B. LES ALGORITHMES DE RECONNAISSANCE DE FORMES
Actuellement, les applications informatiques sont
considérées comme étant un des moyens très puissant
pour effectuer des opérations numériques très complexes ou
pour gérer des informations administratives. Etant une branche de
l'intelligence artificielle, la reconnaissance de formes permet de mettre en
place des applications capables de se substituer à des activités
raisonnantes de l'être humain.
Dans ce domaine, les recherches sont axées sur le
développement des applications informatiques capables de transformer des
informations visuelles, des informations sonores ou des informations tactiles
en des informations pouvant être traitées par l'ordinateur. La
reconnaissance des formes est l'un des domaines le plus important de
l'intelligence artificielle.
1. Quelques définitions
Intelligence artificielle : le concept
intelligence artificielle est tellement vaste que plusieurs définitions
ont été proposées entre autre : l'intelligence
artificielle est un ensemble de techniques utilisées pour
réaliser les automates adoptant une démarche proche de la
pensée humaine.
: L'intelligence artificielle est l'étude des
idées qui permettent aux ordinateurs d'être intelligents.
C'est-à-dire leur donnent la possibilité de développer des
machines ou des programmes qui font preuve d'intelligence.
T.F.E 2015 | Benito Lubuma L2 Génie info
56
Reconnaissance de formes : est un ensemble de
techniques et méthodes visant à identifier des motifs
informatiques à partir des données brutes avant de prendre une
décision dépendant de la catégorie attribuée
à ce motif.
Algorithme : c'est une suite finie et non
ambiguë d'opérations ou d'instructions permettant de
résoudre un problème.
2. Caractéristiques des Algorithmes de
reconnaissance de formes
La reconnaissance de formes permet à partir de l'image
d'un objet ou d'une scène réelle d'en déduire les
données exploitables par une machine.
La reconnaissance de forme implique une phase d'apprentissage. Le
processus de reconnaissance de forme est assez proche de celui de
reconnaissance de la parole.
Avant de reconnaitre une forme, il faut d'abord en connaitre un
modèle ou un ensemble des caractéristiques pour pouvoir faire une
comparaison.
L'ordinateur doit donc mémoriser les données
à comparer avec celles des objets
rencontrés.
2.1. Principe de la reconnaissance de
forme
Le principe de la reconnaissance de formes est semblable
à celui de la reconnaissance de la parole. L'ordinogramme ci-dessous
nous présente d'une manière générale le principe de
la reconnaissance de forme.
57
Forme
Capteur
Prétraitement
Paramétrisation
Ensemble de référence
Identification
Comparaison
Forme à reconnaitre
Réponse
T.F.E 2015 | Benito Lubuma L2 Génie info
Figure III.11 Principe de la reconnaissance de formes
De ce qui précède, nous pouvons dire que la
reconnaissance de formes consiste à extraire des données du
capteur, une description géométrique de la scène puis
mettre cette description en correspondance avec la base de données de
modèle afin d'aboutir à l'identification avec l'un de ces
modèles.
L'identification peut se faire de deux manières :
? Superpositions de formes : cette méthode permet de
superposer deux images, celle à reconnaitre et celle stockée dans
la base. Actuellement on calcul la distance entre l'image et le modèle
(mesure de dissemblance).
? Détection de formes : cette méthode permet
d'extraire des informations pertinentes qui permettront de déterminer ce
que représente l'image.
T.F.E 2015 | Benito Lubuma L2 Génie info
58
3. Les différents types des algorithmes de
reconnaissance de formes
La reconnaissance de formes peut se faire à l'aide de
différents algorithmes d'apprentissage automatique tel que :
1. Un réseau de neurones artificiels
C'est un modèle de calcul dont la conception est
très schématiquement inspirée du fonctionnement des
neurones biologiques. Les réseaux de neurones sont
généralement optimisés par des méthodes
d'apprentissage de type probabiliste, en particulier, bayésien.
Ils sont placés d'une part, dans la famille des
applications statistiques, qu'ils enrichissent avec un ensemble de paradigmes,
permettant de créer des classifications rapides et d'autre part, dans la
famille des méthodes de l'intelligence artificielle auxquelles ils
fournissent un mécanisme perceptif indépendant des idées
propres de l'implémenter, et fournissant des informations
d'entrée au raisonnement logique formel.
2. une analyse statistique
C'est à la fois une science, une méthode et un
ensemble de techniques. La statistique comprend : la collecte de
données, l'analyse et le traitement des données
collectées, l'interprétation des résultats et leur
présentation afin de rendre les données compréhensibles
par tous.
3. L'utilisation de modèles de Markov
cachés
C'est un modèle statistique dans lequel le
système modélisé est supposé être un
processus markovien de paramètres inconnus. Les modèles de Markov
cachés sont massivement utilisés, notamment en reconnaissance de
formes, en intelligence artificielle ou encore en traitement automatique du
langage naturel.
Parmi ces algorithmes nous avons aussi la recherche
d'isomorphisme de graphes ou sous-graphes.
Les formes recherchées peuvent être des formes
géométriques, descriptibles par une formule mathématique,
telles que : cercle ou ellipse ; courbes de Bézier, splines,
droite...
Elles peuvent être aussi de nature plus complexe : lettre,
chiffre, empreinte...
Les algorithmes de reconnaissance peuvent travailler sur des
images en noir et blanc, avec en blanc les contours des objets se trouvant dans
l'image. Ces images sont le fruit d'algorithmes de détection de
contours. Ils peuvent aussi travailler sur des zones de l'image
prédéfinies issues de la segmentation de l'image.
59
Méthodes de reconnaissance de formes :
· Mise en correspondance de graphes
· Méthode Bayésienne
· Estimation Paramétrique
· Classifier linéaire
· Réseau de neurones
· Local feature focus
· SVM : Support Vector Machine
· Poly topes de contrainte
· Méthode des hyper cubes.
Parmi toutes ces méthodes, nous nous sommes plus
intéressés à la méthode paramétrique qui
s'avère être l'une des meilleurs pour la réalisation de
notre travail car, au sein de cette méthode, nous retrouvons des
algorithmes d'identification par l'iris très efficaces.
4. L'algorithme d'identification par
l'iris
Plusieurs avantages ont fait de l'iris une modalité
biométrique des plus performantes. L'iris est le seul organe interne
humain visible de l'extérieur, il est stable durant la vie d'une
personne et il est caractérisé par une texture unique. Pourtant,
reconnaître les personnes par leurs iris n'est pas chose facile car
plusieurs bruits peuvent interférer avec l'image de la texture de
l'iris.
L'iris est localisé derrière la cornée,
qui est un miroir hautement réfléchissant. L'image d'iris acquise
est alors souvent perturbée par des reflets.
4.1. Processus de reconnaissance par
l'iris
Les processus permettant de rendre possible la reconnaissance
par l'iris passent d'abord par l'acquisition de l'image.
L'acquisition d'une image d'iris est considérée
comme l'une des plus difficiles en biométrie. En effet l'iris
étant un objet de petite taille, sombre et aussi lambertienne, il faut
donc l'éclairer et pas avec une forte illumination car elle peut
engendrer des malaise chez l'utilisateur. On recommande l'utilisation de
focales très puissants ou de rapprocher l'iris de l'objectif sans que ce
dernier porte des risques pour le sujet.
L'acquisition de l'iris est rendue possible via deux
méthodes, celle de l'acquisition via la lumière visible et
l'acquisition via l'infrarouge. La deuxième méthode est
considérer comme étant la meilleure et elle a été
normalisée par la ISO.
L'infrarouge possède deux avantages majeurs sur la
lumière visible. Premièrement, la lumière est invisible,
l'utilisateur ne sera pas aussi gêné qu'en lumière visible
par une puissante illumination.
T.F.E 2015 | Benito Lubuma L2 Génie info
T.F.E 2015 | Benito Lubuma L2 Génie info
60
Le deuxième avantage est que l'infrarouge
possède un pouvoir de pénétration de la cornée qui
est largement plus grand que celui de la lumière visible et il est ainsi
possible de récupérer une richesse de texture supérieure
à celle obtenue en lumière visible, surtout pour les iris
sombres.
Généralement, les systèmes d'acquisition
d'iris acquièrent une image d'iris de 30 à 50 cm, utilisant de
une à quatre diodes LED de longueurs d'onde différentes. L'iris
obtenu a un diamètre compris entre 100 et 200 pixels. Dimensions
adoptées par la norme ISO et cela souvent grâce à une
caméra (caméra CCD monochrome 640 x 480) employée avec une
source de lumière de longueur d'onde comprise entre 700 et 900 nm,
invisible pour les humains.
a. Architecture d'un système d'iris
Une fois l'image de l'iris acquise, un système d'iris
peut être composé de plusieurs modules et cela selon les
chercheurs et leurs solutions. D'où, après étude et
analyse nous pouvons dire que notre système sera composé de cinq
modules comprenant : prétraitement, segmentation, déroulement,
l'extraction et génération d'iris codé, et enfin
l'assortiment.
1. Prétraitement :
Après l'acquisition de l'image, elle sera
réduite de 25% pour accélérer les calculs, et pour
réduire les effets du bruit.
2. Segmentation :
Cette étape revient à isoler l'iris du blanc de
l'oeil et des paupières ainsi qu'à détecter la pupille
à l'intérieur du disque de l'iris.
L'algorithme de segmentation extrait les contours interne et
externe de l'iris. La technique de détection de l'iris se déroule
en deux étapes : tout d'abord la détection de la pupille puis la
modélisation de sa frontière par un cercle.
La segmentation d'iris présente des difficultés
dues à l'occultation avec les paupières et les cils dont la forme
irrégulière et la position aléatoire les rendent difficile
à détecter. En plus, l'iris peut être couvert en partie par
les reflets de la lumière de l'appareil d'acquisition.
Dans la méthode proposée, l'iris et la pupille
sont modélisées par deux cercles non nécessairement
concentriques et chaque bord de la paupière par deux segments de
droite.
Figure III.12 résultats de segmentation des images
d'iris
T.F.E 2015 | Benito Lubuma L2 Génie info
61
3. Déroulement :
Une fois segmenté, l'iris nécessite une
opération de normalisation pour pallier la non concentricité des
deux bordures et à la variation de la taille de l'iris due à la
dilatation/contraction de la pupille.
Pour cela, nous avons transformé l'arc de l'iris
segmenté en une image rectangulaire ; L'iris localisé est
déroulé suivant la transformation polaire proposée par
Daugman :
Figure III. 13 Transformation polaire
4. L'extraction :
Afin de fournir l'identification précise des
personnes, l'information la plus distinctive présentée dans un
modèle d'iris doit être extraite.
Seulement les dispositifs significatifs de l'iris doivent
être codés de telle sorte que des comparaisons entre les calibres
puissent être faites.
La méthode d'extraction de l'information qui est assez
récente s'appuie sur la notion d'image analytique. Cette approche nous a
conduit à la réalisation d'un procédé visant
à fournir une autre information discriminante (phase instantanée,
fréquence instantanée, et module instantané) sans
accroître les calculs.
5. L'Assortiment :
L'unicité des modèles d'iris est importante, car
l'unicité relève des caractéristiques de la technologie
biométrique. L'unicité a été
déterminée en comparant des calibres produits à partir des
yeux différents. Par après on examine la distribution des valeurs
des distances de Hamming. La distance de Hamming est définie comme la
somme des bits en désaccord (somme de Ou - exclusif entre les deux
configurations binaires).
T.F.E 2015 | Benito Lubuma L2 Génie info
62
6. Résultats :
Afin d'évaluer l'efficacité de la
méthode choisie pour la mise en place notre algorithme, nous avons
calculé les distances inter classes pour chaque identification
achevée et cette méthode a donné des résultats
satisfaisants lors de test.
La technique de segmentation utilisée est parvenue
à segmenter correctement la région d'iris avec précision.
Ce qui veut dire que les frontières de la pupille et de l'iris
étaient clairement distinguées.
7. Conclusions :
L'algorithme d'identification de l'iris dont nous venons de
parler n'est pas le meilleur des algorithmes d'identification par l'iris mais
plutôt l'un des algorithmes le plus sûr en matière de
résultats.
Cet algorithmique se décompose en cinq modules :
? Le module de prétraitement,
? Le module d'isolation d'iris (segmentation),
? Le module de normalisation (déroulement),
? Le module d'extraction et génération d'iris
codé,
? Le module de comparaison des calibres biométriques.
Comparativement aux approches décrites dans la
littérature :
D'une part cet algorithme dont nous avons parlé fait
une comparaison entre l'extraction en utilisant les ondelettes et l'extraction
en utilisant les caractéristiques de texture d'iris en démodulant
l'information de fréquence émergente à partir du concept
d'image analytique, d'autre part, cet algorithme utilise une méthode
efficace pour la détection de la pupille et de l'iris en utilisation la
segmentation basée sur l'histogramme et en tirant profit de la forme
circulaire surtout de la pupille de l'oeil humain.
Cet algorithme a donné des résultats
satisfaisants pour tous les modules. En plus l'isolation des composantes
spectrales dans le sens de l'information concentrique contenue dans l'image
d'iris original, requiert moins de calculs qu'applique un filtre complexe
mettant en jeu des fonctions mathématique et exponentielles;
La taille de la signature biométrique est de 512 octets
et peut être augmentée ou diminuée en fonction de niveau de
sécurité exigé sans une augmentation considérable
de la complexité du calcul et du temps d'extraction.
Le temps d'exécution total moyen est d'environ 500 ms
pour les deux méthodes, ce qui est tout à fait acceptable pour
les utilisateurs d'un système de vérification
d'identité.
T.F.E 2015 | Benito Lubuma L2 Génie info
63
| 
