Avant-projet : IMEDIA - imedia

<body bgcolor="#FFFFFF" text="#000000" link="#9944EE" vlink= "#0000FF" alink="#00FF00">  <a name="CHILD_LINKS" id= "CHILD_LINKS"><strong>Sous-sections</strong></a> <ul> <li> <a name="tex2html270" href= "resul_spec-descripte_mn.html#SECTION00062100000000000000" target="main" id="tex2html270"><small>Indexation de bases d'empreintes digitales</small></a> <ul> <li><a name="tex2html271" href= "resul_spec-descripte_mn.html#SECTION00062110000000000000" target="main" id="tex2html271"><small>La détection automatique des minuties</small></a></li> <li><a name="tex2html272" href= "resul_spec-descripte_mn.html#SECTION00062120000000000000" target="main" id="tex2html272"><small>Le matching de minuties</small></a></li> </ul> </li> <li><a name="tex2html273" href= "resul_spec-descripte_mn.html#SECTION00062200000000000000" target="main" id="tex2html273"><small>Indexation d'une base de visages</small></a></li> </ul> <hr /> <h2><a name="SECTION00062000000000000000" id= "SECTION00062000000000000000">Descripteurs d'images  : Bases spécifiques</a></h2>  <a name="IMEDIA_resultats_spec-descripteurs-dimages" id= "IMEDIA_resultats_spec-descripteurs-dimages"></a> <h3><a name="SECTION00062100000000000000" id= "SECTION00062100000000000000">Indexation de bases d'empreintes digitales</a></h3> <p><strong>Mots clés :</strong> <i>empreintes digitales, signatures spécifiques, matching de points, classification .</i></p> <p><br /> <br /> <span class="textbf">Participants :</span> Sylvain Bernard, Nozha Boujemaa.<br /> <br /></p> <blockquote> Il s'agit d'un travail développé dans le cadre de la thèse de Sylvain Bernard (CIFRE avec la société THOMSON-CSF IDMATICS). THOMSON-CSF IDMATICS fournit des systèmes de production de titres d'identité (carte d'identité, passeport, permis de conduire ...). Ses clients étant des états (Gabon, Kenya, Pologne ...), cette société doit gérer de très grandes bases d'images (empreintes, visages). </blockquote> <p>Nous exploitons un grand nombre de connaissances propres au domaine de la reconnaissance manuelle de personnes par empreintes digitales. Pour savoir si deux empreintes proviennent du même doigt, les experts détectent leur ensemble de minuties (points de fin ou bifurcations de lignes de crêtes) [<a href="bibliographie_Toc.html#BernardWOSPA00" target="contents">4</a>]. Après leur mise en correspondance et si le nombre de minuties communs est suffisant, il est alors affirmé que les deux empreintes proviennent du même doigt. Dans le cas de la recherche dans de grandes bases d'empreintes, une classification préalable de celles-ci est alors nécessaire afin de permettre un gain de temps considérable [<a href="bibliographie_ct.html#BernardWOSPA00" target="contents">4</a>].</p> <div align="center"> <a name="bernardretrieval" id= "bernardretrieval"></a><a name="642"></a> <table> <caption align="bottom"> <strong>Figure 6:</strong> Schéma global du système pour la recherche d'une empreinte dans la base. </caption> <tr> <td> <div align="center"></div> <img width="319" height="296" align="bottom" border= "0" src="img26.png" alt= "\includegraphics [width=0.6\textwidth]{bernardretrieval.eps}" /> </td> </tr> </table> </div> <p>Cette année, nous avons axé nos recherches sur la détection automatique des minuties et le matching de minuties.</p> <h4><a name="SECTION00062110000000000000" id= "SECTION00062110000000000000">La détection automatique des minuties</a></h4>Pour des questions de robustesse, nous ne détectons pas directement les minuties, mais nous procédons en 3 étapes [<a href="bibliographie_Toc.html#BernardWOSPA00" target="contents">4</a>]  : <ul> <li>Nous détectons les lignes de crêtes et les vallées de l'empreinte. Cette segmentation utilise la connaissance a priori qu'une empreinte a localement une structure périodique et orientée, que nous modélisons par une ondelette de Gabor. Une image améliorée est ainsi obtenue par un filtrage multi-échelle.</li> <li>Cette image améliorée est ensuite binarisée ce qui correspond, en tout point, à décider de son appartenance à une ligne de crête ou à une vallée.</li> <li>Une squelettisation des lignes de crêtes nous permet une détection efficace et rapide de ses fins de lignes et bifurcations.</li> </ul>La segmentation de l'image permet non seulement de détecter les lignes de crêtes et les vallées mais aussi de délimiter les zones bruitées de l'empreinte et le fond de l'image. Le rapport  <span class="MATH"><img width="125" height="30" align= "middle" border="0" src="img27.png" alt= "$ {\frac{surface \; des \; zones \; bruitees}{surface \; empreinte}}$" /></span> donne une note sur la qualité globale de l'empreinte, ce qui nous permet de rejeter les empreintes de mauvaise qualité en entrée du système. Après une importante phase d'optimisation de code, le temps nécessaire à la détection des minuties a été divisé par 5. <h4><a name="SECTION00062120000000000000" id= "SECTION00062120000000000000">Le matching de minuties</a></h4>Il doit tenir compte du fait qu'entre deux jeux de minuties issus du même doigt, nous trouvons en général  : <ul> <li>une transformation globale (translation, rotation),</li> <li>des déformations locales,</li> <li>la présence de minuties dans le premier jeu et leur absence dans le second (et inversement).</li> </ul>Nous avons mis au point un algorithme de matching fondé sur la transformée de Hough. Notre matching tient compte de la relation spatiale des minuties entre elles. Cet algorithme permet un recalage plus robuste des deux jeux de minuties par détermination de la déformation globale qui les lie. L'algorithme de Matching donne des résultats très encourageants avec de faibles taux d'erreurs (FAR et FRR). Nous espérons pouvoir l'améliorer à la fois en précision, en tenant compte notamment des déformations locales, et en temps. <p>Les algorithmes de détection des minuties et de matching seront très prochainement intégrés aux produits THOMSON-CSF IDMATICS.</p> <h3><a name="SECTION00062200000000000000" id= "SECTION00062200000000000000">Indexation d'une base de visages</a></h3> <p><strong>Mots clés :</strong> <i>Eigenfaces, programmation dynamique, Apprentissage statistique .</i></p> <p><br /> <br /> <span class="textbf">Participants :</span> Hichem Sahbi, Nozha Boujemaa.<br /> <br /></p> <h3>Résumé :</h3> <div class="ABSTRACT"> <i>Dans le cadre de l'indexation des bases d'images et plus particulièrement des bases de données contenant des visages, nous modélisons la distribution des visages dans des espaces à <span class="MATH"><i>n</i></span> dimensions en utilisant la transformée PCA connue sous le nom de ``eigenfaces''. Cette signature à la fois très efficace pour capturer les variations inter- et intra- personne(s) présente une forte sensibilité aux variations d'intensité, à la pose 2D ou 3D, et nécessite un très bon recalage de l'information. D'une manière générale, une phase d'extraction préalable des visages dans une image est nécessaire (cf. <a href= "resul_res-requetes-p_Toc.html#IMEDIA_resultats_res-requetes-partielles"> 6.4</a>). Nous procédons ensuite au recalage (features matching) des visages en utilisant la programmation dynamique. La signature d'ordre <span class= "MATH"><i>n</i></span> associée à chaque visage représente une multi-distance d'un visage recalé sur <span class= "MATH"><i>n</i></span> prototypes bien choisis.</i> </div> <p>Une première phase consiste à recaler les visages qui ont été extraits par une méthode de segmentation "coarse to fine" présentée en <a href= "resul_res-requetes-p_Toc.html#IMEDIA_resultats_res-requetes-partielles"> 6.4</a>.</p> <p>Dans cette étape nous supposons que les visages extraits sont normalisés en intensité et en échelle, le but est de réduire les effets de distorsion des visages afin de les recaler entre eux. L'approche de recalage adoptée est basée sur une extraction systématique des imagettes pour chaque visage de la BD et un recalage de ces imagettes sur des prototypes (on peut prendre comme prototypes les <span class= "MATH"><i>n</i></span> visages les plus frontaux de la base, tels que deux images quelconques ne se rapportent pas au même individu). Ce recalage est effectué en utilisant une adaptation de l'algorithme de programmation dynamique [<a href="bibliographie_Toc.html#SahbiNey84use" target= "contents">Ney84</a>]. Cette approche est applicable pour un recalage d'informations incomplètes d'où la possibilité de définir des signatures pour des visages partiellement occultés (lunettes, etc.).</p> <p>La phase de reconnaissance des visages passe généralement par un schéma d'indexation. Dans notre cas, pour indexer les visages détectés, on applique les étapes suivantes  :</p> <ol> <li>Construire les <span class="MATH"><i>n</i></span> prototypes visages  <span class="MATH"><i>P</i><sub>j</sub>, <i>i</i> = 1..<i>n</i></span> les plus frontaux.</li> <li>Pour chaque visage <span class= "MATH"><i>V</i><sub>i</sub></span> ayant un index <span class="MATH"><i>T</i></span> de taille <span class= "MATH"><i>n</i></span> : <ol> <li>Effectuer un recalage entre <span class= "MATH"><i>V</i><sub>i</sub></span> et chaque prototype <span class="MATH"><i>P</i><sub>j</sub></span>  ;</li> <li>Positionner  <span class="MATH"><i>T</i><sub>j</sub> = <i>distance</i>(<i>V</i><sub>i</sub>, <i>P</i><sub>j</sub>)</span>.</li> </ol> </li> </ol> <div align="center"> <a name="sahbi-recalage" id="sahbi-recalage"></a><a name= "685"></a> <table> <caption align="bottom"> <strong>Figure 7:</strong> Recalage en utilisant (A) Les images contours versus (B) Les images de niveau de gris. (C) Le recalage de deux images de contours fournit des résultats meilleurs par rapport aux images de niveau de gris. </caption> <tr> <td> <div align="center"></div> <img width="446" height="387" align="bottom" border= "0" src="img28.png" alt= "\includegraphics [width=\textwidth]{sahbi-match.ps}" /> </td> </tr> </table> </div> <p>Ainsi pour chaque visage, un index d'ordre <span class= "MATH"><i>n</i></span> est construit, la distance choisie entre les deux visages recalés <span class= "MATH"><i>V</i><sub>i</sub></span> et <span class= "MATH"><i>P</i><sub>j</sub></span> représente la somme des distances euclidiennes entre les projections des imagettes recalées dans un espace propre construit par apprentissage sur la base d'Olivetti, cette distance s'exprime par :<br /></p> <div align="center" class="mathdisplay"> <a name="sahbi_cost" id="sahbi_cost"></a>  <table cellpadding="0" align="center" width="100%"> <tr valign="middle"> <td nowrap="nowrap" align="right"> <i>Trans</i>(<i>V</i><sub>i</sub>, <i>P</i><sub>j</sub>) = <img width="19" height="46" align="middle" border="0" src="img29.png" alt= "$\displaystyle \sum_{k}^{m}$" /><img width="20" height="46" align="middle" border="0" src="img30.png" alt="$\displaystyle \sum_{l}^{m}$" /><img width="19" height="22" align="middle" border="0" src="img31.png" alt= "$\displaystyle \alpha_{kl}^{}$" /><i>d</i><sub>kl</sub>(<img width="12" height="23" align="middle" border="0" src="img32.png" alt= "$\displaystyle \Phi$" />(<i>V</i><sub>ik</sub>),<img width="12" height="23" align="middle" border="0" src="img32.png" alt= "$\displaystyle \Phi$" />(<i>P</i><sub>jl</sub>))</td> <td> </td> <td> </td> <td class="eqno" width="10" align="right">(<span class= "eqn-number">6</span>)</td> </tr> </table> </div><br clear="all" /> <span class="MATH"><i>m</i></span> est le nombre d'imagettes extraites dans chaque visage, <span class="MATH"><img width= "11" height="11" align="bottom" border="0" src="img33.png" alt="$ \Phi$" /></span> est une application qui fournit pour une imagette sa projection dans l'espace propre, et  <span class="MATH"><img width="20" height="22" align="middle" border="0" src="img34.png" alt="$ \alpha_{kl}^{}$" /></span> est appelé ``facteur de matching'' (ou coefficient de Kronecker) et indique si deux imagettes <span class= "MATH"><i>V</i><sub>ik</sub></span> et <span class= "MATH"><i>P</i><sub>jl</sub></span> d'un visage <span class= "MATH"><i>V</i><sub>i</sub></span> et d'un prototype <span class="MATH"><i>P</i><sub>j</sub></span> sont mises en correspondance ou non. La métrique <span class= "MATH"><i>d</i><sub>kl</sub></span> est liée à  <span class="MATH"><img width="20" height="22" align="middle" border="0" src="img34.png" alt="$ \alpha_{kl}^{}$" /></span> comme décrit ci dessous :  <div align="center" class="mathdisplay"> <img width="19" height="22" align="middle" border="0" src= "img31.png" alt="$\displaystyle \alpha_{kl}^{}$" /> = <img width="13" height="48" align="middle" border="0" src= "img35.png" alt= "$\displaystyle \left\{\vphantom{ \begin{array}{ll} 0 & \ \textrm{si} \ d_{kl} \t... ...} \ d_{kl} \textrm{ est une métrique de substitution.} \ \end{array}}\right.$" /> <img width="338" height="44" align="middle" border="0" src= "img36.png" alt= "$\displaystyle \begin{array}{ll} 0 & \ \textrm{si} \ d_{kl} \textrm{ est une mét... ...extrm{si} \ d_{kl} \textrm{ est une métrique de substitution.} \ \end{array}$" /> </div> </body>