3-3.Le protocole de XM2VTS ou "protocole de Lausanne
L'existence d'une base de données pour la
vérification d'identité nécessite un protocole rigoureux
qui permet la comparaison entre les algorithmes de vérification. Donc,
ce protocole de Lausanne est lié directement à la
vérification d?identité. Sont principe est de diviser la base de
données en deux classes, 200 personnes pour les clients, et 95 pour les
imposteurs. Il partage la base de données en trois ensembles :
l?ensemble d?apprentissage, l?ensemble d?évaluation (ou validation), et
l?ensemble de test [8] [18].
· L'ensemble d'apprentissage est
l'ensemble de référence. Il contient l?information concernant les
personnes connues du système (seulement les clients).
· L'ensemble d'évaluation permet de
fixer les paramètres du système de reconnaissance de visage.
· L'ensemble de test permet de tester le
système en lui présentant des images de personnes lui
étant totalement inconnues.
Les imposteurs de l?ensemble de test ne doivent pas
être connus du système, ce qui signifie qu?ils ne seront
utilisés que pendant la toute dernière phase de test, lorsque le
système est supposé fonctionnel et correctement
paramétré.
En effet, il existe deux configurations différentes,
la configuration I et la configuration II. Nous n?utiliserons la configuration
I dans ce mémoire. Dans la configuration I, pour la formation de
l?ensemble d?apprentissage trois images par client sont employées afin
de créer les caractéristiques ou modèles clients.
L?ensemble d?évaluation est constitué de trois autres images par
clients, ils sont utilisés essentiellement pour fixer les
paramètres de l?algorithme de reconnaissance ou de vérification
des visages. L?ensemble de test est formé par les deux autres images
restantes.
Pour la classe des imposteurs, les 95 imposteurs sont
répartis dans deux ensembles : 25 pour l'ensemble d'évaluation et
70 pour l'ensemble de test.
La répartition des images selon la configuration I est
représentée par le tableau 3.1 :
Session
|
Pose
|
Clients
|
Imposteurs
|
1
|
1
|
Apprentissage
|
Evaluation
|
Test
|
|
Evaluation
|
|
1
|
Apprentissage
|
|
Evaluation
|
|
1
|
Apprentissage
|
|
Evaluation
|
|
1
|
Test
|
|
|
Dans la configuration II, quatre images par clients des deux
premières sessions sont employées pour former l?ensemble
d?apprentissage et les deux images de la troisième session constituent
l?ensemble d?évaluation, alors que les deux images restantes de la
quatrième session constituent l?ensemble de test. Pour la
catégorie imposteurs la répartition est identique à la
répartition de la configuration I.
La répartition des images selon la configuration II est
représentée par le tableau 3.2.
Session
|
Pause
|
Clients
|
Imposteurs
|
|
1
|
|
|
|
1
|
|
|
|
|
|
2
|
|
|
|
|
|
Apprentissage
|
Evaluation
|
Test
|
|
1
|
|
|
|
2
|
|
|
|
|
|
2
|
|
|
|
|
1
|
|
|
|
|
|
Evaluation
|
|
|
3
|
|
|
|
|
|
2
|
|
|
|
|
1
|
|
|
|
|
|
Test
|
|
|
4
|
|
|
|
|
|
2
|
|
|
|
|
Les tailles des différents ensembles de la base de
données selon les deux configurations cités
précédemment sont reprises dans le tableau 3.3.
Ensemble
|
Clients
|
Imposteurs
|
Apprentissage
|
600(3 par personne)
|
0
|
Evaluation
|
600(3 par personne)
|
200(8 par personne)
|
Test
|
400(2 par personne)
|
560(8 par personne)
|
|
Tableau 3.3 : Répartition des photos
dans les différents ensembles.
Puisque notre application va se baser sur la comparaison
d?images, donc il est important de savoir les nombres maximaux de comparaisons
qu?ont peut atteindre. Selon la configuration I, et pour fixer les
paramètres dans l?ensemble d?évaluation, on peut compter, 9
comparaisons par clients (1800 en tout) et 200 comparaisons par imposteur
(40000 en tout).
Ensemble
|
Clients
|
Imposteurs
|
Evaluation
|
9 par personne (1800 en tout)
|
200 par personne (40000 en tout)
|
Test
|
6 par personne (1200 en tout)
|
560 par personne (112000 en tout)
|
|
Tableau 3.4 : Nombre de comparaisons
possibles.
3-4.Mesure de qualité [7]
Quel que soit le problème qu?ils résolvent,
tous les algorithmes ont leur mesure de qualité. Pour les algorithmes
déterministes donnant la solution exacte et optimale au problème,
on mesurera généralement les complexités en temps ou en
espace. Pour les algorithmes approximant une fonction, on parlera plutôt
d?erreur des moindre carrés.
Pour un algorithme de classification c?est le nombre de mauvaise
classification qui est important.
Supposant un problème à n
classes .Pour chaque élément ou d?entrée
l?algorithme doit déterminer à quelle classe ce dernier
appartient. Pour en estimer les performances, il suffit donc de tester
l?algorithme sur des données connues, c?est-à-dire dont les
éléments sont à priori classés. On peut alors
compter et répertorier les erreurs commises par le système, et
les regrouper dans ce qu?on appelle une matrice de confusion. Une telle matrice
est constituée de la manière suivante.
M1,1 = nombre d?éléments de la classe
i attribués à la classe
j.
Les valeurs diagonales de la matrice représentent donc
le nombre de bonnes classifications. On normalise souvent cette matrice en
divisant chaque élément d?une méme colonne par le nombre
total de tests effectués dans la classe indicée par le
numéro de cette ligne, on obtient ainsi des pourcentages d?erreur.
Considérons à présent le problème
qui nous occupe, il contient deux classes, à savoir d?une part les
clients et d?autre part les imposteurs. La matrice de confusion M est donc
carrée de dimension deux. Si chaque client doit être
accepté et chaque imposteur rejeté on peut écrire :
M= TBA TFA TFR TBR~
Les TFR et
TFA sont respectivement les taux de faux rejet et
taux de fausse acceptation. Ils doivent être bien sur le plus faible
possible. Les TBA et TBR
sont on l?aura compris le Taux de Bonne Acceptation et le Taux de Bon Rejet.
Ces chiffres caractérisent ce que l?on appelle en reconnaissance de
visage le pouvoir d?identification.
La matrice de confusion possède certaines
caractéristiques intéressantes. Tout d?abord, on remarque
aisément que la somme des éléments d?une colonne vaut
l?unité, puisque ce sont des pourcentages de bon et fausse rejet ou
acceptation. La corrélation entre les colonnes est par contre plus
subtile, mais il est important de la comprendre et de la garder à
l?esprit lorsque l?on veut comparer entre eux des pouvoirs d?identification.
Supposons qu?un système de vérification
d?identité contrôlant l?accès à un bâtiment
soit renforcé pour limiter au maximum les possibilités
d?imposture. Il sera alors impitoyable, et extrêmement strict. Le taux de
fausse acceptation sera bien sur faible, il sera donc difficile à un
imposteur de pénétrer dans l?enceinte. Mais il sera
également difficile aux clients légitimes de ce faire
reconnaître ; ils devront souvent s?y reprendre plusieurs fois avant
d?être acceptés. La tendance générale sera au rejet
; le taux de faux rejet sera en conséquence fort élevé.
Au contraire, un système laxiste sera
caractérisé par un taux de fausse acceptante élevé
et un taux de faux rejet plutôt bas. Les clients seront facilement
acceptés, mais les imposteurs auront moins de mal à se faire
passer pour quelqu?un d?autre.
Le juste milieu se situe quelque part entre les deux, et si
les coûts des erreurs sont égaux, il se trouvera au taux
d?égale erreur ou TEE, c?est à dire
quand TFR=TFA. Dans un système de
contrôle d?accès critique, on préférera souvent un
TFA plus faible que le TFR.
Lorsque le TEE ne peut être atteint, on utilise
une mesure similaire qui est le demi taux d?erreur total, on
DTER c?est en fait la moyenne de
TFA et du TFR.
Tous ces taux d?erreurs sont calculés dans deux des
trois ensembles : d?abord dans l?ensemble d?évaluation, ce qui va
permettre de fixer plus ou moins le TEE en faisant
varier les paramètres d?acceptation et de rejet du système.
Ensuite dans l?ensemble de test, en utilisant les paramètres
fixés précédemment .Il est possible de vérifier la
robustesse du système. Si les chiffres dans les deux ensembles sont
proches, le système est stable .Si par contre les chiffres divergent, on
peut soupçonner l?algorithme de sur apprentissage ; il est trop
spécifique aux exemples fournis pour l?entraînement .En d?autre
mots, il généralise mal : les photos des clients n?ayant pas
servi à l?apprentissage ne sont pas reconnues.
| 
