LA RECONNAISSANCE AUTOMATIQUE DES EMPREINTES DIGITALES

L’authentification permettant de vérifier les identités présumées des

utilisateurs.

4

Introduction

Reconnaissance vocale 6%

Autres 14%

Reconnaissance de Tiris 9%

Empreinte

digitale 48%

Morphologie de la main 11%

Reconnaissance faciale 12%

F i g u r e ! : P a r t a g e d u m a r c h e de l a b io m e t r ie d a n s le m o n d e , en 2 0 0 8 ( s o u r c e : [2 ]).

5

Introduction

1.1. Concepts de base:

En 1888, l’anthropologue anglais Francis Galton introduit la notion de minuties4 pour réaliser la comparaison d’empreintes digitales (fingerprintsmatching en anglais). Quatre ans plus tard, Galton publie son ouvrage (voir il propose une classification rigoureuse des empreintes digitales et démontre qu’il y a seulement une chance sur 64 milliards que deux individus aient une même empreinte.[4]

[3]) où

Cet arrangement particulier des lignes papillaires forme des points caractéristiques, nommés minuties qui sont à l’origine de l’individualité des dessins digitaux .

A ce jour, on considère qu’il faut 8 à 17 de ces points sans discordance pour qu’on estime établie l’identification. Un chiffre inférieur au seuil minimum aboutit à l’exclusion de l’empreinte digitale comme élément de preuve.

Il existe 13 types de minuties qui nous permettent de classifier les empreintesdigitales.

B ifu rc a tio n

L a c

C r o c h e t

S

A r r ê t d e lig n e

؟

؛

îlo t

s e :

jPont

Fig u r e 2: l e s 6 p r i n c i p a u x t y p e s d e m i n u t i e s [5]

Introduction

1.2. Vue globale du mécanisme de reconnaissance des

empreintes digitales:

.

Le principe de la reconnaissance des empreintes digitales consiste à comparer une empreinte fournie au système, à une ou plusieurs autres empreintes (les modèles) dont le système dispose préalablement dans sa base de données biométrique. Le système biométrique renvoie un résultat positif au cas où l’empreinte fournie à l’entrée correspond à l’un des modèles, et un résultat négatif dans le cas contraire. La figure 3 illustre l’enregistrement préalable de modèles Lors de l’enregistrement, l’image scannée de l’empreinte est recueillie par le système, puis un contrôle de la qualité de l’image est effectué. En effet, une empreinte sérieusement endommagée (par une brûlure grave par exemple) est intraitable par le système [7]. Ensuite, une extraction de traits caractéristiques (généralement appelés minuties) est effectuée pour donner lieu au modèle final que le système sauvegarde dans la base de données. La méthode généralement utilisée pour détecter les minuties consiste à mettre l’image de l’empreinte en noir et blanc, c’est la binarisation de l’image, et à donner une même taille aux lignes de l’empreinte, c’est la squelettisation (voir figure 4) [7]. Une fois que l’on dispose de l’image binaire squellettisée, les minuties (singularités) sont mieux visibles ; on procède alors à leur détection. Nous verrons la détection de minuties en détail le chapitre 3 partie2.2 (page 37).

Fig u r e 3:Il l u s t r a t i o n d'u n e n r e g is t r e m e n t.

7

Introduction

1.3. Approche générale

Dans ce travail, nous étudions dans le chapitre 1 les étapes principales de la reconnaissance des empreintes, et les opérations nécessaires du traitement d'image, puis le processus de la reconnaissance.

Le chapitre 2 présentera quelques techniques biométriques qui existent dans la littérature, sesapplications et les détails sur la technique biométrique basée sur la reconnaissance des empreintes digitale

Dans le chapitre 3 on a appliqué les méthodes proposé dans le chapitre 2 et présenté des améliorations aux résultats obtenus par les algorithmes décrits en chapitre 2.

Nous terminons enfin par une conclusion générale.

c h a p itrel

Reconnaissance des empreintes

CHAPITRE 1 :

LA RECONNAISSANCE DES EMPREINTES

i- Concepts:

Une empreinte digitale est le dessin formé par les lignes de la peau des doigts, des paumes des mains, des orteils ou de la plante des pieds. Ce dessin se forme durant la période fœtale. Il existe deux types d’empreintes : l'empreinte directe (qui laisse une marque visible) et l'empreinte latente (saleté, sueur ou autre résidu déposé sur un objet). Elles sont uniques et immuables, elles ne se modifient donc pas au cours du temps (sauf par accident comme une brûlure par exemple) .[6]

Les empreintes sont composées, de terminaisons en crêtes, soit le point où la crête s’arrête, et de bifurcations, soit le point où la crête se divise en deux. Le noyau est le point intérieur, situé en général au milieu de l’empreinte. Il sert souvent de point de repère pour situer les autres minuties. D ’autres termes sont également rencontrés : le lac, l’île, le delta, la vallée, la fin de ligne... Ces caractéristiques peuvent être numérisées. Une empreinte complète contient en moyenne une centaine de points caractéristiques mais les contrôles ne sont effectués qu'à partir de 12 points. Statistiquement, il est impossible de trouver 2 individus présentant 12 points caractéristiques identiques, même dans une population de plusieurs millions de personnes.

Donc éléments qui différencient les empreintes:[6]

L es minuties:

b): Ex e m p le d 'a r r e t de r id e Te r m in a is o n

a ):Exe m p le de b if u r c a t io n

Fig u r e 4:exem ple d es d e u x ty p e le s p lu s u t ilis e r [6]

c h a p itrel

Reconnaissance des empreintes

D ’après [7], La probabilité de trouver deux empreintes digitales similaires est de 1 sur 10 puissances 24. Les jumeaux, par exemple, venant de la même cellule, auront des empreintes très proches mais pas semblables.

2- L ’a l g o r i t h m e d e l a r e c o n n a i s s a n c e

d ’e m p r e i n t e s d i g i t a l e s :

Le principe de la reconnaissance des empreintes digitales consiste à comparer une empreinte fournie au système, à une ou plusieurs autres empreintes dont le système dispose préalablement dans sa base de données biométrique. Le système biométrique renvoie un résultat positif au cas où l’empreinte fournie à l’entrée correspond à l’un des modèles, et un résultat négatif dans le cas contraire.

A ce point, le but global est donc d’avoir un système qui fait la différence entre une image en entrée et plusieurs images situées dans une base de données. Pour cela, il faut utiliser une approche rapide et précise, c'est la raison pour laquelle on va éliminer l'approche par comparaison des images pixel par pixel parce qu’elle est assez lente.

La comparaison entre les empreintes est basée sur la recherche de la différence entre les minuties d'image d’entrée et les autres dans la base de données.

La méthode généralement utilisée pour détecter les minuties consiste à mettre l’image de l’empreinte en noir et blanc, c’est la binarisation de l’image, et à donner une même taille aux lignes de l’empreinte c’est la squelettisation. Une fois que l’on dispose de l’image binaire squellettisée, les minuties (singularités) sont mieux visibles, on procède alors à leur détection.

10

c h a p itrel

Reconnaissance des empreintes

2 .1 - P r é t r a i t e m e n t d e s i m a g e s d ’e m p r e i n t e :

Basé sur la nature des bases de données proposées par [8] qui contient les différentes empreintes on observe que tous les images nécessitent un traitement. Le premier objective est de chercher à regrouper les images est les transformer en se basant sur la même dimension afin de faciliter la comparaison

¿ « l à

: | ؛

|É

p

•

DB1 1

1 DB2 1

db3

؛ ؛

s a

1 DB4 1

Fig u r e 5:Ec h a n t i l l a n t d es b a se s de d o n n e e s PROPOSENT p a r [8]

La 2ème étape est de faire un prétraitement au niveau d’image, ce traitement a pour objectif d’améliorer la qualité de l’image contre le bruit lié à la mesure de perturbation.

La figure 4 nous donne une idée sur le processus suivi dans phase du prétraitement.

(a) Im age d ’origine.

(b) Image binarisée.

(c) Image squellettisée, minuties détectées (points en couleur).

Fig u r e 6:Tr a it e m e n t d'u n e e m p re in te d ig it a le [8]

11

c h a p itrel

Reconnaissance des empreintes

A) La binarisation:

La binarisation consiste à transformer une image à plusieurs niveaux en une image en noir et blanc (deux niveaux seulement). C'est le moyen privilégié pour isoler des objets. Par suite, une image binaire peut être représentée par une matrice booléenne dont chaque élément signifie Vrai (1 = blanc) ou Faux (0 = noir).[10] La binarisation d'empreintes digitales est une technique pour produire une image de type 1 -bit, avec 0 comme crêtes qui sont teintées de noir et de 1 les vallées qui sont teintées de blanc [9] (voir figure 7). Pour arriver à une image binarisée correctement il faut bien choisie une méthode de binarisation qui nous donne la forme d'empreinte sans malformation, nous avons testé plusieurs algorithme de binarisation dans le chapitre 3 la partie 2.1.1 page 29, pour la préparer à la 2ème étape de prétraitement " la squelettisation"

a) Image originale

Fig u r e 7:exem ple d 'o p e r a t io n de BINARISATION [8]

b) Image binarisée

12

c h a p itrel

Reconnaissance des empreintes

B) La squelettisation:

Un algorithme d’amincissement (ou shrinkingalgorithm) consiste en la suppression jusqu’à stabilité de points simples, le résultat obtenu s’appelle un noyau homotypique. Si la suppression est réalisée de façon séquentielle alors la topologie est préservée ; cela par la définition même d’un point simple. Si le processus est modifié de façon à ce que certains points simples soient préservés durant le processus de suppression, il est alors possible de conserver des caractéristiques géométriques. Un tel processus s’appelle algorithme de squelettisation (ou thinningalgorithm), et le résultat est appelé squelette. Les points à préserver sont appelés points terminaux ou points extrémités.[11]

L'objectif est ici de diminuer l'information redondante contenue dans une image, donc la quantité de données à analyser. La méthode est l'isolement des lignes principales de l'image avec des amincissements successifs jusqu'à ce que l'image résultante ne contienne que des lignes d'épaisseur 1 pixel. La méthode nécessite l'emploi successif de 8 masques. On effectue sur l'image une succession de passes; on arrête lorsque le résultat entre deux passes successives est inchangé. Une passe consiste en l'application successive, sur toute l'image de chacun des 8 masques (le point central sur le point courant à traiter). Les 8 masques correspondent aux transformations suivantes : si la situation de gauche est rencontrée, alors on remplace le pixel traité par 0.

a) Image binaire

b) Image squelette

Fig u r e 8:EXEMPLE D'OPERATION DE s q u e le t t is a t io n [8]

13

chapitre!

Reconnaissance des empreintes

Répéter Pour tout point de l'image déterminé selon un balayage séquentiel faire Sile point est simple alors il est supprimé

(Sinonexaminer le point suivant, déterminé par le balayage)

Jusqu'à ce qu'il n'y ait plus de suppression durant un balayage complet de l'image. Fig u r e 9:Sc h e m a SEQUENTIEL de s q u e le t t is a t io n [11].

Nous avons par ailleurs évalué les performances de deux procédés de et «Shapiro» [13] dans le chapitre 3 la partie squelettisation, « Zhang » [12] 2.1.2 page 34.

«Shapiro»

« Zhang »

T

٢ ٢ ١

(

d’exécution

؟Temp image 256*360, P133 MHz Mémoire nécessaire (en taille image K octets) Fig u r e ^ c o m p a r a i s o n EXPERIM ENTALE d es a lg o r it h m e s de s q u e l e t t i s a t i o n d e « Zh a n g » ET DE «SHAPIRO.» [9].

1.6

(

14

c h a p itrel

Reconnaissance des empreintes

2.2- Extraction des minuties

Après avoir obtenu l’image traitée, on doit trouver dans cette dernière les minuties les plus intéressantes de l’image.

La signature retenue pour caractériser l'empreinte est basée sur un ensemble suffisant et fiable de minuties. On entend par suffisant, le nombre minimum de minuties nécessaires pour pouvoir établir des comparaisons fiables entre empreintes. Ce minimum se situe à 12 minuties vis-à-vis de la loi, voire moins pour beaucoup d'entre eux (jusqu'à 8 minimum). Le nombre 12 provient de la règle des 12 points selon laquelle il est statistiquement les mêmes 12 points impossible de trouver 2 caractéristiques, même en considérant une population de plusieurs dizaines de millions de personnes.

individus présentant

On entend par fiable, les minuties qui ne sont pas influencées par des défauts lors de l'acquisition de l'image ou par l'altération temporaire de l'empreinte digitale (blessure, érosion, etc.). Avec un petit nombre de minuties (15 ou 20) correctement localisées, il est possible d'identifier une empreinte parmi plusieurs millions d'exemplaires.

Généralement, chaque minutie occupe un espace de 16 octets sans compactage ni compression. Ceci explique la taille de chaque fichier signature, 240 octets pour 15 minuties et 1600 octets pour 100 minuties.

Les bifurcations et les terminaisons sont les deux types de minuties les plus utilisés car ils sont facilement détectables, mais surtout parce qu’ils sont très aisément représentables par le modèle de coordonnées, où chaque minutie est représentée par les coordonnées (x, y) de son emplacement et l’angle 0.

TirriH h¡ t i r i t.'ti

fo ifitK ü U lH t

Fig u r e !!:r e p r e s e n t a t io n d es m in u t ie s p a r le m o d e le de c o o r d o n n e e s [9].

15

c h a p itrel

Reconnaissance des empreintes

Lors du processus d'extraction, on détecte initialement 100 minuties en moyenne, parmi lesquelles environ 60 % correspondent à de fausses minuties qui seront identi^ées lors d'un processus ultérieur. Généralement les logiciels extraits donc une quarantaine de minuties réelles de l'empreinte. Cette valeur est nettement supérieure aux minima, ce qui augmente la fiabilité. De plus, ce chiffe est loin du total de minuties détectées, ce qui laisse supposer que n'ayant conservé que les plus fiables, on a éliminé les minuties erronées qui auraient pu détériorer le comportement du système.

Les minuties sont généralement extraites à partir du squelette de l’image, il existe une approche permettant de détecter les minuties (Terminaison, Bi^rcation) en calculant ainsi que l'indicateur Crossing-Number(CN) en fonction du voisinage de chaque pixel. Selon la valeur de CN le type du point est déterminé : Continuité ou Discontinuité (minutie) .[9]

leurs ^pes

Cette méthode ne retient que l’emplacement des minuties les plus pertinentes.

En analysant le squelette binaire de l’image de l’empreinte, on remarque que les pixels correspondant aux minuties possèdent un crossing-numberdifférent de 2. Le crossing-num berd’un pixel p se calcule par la formule suivante :

Π= 0 . 5

م

ة

أ ﺀ

1

|

ﻢ ﻣ

- P i+i\

P9 = P1, Pi est la valeur des pixels dans le voisinage 3*3 de P. p0, p1, .... P7 sont les 8 pixels au voisinage de p En effet le coef^cient CN présente des caractéristiques qui permettent d’identi^er la nature d’une minutie en fonction du résultat obtenu lors du calcul de CN.

CN 0 1 2 3 4 Ta b le !:Id e n t if ic a t io n d'u n e m in u tie a p a r t i r d u c a l c u l de CN

NATURE DE ا A MINUTIE EN P Erreur =>Point isolé Terminaison Erreur =>Point £ Sillon Divergence ou bifurcation Erreur=>Minutie à 4 branches

16

c h a p itrel

Reconnaissance des empreintes

Ces méthodes restent tout de même très pratiques car elles sont faciles à mettre en place et donc moins coûteuses. Elles sont souvent combinées avec d’autres méthodes plus complexes pour assurer la fiabilité et la robustesse du système.

2.3- Comparaison des minuties

La phase de comparaison des minuties s’apparente à du « point pattern matching ». Le problème majeur des nombreux algorithmes proposés dans ce domaine, c’est la croissance exponentielle de leur complexité en fonction du nombre de points à traiter.

A partir de deux ensembles de minuties extraites, le système est capable de donner un indice de similitude ou de correspondance qui vaut :

❖ 0 % si les empreintes sont totalement différentes. ❖ 100 % si les empreintes viennent de la même image.

Dans le chapitre suivant nous allonsétudier les différents algorithmes proposés dans la littérature pour résoudre le problème de comparaison.

17

chapitre2

Etat de l'art

CHAPITRE 2:

ETAT DE L'ART

i- I n t r o d u c t i o n :

La reconnaissance d’empreintes digitales est une technique biométrique mature pour toute application d’identification ou de vérification d’individus. Cette technique d’authentification attire l'attention des chercheurs depuis quelques décennies, et reste encore et toujours un sujet de recherche attractif et très ouvert. Beaucoup de connaissances dans les domaines de la reconnaissance des formes, du traitement d'images, des statistiques ont été appliquées au domaine de la reconnaissance des empreintes.

Dans la littérature il existe beaucoup d'algorithmes proposés (plus de 120 algorithmes) pour la reconnaissance des empreintes digitales chacun de ces algorithmes à des caractéristiques "point faible et point fort" par rapport aux autres.

fait une collaboration avec L'université de Bologne a l'université de Michigan pour la réalisation de FVC2004 (Figner verificationComptition) [8] le but est de crée plusieurs bases de données, chaque base avec un capteur des empreintes différents pour le but de la réalisation des algorithmes spécialisés à la reconnaissance d'empreinte.

Le principe de la reconnaissance des empreintes digitales consiste à comparer une empreinte fournie au système, à une le système dispose ou plusieurs autres empreintes dont préalablement dans sa base de données biométrique. Le système biométrique renvoie un résultat positif au cas où l’empreinte fournie à l’entrée correspond à l’un des modèles, et un résultat négatif dans le cas contraire.

18

chapitre2

Etat de l'art

La comparaison entre les empreintes elle basé sur la recherche de la différence entre les minuties d'image d'entrer et les autres dans la base de données.

La méthode généralement utilisée pour détecter les minuties consiste à mettre l’image de l’empreinte en noir et blanc, c’est la binarisation de l’image, et à donner une même taille aux lignes de l’empreinte c’est la squelettisation. Une fois que l’on dispose de les minuties (singularités) sont mieux visibles, on procède alors à leur détection.

l’image binaire

squellettisée,

2- Les techniques de reconnaissance:

2.1- Efinger :

Cet algorithme a été programmé par [14], Le capteur utilisé du type «Secugen » enregistre la forme de l’empreinte digitale à partir des variations électriques produites par les monts et les vallées du doigt avec une qualité d’image en 256 niveaux de gris, et une résolution de 260*300 pixels. Nous décrivons les différentes étapes de l’algorithme d’authentification des empreintes dans ce qui suit.

2.1.1- Prétraitement:

EFINGER présente les mêmes phases de prétraitement des images que nous déjà expliqué dans le chapitre précédant, il effectue les traitements suivant:

Le prétraitement est effectué lors de l’ajout de l’empreinte dans la base de données:

19

chapitre2

Etat de l'art

A d d ا

ذ

Image in Database

Inpul File

|D:\(rm14.20\final-piogs\eFinger\2_2.bmp

Browse

I

Oliginal Image

Afiet Enhancement

Fig u r e 12: l 'in t e r f a c e de Ef in g e r d a n s l a p a r tie PRETRAITEM ENT ET STOCI^AGE [14]

2.1.2- Extraction des minuties:

La dernière étape est la localisation des minuties par la création d’une image de points.

extraites

extraire

les minuties,

Après ils ont obtenaient l'image de points, ils ont proposé la fonction M akeminutiaepour de fonctionnement de cette méthode c'est de parcourir le fichier pixel par pixel, à la recherche des coordonnées de ces points. Ces coordonnées seront stockées dans un fichier texte pour chaque empreinte. Ces fichiers seront utilisés lors des tests de comparaisons d’images d’empreintes. Nous avons vu que en général, les algorithmes utilisait la connectivité pour déterminer les minuties.

le principe

2.1.3- C om paraison des m inuties

Efinger dispose 3 méthodes permettant d’effectuer des comparaisons d’image d’empreintes digitales : - MIN DISTANCE - IMAGE MAPPING - QUAD TREE

20

chapitre2

M a tc h 2 fp rin te

٨؛

D b

j

Etat de l'art

x

Finger Print 1

jDatabase/image_thin/12.bmp

▼ | Dejection Method

[Î

:: Results :: ١

Finger Print ث

Preview

Thinned Image of 1

Thinned Image of

؛

Cancel

Fig u r e 13:l'in t e r f a c e Ef in g e r p e r m e t t a n t de c h o is ir l a m e th o d e de c o m p a r a is o n d'e m p re in te [14].

A l’aide de l'interface proposé par [14] Figure13, ils ont choisir une empreinte et comparent à toute la base de données d’empreintes utilisons les trois méthodes de comparaison proposé.

la méthode MIN DISTANCE permet de calculer un D ’après [14], pourcentage en comparant les valeurs similaires de deux tableaux de minuties. En effet, comme dit précédemment chaque empreinte dispose d’un fichier.TXT contenant les coordonnées des minuties de ces empreintes.

D ’après [14], la méthode MIN DISTANCE prend en argument deux tableaux mindata1 et mindata2 à deux dimensions contenant les coordonnées x et y des minuties. Ces tableaux sont construits à partir des fichiers .TXT. La méthode Min Distance effectue une comparaison des distances entre les minuties de l’empreinte à comparer et celle des minuties des empreintes de la base. Un score est donné pour être comparé à un seuil préétabli.

L’algorithme de comparaison IMAGE MAPPING, effectue quant à lui une rotation de l’image squellettisée et la compare avec celles de la base de données.

La méthode QUAD TREE segmente l’image en 4 parties et compare ces parties à celles des empreintes de la base de données.

21

chapitre2

Etat de l'art

2 .1 .4 - P hase de te s t:

D ’après [14], le temps du traitement de chaque empreinte varie autour de 5 à 6 secondes.

Comme vu précédemment il faut savoir que cet algorithme est muni de trois méthodes de reconnaissances, voirTableau 2.

Temps de comparaison avec 10 empreintes

Min distance

Image Mapping

Quad Tree

Entre 0,7s et 2,60s

Entre 1,45 min et 1,53 min

Entre 0,65s et 1,10s

Temps de comparaison avec 40empreintes

Varie entre 0,9s et 7,20 s Moyenne est autour de 3s

Varie entre 6,38 min et 6,53 Moyenne est autour de 6,44 min

Varie entre 6,38 min et 6,53 Moyenne est autour de 1,8s

Ta b le a u 2:COMPARAISON par rapport au temps des 3 ALGORITHMES DE COMPARAISON des minuties [14].

Rem arque.

Comparaison avec une base de 10 empreintes :

D ’après le tableau 2, la méthode « m in distance » sort des résultats aléatoires pour chaque comparaison d’empreintes. Pour ce qui concerne la méthode/mage Mapping, il faut savoir qu’ils ont trouvent une tranche de temps équivalent pour les dix empreintes différentes. Après avoir le tableau 2, la méthodeQuad Tree,nous pouvons voir que celle-ci est la plus rapide au niveau comparaison des empreintes, par contre elle est moins performante en terme d’efficacité.

Comparaison avec une base de 40 empreintes :

Méthode « Quad Tree » est la plus rapide, par contre elle est moins performante en terme d’efficacité. - L’augmentation de la base d’empreinte a une grande influence sur le temps de comparaison sur l’ « Image Mapping ».

22

chapitre2

Etat de l'art

2.2- Apprentissage artificiel

l’université de Nahrain Un ensemble d’ingénieurs /Baghdad/Iraq Ont utilisé l’approche par réseaux de neurones pour la reconnaissance automatique des empreintes digitales.

[15] de

Ce projet a été réalisé avec Matlab et les images utilisées sont de petite résolution 188*240 pixels pour évaluer la performance du la base de données a été divisée en deux parties, système, apprentissage et test.

Dans la phase de prétraitement il faut ajuster les images pour adapté l'entrée du réseau de neurone.

Les étapes du prétraitement sont pratiquement similaires aux autres algorithmes, la seule différence est dans la phase de comparaison.

Les minuties de l’empreinte digitale sont extraites à partir de son squelette en calculant la «Connectivité » CN qu'on a expliqué précédemment, le nombre des minuties extraites dans cet algorithme sont 12 .

La base de données utilisée dans ce projet contient 100 images, 50 pour l'apprentissage et 50 pour le test.

Dans la partie apprentissage l'un des objectifs c'est l'apprentissage du réseau En utilisant l'algorithme de back-propagation.

back-propagation est la méthode la plus utilisé pour entrainer le réseau de neurone

Cette méthode fonctionne comme suit:

Le modèle d'entrée sur laquelle le réseau doit être entraîné est présenté à la couche du réseau d'entrée et le réseau est exécuté normalement pour voir ce que la sortie produit effectivement. La sortie réelle est comparée à la sortie désirée pour ce modèle d'entrée. Les différences entre la forme réelle et désirée un modèle d'erreur [16].

Cet algorithme utilise 12 paramètres d'entrée et 6(les caractéristique ou les minuties) paramètres de sortie. Le chiffre 6 a été extrait à partir du nombre d'apprentissage

50 ~ (2A6).

23

chapitre2

Etat de l'art

La figure 14 nous donnons une idée sur le fonctionnement de cette approche.

Fig u r e 14:im p le m e n ta t io n DU RESEAUX DE Ne u r o n e [15]

Tesdng

Training

K h k eye im age =ﻮ ﻳ) ا؛

ﻞ ﺘﻤ ﺑﺀ ﺄﺗ

(Processing Ope radon) ،لا؛الا؛لﺀ]لالاﻫ£ N a r u liz a t i o n

B i n a r a z a r i a n

Feature E ïtr a c d o n

NN C lassifier

Databa

؛»

R c s n eye =ﻮ ﻳ ﻞ ﺘ ﻫ (

)

؛ ■ ! ؛ ، pixel

(Processing Ope radon) الاﺀلا؛لﺀ]لالاﻫ£ ، rSflm ialiiadijji B in arazad on

. .

Fe antre racdon

£ ؛

ï

NN Sim ulator

Output Class

C lassifie a don Result

Fig u r e 15:Sy s te m de c l a s s if ic a t io n d es e m p re in te s PROPOSENT p a r [15]

24

chapitre2

Etat de l'art

2.2.1- classification des empreintes:

La classification est l'étape final pour les systèmes qui utilisent l'extraction des caractéristiques à partir des images, dans l'objectif de les catégoriser.

Dans cette étude ils ont utilisent MLP (Multilayer Perceptron) pour la classification des modèles.

D ’après [15], l'extraction des caractéristiques est l'une des tâches les plus importantes pour un système de reconnaissance. MLP est conçu pour détecter les caractéristiques de l'image d'empreinte digitale de la taille 188x240 pixels. La première couche du réseau comprend 12 neurones associés aux composantes du vecteur d'entrée. La couche cachée à 25 neurones et la couche de sortie a 6 neurones. La figure 15 montre la structure en trois couches MLP.

La mise en réseau sera entraînée en utilisant l'algorithme de rétro- propagation (back-propagation).

L'étape suivante consiste à saisir les images d'empreintes digitales caractéristiques. prototype

extraire

pour

les

Fig u r e 16:l a s t r u c t u r e en t r o i s c o u c h e s MLP [15].

25

chapitre2

Etat de l'art

2 .2 .2 - P hase de te s t:

D ’après [15], l'implémentation de cet algorithme est réalisée avec une machine de 2.1 GHz Pentium 4 Windows 7 et MATLAB 8.0, et la base de données utilisée dans ce projet contient 100 ima