Méthodes Biométriques pour la Reconnaissance des Personnes

Abstract

La validation de l’identité de la personne devient de plus en plus essentielle en raison de la demande croissante pour les systèmes de haute sécurité. Un système biométrique témoigne de l’authenticité de la technologie biométrique spécifique aux caractéristiques physiologiques ou comportementales. Cette technologie a été appliquée avec succès aux systèmes de vérification et d’identification. Dans notre travail, nous analysons les systèmes d’identification d’empreintes palmaire multispectrales (Multispectral Palmprint) et l’empreinte de l’articulation du doigt (FKP) en mode unimodal et multimodal. L’extraction de caractéristiques est une étape essentiel dans le système biométrique. Pour cette raison, nous proposons deux algorithmes d’extraction de caractéristiques d’apprentissage approfondi efficaces appelés réseau de transformée en cosinus discrète (DCTNet) et réseau d’analyse en composantes principales (PCANet). L’efficacité des approches proposées a été évaluée sur deux bases de données accessibles au public : CASIA et PolyU. Les résultats obtenus indiquent clairement que les techniques d’extraction de caractéristiques basées sur l’apprentissage approfondi proposées peuvent atteindre des performances comparables aux meilleures techniques de pointe.

Person’s identity validation is becoming much more essential due to the increasing demand for high-security systems. A biometric system testifies the authenticity of specific physiological or behavioral characteristics-based biometric technology. This technology has been successfully applied to verification and identification systems. In our work, we analyze the multispectral palmprint and finger knuckle print identification systems in unimodal and multimodal modes. The feature extraction is a crucial step in the biometric system. For this reason, we propose two efficient deep learning feature extraction algorithms called discrete cosine transform network (DCTNet) and principal component analysis network (PCANet). . The effectiveness of the proposed approaches has been evaluated on two publicly available databases : CASIA and PolyU. The obtained results clearly indicate that the proposed deep learning-based feature extraction techniques can achieve comparable performance to the best of the state-of-the-art techniques.