Transcript Définition de la biométrie - Sites personnels de TELECOM ParisTech

Une introduction à
l’authentification biométrique
Gérard CHOLLET Raphaël BLOUET
[email protected] [email protected]
ENST/CNRS-LTCI
46 rue Barrault
75634 PARIS cedex 13
http://www.tsi.enst.fr/~chollet
Plan






Pourquoi et comment vérifier l’identité d’un individu ?
Modalités biométriques :
 Définition de la biométrie
 Propriétés souhaitées de la caractéristique biométrique
 Modalités biométriques
 Classification des SAB
 Architecture des SAB
 Phase d’apprentissage
 Phase opérationnelle
 Exemple d’application
 Evaluation des SAB
Les empreintes digitales / Le visage / La rétine / L’iris / Signatures
Vérification du locuteur – évaluation NIST
Différents projets sur la biométrie
Tendances, perspectives
Pourquoi et comment vérifier l’identité
d’un individu ?

Pourquoi ?

Applications liées à la sécurisation:



Applications commerciales ou liées à l’extraction
d’informations dans un document multimédia



Protection de la propriété individuelle (habitation, compte
bancaire, données informatiques, messagerie, ...)
Accès restreint (locaux sécurisés, base de données)
Recherche dans une base de données audiovisuelles
Adaptation automatique d’un service, d’un logiciel à un client
Applications criminalistiques


Recherche de preuves
Le suspect est-il coupable ?
Pourquoi et comment vérifier l’identité
d’un individu ?

Comment ?

Identifiant connu par la personne :

Mot de passe, code PIN
Peut
Bonne
être
acceptabilité
oublié – facilement
– Fortement
usurpable
répandu

Identifiant possédé par la personne

Carte à puce, clé, badge
Facilement
Classiquement
volé utilisé
et/ou –
falsifié
reconnu partout

Identifiant propre à la personne

La caractéristique biométrique
Peut
Supprime
accroître
toutes
la complexité
clés ou motde
del’accès
passe
Pourquoi et comment vérifier l’identité
d’un individu ?
SECURED
SPACE
Bla-bla
L’identification 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. »



Variations biologiques :



Etude des variations de certaines caractéristiques au sein d’un groupe
Détermination de techniques permettant de distinguer les individus entre
eux parmi les caractéristiques jugées pertinentes
Variation d’une caractéristique physiologique
Variation d’une caractéristique comportementale
La biométrie rassemble l’ensemble des procédés automatiques
d’identification basés sur des caractéristiques physiologiques et/ou
comportementales
L’identification biométrique :
Propriétés souhaitées de la caractéristique biométrique





Robustesse
 Détermine sa stabilité au cours du temps et sa propriété d’être peu sensible au
contexte d’utilisation (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 l’utilisateur
Disponibilité
 La caractéristique doit être facilement mesurable
L’identification biométrique :
Modalités biométriques :
Caractéristiques physiques
Caractéristiques comportementales
 Empreintes digitales
 Parole
 Géométrie de la main
 Ecriture, signature
 Rétine, Iris
+ Robuste, SAB induit précis
 Rythme de frappe sur un clavier
+ Faible évolution avec le
vieillissement de l’individu
+ Bonne précision des systèmes
biométriques induit
- Mesure de la caractéristique
généralement coûteuse
- Mauvaise acceptabilité
+ Bonne acceptabilité et
disponibilité
- Sensible au vieillissement de
l’individu
- Moins bonne précision et
robustesse
L’identification biométrique :
Modalités biométriques :
L’identification biométrique :
Modalités biométriques :
L’identification biométrique :
Modalités biométriques :

Taille des références caractéristiques
 La main 9 bytes
 Empreintes digitales 250-1000
 Parole 1500-3000 bytes.
L’identification biométrique :
Classification des SAB [Waymann] :
1. Coopératif / non-coopératif
2. Manifeste / caché
3. Stable / instable
4. Supervisé / non-supervisé
5. Ouvert / fermé
Si
la référence
caractéristique
du
client
est
publique
ouvert
Caractérise
l’évolution
des
performances
fonction
de
labiométrique
durée
Comportement
dequ’il
l’utilisateur
cherchant
àen
tromper
le
système
Caractérise
les
interactions
entre
et l’utilisateur
lors du processus
L’utilisateur
sait-il
est sujet
à le
unsystème
test
d’identification
?
Si
la
référence
du
est privée
 fermé
et
de
la fréquence
d’utilisation
du client
système
• Coopère
pourcaractéristique
usurper
une identité
de
vérification
• S’oppose au système pour ne pas être reconnu
L’identification biométrique :
Architecture d’un SAB
L’identification biométrique :
Phase d’apprentissage




L’acquisition 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.
L’identification biométrique :
Phase opérationnelle



Suis-je bien la personne que je prétends être ?
 Vérification d’identité
Qui suis-je ?
 Identification (ensemble fermé / ouvert)
Contraintes :
 Même condition d’acquisition du signal
biométrique que lors de la phase d’apprentissage
 Temps nécessaire à la décision
 Ressources matérielles disponibles
L’identification biométrique :
Exemple d’application
Réseau
internet
Carte
à du score
1. Calcul
2. Normalisation, Décision
microprocesseur
1. Normalisation,
Décision
Serveur
Distant
1. Acquisition du
signal de parole
Ordinateur
personnel
2. Analyse acoustique
L’identification biométrique :
Evaluation des SAB


Critère d’évaluation des systèmes biométriques
 Probabilité de fausse acceptation
 Probabilité de faux rejet
 Taux d’échec à l’apprentissage
 Taux d’échec lors de l’acquisition des données en phase de
test
 Critères plus subjectifs : acceptabilité du système….
Evaluation d’une technologie :
 Probabilité de fausse acceptation
 Probabilité de faux rejet
L’identification biométrique :
Evaluation des SAB


Deux types d’erreurs :
 faux rejet (un client légitime est rejeté)
 fausse acceptation (un imposteur est accepté)
Théorie de la décision : étant donné une observation O
 Hypothèse H0 : c’est un imposteur
 Hypothèse H1 : c’est notre client
 Choix de H1
P(O H ) C fa  P( Ho )
1 
P(O Ho ) C fr  P( H )
1
L’identification biométrique :
Evaluation des SAB:distribution des scores
L’identification biométrique :
Evaluation des SAB : la courbe DET
Detection Error Tradeoff (DET Curve)
Les empreintes digitales
Les empreintes digitales
Le visage
Face recognition
Best-fit
ellipse image
Simplified image
Normalized image
Rotation
Snake energy:
Erosion and
sharpening
Adaptive Hough
transform and
template matching
Etotal  Eint  Eext
Gradient image
La rétine
Localisation de l’iris
Iris
Signatures
Vérification du locuteur

Classification des systèmes
 Dépendant du texte




Indépendant du texte
Apprentissage incrémental
Evaluation



Public password
Private password
Customized password
Text prompted
Inter-speaker Variability
We
were
away
a
year
ago.
Intra-speaker Variability
We
were
away
a
year
ago.
Dynamic Time Warping (DTW)
HMM structure depends on the
application
Signal detection theory
Speaker Verification
(text independent)

The ELISA consortium
 ENST, LIA, IRISA, ...


http://www.lia.univ-avignon.fr/equipes/RAL/elisa/index_en.html
NIST evaluations
 http://www.nist.gov/speech/tests/spk/index.htm
Gaussian Mixture Model

Parametric representation of the probability
distribution of observations:
Gaussian Mixture Models
8 Gaussians per mixture
National Institute of Standards & Technology (NIST)
Speaker Verification Evaluations
• Annual evaluation since 1995
• Common paradigm for comparing technologies
GMM speaker modeling
Front-end
Front-end
GMM
MODELING
GMM model
adaptation
WORLD
GMM
MODEL
TARGET
GMM
MODEL
Baseline GMM method

HYPOTH.
TARGET
GMM MOD.
Front-end
P(x/)


WORLD
GMM
MODEL
Log[
P(x/)
=
P(x/)
]
P(x/)
Support Vector Machines
and Speaker Verification


Hybrid GMM-SVM system is proposed
Modeling
GMM
Scoring
SVM
SVM scoring model trained on development data to
classify true-target speakers access and
impostors access,
using new feature representation based on GMMs
SVM principles
H
X
y(X)
Class(X)
Ho
Results
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
Majordome’s Functionalities
(
Voice
Fax
• Speaker
verification
• Dialogue
• Routing
• Updating the
agenda
E-mail
• Automatic
summary
Voice technology in Majordome


Server side background tasks:
continuous speech recognition applied to voice
messages upon reception
 Detection of sender’s 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)
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
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.
Perspectives

Développement du projet BIOMET.

La fusion de modalités.


Réseau d’excellence dans le cadre du 6ème
PCRD.
La carte à puce comme support des
informations biométriques.