Luận văn thạc sĩ về phân phối và đánh giá dữ liệu sinh trắc học tại TELECOM & Management SudParis

Khám phá luận văn thạc sĩ về phân phối và đánh giá dữ liệu sinh trắc học, cung cấp cái nhìn sâu sắc về ứng dụng và phương pháp nghiên cứu.

• Tác giả: Thanh-Lam Hoang
• Người hướng dẫn: Aurélien Mayoue
• Trường học: Telecom & Management SudParis
• Chuyên ngành: Master en Informatique
• Đề tài: Phân Phối Và Đánh Giá Dữ Liệu Sinh Trắc Học
• Loại tài liệu: Mémoire de Stage
• Năm xuất bản: 2009
• Địa điểm: Évry

Mục lục chi tiết

• Remerciements
• Résumé
• Abstract
• Liste de figures
• Liste de tableaux
• I. Contexte du stage
• I.1. Objectif du stage
• I.2. Plan du document
• I.3. Base de données
• I.4. Problèmes et solutions
• I.5. Validation de fichiers
• I.6. Sélection de personnes
• I.7. Mis en forme
• I.8. Évaluation basées sur l'observation
• I.9. Netteté d'une image
• I.10. Évaluation de résultat
• I.11. Performance du système
• I.12. Évaluation basée sur le contenu
• I.13. Qualité de l'iris
• I.14. Qualité de la signature
• I.15. Qualité de l'empreinte
• I.16. Conclusion et perspective
• Références

Tóm tắt

I. Tổng quan về phân phối và đánh giá dữ liệu sinh trắc học

Phân phối và đánh giá dữ liệu sinh trắc học là một lĩnh vực quan trọng trong công nghệ hiện đại. Dữ liệu sinh trắc học bao gồm các thông tin như dấu vân tay, hình ảnh khuôn mặt, và iris. Việc phân phối dữ liệu này không chỉ giúp cải thiện độ chính xác trong nhận diện mà còn đảm bảo tính bảo mật cho người dùng. Trong bối cảnh ngày càng gia tăng các mối đe dọa an ninh, việc đánh giá chất lượng dữ liệu sinh trắc học trở nên cần thiết hơn bao giờ hết.

1.1. Định nghĩa và vai trò của dữ liệu sinh trắc học

Dữ liệu sinh trắc học là thông tin được thu thập từ các đặc điểm sinh lý hoặc hành vi của con người. Chúng được sử dụng để xác thực danh tính và đảm bảo an ninh. Các ứng dụng của dữ liệu này rất đa dạng, từ việc mở khóa điện thoại đến kiểm soát truy cập vào các khu vực nhạy cảm.

1.2. Tầm quan trọng của phân phối dữ liệu sinh trắc học

Phân phối dữ liệu sinh trắc học giúp các tổ chức có thể sử dụng thông tin này một cách hiệu quả. Việc phân phối đúng cách không chỉ đảm bảo tính chính xác mà còn giảm thiểu rủi ro về bảo mật. Các hệ thống phân phối hiện đại cần phải được thiết kế để xử lý và lưu trữ dữ liệu một cách an toàn.

II. Các thách thức trong phân phối dữ liệu sinh trắc học

Mặc dù có nhiều lợi ích, việc phân phối dữ liệu sinh trắc học cũng gặp phải nhiều thách thức. Các vấn đề như độ chính xác của dữ liệu, bảo mật thông tin và khả năng tương thích giữa các hệ thống là những yếu tố cần được xem xét kỹ lưỡng.

2.1. Vấn đề về độ chính xác của dữ liệu sinh trắc học

Độ chính xác của dữ liệu sinh trắc học có thể bị ảnh hưởng bởi nhiều yếu tố như chất lượng thiết bị thu thập và điều kiện môi trường. Việc đảm bảo rằng dữ liệu được thu thập một cách chính xác là rất quan trọng để tránh các sai sót trong quá trình nhận diện.

2.2. Bảo mật và quyền riêng tư trong dữ liệu sinh trắc học

Bảo mật dữ liệu sinh trắc học là một vấn đề lớn, đặc biệt khi thông tin này có thể bị lạm dụng. Các tổ chức cần phải có các biện pháp bảo vệ mạnh mẽ để đảm bảo rằng dữ liệu của người dùng không bị rò rỉ hoặc sử dụng sai mục đích.

III. Phương pháp phân phối dữ liệu sinh trắc học hiệu quả

Để phân phối dữ liệu sinh trắc học một cách hiệu quả, cần áp dụng các phương pháp và công nghệ tiên tiến. Việc sử dụng các thuật toán mã hóa và các hệ thống quản lý dữ liệu hiện đại là rất cần thiết.

3.1. Sử dụng công nghệ mã hóa trong phân phối dữ liệu

Công nghệ mã hóa giúp bảo vệ dữ liệu sinh trắc học trong quá trình truyền tải. Việc mã hóa thông tin đảm bảo rằng chỉ những người có quyền truy cập mới có thể đọc được dữ liệu, từ đó tăng cường bảo mật.

3.2. Hệ thống quản lý dữ liệu sinh trắc học

Hệ thống quản lý dữ liệu sinh trắc học cần phải được thiết kế để xử lý và lưu trữ thông tin một cách an toàn. Các hệ thống này cũng cần có khả năng tương thích với các nền tảng khác nhau để đảm bảo tính linh hoạt trong việc sử dụng.

IV. Đánh giá chất lượng dữ liệu sinh trắc học

Đánh giá chất lượng dữ liệu sinh trắc học là một bước quan trọng trong quy trình phân phối. Việc đánh giá này giúp xác định độ chính xác và độ tin cậy của dữ liệu trước khi được sử dụng.

4.1. Các tiêu chí đánh giá chất lượng dữ liệu

Các tiêu chí đánh giá chất lượng dữ liệu sinh trắc học bao gồm độ chính xác, độ tin cậy và khả năng tái sử dụng. Việc xác định các tiêu chí này giúp các tổ chức có thể lựa chọn dữ liệu phù hợp cho các ứng dụng của mình.

4.2. Công cụ và phương pháp đánh giá

Có nhiều công cụ và phương pháp khác nhau để đánh giá chất lượng dữ liệu sinh trắc học. Việc sử dụng các công cụ này giúp đảm bảo rằng dữ liệu được kiểm tra một cách chính xác và hiệu quả.

V. Ứng dụng thực tiễn của dữ liệu sinh trắc học

Dữ liệu sinh trắc học đang được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, từ an ninh đến y tế. Các ứng dụng này không chỉ giúp cải thiện hiệu quả công việc mà còn nâng cao trải nghiệm người dùng.

5.1. Ứng dụng trong an ninh

Trong lĩnh vực an ninh, dữ liệu sinh trắc học được sử dụng để xác thực danh tính và kiểm soát truy cập. Các hệ thống nhận diện khuôn mặt và dấu vân tay đang trở thành tiêu chuẩn trong nhiều tổ chức.

5.2. Ứng dụng trong y tế

Dữ liệu sinh trắc học cũng được ứng dụng trong y tế để theo dõi sức khỏe và xác thực danh tính bệnh nhân. Việc sử dụng dữ liệu này giúp cải thiện chất lượng dịch vụ y tế và đảm bảo an toàn cho bệnh nhân.

VI. Kết luận và tương lai của dữ liệu sinh trắc học

Dữ liệu sinh trắc học đang ngày càng trở nên quan trọng trong cuộc sống hiện đại. Tương lai của lĩnh vực này hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của công nghệ. Việc nghiên cứu và phát triển các phương pháp phân phối và đánh giá dữ liệu sinh trắc học sẽ tiếp tục là một lĩnh vực hấp dẫn.

6.1. Xu hướng phát triển trong công nghệ sinh trắc học

Công nghệ sinh trắc học đang phát triển nhanh chóng với nhiều cải tiến về độ chính xác và bảo mật. Các nghiên cứu mới sẽ tiếp tục mở ra những cơ hội mới trong việc ứng dụng dữ liệu sinh trắc học.

6.2. Tương lai của bảo mật dữ liệu sinh trắc học

Bảo mật dữ liệu sinh trắc học sẽ trở thành một vấn đề quan trọng trong tương lai. Các tổ chức cần phải đầu tư vào công nghệ bảo mật để bảo vệ thông tin của người dùng khỏi các mối đe dọa.

Nội dung chính

Tổng quan nghiên cứu

Cơ sở dữ liệu BioSecure được thu thập từ 11 trường đại học ở châu Âu trong 3 năm (2004-2007), bao gồm 3 phần: DS1 (971 người), DS2 (667 người) và DS3 (713 người). Tuy nhiên, cơ sở dữ liệu này chứa nhiều lỗi như dữ liệu trùng lặp, tệp không đọc được, thiếu dữ liệu, và sai tên tệp, cần được làm sạch trước khi phân phối cho cộng đồng nghiên cứu. Nghiên cứu này tập trung vào việc phát triển hệ thống phân phối dữ liệu sinh trắc học từ cơ sở dữ liệu BioSecure, đảm bảo dữ liệu không lỗi, cân bằng giới tính và nguồn gốc đại học, đồng thời đánh giá chất lượng của các cơ sở dữ liệu được phân phối. Nghiên cứu được thực hiện tại TELECOM & Management SudParis từ tháng 3 đến tháng 10 năm 2009. Các cơ sở dữ liệu được phân phối có chất lượng tốt với tỷ lệ lỗi bằng 0, kết quả đánh giá cho thấy cơ sở dữ liệu Iris-DS2 có EER=6.43% cho mắt trái và 8.15% cho mắt phải, Signature-DS2 có EER=5.10%, và Empreinte-DS2 có EER trung bình=4.38% cho cảm biến quang học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Sinh trắc học là lĩnh vực xác thực và xác minh danh tính dựa trên đặc điểm vật lý hoặc hành vi của con người như iris, vân tay, chữ ký, khuôn mặt, giọng nói. Mô hình đánh giá DET (Detection Error Trade-off) thể hiện mối quan hệ giữa FRR (False Rejection Rate) và FAR (False Acceptance Rate) trong hệ thống nhận dạng. FRR là khả năng từ chối sai người dùng hợp lệ, FAR là khả năng chấp nhận kẻ mạo danh. Giá trị EER (Equal Error Rate) là điểm mà tại đó FRR bằng FAR, thể hiện hiệu suất tổng thể của hệ thống. Độ nét ảnh là độ rõ nét của chi tiết trong ảnh, được đo bằng phương pháp Gradient, so sánh độ trung bình gradient của ảnh gốc và ảnh làm mịn. Phân phối dữ liệu là quá trình phân chia lại dữ liệu của người trong cơ sở dữ liệu BioSecure theo các tiêu chí xác định để tạo ra cơ sở dữ liệu mới không lỗi và sẵn sàng sử dụng. Đánh giá dựa trên nội dung sử dụng các hệ thống nhận dạng tham chiếu để đánh giá chất lượng cơ sở dữ liệu, dựa trên kết quả nhận dạng thực tế.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là cơ sở dữ liệu BioSecure được thu thập từ 11 trường đại học ở châu Âu, bao gồm 3 phần: DS1 (dữ liệu internet), DS2 (dữ liệu văn phòng), và DS3 (dữ liệu di động). Cỡ mẫu cho nghiên cứu là 210-240 người cho mỗi cơ sở dữ liệu được phân phối, tùy thuộc vào loại dữ liệu. Phương pháp chọn mẫu đảm bảo cân bằng giới tính (50% nam, 50% nữ) và cân bằng số người từ mỗi trường đại học, đồng thời đảm bảo mỗi người có định danh duy nhất trên tất cả các cơ sở dữ liệu được phân phối. Đối với phân phối dữ liệu, nghiên cứu xây dựng thuật toán tự động phát hiện lỗi (dữ liệu thiếu, dữ liệu trùng lặp, tệp rỗng, sai tên tệp), sau đó lựa chọn và định dạng lại dữ liệu. Đối với đánh giá dữ liệu, nghiên cứu sử dụng hai phương pháp - đánh giá dựa trên quan sát (đo độ nét ảnh) và đánh giá dựa trên nội dung (sử dụng các hệ thống nhận dạng tham chiếu: OSIRIS cho iris, NIST cho vân tay, GET-INT cho chữ ký). Đối với đánh giá độ nét, nghiên cứu áp dụng phương pháp Gradient với bộ lọc Sobel 3x3 và bộ lọc Gauss 3x3. Nghiên cứu được thực hiện trong 8 tháng (từ tháng 3 đến tháng 10 năm 2009), bao gồm 4 tháng đầu cho việc phân phối dữ liệu và 4 tháng sau cho việc đánh giá dữ liệu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Hệ thống phân phối dữ liệu sinh trắc học đã được phát triển thành công, tạo ra 6 cơ sở dữ liệu mới từ cơ sở dữ liệu BioSecure gốc, bao gồm: Main-DS2 (210 người), Iris-DS2 (210 người), Signature-DS2+DS3 (210 DS2 + 240 DS3), Empreinte-DS2+DS3 (210 DS2 + 240 DS3), Multimodale-DS2 (210 người), Multimodale-DS3 (240 người). Tất cả các cơ sở dữ liệu này đều không chứa lỗi (tỷ lệ lỗi = 0%) và đảm bảo cân bằng giới tính (50% nam, 50% nữ).

Hệ thống đánh giá độ nét ảnh đã được phát triển và kiểm chứng với tỷ lệ không chắc chắn thấp (3.87% khi so sánh ảnh chụp bằng webcam và máy ảnh Canon, 13.55% khi so sánh ảnh có kiểm soát và không kiểm soát). Kết quả đánh giá độ nét cho thấy ảnh iris trong cơ sở dữ liệu Iris-DS2 có độ nét cao hơn 65.48% so với cơ sở dữ liệu ICE tham chiếu.

Kết quả đánh giá dựa trên nội dung cho thấy cơ sở dữ liệu Iris-DS2 có hiệu suất nhận dạng tốt với EER=6.43% cho mắt trái và 8.15% cho mắt phải, tốt hơn đáng kể so với cơ sở dữ liệu ICE (EER=25% cho mắt phải). Cơ sở dữ liệu Signature-DS2 có EER=5.10%, trong khi Signature-DS3 có EER=11.00%, cho thấy chất lượng dữ liệu chữ ký thu thập từ môi trường văn phòng tốt hơn từ thiết bị di động.

Đối với dữ liệu vân tay, cảm biến quang học cho kết quả tốt hơn cảm biến nhiệt với EER trung bình lần lượt là 4.38% và 10.33%. Ngón trỏ có kết quả nhận dạng tốt nhất (EER=3.33% cho cảm biến quang học), trong khi ngón cái có kết quả kém nhất (EER=4.88% cho cảm biến quang học). So sánh chéo giữa các loại cảm biến cho kết quả kém (EER>20%).

Thảo luận kết quả

Kết quả nghiên cứu cho thấy cơ sở dữ liệu DS2 (thu thập trong môi trường văn phòng) luôn cho kết quả tốt hơn DS3 (thu thập từ thiết bị di động). Điều này có thể giải thích bởi môi trường thu thập dữ liệu được kiểm soát tốt hơn trong trường hợp DS2, với ánh sáng ổn định và thiết bị chuyên dụng.

Khi so sánh với các cơ sở dữ liệu tham chiếu, các cơ sở dữ liệu được phân phối có chất lượng tốt nhưng không vượt trội. Ví dụ, cơ sở dữ liệu Iris-DS2 có EER cao hơn ICE (6.43% so với 5.00% cho mắt trái), nhưng vẫn tốt hơn nhiều so với các cơ sở dữ liệu vân tay và chữ ký.

Đáng chú ý, kết quả đánh giá độ nét ảnh và đánh giá dựa trên nội dung có mối tương quan nhất định. Cụ thể, dù ảnh iris trong Iris-DS2 có độ nét tổng thể thấp hơn ICE, nhưng vùng iris lại có độ nét cao hơn, và kết quả nhận dạng cũng tốt hơn. Điều này cho thấy chất lượng nhận dạng không chỉ phụ thuộc vào độ nét tổng thể của ảnh mà còn phụ thuộc vào chất lượng của vùng quan tâm.

Kết quả nghiên cứu cũng chỉ ra rằng việc lựa chọn loại cảm biến và vị trí sinh trắc học quan trọng đối với chất lượng nhận dạng. Cảm biến quang học cho kết quả tốt hơn cảm biến nhiệt, và ngón trỏ là vị trí dễ nhận dạng nhất trên bàn tay.

Các kết quả này có thể được trình bày qua biểu đồ so sánh EER giữa các cơ sở dữ liệu và các loại cảm biến khác nhau, hoặc bảng tổng hợp kết quả đánh giá cho từng loại sinh trắc học.

Đề xuất và khuyến nghị

Cải thiện thuật toán phát hiện lỗi trong dữ liệu sinh trắc học bằng cách phát triển các phương pháp tự động phát hiện video không có âm thanh, hình ảnh quá tối hoặc quá sáng. Việc này sẽ giúp giảm tỷ lệ lỗi xuống dưới 0.5% trong vòng 6 tháng tới, với sự tham gia của các nhà nghiên cứu trong phòng thí nghiệm.

Nâng cấp hệ thống đánh giá độ nét ảnh bằng cách áp dụng phương pháp Fréquentielle Locale Pondérée để thay thế phương pháp Gradient hiện tại. Mục tiêu là giảm tỷ lệ không chắc chắn xuống dưới 10% khi so sánh các cơ sở dữ liệu khác nhau, dự kiến hoàn thành trong 3 tháng với sự hỗ trợ của các chuyên gia xử lý ảnh.

Mở rộng đánh giá chất lượng cơ sở dữ liệu bằng cách kết hợp nhiều đặc trưng hơn ngoài độ nét ảnh, chẳng hạn như độ tương phản, độ chi tiết và độ đồng nhất của ánh sáng. Việc này sẽ cung cấp cái nhìn toàn diện hơn về chất lượng cơ sở dữ liệu và dự kiến hoàn thành trong 4 tháng bởi nhóm nghiên cứu sinh trắc học.

Đánh giá cơ sở dữ liệu Main-DS2 (hình ảnh bàn tay) chưa được thực hiện trong nghiên cứu hiện tại. Việc đánh giá này sẽ sử dụng các hệ thống nhận dạng bàn tay tham chiếu và dự kiến hoàn thành trong 2 tháng bởi các nhà nghiên cứu mới tham gia dự án.

Phát triển giao diện người dùng trực quan để phân phối và đánh giá dữ liệu sinh trắc học, giúp các nhà nghiên cứu không chuyên về kỹ thuật cũng có thể sử dụng dễ dàng. Giao diện này sẽ được phát triển trong 6 tháng bởi đội ngũ kỹ sư phần mềm.

Đối tượng nên tham khảo luận văn

Nhà nghiên cứu sinh trắc học: Luận văn cung cấp phương pháp luận toàn diện về phân phối và đánh giá dữ liệu sinh trắc học, giúp các nhà nghiên cứu cải thiện chất lượng cơ sở dữ liệu trong các dự án của họ. Họ có thể áp dụng các thuật toán phát hiện lỗi và phương pháp đánh giá độ nét để tối ưu hóa cơ sở dữ liệu trước khi sử dụng cho nghiên cứu.

Nhà phát triển hệ thống nhận dạng sinh trắc học: Các kết quả đánh giá chất lượng cơ sở dữ liệu giúp nhà phát triển lựa chọn loại sinh trắc học và cảm biến phù hợp cho ứng dụng cụ thể. Ví dụ, họ có thể quyết định sử dụng cảm biến quang học thay vì cảm biến nhiệt cho vân tay dựa trên kết quả EER thấp hơn (4.38% so với 10.33%).

Giảng viên và sinh viên trong lĩnh vực khoa học máy tính và an ninh mạng: Luận văn cung cấp kiến thức thực tế về quy trình xử lý dữ liệu sinh trắc học từ thô đến sẵn sàng sử dụng, có thể làm tài liệu tham khảo cho các khóa học về xử lý ảnh, nhận dạng mẫu và an ninh sinh trắc học.

Các tổ chức cần triển khai hệ thống xác thực sinh trắc học: Kết quả nghiên cứu giúp các tổ chức đánh giá và lựa chọn giải pháp sinh trắc học phù hợp với nhu cầu và điều kiện triển khai. Ví dụ, họ có thể quyết định sử dụng hệ thống nhận dạng iris thay vì vân tay nếu cần độ chính xác cao hơn, hoặc nhận dạng chữ ký nếu cần tính linh hoạt cao.

Câu hỏi thường gặp

Tại sao cần phân phối lại cơ sở dữ liệu BioSecure thay vì sử dụng trực tiếp? Cơ sở dữ liệu BioSecure gốc chứa nhiều lỗi như dữ liệu trùng lặp, tệp không đọc được, thiếu dữ liệu và sai tên tệp. Việc phân phối lại giúp loại bỏ các lỗi này, đảm bảo dữ liệu cân bằng về giới tính và nguồn gốc đại học, đồng thời cung cấp định dạng chuẩn hóa cho người dùng. Ví dụ, trong nghiên cứu này, tỷ lệ lỗi của các cơ sở dữ liệu được phân phối là 0% so với tỷ lệ lỗi đáng kể trong cơ sở dữ liệu gốc.

Phương pháp đánh giá độ nét ảnh được sử dụng trong luận văn là gì? Luận văn sử dụng phương pháp Gradient với bộ lọc Sobel 3x3 và bộ lọc Gauss 3x3 để tính toán độ nét ảnh. Phương pháp này so sánh độ trung bình gradient của ảnh gốc và ảnh làm mịn, cho kết quả chính xác với tỷ lệ không chắc chắn thấp (3.87% khi so sánh ảnh chụp bằng webcam và máy ảnh Canon).

Kết quả nhận dạng tốt nhất thuộc về loại sinh trắc học nào? Dựa trên kết quả EER, nhận dạng iris cho kết quả tốt nhất với EER=6.43% cho mắt trái, tiếp theo là chữ ký (EER=5.10% cho DS2) và vân tay (EER=4.38% cho cảm biến quang học). Tuy nhiên, cần lưu ý rằng các hệ thống nhận dạng khác nhau có thể cho kết quả khác nhau.

Tại sao dữ liệu thu thập từ môi trường văn phòng (DS2) cho kết quả tốt hơn từ thiết bị di động (DS3)? Dữ liệu DS2 được thu thập trong môi trường được kiểm soát với ánh sáng ổn định và thiết bị chuyên dụng, trong khi DS3 được thu thập từ thiết bị di động trong các điều kiện khác nhau (trong nhà và ngoài nhà). Ví dụ, Signature-DS2 có EER=5.10% trong khi Signature-DS3 có EER=11.00%, cho thấy chất lượng dữ liệu thu thập từ môi trường văn phòng tốt hơn.

Làm thế nào để truy cập các cơ sở dữ liệu đã được phân phối và đánh giá? Các cơ sở dữ liệu đã được phân phối và đánh giá có thể được yêu cầu từ phòng thí nghiệm InterMedia tại TELECOM & Management SudParis. Người dùng cần cung cấp thông tin về mục đích sử dụng và đồng ý tuân thủ các điều khoản sử dụng. Các cơ sở dữ liệu đi kèm với kết quả đánh giá và giao thức đánh giá để người dùng có thể kiểm tra hệ thống của mình.

Kết luận

• Luận văn đã phát triển thành công hệ thống phân phối dữ liệu sinh trắc học từ cơ sở dữ liệu BioSecure, tạo ra 6 cơ sở dữ liệu mới không lỗi và sẵn sàng sử dụng cho cộng đồng nghiên cứu.
• Hệ thống đánh giá độ nét ảnh đã được phát triển và kiểm chứng, cho kết quả đáng tin cậy với tỷ lệ không chắc chắn thấp.
• Kết quả đánh giá dựa trên nội dung cho thấy chất lượng tốt của các cơ sở dữ liệu được phân phối, với EER thấp cho iris (6.43%), chữ ký (5.10%) và vân tay (4.38% cho cảm biến quang học).
• Dữ liệu thu thập từ môi trường văn phòng (DS2) cho kết quả tốt hơn từ thiết bị di động (DS3), và cảm biến quang học tốt hơn cảm biến nhiệt cho vân tay.
• Các bước tiếp theo bao gồm cải thiện thuật toán phát hiện lỗi, nâng cấp hệ thống đánh giá độ nét, mở rộng đánh giá cho cơ sở dữ liệu Main-DS2, và phát triển giao diện người dùng trực quan.
• Các nhà nghiên cứu quan tâm đến dữ liệu sinh trắc học chất lượng cao nên liên hệ với phòng thí nghiệm InterMedia tại TELECOM & Management SudParis để có được các cơ sở dữ liệu đã được phân phối và đánh giá.

Trích đoạn nội dung tài liệu

Institut de la Francophonie pour l'Informatique TELECOM & Management SudParis MEMOIRE DE STAGE DE FIN D’ETUDES MASTER EN INFORMATIQUE DISTRIBUTION ET ÉVALUATION DE DONNÉES BIOMÉTRIQUES Stagiaire : Thanh-Lam HOANG Encadrant : Aurélien MAYOUE Pierre-Olivier LADOUX Directrice : Bernadette DORIZZI Ce stage a été réalisé au sein de l’équipe InterMedia du département Électronique et Physique (EPH) de TELECOM & Management SudParis Évry, Mars – Octobre, 2009 Page 1 TIEU LUAN MOI download : [e-mail] Table de manière Remercie Résumé Abstrait Liste de figures Liste de tableaux I. Contexte du stage. Objectif du stage. Plan du document.

Base de données. Problèmes et solutions. Validation de fichiers. Sélection de personnes.

Mis en forme. Évaluation basées sur l'observation. Netteté d'une image. Évaluation de résultat.

Performance du système. Évaluation basée sur le contenu. Qualité de l'iris. Qualité de la signature.

Qualité de l'empreinte. Conclusion et perspective .49 Références Page 2 TIEU LUAN MOI download : [e-mail] Remerciements Je tiens particulièrement à remercier professeur Betnadette DORIZZI, la directrice de stage, et deux encadrant Aurélien MAYOUE et Pierre-Olivier LADOUX pour les aides, les conseils précieux pendant 8 mois de mon stage. Je tiens également à remercier PHAN Viet Anh, Nesma HOUMANI qui ont travaillé avec moi pendant ce stage, et qui m'ont beaucoup aidé grâce à ses explications, ses conseils utiles et les documents. J’adresse mes sincères remerciements à tous les professeurs de l’Institut de la Francophonie pour l’Informatique (IFI) pour m'avoir enseigné et me donnée les cours intéressants pendant mes études au niveau master.

Je profite de cette occasion pour dire remercier à tous les personnels de l’IFI qui m'ont apporté de l’aide. Finalement, je voudrais remercier ma famille, mes parents et mes amis qui sont toujours près de moi et m'ont apporté de courage dans les moments difficiles. Page 3 TIEU LUAN MOI download : [e-mail] RESUME La biométrie est un domaine d'authentification et de vérification d'identification utilisant des physiques ou/et des comportements des personnes. Dans le département EPH, nous avons la base de données de biométrie.

Les types des fichiers dans cette base de données sont : des images, des audio-videos, des fichiers texte. de biométrie telle que des visages, des signatures,. Il est nécessaire à distribuer cette base de données. Concrètement, il y a 3 modalités complètes qui sont prêtes à distribuer, c'est l'iris, la signature et l'empreinte.

Après la distribution, un système de références est appliqué pour évaluer des bases de données distribuées pour savoir si ces bases de données sont faciles à reconnaître. Mots-clés : biométrie, évaluation, distribution, base de données, qualité d'image, système de références, iris, visage, empreintes. Page 4 TIEU LUAN MOI download : [e-mail] ABSTRACT Biometrics is a domain of identity authentication and identity verification using physical and / or behavior of individuals. In the EPH department, we have a database of biometrics.

The files in this database are images, audio, videos, text files. of faces, signatures. It is necessary to distribute this database. Specifically, there are 3 full modalities that are ready to distribute, it is the iris, signature and fingerprint.

After distribution, a reference system is applied to evaluate the distributed database to see if these databases are easy to recognize. Keywords: biometrics, evaluation, distribution, database, image quality, system references, iris, face, fingerprint. Page 5 TIEU LUAN MOI download : [e-mail] Liste de figures Figure 1.1 : Des capteurs utilisés dans DS2 .2 : Des capteurs utilisés dans DS3 .3 : Exemples des images dans la modalité de visage .4 : Exemples des images dans la modalité d'iris .5 : Exemple d'une image dans la modalité de main .6 : Exemples des images dans la modalité d'empreinte .1 : Le processus global du système de distribution .2 : Image non-lisible .3 : Les exemples des images de la main dans les conditions différentes .6 : Description de l'algorithme 2 à la fin d'une boucle dont r=2 .7 : Distributions des id dans ds2 et ds3 .8 : Structure de répertoire dans ds3 .1 : Image floue et image nette .2 : Schémas du résultat de comparaison .3 : La netteté entre des images contrôlées et non-contrôlées .4 : La netteté entre des images capturées par webcam et par appareil photo Canon .5 : La netteté entre des visages capturés par webcam à l'extérieur et à l'intérieur .6 : La netteté entre des images capturées par appareil photo Canon avec flash et sans flash .7 : Œil et iris .8 : La netteté entre des yeux dans DS2 et dans ICE .36 Page 6 TIEU LUAN MOI download : skknchat@gmail.9 : La netteté entre des iris dans DS2 et dans ICE .1 : Exemple de résultat dans la phase segmentation du système OIRIS .2 : Iris en géométrie ronde et en géométrie rectangulaire .3 : Transformer ligne AB de la région circulaire à la ligne AB du rectangle .4 : Courbe DET sur la base Iris-ds2 .5 : Courbe DET sur la base Signature-DS2 .6 : Courbe DET sur la base Signature-DS3 .7 : Les types de minuties .46 Page 7 TIEU LUAN MOI download : [e-mail] Liste de tableaux Table 1.1 : Les distributions demandées .2 : Les distributions actuelles .3 : Les valeurs possibles pour chaque partie dans le nom de fichiers .1 : 25 caractéristiques dynamiques extraites d'un point de la signature .2 : Comparaison les bases ds2, ds3 et les bases de références dans la modalité Signature.3 : Résultats des protocoles dans la modalité Empreinte .4 : Comparaison ds2, ds3 avec MYCT dans la modalité Empreinte .1 : Les bases distribuées .2 : Bases distribuées avec des systèmes utilisés pour l'évaluation.49 Page 8 TIEU LUAN MOI download : skknchat@gmail. Contexte du stage L'authentification et la vérification d'identification sont appliquées dans beaucoup d'établissements tels que le gouvernement, l'entreprise, l'université,.

On peut montrer ici des exemples actuels. À TELEMECOM & Management SudParis, chaque personne utilise son propre badge d'entrée pour payer ses repas à la cantine. C'est une application d'authentification d'identification. Ou bien, dans un laboratoire, on équipe un système de sécurité basant sur l'empreinte.

Si quelqu'un veut accéder au laboratoire, son empreinte doit être validée. C'est un exemple d'une application de vérification d'identification. Actuellement, il y a des méthodes différentes pour l'authentification et la vérification d'identification : - Les méthodes basées sur ce qu'on possède : badge, carte d'identité, passeport. - Les méthodes basées sur ce qu'on connait : mots de passe, code secret,.

- Les méthodes basées sur ce qu'on est disponible : iris, main, voix, signature. La Biométrie est une méthode qui se base sur des caractéristiques physiques ou/et comportementales de l'homme telles que la main, l'iris, la marche, la signature,. Au département EPH de l'université TELECOM & Management SudParis, un projet dans le domaine de la biométrie est en cours de développement, c'est le projet InterMedia (http://biosecure. Mon stage fait une partie de ce projet.

Actuellement, le projet utilise la base de données BioSecure. Les détails de cette base sont présentés dans la partie II. Brièvement, c'est une base des données des européennes réalisée par 11 universités. Elle est grande et comprend beaucoup d'erreurs.

Il est nécessaire d'avoir une base de données sans erreur pour expérimentation ou application. Donc, il vaut mieux générer une base sans erreur à partir de la base BioSecure. De plus, afin de mieux utiliser, la base générée doit satisfaire quelques critères selon le projet. Objectif du stage Dans le stage, je suis en charge deux parties : distribuer la base de données BioSecure et appliquer des systèmes proposés par l'équipe pour évaluer les bases distribuées.

Page 9 TIEU LUAN MOI download : [e-mail] Concernant le terme « distribution » dans le cadre de mon stage, il est considéré comme une action de repartir des données des personnes dans la base BioSecure selon des critères définies pour générer une nouvelle base de données. Après la distribution, les nouvelles bases de données sont complètes et elles sont prêtes à donner aux autres départements ou aux personnes pour utiliser. Dans l'équipe, je charge complètement la création des bases de données complètes. Pour avoir une nouvelle base de données, je devrai remplir les actions suivantes : − Mettre en place d'un algorithme qui détecte automatiquement si les données originales ont des erreurs; − Sélectionner des données de façon adéquate (même nombre d'hommes et de femmes, même nombre de données par site d'acquisition) pour créer les bases BioSecure à distribuer; − Renommer les données originales sélectionnées suivant le format proposé.

En effet, pour donner les bases de données complètes aux récepteurs, il faut donner le résultat de l'évaluation et le protocole utilisé. Cela permet aux récepteurs de tester leurs systèmes en utilisant ces bases de données. Concernant le terme « évaluation » et « protocole », quand on a une base de données complète, on retire quelques données à partir de cette base de façon régulière. La façon de retrait des données est dit « protocole ».

L'évaluation est le fait de tester si une base de données est facile à reconnaître (en utilisant les données retirés par un protocole là) et la comparaison entre son résultat de reconnaissance avec le résultat de reconnaissance des autres bases de données (bases de références). Des outils pour l'évaluation sont disponibles et sont proposés par l'équipe (il ne faut pas rechercher ou développer), ce sont des systèmes de reconnaissance : OSIRIS [8] pour l'iris, NIST [3],[7] pour l'empreinte et signature_GET_INT [6] pour la signature. Le rôle de mon stage dans cette partie est de suivre un protocole prédéfini pour retirer des données. Ces données sont les entrées des systèmes de reconnaissance abordés.

Après, j'utilise ces systèmes pour extraire les scores des bases de données distribuées. Ensuite, c'est une comparaison de résultat avec des bases de références. Les bases de références sont ICE pour l'iris, MYCT-100 pour l'empreinte et MYCT-100, MYCT-300, BIOMET pour la signature. Le protocole et mon résultat de l'évaluation sont nécessaires dans le travail de donner les bases de données complètes aux récepteurs.

Concernant la comparaison, on applique la valeur EER (Equal Error Rate) de la courbe DET (Detection Error Trade-off). Page 10 TIEU LUAN MOI download : skknchat@gmail.1 : Courbe DET [9] Cette courbe présente la corrélation entre FRR (False Rejection Rate) et FAR (False Acceptance Rate) dans un système de reconnaissance. FRR, c'est la possibilité qu'on refuse incorrectement un client. FAR, c'est la possibilité qu'on accepte un imposteur.

Si FRR est grand, le système refuse incorrectement beaucoup de clients. Ça veut aussi dire que la possibilité d'acceptation d'imposteur du système est très petite. Le système de reconnaissance a donc une trop forte sécurité. Si FAR est grand, beaucoup d'imposteurs sont validés.

Le système a donc une sécurité mauvaise. C'est mieux si tous les deux FAR et FRR sont petits. C'est impossible et une valeur de compromis est extraite pour les deux. C'est la valeur EER.

Pour la courbe DET, deux scores sont nécessaires, ce sont les scores de client et les scores d'imposteur. Les scores de client sont extraits à partir de la comparaison entre des données du même client. Par contre, les scores d'imposteur sont extraits à partir de la comparaison entre les données d'un imposteur avec les données d'un client. Pour l'évaluation des données en effet, j'utilise non seulement des systèmes de références disponibles mais encore un système de moi-même, le système de netteté.

Ce système ne fonctionne que sur des bases d'images. Il s'agit à mesurer les scores de netteté des images. Grâce à ces scores, on peut savoir si des images dans la base A sont plus nettes que celles dans la base B. Page 11 TIEU LUAN MOI download : skknchat@gmail.

Plan du document Ce rapport se compose de quatre parties suivantes : – Introduction : dans cette partie, vous pouvez trouver le contexte du stage, l'objectif du stage et mes travaux dans l'équipe. J'aborde aussi quelques définitions globales telles que la distribution, le protocole, l'évaluation.