biométrie faciale douce 52.1. Propagation de la catégorie ΦNous considérons ici le cas où un système de biométrie douce est conçu pour ladistinction parmi ρ catégories distinctes. Dans le scénario considéré, le grouped’identification occupe de façon arbitraire un petit nombre de catégories ; cescatégories étant substantiellement corrélées entre-elles. Définissons l’ensemble decatégories effectives Φ e comme étant l’ensemble des catégories présentes (c’est-àdirenon vides) dans un groupe d’authentification spécifique. Dans ce contexte, lacardinalité ρ e = | Φ e | est une mesure qui nous renseigne sur la diversité et lesperformances du système. Rappelons néanmoins que Φ e et ρ e sont des variablesaléatoires dont les réalisations peuvent avec chacune des occurrences du grouped’authentification.Afin de mieux comprendre le caractère aléatoire ci-dessus, nous considérons lecas où les groupes d’authentification sont tirés d’une population générale qui est unensemble de K = 646 sujets pris dans la base de données FERET [6], avec ρ = 1152catégories, correspondant à une densité de probabilité ( ) illustrée sur la figure 1.Cette densité de probabilité correspond aux signes et instances de signes du systèmeproposé.Figure 1. ( ) correspondant à la distribution de FERET et au système proposé.Etant donné la description précédente, la figure 1. décrit l’équation du nombremoyen de catégories vides :ρ – E[ρ e ](N) [3]en fonction de N et où l’espérance est effectuée sur différentes réalisations dugroupe d’authentification.
- Page 83 and 84: 81Chapter 7Practical implementation
- Page 85 and 86: 834) Eye glasses detection: Towards
- Page 87 and 88: 857.2 Eye color as a soft biometric
- Page 89 and 90: 87Table 7.5: GMM eye color results
- Page 91 and 92: 89and office lights, daylight, flas
- Page 93 and 94: 917.5 SummaryThis chapter presented
- Page 95 and 96: 93Chapter 8User acceptance study re
- Page 97 and 98: 95Table 8.1: User experience on acc
- Page 99 and 100: 97scared of their PIN being spying.
- Page 101 and 102: 99Table 8.2: Comparison of existing
- Page 103 and 104: 101ConclusionsThis dissertation exp
- Page 105 and 106: 103Future WorkIt is becoming appare
- Page 107 and 108: 105Appendix AAppendix for Section 3
- Page 109 and 110: 107- We are now left withN −F = 2
- Page 111 and 112: 109Appendix BAppendix to Section 4B
- Page 113 and 114: 111Blue Green Brown BlackBlue 0.75
- Page 115 and 116: 113Appendix CAppendix for Section 6
- Page 117 and 118: 115Appendix DPublicationsThe featur
- Page 119 and 120: 117Bibliography[AAR04] S. Agarwal,
- Page 121 and 122: 119[FCB08] L. Franssen, J. E. Coppe
- Page 123 and 124: 121[Ley96] M. Leyton. The architect
- Page 125 and 126: 123[RN11] D. Reid and M. Nixon. Usi
- Page 127 and 128: 125[ZG09] X. Zhang and Y. Gao. Face
- Page 129: 2Rapporteurs:Prof. Dr. Abdenour HAD
- Page 132 and 133: Biométrie faciale douce 2Les terme
- Page 136 and 137: Couleur depeauCouleur descheveuxCou
- Page 138 and 139: Biométrie faciale douce 8Nous nous
- Page 140 and 141: Biométrie faciale douce 103. Proba
- Page 142 and 143: Biométrie faciale douce 12l’entr
- Page 144 and 145: Biométrie faciale douce 14Figure 6
- Page 146 and 147: Biométrie faciale douce 16pages 77
- Page 148 and 149: Reviewers:Prof. Dr. Abdenour HADID,
- Page 150 and 151: 3hair, skin and clothes. The propos
- Page 152 and 153: person in the red shirt”. Further
- Page 154 and 155: 7- Not requiring the individual’s
- Page 156 and 157: 9Probability of Collision10.90.80.7
- Page 158 and 159: 11the color FERET dataset [Fer11] w
- Page 160 and 161: 13Table 2: Table of Facial soft bio
- Page 162 and 163: 15Chapter 1PublicationsThe featured
- Page 164 and 165: 17Bibliography[ACPR10] D. Adjeroh,
- Page 166 and 167: 19[ZESH04] R. Zewail, A. Elsafi, M.
Biométrie faciale douce 4une personne est à son tour arbitrairement sélectionnée pour authentification, etdifférenciée des autres membres du groupe. Notons que ce scénario général incluttout aussi bien les cas de la vérification de personnes que les cas d’identification.Tout système général de biométrie douce effectue la détection en employant λ signescaractéristiques (couleur des cheveux, couleur de peau, etc.) où chaque signes i(avec i=1,2,..., λ) peut être subdivisé en instances de signes μ i , c’est-à-dire quechaque signe i peut prendre une des valeurs μ i . Ainsi, nous appelons catégorie toutensemble de λ éléments. Les éléments étant ici les instances des différents signes.Soit Φ={ } l’ensemble de ρ catégories c’est-à-dire l’ensemble de toutes les ρcombinaisons d’instances de signes de biométrie douce. Le nombre de catégories ρ,s’exprime comme suit :ρ = ∏ [1]Moyennant un léger abus de langage, nous dirons qu’un sujet appartient à unecatégorie φ si ses instances de signes sont un ensemble (de λ éléments) appartenant àla catégorie φ. Notons que pour avoir une authentification concluante d’un sujet, etpar conséquent sa différenciation par rapports aux autres sujets du grouped’authentification, nous devons être dans le cas où ledit sujet n’appartiendrait pas àla même catégorie que les autres membres du groupe d’authentification.Etant donné un groupe d’authentification spécifique, la règle d’optimisation dumaximum de vraisemblance (MV) de détection de la catégorie la plus probable àlaquelle un sujet appartient s’écrit comme suit :̂ ( ) ( ) [2]où y est le vecteur d’observation, P(φ) la fonction de densité de probabilité del’ensemble des catégories pour une population donnée et P(y/φ) la probabilitéd’observer y sachant que le sujet appartient à la catégorie φ. Rappelons au passageque ∑ ( ) .Nous tenons à souligner que tout comme λ, μ i et ρ, les paramètres, tels que lataille, les statistiques du groupe d’authentification, sont des paramètres importantspour un système de biométrie douce. Dans la suite, nous détaillerons lefonctionnement du système de biométrie douce introduit précédemment. L’analysequi suit n’est en aucun cas exhaustive et s’attachera notamment à fournir des détailssur les paramètres tels que :– La propagation des catégories effectives pour un groupe d’authentificationdonné. La propagation est utilisée ici comme une mesure de la convenance de Φpour l’authentification de sujets d’un certain groupe d’authentification.– La relation entre N et sa probabilité d’interférence correspondante en fonctionde Φ (la probabilité que deux utilisateurs partagent la même catégorie et soitindissociable)– La probabilité de l’erreur d’authentification due aux interférences doit aussiêtre considérée comme mesure de la fiabilité du système.