Nouvelle approche d'identification dans les bases de données biométriques basée sur une classification non supervisée, A new identification approach in biometric databases based on unsupervised classification

Anis Chaari

Description

Sous la direction de Sylvie Lelandais-Bonadè, Mohamed Ben Ahmed
Thèse soutenue le 06 octobre 2009: ENSI Université de la Manouba, Evry-Val d'Essonne
Les travaux effectués dans le cadre de cette thèse portent sur l’identification automatique de visages dans des bases de données d’images numériques. L’objectif est de simplifier le déroulement de l’identification biométrique qui consiste à la recherche de l’identité requête parmi l’ensemble des individus de la base de données préenregistrée, appelée aussi galerie. En effet, le schéma d’identification classique est complexe et très coûteux notamment dans le cas de grandes bases de données biométriques. Le processus original que nous proposons ici a pour objectif de réduire la complexité et d’améliorer les performances en terme de temps de calcul et de taux d’identification. Dans ce cadre biométrique, nous avons proposé une étape de classification non supervisée ou clustering des visages pour partitionner la base d’images en plusieurs sous ensembles cohérents et bien discriminés. Pour ce faire, l’algorithme de clustering vise à extraire, pour chaque visage, un ensemble de descripteurs, appelé signature, qui lui soit spécifique. Trois techniques de représentation faciales ont été développées dans le but d’extraire des informations différentes et complémentaires décrivant le visage humain : deux méthodes factorielles d’analyse multidimensionnelle et de projection des données (méthodes dites « Eigenfaces » et « Fisherfaces ») ainsi qu’une méthode d’extraction des moments géométriques de Zernike. Sur la base des différentes classes de signatures extraites pour chaque visage plusieurs méthodes de clustering sont mises en compétition afin de dégager la classification optimale qui conduit à une meilleure réduction de la galerie. Les méthodes retenues sont, soit de type « centres mobiles » telles que les K-moyennes et les centres mobiles de Forgy, ou de type « agglomérative » telle que la méthode de BIRCH. Sur la base de la dépendance des partitions générées, ces différentes stratégies classificatoires sont ensuite combinées suivant une architecture parallèle de manière à optimiser la réduction de l’espace de recherche à un sous ensemble de la base de données. Les clusters retenus in fine étant ceux pour lesquels la probabilité d’appartenance de l’identité requête est quasi certaine.
-Classification non supervisée
The work done in the framework of this thesis deal with the automatic faces identification in databases of digital images. The goal is to simplify biometric identification process that is seeking the query identity among all identities enrolled in the database, also called gallery. Indeed, the classical identification scheme is complex and requires large computational time especially in the case of large biometric databases. The original process that we propose here aims to reduce the complexity and to improve the computing time and the identification rate performances. In this biometric context, we proposed an unsupervised classification or clustering of facial images in order to partition the enrolled database into several coherent and well discriminated subsets. In fact, the clustering algorithm aims to extract, for each face, a specific set of descriptors, called signature. Three facial representation techniques have been developed in order to extract different and complementary information which describe the human face: two factorial methods of multidimensional analysis and data projection (namely called Eigenfaces and Fisherfaces) and a method of extracting geometric Zernike moments. On the basis of the different signatures obtained for each face, several clustering methods are used in competing way in order to achieve the optimal classification which leads to a greater reduction of the gallery. We used either mobile centers methods type such as the K-means algorithm of MacQueen and that of Forgy, and the agglomerative method of BIRCH. Based on the dependency of the generated partitions, these different classifying strategies are then combined using a parallel architecture in order to maximize the reduction of the search space to the smallest subset of the database. The retained clusters in fine are those which contain the query identity with an almost certain probability.
Source: http://www.theses.fr/2009EVRY0019/document

Informations

• Publié par: Thesee
• Nombre de lectures: 77
• Langue: Français
• Poids de l'ouvrage: 3 Mo

Extrait

Université d’Evry Val d’Essonne Université de la Manouba
UFR Sciences et technologies Ecole Nationale des Sciences de l’Informatique



THESE

Présenté par

Anis CHAARI

Pour obtenir le diplôme du doctorat

Spécialités Sciences pour l’ingénieur et Informatique


Sujet

Nouvelle approche d’identification dans les bases de données
biométriques basée sur une classification non supervisée

Préparé au sein des laboratoires IBISC et RIADI



Soutenue le mardi 6 Octobre 2009 au laboratoire IBISC

Composition du jury

Philippe Bolon Professeur Université de Savoie Président
Bernadette Dorizzi Professeur Télécom et Management Sud Paris Rapporteur
Jean Marc Ogier Professeur Université de la Rochelle Rapporteur
Kamel Hamrouni MCF (HDR) Université Tunis El Manar Rapporteur
Patrick Bonnin Professeur Université de Versailles Examinateur
Sylvie Lelandais Bonadè Professeur Université d’Evry Directeur de thèse
Mohamed Ben Ahmed Professeur Emérite Université de la Manouba Directeur de thèse



²


Remerciements



C’est avec grand plaisir que je réserve cette page, en signe de gratitude et de reconnais-
sance à tous ceux qui m’ont aidé à la réalisation de ce travail.

Je remercie, tout d’abord, mes Professeurs Mohamed Ben Ahmed et Sylvie Lelandais-
Bonade, pour leurs confiances, leurs disponibilités et leurs soutiens continuels. Qu’ils
trouvent ici l’expression de ma gratitude pour leurs précieux conseils et toute l’aide qu’ils
m’ont procurée durant l’élaboration de ce travail. Je tiens à les remercier bien vivement pour
leurs encadrements, leurs encouragements et aussi pour leurs contributions à l’amélioration
judicieuse de la qualité de ce mémoire.

Je remercie vivement les membres de jury d’avoir accepté de juger mon travail de thèse.
Je suis très reconnaissant à Bernadette Dorizzi, Jean Marc Ogier et Kamel Hamrouni de s’être
penchés avec rigueur et grand intérêt sur ce rapport et de m’avoir fait l’honneur d’en être les
rapporteurs. Mes plus sincères remerciements vont aussi à Philippe Bolon et Patrick Bonnin
qui ont examiné ce travail de thèse et ont participé au jury.

Ce travail de thèse a été réalisé dans le cadre d’une co-tutelle entre le laboratoire
RIADI-GDL de l’Ecole Nationale des Sciences de l’Informatique de Tunis et le Laboratoire
IBISC (FRE CNRS 3190) de l’Université d’Evry. Je remercie leurs directeurs ainsi que tous
les chercheurs et l’ensemble du personnel de ces laboratoires pour m’avoir fait profiter de leur
expérience et de leur savoir.

Je remercie également Mohamed Saaidia de l’université d’Annaba avec qui j’ai collaboré
pour effectuer une contribution non négligeable sur la localisation de visages.

Je n’oublie pas non plus de remercier toutes les personnes que j’ai pu rencontrer et avec
lesquelles j’ai pu échanger, et en particulier les collaborateurs du projet IV. Je mercie
également l’ensemble du personnel du département QLIO de l’IUT d’Evry pour leurs accueils
chaleureux et les conseils pédagogiques dont ils m’ont fait part.

Un grand merci à mes parents, à ma sœur, à mon frère et à toute ma famille pour leur
soutien indéfectible. Enfin, rien n’aurait été possible sans Myriam, qui m’a épaulé et
encouragé dans les instants difficiles et a su partager avec moi les moments de joie rencontrés
lors de la préparation de cette thèse.

Je remercie, enfin, toutes les personnes qui ont contribué de près ou de loin à la réalisation
de ce travail.



Anis





Résumé
Les travaux effectués dans le cadre de cette thèse portent sur l’identification automatique de visages dans des
bases de données d’images numériques. L’objectif est de simplifier le déroulement de l’identification
biométrique qui consiste à la recherche de l’identité requête parmi l’ensemble des individus de la base de
données préenregistrée, appelée aussi galerie. En effet, le schéma d’identification classique est complexe et très
coûteux notamment dans le cas de grandes bases de données biométriques. Le processus original que nous
proposons ici a pour objectif de réduire la complexité et d’améliorer les performances en terme de temps de
calcul et de taux d’identification.
Dans ce cadre biométrique, nous avons proposé une étape de classification non supervisée ou clustering des
visages pour partitionner la base d’images en plusieurs sous ensembles cohérents et bien discriminés. Pour ce
faire, l’algorithme de clustering vise à extraire, pour chaque visage, un ensemble de descripteurs, appelé
signature, qui lui soit spécifique. Trois techniques de représentation faciales ont été développées dans le but
d’extraire des informations différentes et complémentaires décrivant le visage humain : deux méthodes
factorielles d’analyse multidimensionnelle et de projection des données (méthodes dites « Eigenfaces » et
« Fisherfaces ») ainsi qu’une méthode d’extraction des moments géométriques de Zernike. Sur la base des
différentes classes de signatures extraites pour chaque visage plusieurs méthodes de clustering sont mises en
compétition afin de dégager la classification optimale qui conduit à une meilleure réduction de la galerie. Les
méthodes retenues sont, soit de type « centres mobiles » telles que les K-moyennes et les centres mobiles de
Forgy, ou de type « agglomérative » telle que la méthode de BIRCH. Sur la base de la dépendance des partitions
générées, ces différentes stratégies classificatoires sont ensuite combinées suivant une architecture parallèle de
manière à optimiser la réduction de l’espace de recherche à un sous ensemble de la base de données. Les clusters
retenus in fine étant ceux pour lesquels la probabilité d’appartenance de l’identité requête est quasi certaine.

Mots clés: Analyses d’images, signature biométrique, classification non supervisée (clustering), base de
données d’images, identification de visages.


Abstract
The work done in the framework of this thesis deal with the automatic faces identification in databases of digital
images. The goal is to simplify biometric identification process that is seeking the query identity among all
identities enrolled in the database, also called gallery. Indeed, the classical identification scheme is complex and
requires large computational time especially in the case of large biometric databases. The original process that
we propose here aims to reduce the complexity and to improve the computing time and the identification rate
performances.
In this biometric context, we proposed an unsupervised classification or clustering of facial images in order to
partition the enrolled database into several coherent and well discriminated subsets. In fact, the clustering
algorithm aims to extract, for each face, a specific set of descriptors, called signature. Three facial representation
techniques have been developed in order to extract different and complementary information which describe the
human face: two factorial methods of multidimensional analysis and data projection (namely called "Eigenfaces"
and "Fisherfaces") and a method of extracting geometric Zernike moments. On the basis of the different
signatures obtained for each face, several clustering methods are used in competing way in order to achieve the
optimal classification which leads to a greater reduction of the gallery. We used either "mobile centers" methods
type such as the K-means algorithm of MacQueen and that of Forgy, and the "agglomerative" method of BIRCH.
Based on the dependency of the generated partitions, these different classifying strategies are then combined
using a parallel architecture in order to maximize the reduction of the search space to the smallest subset of the
database. The retained clusters in fine are those which contain the query identity with an almost certain
probability.

Key words: Image analysis, biometric signature, unsupervised classification (clustering), images databases,
facial identification.





Table des matières

Introduction Générale.............................................................................................................. 1
Contexte et motivations......................................................................................