Une introduction - PowerPoint PPT Presentation

1 / 50
About This Presentation
Title:

Une introduction

Description:

Une introduction l authentification biom trique G rard CHOLLET Rapha l BLOUET chollet_at_tsi.enst.fr blouet_at_tsi.enst.fr ENST/CNRS-LTCI 46 rue Barrault – PowerPoint PPT presentation

Number of Views:180
Avg rating:3.0/5.0
Slides: 51
Provided by: cho147
Category:

less

Transcript and Presenter's Notes

Title: Une introduction


1
Une introduction à lauthentification biométrique
Gérard CHOLLET Raphaël BLOUET chollet_at_tsi.enst.fr
blouet_at_tsi.enst.fr ENST/CNRS-LTCI46 rue
Barrault75634 PARIS cedex 13 http//www.tsi.enst
.fr/chollet
2
Plan
  • Pourquoi et comment vérifier lidentité dun
    individu ?
  • Modalités biométriques
  • Définition de la biométrie
  • Propriétés souhaitées de la caractéristique
    biométrique
  • Modalités biométriques
  • Classification des SAB
  • Architecture des SAB
  • Phase dapprentissage
  • Phase opérationnelle
  • Exemple dapplication
  • Evaluation des SAB
  • Les empreintes digitales / Le visage / La rétine
    / Liris / Signatures
  • Vérification du locuteur évaluation NIST
  • Différents projets sur la biométrie
  • Tendances, perspectives

3
Pourquoi et comment vérifier lidentité dun
individu ?
  • Pourquoi ?
  • Applications liées à la sécurisation
  • Protection de la propriété individuelle
    (habitation, compte bancaire, données
    informatiques, messagerie, ...)
  • Accès restreint (locaux sécurisés, base de
    données)
  • Applications commerciales ou liées à lextraction
    dinformations dans un document multimédia
  • Recherche dans une base de données audiovisuelles
  • Adaptation automatique dun service, dun
    logiciel à un client
  • Applications criminalistiques
  • Recherche de preuves
  • Le suspect est-il coupable ?

4
Pourquoi et comment vérifier lidentité dun
individu ?
  • Comment ?
  • Identifiant connu par la personne
  • Mot de passe, code PIN
  • Identifiant possédé par la personne
  • Carte à puce, clé, badge
  • Identifiant propre à la personne
  • La caractéristique biométrique

Bonne acceptabilité Fortement répandu
Peut être oublié facilement usurpable
Classiquement utilisé reconnu partout
Facilement volé et/ou falsifié
Peut accroître la complexité de laccès
Supprime toutes clés ou mot de passe
5
Pourquoi et comment vérifier lidentité dun
individu ?
SECURED SPACE
6
Lidentification biométrique Définition de la
biométrie
  • Le Petit Robert
  • La science qui étudie, à l'aide des
    mathématiques, les
  • variations biologiques à l'intérieur d'un groupe
    déterminé.
  • Etude des variations de certaines
    caractéristiques au sein dun groupe
  • Détermination de techniques permettant de
    distinguer les individus entre eux parmi les
    caractéristiques jugées pertinentes
  • Variations biologiques
  • Variation dune caractéristique physiologique
  • Variation dune caractéristique comportementale
  • La biométrie rassemble lensemble des procédés
    automatiques didentification basés sur des
    caractéristiques physiologiques et/ou
    comportementales

7
Lidentification biométrique Propriétés
souhaitées de la caractéristique biométrique
  • Robustesse
  • Détermine sa stabilité au cours du temps et sa
    propriété dêtre peu sensible au contexte
    dutilisation (variabilité intra-utilisateur)
  • Distinctibilité
  • Caractérise la dépendance de sa mesure par
    rapport à chaque utilisateur (variabilité
    inter-utilisateur)
  • Accessibilité
  • Facilement et efficacement mesurable par un
    capteur
  • Acceptabilité
  • Caractérise la manière dont elle est perçue par
    lutilisateur
  • Disponibilité
  • La caractéristique doit être facilement mesurable

8
Lidentification biométrique Modalités
biométriques
Caractéristiques physiques
Caractéristiques comportementales
  • Empreintes digitales
  • Géométrie de la main
  • Rétine, Iris
  • Robuste, SAB induit précis
  • Faible évolution avec le
  • vieillissement de lindividu
  • Bonne précision des systèmes
  • biométriques induit
  • Mesure de la caractéristique
  • généralement coûteuse
  • Mauvaise acceptabilité
  • Parole
  • Ecriture, signature
  • Rythme de frappe sur un clavier
  • Bonne acceptabilité et
  • disponibilité
  • Sensible au vieillissement de
  • lindividu
  • Moins bonne précision et
  • robustesse

9
Lidentification biométrique Modalités
biométriques
10
Lidentification biométrique Modalités
biométriques
11
Lidentification biométrique Modalités
biométriques
  • Taille des références caractéristiques
  • La main 9 bytes
  • Empreintes digitales 250-1000
  • Parole 1500-3000 bytes.

12
Lidentification biométrique Classification des
SAB Waymann
  • Coopératif / non-coopératif
  • Manifeste / caché
  • Stable / instable
  • Supervisé / non-supervisé
  • Ouvert / fermé

Caractérise lévolution des performances en
fonction de la durée et de la fréquence
dutilisation du système
Si la référence caractéristique du client est
publique ? ouvert Si la référence caractéristique
du client est privée ? fermé
  • Comportement de lutilisateur cherchant à tromper
    le système
  • Coopère pour usurper une identité
  • Soppose au système pour ne pas être reconnu

Lutilisateur sait-il quil est sujet à un test
didentification biométrique ?
Caractérise les interactions entre le système et
lutilisateur lors du processus de vérification
13
Lidentification biométrique Architecture dun
SAB
14
Lidentification biométrique Phase
dapprentissage
  • Lacquisition du signal biométrique qui servira à
    la construction de la référence caractéristique.
  • Pour certaines modalités (signature, mot de
    passe, parole,...), plusieurs répétitions sont
    souhaitables.
  • Un modèle de référence peut éventuellement être
    inféré.
  • Ce modèle peut être adapté pour prendre en compte
    les dérives temporelles.

15
Lidentification biométrique Phase
opérationnelle
  • Suis-je bien la personne que je prétends être ?
  • Vérification didentité
  • Qui suis-je ?
  • Identification (ensemble fermé / ouvert)
  • Contraintes
  • Même condition dacquisition du signal
    biométrique que lors de la phase dapprentissage
  • Temps nécessaire à la décision
  • Ressources matérielles disponibles

16
Lidentification biométrique Exemple
dapplication
Réseau internet
1. Calcul du score 2. Normalisation, Décision
Carte à microprocesseur
Serveur Distant
1. Normalisation, Décision
Ordinateur personnel
1. Acquisition du signal de parole 2. Analyse
acoustique
17
Lidentification biométrique Evaluation des SAB
  • Critère dévaluation des systèmes biométriques
  • Probabilité de fausse acceptation
  • Probabilité de faux rejet
  • Taux déchec à lapprentissage
  • Taux déchec lors de lacquisition des données en
    phase de test
  • Critères plus subjectifs acceptabilité du
    système.
  • Evaluation dune technologie
  • Probabilité de fausse acceptation
  • Probabilité de faux rejet

18
Lidentification biométrique Evaluation des SAB
  • Deux types derreurs
  • faux rejet (un client légitime est rejeté)
  • fausse acceptation (un imposteur est accepté)
  • Théorie de la décision étant donné une
    observation O
  • Hypothèse H0 cest un imposteur
  • Hypothèse H1 cest notre client
  • Choix de H1

19
Lidentification biométrique Evaluation des
SABdistribution des scores
20
Lidentification biométrique Evaluation des SAB
la courbe DET
21
Detection Error Tradeoff (DET Curve)
22
Les empreintes digitales
23
Les empreintes digitales
24
Le visage
25
Face recognition
26
La rétine
27
Localisation de liris
28
Iris
29
Signatures
30
Vérification du locuteur
  • Classification des systèmes
  • Dépendant du texte
  • Public password
  • Private password
  • Customized password
  • Text prompted
  • Indépendant du texte
  • Apprentissage incrémental
  • Evaluation

31
Inter-speaker Variability
We were away a year ago.
32
Intra-speaker Variability
We were away a year ago.
33
Dynamic Time Warping (DTW)
34
HMM structure depends on the application
35
Signal detection theory
36
Speaker Verification (text independent)
  • The ELISA consortium
  • ENST, LIA, IRISA, ...
  • http//www.lia.univ-avignon.fr/equipes/RAL/elisa/i
    ndex_en.html
  • NIST evaluations
  • http//www.nist.gov/speech/tests/spk/index.htm

37
Gaussian Mixture Model
  • Parametric representation of the probability
    distribution of observations

38
Gaussian Mixture Models
8 Gaussians per mixture
39
National Institute of Standards Technology
(NIST)Speaker Verification Evaluations
  • Annual evaluation since 1995
  • Common paradigm for comparing technologies

40
GMM speaker modeling
41
Baseline GMM method
l
Test Speech

LLR SCORE
42
Support Vector Machines and Speaker
Verification
  • Hybrid GMM-SVM system is proposed
  • SVM scoring model trained on development data to
    classify true-target speakers access and
    impostors access,using new feature
    representation based on GMMs

43
SVM principles
44
Results
45
Vecsys
EDF
Software602
KTH
Euroseek
UPC
Airtel
MAJORDOME Unified Messaging System Eureka
Projet no 2340
D. Bahu-Leyser, G. Chollet, K. Hallouli , J.
Kharroubi, L. Likforman, S-S. Lin, D. Mostefa,
D. Petrovska, M. Sigelle, P. Vaillant, F. Yvon
46
Majordomes Functionalities
47
Voice technology in Majordome
  • Server side background tasks
  • continuous speech recognition applied to voice
    messages upon reception
  • Detection of senders name and subject
  • User interaction
  • Speaker identification and verification
  • Speech recognition (receiving user commands
    through voice interaction)
  • Text-to-speech synthesis (reading text summaries,
    E-mails or faxes)

48
Multimodal Identity Verification
  • M2VTS (face and speech)
  • front view and profile
  • pseudo-3D with coherent light
  • BIOMET
  • (face, speech, fingerprint, signature, hand
    shape)
  • data collection
  • reuse of the M2VTS and DAVID data bases
  • experiments on the fusion of modalities

49
BIOMET
  • An extension of the M2VTS and DAVID projects to
    include such modalities as signature, finger
    print, hand shape.
  • Initial support (two years) is provided by GET
    (Groupement des Ecoles de Télécommunications)
  • Looking for partners to initiate a european
    project
  • Emphasis will be on fusion of scores obtained
    from two or more modalities.

50
Perspectives
  • Développement du projet BIOMET.
  • La fusion de modalités.
  • Réseau dexcellence dans le cadre du 6ème PCRD.
  • La carte à puce comme support des informations
    biométriques.
Write a Comment
User Comments (0)
About PowerShow.com