Search

In general, biometrics aims is the identification or verification of individual, especially using their physical or behavioral characteristics. This practice tends to replace the traditional knowledge-based methods such us a password or PIN code and token-based methods such as identity document or a badge. Daily, multiple biometric modalities have been developed, where the products are available and already used in many applications. Biometric recognition is a research area that does not stop evolving and seeking new forms of high performance modalities. The main of this thesis is to develop and evaluate new methods based on hidden biometric features, tamper-proof and can't be voluntarily changed. In this context, that we introduce a new biometric modality that using human brain characteristics and the feasibility of such a method was the object of our study. For this, brain volumetric images, obtained by MRI (Magnetic Resonance Imaging) are used to extract the most discriminative brain patterns. Afterward, biometric code of the brain, called « BrainCode », is generated that serve on individual identification or authentication. Thus, we developed three biometric techniques based on the brain. The first technique uses textural patterns of a brain digital image, while the second technique is based on the use of morphological and geometrical characteristics of the brain. The last explored technique, based on the fusion of geometric features and the textural patterns from brain MRI slice. These new biometric techniques obviously require the acquisition of brain MRI images by considering only healthy and adult peoples. According to obtained results from experiments, the developed techniques lead to interesting recognition performance. More precisely, the first technique based on texture patterns analysis and « BrainCode » generation, provides about 97,53% of accuracy, FAR = 1,5%, FRR = 3,41% and the EER = 2,72%. The second technique, using a geometric model of the brain, called « GMB » (Geometric Model of the Brain), we obtained a maximum accuracy around 98,80%, FAR = 0,09%, FRR = 2,31% and the EER = 1,92%. Finally, the merger of geometric features and the texture, we have reached about 99, 47% of accuracy, FAR = 0,32% and the FRR = 0,72%. In this study, we are also interested on the robustness study of the proposed approaches against noise, D'une manière générale, la biométrie a pour objectif d'établir ou de vérifier l'identité d'individu, notamment à partir de ces caractéristiques physiques ou comportementales. Cette pratique tend à remplacer les méthodes traditionnelles basées sur la connaissance, à savoir un mot de passe ou un code PIN ou basées sur les possessions telles qu'une pièce d'identité ou un badge. Au quotidien, plusieurs modalités biométriques ont été développées dans une certaine mesure, dont les produits sont disponibles et déjà utilisés dans des nombreuses applications. La reconnaissance biométrique est un domaine de recherche qui ne cesse pas d'évoluer et la recherche des nouvelles modalités de hautes performances est d'actualité. L'objectif de notre thèse consiste à développer et d'évaluer de nouvelles modalités biométriques basées sur des caractéristiques cachées, infalsifiables et ne pouvant pas être modifiées volontairement. C'est dans ce contexte que nous introduisons une nouvelle modalité biométrique utilisant les caractéristiques du cerveau humain et la faisabilité d'une telle modalité a fait l'objet de notre étude. À cet effet, des images volumiques cérébrales, obtenues par IRM (Imagerie par Résonance Magnétique) sont utilisées pour en extraire les informations pertinentes et générer par la suite des codes biométriques du cerveau, appelés « BrainCode », qui serviront à l'identification ou à l'authentification d'un individu. Ainsi, nous avons élaboré trois techniques de reconnaissance biométrique. La première technique utilise l'information de la texture d'une image numérique du cerveau comme signature individuelle, alors que la deuxième est basée sur l'utilisation des caractéristiques géométriques et morphologiques du cerveau. Enfin, la dernière technique explorée se base sur la fusion des caractéristiques géométriques et les caractéristiques de la texture du cerveau. Ces nouvelles techniques biométriques nécessitent évidemment l'acquisition des images IRM du cerveau en considérant, uniquement des personnes saines et adultes.Les résultats obtenus ont conduit à des performances de reconnaissance intéressantes. Plus précisément, la première technique, basée sur l'analyse de texture et la génération d'un « BrainCode » du cerveau, permet d'obtenir une précision de vérification de l'ordre de 97,53% avec un FAR = 1,5%, FRR = 3,41% et un EER = 2,72%. La deuxième technique, utilisant un modèle géométrique du cerveau, appelé « MGC » (Modèle Géométrique du Cerveau), nous arrivons à une précision maximale de l'ordre de 98,80% avec un FAR = 0,09%, un FRR = 2,31% et un EER = 1,92%. Enfin, la fusion des caractéristiques géométriques et de texture, permet d'atteindre une précision de l'ordre de 99,43% avec un FAR = 0,32% et un FRR = 0,72%. Dans cette étude, nous nous sommes aussi intéressés à l'étude de la robustesse des approches proposées par rapport au bruit

Since facial biometric recognition is contactless, non-intrusive, and somehow natural (i.e more accepted by end-users), it emerges as one attractive way to achieve identity recognition. Unfortunately, 2D-based face technologies (still image or image sequence) still face difficult challenges such as pose variations, changes in lighting conditions, occlusions, and facial expressions. Over the last ten years, face recognition using the 3D shape of the face has become a major research area due to its robustness to lighting conditions and pose variations. Most of state-of-the-art works focused on the variability caused by facial deformations and proposed methods robust to such shape variations. Achieving good performances in automatic 3D face recognition and gender classification is an important issue when developing intelligent systems. In this thesis we propose a unified framework, which is fully automatic 3D face recognition and gender classification. We propose to represent a 3D facial surface by a set of radial curves and iso-level curves. The proposed framework combines machine learning techniques (Boosting, etc.) and Riemannain geometry-based shape analysis in order to select relevant facial curves extracted from 3D facial surfaces. The feature selection step improves the performances of both our identity recognition and gender classification approaches. Besides, the set of the obtained relevant curves provides a compact signature of 3D face, which significantly reduces the computational cost and the storage requirements for face recognition and gender classification.. The main contributions of this thesis include : - A new geometric feature selection approach for efficient 3D face recognition, which operating the most relevant characteristics to resolve the challenge of facial expressions. In particular, we are interested in selecting facial curves that are most suitable for 3D face recognition by using machine learning techniques. - A new gender classification approach using the 3D face shape represented by collections of curves. In particular, we are interested in finding the set of facial curves that are most suitable for gender discrimination. Exhaustive experiments were conducted on the FRGCv2 database, the obtained results were compared with those of the state-of-the-art work, and the effectiveness of local geometric shape analysis of facial surfaces combined with machine learning techniques were outlined.; La biométrie du visage a suscité, ces derniers temps, l'intérêt grandissant de la communauté scientifique et des industriels de la biométrie vue son caractère naturel, sans contact et non-intrusif. Néanmoins, les performances des systèmes basés sur les images 2D sont affectées par différents types de variabilités comme la pose, les conditions d'éclairage, les occultations et les expressions faciales. Avec la disponibilité de caméras 3D capables d'acquérir la forme tridimensionnelle, moins sensibles aux changements d'illumination et de pose, plusieurs travaux de recherche se sont tournés vers l'étude de cette nouvelle modalité. En revanche, d'autres défis apparaissent comme les déformations de la forme faciales causées par les expressions et le temps de calcul que requièrent les approches développées. Cette thèse s'inscrit dans ce paradigme en proposant de coupler la géométrie Riemannienne avec les techniques d'apprentissage pour une biométrie faciale 3D efficace et robuste aux changements d'expressions. Après une étape de pré-traitement, nous proposons de représenter les surfaces faciales par des collections de courbes 3D qui captent localement leurs formes. Nous utilisons un cadre géométrique existant pour obtenir les déformations " optimales " entre les courbes ainsi que les distances les séparant sur une variété Riemannienne (espace des formes des courbes). Nous appliquons, par la suite, des techniques d'apprentissage afin de déterminer les courbes les plus pertinentes pour deux applications de la biométrie du visage : la reconnaissance d'identité et la classification du genre. Les résultats obtenus sur le benchmark de référence FRGC v2 et leurs comparaison avec les travaux de l'état de l'art confirment tout l'intérêt de coupler l'analyse locale de la forme par une approche géométrique (possibilité de calculer des moyennes, etc.) avec des techniques d'apprentissage (Basting, etc.) pour gagner en temps de calcul et en performances.

In general, biometrics aims is the identification or verification of individual, especially using their physical or behavioral characteristics. This practice tends to replace the traditional knowledge-based methods such us a password or PIN code and token-based methods such as identity document or a badge. Daily, multiple biometric modalities have been developed, where the products are available and already used in many applications. Biometric recognition is a research area that does not stop evolving and seeking new forms of high performance modalities. The main of this thesis is to develop and evaluate new methods based on hidden biometric features, tamper-proof and can't be voluntarily changed. In this context, that we introduce a new biometric modality that using human brain characteristics and the feasibility of such a method was the object of our study. For this, brain volumetric images, obtained by MRI (Magnetic Resonance Imaging) are used to extract the most discriminative brain patterns. Afterward, biometric code of the brain, called « BrainCode », is generated that serve on individual identification or authentication. Thus, we developed three biometric techniques based on the brain. The first technique uses textural patterns of a brain digital image, while the second technique is based on the use of morphological and geometrical characteristics of the brain. The last explored technique, based on the fusion of geometric features and the textural patterns from brain MRI slice. These new biometric techniques obviously require the acquisition of brain MRI images by considering only healthy and adult peoples. According to obtained results from experiments, the developed techniques lead to interesting recognition performance. More precisely, the first technique based on texture patterns analysis and « BrainCode » generation, provides about 97,53% of accuracy, FAR = 1,5%, FRR = 3,41% and the EER = 2,72%. The second technique, using a geometric model of the brain, called « GMB » (Geometric Model of the Brain), we obtained a maximum accuracy around 98,80%, FAR = 0,09%, FRR = 2,31% and the EER = 1,92%. Finally, the merger of geometric features and the texture, we have reached about 99, 47% of accuracy, FAR = 0,32% and the FRR = 0,72%. In this study, we are also interested on the robustness study of the proposed approaches against noise, D'une manière générale, la biométrie a pour objectif d'établir ou de vérifier l'identité d'individu, notamment à partir de ces caractéristiques physiques ou comportementales. Cette pratique tend à remplacer les méthodes traditionnelles basées sur la connaissance, à savoir un mot de passe ou un code PIN ou basées sur les possessions telles qu'une pièce d'identité ou un badge. Au quotidien, plusieurs modalités biométriques ont été développées dans une certaine mesure, dont les produits sont disponibles et déjà utilisés dans des nombreuses applications. La reconnaissance biométrique est un domaine de recherche qui ne cesse pas d'évoluer et la recherche des nouvelles modalités de hautes performances est d'actualité. L'objectif de notre thèse consiste à développer et d'évaluer de nouvelles modalités biométriques basées sur des caractéristiques cachées, infalsifiables et ne pouvant pas être modifiées volontairement. C'est dans ce contexte que nous introduisons une nouvelle modalité biométrique utilisant les caractéristiques du cerveau humain et la faisabilité d'une telle modalité a fait l'objet de notre étude. À cet effet, des images volumiques cérébrales, obtenues par IRM (Imagerie par Résonance Magnétique) sont utilisées pour en extraire les informations pertinentes et générer par la suite des codes biométriques du cerveau, appelés « BrainCode », qui serviront à l'identification ou à l'authentification d'un individu. Ainsi, nous avons élaboré trois techniques de reconnaissance biométrique. La première technique utilise l'information de la texture d'une image numérique du cerveau comme signature individuelle, alors que la deuxième est basée sur l'utilisation des caractéristiques géométriques et morphologiques du cerveau. Enfin, la dernière technique explorée se base sur la fusion des caractéristiques géométriques et les caractéristiques de la texture du cerveau. Ces nouvelles techniques biométriques nécessitent évidemment l'acquisition des images IRM du cerveau en considérant, uniquement des personnes saines et adultes.Les résultats obtenus ont conduit à des performances de reconnaissance intéressantes. Plus précisément, la première technique, basée sur l'analyse de texture et la génération d'un « BrainCode » du cerveau, permet d'obtenir une précision de vérification de l'ordre de 97,53% avec un FAR = 1,5%, FRR = 3,41% et un EER = 2,72%. La deuxième technique, utilisant un modèle géométrique du cerveau, appelé « MGC » (Modèle Géométrique du Cerveau), nous arrivons à une précision maximale de l'ordre de 98,80% avec un FAR = 0,09%, un FRR = 2,31% et un EER = 1,92%. Enfin, la fusion des caractéristiques géométriques et de texture, permet d'atteindre une précision de l'ordre de 99,43% avec un FAR = 0,32% et un FRR = 0,72%. Dans cette étude, nous nous sommes aussi intéressés à l'étude de la robustesse des approches proposées par rapport au bruit