Cours 6 : Biométrie. Odile PAPINI

Transcription

1 Cours 6 : Biométrie ESIL Université de la méditerranée Odile.Papini@esil.univ-mrs.fr

2 Plan du cours 6 1 Introduction 2 Qu est-ce-que la biométrie?

3 Introduction Pour prouver son identité : 1 Ce que l on possède (carte, badge, document, ) 2 Ce que l on sait (un nom, un mot de passe, ) 3 Ce que l on est (empreintes digitales, main, visage, )

4 Introduction trop d attaques sur les cartes! Fig.: source : cybercriminalité (CLUSIF 2008)

5 Introduction trop de mots de passe! Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

6 Qu est-ce-que la biométrie? Biométrie : Définitions (CLUSIF) étude mathématique des variations biologiques à l intérieur d un groupe déterminé Système de contrôle biométrique : système automatique de mesure basé sur la reconnaissance de caractéristiques propres à l individu

7 Qu est-ce-que la biométrie? Biométrie : identification et authentification caractéristiques biologiques caractéristiques comportementales caractéristiques morphologiques

8 Qu est-ce-que la biométrie? Caractéristiques biologiques : sang ADN urine odeur salive,

9 Qu est-ce-que la biométrie? Caractéristiques comportementales : dynamique de signature dynamique de frappe sur un clavier parole démarche,

10 Qu est-ce-que la biométrie? Caractéristiques morphologiques : empreintes digitales forme de la main forme du visage forme de l iris ou de la rétine,

11 Système biométrique : Apprentissage extraction de paramètre construction d un modèle Reconnaissance vérification identification Adaptation mode supervisé mode non supervisé

12 Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

13 mode de fonctionnement vérification : (Problème 1 : 1) vérification : échantillon biométrique correspond bien au gabarit Fig.: source : B. Dorizzi, GET/INT Evry

14 mode de fonctionnement identification (Problème 1 : n) reconnaissance : à partir de l échantillon biométrique recherche du gabarit correspondant Fig.: source : B. Dorizzi, GET/INT Evry

15 Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

16 Propriétés souhaitées pour un système biométrique : universalité unicité permanence mesurabilité facile performance bonne acceptation par les utilisateurs impossibilité de duplication par un imposteur

17 Architecture d un système biométrique

18 FR : nb faux rejets FA : nb fausses acceptations NL : nb total légitimes NI : nb total imposteurs FRR : taux de faux rejet FAR : taux de fausse acceptation : marge d erreur autorisée FRR = FR NL FAR = FA NI

19 ERR : Equal Error Rate : point où FRR = FAR

20 positionnement du seuil

21 Les difficultés rencontrées variabilité intra-classe, similarité inter-classe segmentation bruit d acquisition performances des systèmes (taux d erreur, vitesse, cot) individualité des caractéristiques biométriques fusion de plusieurs modalités biométriques scalability attaques sur les systèmes biométriques problèmes éthiques

22 variabilité intra-classe Fig.: source : R. L. Hau. Face detection and modelling. PHD thesis 2002 URL : http ://biometrics.cse.msu.edu

23 similarité inter-classe Fig.: source : P. N. Belhumeur Columbia university

24 variabilité temporelle Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

25 interopérabilité des capteurs Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

26 bruit d acquisition Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

27 problèmes de segmentation Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

28 performances des systèmes Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

29 individualité

30 multi-modalité Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

31 scalability Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

32 vulnérabilité d un système biométrique

33 parade pour les empreintes digitales

34 parade pour les empreintes digitales Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

35 problèmes éthiques : liberté, citoyenneté, démocratie rapport Assemblée Nationale sur la biométrie http :// position de la CNIL (Commission Nationale Informatique et Liberté) sur la biométrie du 28 décembre 2007 http ://

36 problèmes éthiques : liberté, citoyenneté, démocratie avis no 98 du CCNE (Comité Consultatif National dethique) du 26 avril 2007, Biométrie, données identifiantes et droits de l homme http :// projet europeèn ETIB (Ethique des Technologies d Identification Biométrique) point de départ d un débat européen sur l éthique de la biométrie

37 problèmes éthiques : culturels et religieux Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

38 La biométrie aujourd hui La biométrie aujourd hui identification et authentification automatique et fiable : une nécessité pas d autre moyen que la biométrie pour une identification et authentification efficace des personnes capteurs biométriques bon marché (ordinateurs et téléphones portables) performances des systèmes n atteignent pas encore les attentes

39 La biométrie aujourd hui : performances

40 La biométrie aujourd hui : performances

41 La biométrie aujourd hui : standards

42 La biométrie aujourd hui : standards

43 La biométrie aujourd hui : standards

44 La biométrie aujourd hui Fig.: source : B. Dorizzi, GET/INT Evry

45 La biométrie aujourd hui : marché Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

46 La biométrie aujourd hui : emploi Fig.: source : N. Ben Aloui USTV - DCNS Toulon

47 La biométrie demain Les besoins pour la biométrie de demain efforts de recherche nécessaires dans les directions suivantes : nouvelles représentations algorithmes de reconnaissance indexation de bases de données fusion de modalités biométriques détection en temps réel protection des gabarits estimation des taux d erreur

48 La biométrie demain Les besoins pour la biométrie de demain besoin de tests de systèmes et évaluation sur de grandes bases de donnés standardisées grand potentiel pour améliorer notre privacy mais des lois et reglementations sont nécessaires aucun système de sécurité, biométrique inclus, n est foolproof besoin d analyse de coût / bénéfice pour le déploiement de systèmes biométriques

49 La biométrie demain Les besoins pour la biométrie de demain Adaptation aux utilisateurs observation des inter-actions avec le dispositif biométrique Biométrie douce soft biometrics utilisation des caractéristiques : couleur des yeux, des cheveux, genre pour renforcer l identité Suivi suivre le comportement de l utilisateur pendant une session entière pour valider l identité

50 Les différentes modalités biométriques

51 Empreintes digitales Empreintes digitales : relief cutané des doigts Caractéristiques : arêtes vallées

52 Empreintes digitales Caractéristiques

53 Empreintes digitales Caractéristiques : les minuties

54 Empreintes digitales Extraction de paramètres Fig.: source : http ://

55 Empreintes digitales Extraction de paramètres : étapes du traitement de l image

56 Empreintes digitales Reconnaissance des empreintes : approche macroscopique comparaison de la forme générale des courbes (traitement d image)

57 Empreintes digitales Reconnaissance des empreintes : approche microscopique comparaison de la position et de l orientation des minuties

58 Empreintes digitales Propriétés : universalité : oui unicité : oui permanence : assez bonne mesurabilité facile : oui performance : % FAR et 0.1% FRR 0.5% bonne acceptation par les utilisateurs : assez bonne impossibilité de duplication par un imposteur : non

59 Reconnaissance faciale caractéristiques macroscopiques : bouche, nez, yeux, pommettes, menton, lèvres, oreilles caractéristiques microscopiques : distance entre caractéristiques macroscopiqueset taille

60 Reconnaissance faciale basée sur les caractéristiques géométriques : plusieurs méthodes Traitement automatique du visage Analyse de points particuliers (local feature analysis) Eigenface (utilisation de l analyse en composantes principales) Réseaux de neurones Reconnaissance d images 3D en stéréo photométrie (3D morphable models)

61 Reconnaissance faciale : Principe des méthodes Fig.: source : P. N. Belhumeur Columbia university

62 Reconnaissance faciale : Principe des méthodes Fig.: source : P. N. Belhumeur Columbia university

63 Reconnaissance faciale : Principe des méthodes Fig.: source : P. N. Belhumeur Columbia university

64 Reconnaissance faciale : Principe des méthodes Fig.: source : P. N. Belhumeur Columbia university

65 Reconnaissance faciale : Principe des méthodes Fig.: source : P. N. Belhumeur Columbia university

66 Reconnaissance faciale : Modélisation 2D Fig.: source : P. N. Belhumeur Columbia university

67 Reconnaissance faciale : Modélisation 3D

68 Reconnaissance faciale : image 3D en stéréo photométrie Fig.: source :

69 Reconnaissance faciale : 3D morphable models Fig.: Blanz & Vetter 1999, 2003 source : P. N. Belhumeur Columbia university

70 Reconnaissance faciale Propriétés : universalité : oui unicité : oui permanence : très variable mesurabilité facile : oui performance : 0.3% FAR 5% et 5% FRR 45% bonne acceptation par les utilisateurs : plus ou moins impossibilité de duplication par un imposteur : non

71 Reconnaissance de l Iris caractéristiques

72 Reconnaissance de l Iris : extraction de paramètres localisation de la portion de l image correspondant à l iris découpage utilisation dun filtre de Gabor 2D pour produire l Iris Code (256 octets) Fig.: source : J. Daugman. cambridge university

73 Reconnaissance de l Iris reconnaissance à partir du calcul de scores de similarité calcul du score de similarité : ou exclusif entre deux Iris Codes calcul de la distance de Hamming sur les bits qui diffèrent

74 Reconnaissance de l iris Propriétés : universalité : oui unicité : oui permanence : oui mesurabilité facile : intrusive performance : FAR autour de % et 0.25% FRR 0.5% bonne acceptation par les utilisateurs : plus ou moins impossibilité de duplication par un imposteur : non

75 Reconnaissance de la parole caractéristiques Fig.: source : J. F. Bonastre université d Avignon

76 Reconnaissance de la parole Fig.: source : J. F. Bonastre université d Avignon

77 Reconnaissance de la parole

78 Reconnaissance de la parole exemple d application Fig.: source : A. Jain, S. Pankani, S. Prabhakar, L. Hong, A. Ross, J. Wayman URL : http ://biometrics.cse.msu.edu

79 Reconnaissance de la parole Propriétés : universalité : oui unicité : oui permanence : moyenne mesurabilité facile : oui performance : 0.001% FAR 1% et 0.001% FRR 1% bonne acceptation par les utilisateurs : oui impossibilité de duplication par un imposteur : non

80 comparaison Fig.: source : B. Dorizzi, GET/INT Evry

81 et pour finir quelques références supplémentaires A. Jain, R. M. Bolle, S. Pankanti, Biometrics : Personal Identification in Networked Society, Kluwer Academic Press, R.M. Bolle, J.H. Connell, S. Pankanti, N.K. Ratha, A.W. Senior, Guide to Biometrics, Springer-Verlag, New York, 2004 D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar, Handbook of Fingerprint Recognition, Springer-Verlag, New York, http :// belhumeur/biometrics/ http :// http :// http ://