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 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]
- 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 134 and 135: Biométrie faciale douce 4une perso
- Page 136 and 137: Couleur depeauCouleur descheveuxCou
- Page 138 and 139: Biométrie faciale douce 8Nous nous
- 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 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]