Système d’authentification biométrique basé sur la paume de la main

Aller dans la salle Zoom

Créneaux disponibles : De 12h30 à 13h30 et de 14h30 à 15h30

Système d'authentification biométrique basé sur la paume de la main

Présenté par

Jérôme Parent

Image

Université du Québec à Rimouski 

Objectifs

Développer, grâce à des techniques d’apprentissage automatique traditionnelles, un modèle de classification capable d’identifier une personne basée sur une image de la paume de sa main. L’authentification repose sur le résultat d’une prédiction, à savoir si l’image donnée correspond à la paume de la personne enregistrée, basé sur les images préalablement fournies par cette personne. Ce modèle pourra ensuite être intégré à une application par le biais d’une API, permettant une authentification efficace sans contact.

Méthodologie utilisée

Deux méthodes de classification ont été explorés dans le projet, soit la One-Class Classification et la Multi-Class Classification. Model d’apprentissage Support Vector Machine (SVM), parfait pour la classification de donnée riches avec une (relativement) petite base de données. Afin d’offrir une représentation riche et concise de notre image au modèle, nous allons utiliser le Histogram of Oriented Gradients (HOG) comme descripteur. Finalement, afin de réduire considérablement le temps d’exécution de l’apprentissage, tout en conservant la presque totalité des informations des images, nous effectuons une réduction de la dimensionnalité avec un algorithme appelé Principal Component Analysis (PCA).  

  • Extraction de la région d’intérêt
  • Utilisation d’un descripteur
  • Réduction de la dimensionnalité
  • Représentation des données
  • Apprentissage
  • Tests

Prototype

Afin d’ajuster adéquatement le modèle jusqu’à l’obtention de résultats satisfaisants, le travail a été effectué avec l’aide d’une banque d’images fourni par le Center for Biometrics and Security Research (CBSR). Celle-ci contient 5 502 images provenant de 312 sujets différents.

Une application prototype a été développée permettant à un utilisateur d’effectuer le processus décris ci-haut, en utilisant soit les images fournies ou celles qu’il possède. Celle-ci offre à tous un aperçu du processus de création d’un modèle d’apprentissage automatique, ainsi que la possibilité de modifier les paramètres afin de peaufiner le modèle.

Résultats

Le modèle de classification Multi-Class offre un taux de reconnaissance d’environ 88% avec un k-fold cross-validation (k=8) sur la base de données entière (~4800 images).

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *