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

theses.eurasip.org
from theses.eurasip.org More from this publisher
13.07.2015 Views

Biométrie faciale douce 103. Probabilité d’erreur totale d’un système de biométries doucesDans le scénario opérationnel décrit ci-dessus, la fiabilité d’un système debiométrie douce dépend de la probabilité de fausse identification d’une personnequelconque de l’ensemble des personnes.Dans un tel contexte, la fiabilité du système de biométrie douce est généralementliée :– au nombre de catégories que le système peut identifier,– au degré avec lequel les caractéristiques/catégories représentent l’ensemblechoisi (de sujets) sur lequel porte l’identification,– à sachant que les valeurs élevées de reviennent à identifier une personneparmi de plus larges ensembles de personnes similaires,– à la robustesse avec laquelle ces catégories peuvent être détectées.Nous procédons ici à l’étude de la probabilité d’erreur générale du système debiométrie douce [DAN 11a], incluant ici, en plus des facteurs cités ci-dessus, lesprobabilités d’erreur de catégorisation algorithmique. En d’autres termes, nousexaminons la probabilité d’erreur et ce, quelque soit la source d’erreur. Rappelonsque les erreurs de notre système peuvent être dues à une mauvaise classification ou àl’interférence. Le premier aspect est lié aux statistiques de la population étudiée et lesecond au comportement de l’erreur des différents algorithmes de classification.Nous notons :[ ] [12]qui définit entièrement les statitisques de la population.En termes d’erreur de comportement, nous regardons le système de biométrie doucecomme un système capable de classer un sujet de la catégorie φ i à la catégorieestimée ˆ ou de classer ledit sujet dans la mauvaise catégorie, voir figure 3. Nousdéfinissons ci-après :( ̂( ) ) [13]la probabilité que le système de biométries douces mette les sujets de la i ème classe φ idans la j ème classe j (voir figure 4 pour l’illustration graphique). Plus simplement,est l’élément de la i ème ligne et de la j ème colonne de ce que l’on nomme dansla littérature matrice de confusion et que nous notons :[ ] [14]

Biométrie faciale douce 11Toujours en lien avec ces paramètres, définissons :∑ [15]Pour dénoter la probabilité qu’un membre de la catégorie φ f soit mal classé.Finalement, nous utilisons la notation :[ ] [16]Figure 4. Paramètres de confusion.Un système de biométrie douce de matrice de confusion E et de vecteur d’erreur equi opère sur une population dont les statistiques sont données par p a uneprobabilité d’erreur :3.1. Probabilité d’erreur d’un système de biométries douces en cas de reidentificationfrontale-latéralePour quantifier et mieux analyser , nous présentons ici un réel système debiométrie douce, de matrice de confusion E, employé sur la population de la basede données de FERET. Pour cette expérience, nous prenons une fois de plus, ungroupe d’authentification de sujets. Un sujet de ces sujets est ensuitearbitrairement comme sujet-cible de l’authentification. Nous procédons ensuite à[17]

Biométrie faciale douce 103. Probabilité d’erreur totale d’un système de biométries doucesDans le scénario opérationnel décrit ci-dessus, la fiabilité d’un système debiométrie douce dépend de la probabilité de fausse identification d’une personnequelconque de l’ensemble des personnes.Dans un tel contexte, la fiabilité du système de biométrie douce est généralementliée :– au nombre de catégories que le système peut identifier,– au degré avec lequel les caractéristiques/catégories représentent l’ensemblechoisi (de sujets) sur lequel porte l’identification,– à sachant que les valeurs élevées de reviennent à identifier une personneparmi de plus larges ensembles de personnes similaires,– à la robustesse avec laquelle ces catégories peuvent être détectées.Nous procédons ici à l’étude de la probabilité d’erreur générale du système debiométrie douce [DAN 11a], incluant ici, en plus des facteurs cités ci-dessus, lesprobabilités d’erreur de catégorisation algorithmique. En d’autres termes, nousexaminons la probabilité d’erreur et ce, quelque soit la source d’erreur. Rappelonsque les erreurs de notre système peuvent être dues à une mauvaise classification ou àl’interférence. Le premier aspect est lié aux statistiques de la population étudiée et lesecond au comportement de l’erreur des différents algorithmes de classification.Nous notons :[ ] [12]qui définit entièrement les statitisques de la population.En termes d’erreur de comportement, nous regardons le système de biométrie doucecomme un système capable de classer un sujet de la catégorie φ i à la catégorieestimée ˆ ou de classer ledit sujet dans la mauvaise catégorie, voir figure 3. Nousdéfinissons ci-après :( ̂( ) ) [13]la probabilité que le système de biométries douces mette les sujets de la i ème classe φ idans la j ème classe j (voir figure 4 pour l’illustration graphique). Plus simplement,est l’élément de la i ème ligne et de la j ème colonne de ce que l’on nomme dansla littérature matrice de confusion et que nous notons :[ ] [14]

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!