FR3100070A1 - Procédé de reconnaissance biométrique à contrôle de dérive et installation associée - Google Patents
Procédé de reconnaissance biométrique à contrôle de dérive et installation associée Download PDFInfo
- Publication number
- FR3100070A1 FR3100070A1 FR1909313A FR1909313A FR3100070A1 FR 3100070 A1 FR3100070 A1 FR 3100070A1 FR 1909313 A FR1909313 A FR 1909313A FR 1909313 A FR1909313 A FR 1909313A FR 3100070 A1 FR3100070 A1 FR 3100070A1
- Authority
- FR
- France
- Prior art keywords
- image
- artificial intelligence
- recognition
- intelligence unit
- reference image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009434 installation Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000001815 facial effect Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 description 9
- 206010004950 Birth mark Diseases 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 210000004709 eyebrow Anatomy 0.000 description 3
- 241000209202 Bromus secalinus Species 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/50—Maintenance of biometric data or enrolment thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
Abstract
L’invention concerne un procédé de reconnaissance biométrique au moyen d’une unité d’intelligence artificielle (5) qui a accès à une mémoire (3) contenant au moins une image de référence d’une partie de corps d’un utilisateur et qui est agencée pour la comparer à au moins une image capturée d’une même partie de corps d’un candidat à la reconnaissance, le procédé comprenant l’étape de soumettre à l’unité d’intelligence artificielle des images d’entraînement présentant des parties de corps proches de celles de l’image de référence pour apprendre à l’unité d’intelligence artificielle à les rejeter, le procédé comprenant l’étape supplémentaire de soumettre à l’unité d’intelligence artificielle au moins une image anti-dérive pour que l’unité d’intelligence artificielle l’accepte. L'invention concerne également une installation associée. FIGURE DE L’ABREGE : Fig. 1
Description
La présente invention concerne le domaine de la reconnaissance biométrique, par exemple à des fins d’identification d’un individu ou de vérification du droit de l’individu à accéder à un lieu, à un objet ou à des informations.
ARRIERE PLAN DE L’INVENTION
Usuellement, un procédé de reconnaissance biométriques consiste à comparer, d’une part, des données biométriques extraites d’une image capturée d’une partie d’un corps d’un candidat à la reconnaissance et, d’autre part, des données biométriques de référence extraites d’une image de référence d’une même partie d’un corps d’un utilisateur, pour valider ou refuser la reconnaissance.
Or, le domaine de la reconnaissance biométrique doit aujourd’hui faire face à une nouvelle technique de fraude dite de morphose (plus connue sous l’anglicisme « morphing »). Le morphing consiste à créer une image frauduleuse en combinant une image d’une partie du corps d’un utilisateur à une image d’une même partie du corps d’une autre personne, l’image frauduleuse apparaissant ainsi proche des deux images dont elle est issue et pouvant en conséquence tromper le dispositif mettant en œuvre le procédé de reconnaissance biométrique.
OBJET DE L’INVENTION
Un but de l’invention est de fournir un procédé permettant une reconnaissance biométrique plus résistante à ce type de fraude.
Un but de l’invention est également de proposer une installation permettant de mettre en œuvre un tel procédé.
En vue de la réalisation de ce but, on propose, selon l’invention, un procédé de reconnaissance biométrique au moyen d’une unité d’intelligence artificielle qui a accès à une mémoire contenant des données biométriques de référence extraites d’au moins une image de référence d’une partie de corps d’un utilisateur et qui est agencée pour comparer, aux données biométriques de référence, des données biométriques extraites d’au moins une image capturée d’une même partie de corps d’un candidat à la reconnaissance,
le procédé comprenant l’étape de soumettre régulièrement et volontairement à l’unité d’intelligence artificielle des images d’entraînement présentant des parties de corps proches de celles de l’image de référence pour apprendre à l’unité d’intelligence artificielle à les rejeter,
le procédé comprenant l’étape supplémentaire de soumettre régulièrement et volontairement à l’unité d’intelligence artificielle au moins une image anti-dérive pour que l’unité d’intelligence artificielle l’accepte, permettant ainsi de limiter un risque de dérive de l’unité d’intelligence artificielle,
la au moins une image anti-dérive étant soumise à l’unité d’intelligence artificielle à une fréquence moindre que les images d’entraînement.
Ainsi, avec l’invention, l’unité d’intelligence artificielle est soumise à un apprentissage automatique (pour l’anglais « machine learning ») lui permettant de renforcer sa reconnaissance de l’utilisateur grâce à la présentation volontaire d’images d’entraînement qui ne sont pourtant pas des images de l’utilisateur. L’unité d’intelligence artificielle devient en conséquence plus précise et plus résistante aux fraudes telles que les fraudes par morphing.
Cet apprentissage automatique est par ailleurs contrôlé par la présentation régulière de la au moins une image anti-dérive pour éviter la dérive de l’unité d’intelligence artificielle.
De façon avantageuse, l’invention permettra également de pouvoir mieux comprendre comment les fraudes de type morphing peuvent fonctionner grâce à l’observation de l’apprentissage automatique de l’unité d’intelligence artificielle.
Par « images d’entraînement » on entend au sens de la présente invention des images qui ont un rapport avec la au moins une image de référence mais qui ne sont pas la au moins une image de référence. De telles images d’entraînement peuvent être ainsi, et de manière non limitative :
- des images fabriquées à partir de la au moins une image de référence (typiquement par morphing, par création d’image synthétique (plus connue sous le terme anglais de synthetic approach) ou toute autre technique de modification d’images), et/ou
- des images fabriquées ou réelles partageant une ou plusieurs caractéristiques avec la au moins une image de référence (par exemple une même couleur d’œil, la présence d’une tâche de naissance sur le visage ou la main …), et/ou
- des images de précédents candidats à la reconnaissance qui ont échoué mais dont les images présentent un score de similarité élevé vis-à-vis de la au moins une image de référence (la notion de score de similarité élevé étant par exemple définie par une valeur seuil prédéterminée), et/ou
- des images fabriquées à partir d’images de précédents candidats à la reconnaissance qui ont échoués mais dont les images présentent un score de similarité élevé vis-à-vis de la au moins une image de référence (la notion de score de similarité élevé étant par exemple définie par une valeur seuil prédéterminée),
- etc.
Par « volontairement » on entend au sens de la présente invention que les images présentées à l’unité d’intelligence artificielle le sont uniquement pour assurer l’apprentissage automatique de l’unité d’intelligence artificielle et non pour satisfaire à une réelle demande de reconnaissance par l’utilisateur ou toute autre personne.
Par « image anti-dérive » on entend la au moins une image de référence et/ou une image ayant autorisé l’authentification avec un score de similarité élevé vis-à-vis de la au moins une image de référence (la notion de score de similarité élevé étant par exemple définie par une valeur seuil prédéterminée).
Optionnellement, au moins une image anti-dérive est la au moins une image de référence.
Optionnellement, au moins une image d’entraînement est une image fabriquée à partir de la au moins une image de référence.
Optionnellement, l’image d’entraînement est fabriquée par morphose de la au moins une image de référence et d’au moins une autre image.
Optionnellement, la au moins autre image est une image extraite d’une base de données et comprenant au moins une caractéristique commune avec la au moins une image de référence et/ou une image d’un précédent candidat à la reconnaissance dont la reconnaissance a été refusée.
Optionnellement, on fabrique à partir de la au moins une image de référence et d’une seule autre image, plusieurs images d’entraînement avec une densité de plus en plus importante du contenu de la au moins une image de référence.
Optionnellement au moins une image d’entraînement est une image fabriquée ou réelle partageant une ou plusieurs caractéristiques avec la au moins une image de référence.
Optionnellement, au moins une image d’entraînement est une image relative à une image d’un précédent candidat à la reconnaissance qui a échoué mais dont l’image présente un score de similarité élevé vis-à-vis de la au moins une image de référence.
Optionnellement, le procédé comporte en outre l’étape de soumettre régulièrement et volontairement à l’unité d’intelligence artificielle au moins une image préalablement capturée ayant permis d’aboutir à la reconnaissance, ladite image n’étant pas l’image de référence. Cette image peut être une image anti-dérive ou non selon sa similarité avec la au moins une image de référence.
Optionnellement, le procédé s’appuie également sur la localisation et/ou l’heure à laquelle a été capturée une image d’un candidat à la reconnaissance pour valider ou non la reconnaissance.
Optionnellement, les données biométriques sont des données biométriques faciales.
Optionnellement, l’image de référence est une image en trois dimensions.
L’invention concerne également une installation comprenant au moins une unité d’intelligence artificielle pour mettre en œuvre le procédé tel que précité.
Optionnellement, l’installation comprend au moins une mémoire à laquelle l’unité d’intelligence artificielle a accès.
Optionnellement, l’installation est un téléphone mobile.
Optionnellement, le procédé de reconnaissance biométrique est configuré pour autoriser le déverrouillage du téléphone mobile en cas de reconnaissance.
D’autres caractéristiques et avantages de l’invention ressortiront à la lecture de la description qui suit d’un mode de mise en œuvre particulier non limitatif de l’invention.
L’invention sera mieux comprise à la lumière de la description qui suit en référence aux figures annexées parmi lesquelles :
Dans le mode de mise en œuvre qui va être décrit, l’invention est appliquée au déverrouillage d’un téléphone mobile 1 d’un utilisateur par reconnaissance faciale.
Le téléphone mobile 1 est par exemple de type « ordiphone » ou « smartphone ». Le téléphone mobile 1 comprend un processeur 2, une mémoire 3 contenant des programmes et au moins un capteur d’image 4. Le processeur 1 renferme une unité d’intelligence artificielle 5 qui a accès à la mémoire 3. L’unité d’intelligence artificielle 5 est plus précisément un programme informatique, connu en lui-même, paramétré pour la mise en œuvre de l’invention. La mémoire 3 contient également un programme informatique de reconnaissance faciale qui comprend des instructions agencées pour permettre au processeur 2 de mettre en œuvre le procédé de l’invention en faisant notamment appel à l’unité d’intelligence artificielle 5.
Le procédé de reconnaissance faciale comprend les étapes initiales de :
- capturer une image dite de référence d’une partie du corps de l’utilisateur ;
- extraire de cette image des données biométriques dites de référence ;
- stocker lesdites données biométriques de référence pour permettre une reconnaissance faciale ultérieure de l’utilisateur.
Pour effectuer la capture d’image, le processeur 2 pilote le capteur d’image 4 du téléphone mobile 1 et demande à l’utilisateur de prendre une photographie de son visage (couramment appelée « selfie »). Le processeur 2 peut afficher à cette fin des indications textuelles ou graphiques permettant à l’utilisateur de prendre une photographie de qualité suffisante (en terme d’exposition, de netteté, de contraste de l’image, de dimensions et position du visage sur l’image…) pour permettre l’extraction des données biométriques.
L’image de référence peut tout aussi bien être en deux dimensions qu’en trois dimensions. Dans ce dernier cas de figure, le capteur d’image 4 comporte de préférence une caméra infrarouge projetant une matrice sur le visage de l’utilisateur pour une prise d’image de référence en trois dimensions de qualité.
Le processeur 2 est agencé pour détecter la position du visage dans l’image, aligner le visage dans l’image puis effectuer l’extraction des données biométriques. La détection de la position et l’alignement du visage permettent d’obtenir une image de dimensions prédéterminées recadrée sur le visage : ces opérations sont connues en elles-mêmes et ne seront pas plus détaillées ici.
L’extraction est plus spécifiquement effectuée par l’unité d’intelligence artificielle 5 entraînée par apprentissage automatique. A cet effet, l’unité d’intelligence artificielle 5 comporte un réseau de neurones. Un seul réseau de neurones est ici utilisé mais il est possible d’utiliser plusieurs réseaux de neurones pour réaliser l’extraction.
Les données biométriques de référence ainsi extraites sont stockées dans la mémoire 3.
Ces étapes initiales peuvent être mises en œuvre par exemple lors de la mise en route du téléphone mobile 1 ou ultérieurement. Le processeur 2 peut être configuré pour proposer à intervalles réguliers à l’utilisateur de modifier son image de référence et/ou le téléphone mobile 1 est configuré pour autoriser l’utilisateur à accéder à une application, stockée dans la mémoire 3, lui permettant volontairement de modifier son image de référence.
Une fois le téléphone mobile 1 opérationnel, lorsqu’une personne cherche à accéder au contenu du téléphone mobile 1 par exemple en appuyant sur l’écran tactile ou sur un bouton, le processeur 2 lance les étapes suivantes du procédé de reconnaissance faciale :
- capturer une image d’une partie du corps d’un candidat à la reconnaissance ;
- extraire de cette image des données biométriques du candidat ;
- comparer les données biométriques du candidat aux données biométriques de référence et en déduire un score de similarité correspondant ;
- valider ou refuser la reconnaissance en fonction de la valeur du score de similarité comparativement à une valeur seuil prédéterminée (par exemple par le constructeur du téléphone mobile 1) ;
- déverrouiller si la reconnaissance est validée et éventuellement émettre une alerte si la reconnaissance est refusée.
Au moins les étapes d’extraction, de comparaison et de calcul du score de similarité sont mises en œuvre par l’unité d’intelligence artificielle 5.
Comme cela a déjà été évoqué, l’unité d’intelligence artificielle 5 est entraînée par apprentissage automatique.
Selon une mise en œuvre particulière de l’invention, l’apprentissage automatique utilise une, toutes ou parties des reconnaissances réussies pour entraîner l’unité d’intelligence artificielle 5. A cet effet, au moins une image capturée ayant permis d’aboutir à la reconnaissance est enregistrée dans la mémoire 3 afin de pouvoir être réutilisée ultérieurement pour entraîner l’unité d’intelligence artificielle 5.
Typiquement, l’apprentissage automatique comporte les étapes de :
- récupérer une image capturée ayant permis une reconnaissance de la mémoire 3,
- présenter ladite image à l’unité d’intelligence artificielle 5 en lui indiquant qu’elle doit refuser la reconnaissance et ne pas déverrouiller le téléphone mobile 1.
Dans le cas d’un téléphone mobile 1 plusieurs dizaines d’images par jour ayant permis la reconnaissance peuvent ainsi être enregistrées et utilisées pour entraîner l’unité d’intelligence artificielle 5.L’apprentissage automatique va ainsi entraîner l’unité d’intelligence artificielle 5 à reconnaitre l’utilisateur malgré son vieillissement vis-à-vis de l’image de référence ou des conditions différentes dans lesquelles les images ont été capturées (éclairage, météo, environnement …). L’unité d’intelligence artificielle 5 en devient plus précise.
En plus d’assurer un apprentissage automatique de l’unité d’intelligence artificielle 5 sur la base de reconnaissances réussies, l’apprentissage automatique est également configuré pour entraîner l’unité d’intelligence artificielle 5 sur la base de reconnaissances refusées.
A cet effet, l’apprentissage automatique comprend l’étape de soumettre régulièrement et volontairement à l’unité d’intelligence artificielle 5 des images d’entraînement présentant des visages proches de celui de l’image de référence pour apprendre à l’unité d’intelligence artificielle 5 à les rejeter.
Typiquement, l’apprentissage automatique comporte les étapes de :
- préparer au moins une image d’entraînement,
- présenter l’image d’entraînement à l’unité d’intelligence artificielle 5 en lui indiquant qu’elle doit refuser la reconnaissance et ne pas déverrouiller le téléphone mobile 1.
On augmente en conséquence la précision de l’unité d’intelligence artificielle 5 en l’entraînant à ne pas déverrouiller le téléphone mobile 1 malgré la présentation d’un visage proche de celui de l’utilisateur.
Comme indiqué ci-dessus, le processeur 2 exécute un programme comprenant des instructions pour préparer des images d’entraînement à destination de l’unité d’intelligence artificielle 5.
Différentes options sont alors envisageables, chaque option étant combinable avec l’une ou plusieurs ou toutes les options listées ci-dessous, la liste étant par ailleurs non exhaustive.
Selon une première option, le programme fabrique au moins une image d’entraînement à partir de l’image de référence. Typiquement le programme utilise la technique de morphing pour obtenir une image d’entraînement combinant l’image de référence et une autre image (image partageant une ou plusieurs caractéristiques avec l’image de référence (par exemple des sourcils épais, la présence d’une tâche de naissance …), image d’un précédent candidat à la reconnaissance dont l’authentification a été refusée …) On peut par exemple fabriquer, à partir de l’image de référence et d’une même autre image, plusieurs images d’entraînement avec une densité de plus en plus importante du contenu de l’image de référence présent dans l’image issue du morphing.
Selon une deuxième option, le programme sélectionne au moins une image d’entraînement en tant qu’image partageant une ou plusieurs caractéristiques avec l’image de référence (par exemple des sourcils épais, la présence d’une tâche de naissance…).
Selon une troisième option, le programme sélectionne au moins une image d’entraînement en tant qu’image d’un précédent candidat à la reconnaissance dont l’authentification a été refusée mais dont le score de similarité calculé était supérieur à un seuil prédéterminé donné.
Selon une quatrième option, le programme fabrique au moins une image d’entraînement à partir d’au moins une image partageant une ou plusieurs caractéristiques avec l’image de référence (par exemple des sourcils épais, la présence d’une tâche de naissance …) et/ou d’une image d’un précédent candidat à la reconnaissance dont l’authentification a été refusée mais dont le score de similarité calculé était supérieur à un seuil prédéterminé donné. Par exemple le programme utilise la technique de morphing pour obtenir une image d’entraînement combinant deux images partageant une ou plusieurs caractéristiques avec l’image de référence et/ou combinant une image partageant une ou plusieurs caractéristiques avec l’image de référence avec une image d’un précédent candidat à la reconnaissance dont l’authentification a été refusée mais dont le score de similarité calculé était supérieur à un seuil prédéterminé donné et/ou combinant deux images de précédents candidats à la reconnaissance dont les authentifications ont été refusées mais dont les scores de similarités calculés étaient supérieurs à un seuil prédéterminé donné.
L’image partageant une ou plusieurs caractéristiques avec l’image de référence peut par exemple être issue d’une base de données. On notera que selon l’entraînement visé, il conviendra donc d’enregistrer dans la mémoire au moins une image d’un précédent candidat à la reconnaissance dont l’authentification a été refusée (une, partie ou toutes les images des précédents candidats ayant échoué ; une, partie ou toutes les images des précédents candidats ayant échoué mais dont l’image présente un score de similarité avec l’image de référence ayant dépassé un seuil donné) et/ou d’équiper le téléphone mobile 1 afin que le programme exécuté par le processeur 2 puisse avoir accès à une base de données logée par exemple sur un serveur informatique distant, le téléphone mobile 1 et le serveur informatique étant reliés entre eux par un réseau de transport de données tel que le réseau Internet lorsque le téléphone mobile 1 se connecte à ce réseau et/ou enregistrer directement une base de données dans la mémoire 3 (éventuellement actualisée lorsque le téléphone mobile 1 se connecte à un réseau de transport de données tel que le réseau Internet).
Du fait que l’unité d’intelligence artificielle 5 est soumise régulièrement à des images capturées de l’utilisateur sensiblement différentes de l’image de référence (vieillissement de l’utilisateur, autres conditions de capture …) mais également des images d’entraînement proches de celles de l’image de référence, l’unité d’intelligence artificielle 5 pourrait dévier petit à petit.
Afin de limiter ce risque, l’apprentissage automatique comprend l’étape supplémentaire de soumettre régulièrement et volontairement à l’unité d’intelligence artificielle 5 au moins une image anti-dérive en lui indiquant qu’elle doit accepter la reconnaissance et déverrouiller le téléphone mobile 1.
De préférence, l’image anti-dérive est l’image de référence.
L’apprentissage automatique permet ainsi de revenir à l’image de référence de manière régulière afin que l’unité d’intelligence artificielle 5 ne l’oublie pas.
On note que l’image de référence est soumise à l’unité d’intelligence artificielle 5 à une fréquence moindre que celle des images d’entraînement et ici également que celle des images ayant préalablement permis une reconnaissance.
Par exemple et de manière non limitative, l’image de référence est ici soumise à l’unité d’intelligence artificielle 5 à une fréquence comprise entre une fois par jour à une fois par semaine. Par exemple et de manière non limitative, les images de références sont ici soumises à l’unité d’intelligence artificielle 5 à une fréquence comprise entre plusieurs fois par jour à plusieurs fois par heure.
La fréquence de présentation de l’image de référence et des images d’entraînement dépendra en particulier du niveau de sécurité recherché dans l’installation pour autoriser l’identification.
Dans la mise en œuvre qui a été décrite, l’apprentissage automatique de l’unité d’intelligence artificielle 5 est réalisé à différents niveaux ce qui permet de bien entraîner l’unité d’intelligence artificielle 5 et de la rendre plus précise. En particulier, pour entraîner l’unité d’intelligence artificielle, l’apprentissage automatique s’appuie sur :
- les authentifications réussies,
- les images d’entraînement,
- l’image de référence.
Les figures 2a à 2d illustrent schématiquement comment l’unité d’intelligence artificielle peut évoluer.
En référence à la figure 2a, l’unité d’intelligence artificielle 5 a délimité par une frontière 7 un espace renfermant des images ayant permis d’autoriser la reconnaissance d’utilisateur (i.e. les authentifications réussies). En dehors de cet espace se trouvent les images d’entraînement et les images de précédents candidats à la reconnaissance dont l’authentification a été refusée.
Ainsi, comme visible à la figure 2b, pour les demandes d’authentifications ultérieures, selon que l’image d’un candidat à la reconnaissance se trouve dans l’espace délimité par la frontière 7 ou non, l’authentification est acceptée ou refusée.
En référence à la figure 2c, l’apprentissage automatique se base sur la nouvelle image ayant permis d’autoriser la reconnaissance de l’utilisateur (représentée à la figure 2c) pour générer une ou plusieurs nouvelles images d’entraînement.
Ceci permet de définir une nouvelle frontière 7’ plus précise, comme illustré à la figure 2d, assurant en conséquence un apprentissage de l’unité d’intelligence artificielle 5.
Bien entendu, l’invention n’est pas limitée au mode de mise en œuvre décrit mais englobe toute variante entrant dans le champ de l’invention telle que définie par les revendications.
En particulier, le procédé pourra être mis en œuvre à partir d’une autre installation qu’un téléphone mobile comme par exemple une borne de sécurité, un ordinateur, une carte de voiture, un système d'identification automatique par empreintes digitales (plus connu sous l’acronyme AFIS pour Automated Fingerprint Identification System) … En outre, si l’on utilise un téléphone mobile, le procédé pourra être mis en œuvre pour une autre action que le déverrouillage du téléphone.
Ainsi de manière générale, quelle que soit l’installation utilisée, le procédé pourra être mis en œuvre de sorte que la reconnaissance permette d’autoriser l’accès à un lieu comme par exemple un bâtiment sécurisé, une zone de transfert pour les transports (quai, porte d’embarquement, etc.) … et/ou bien permette d’autoriser l’accès à un objet comme une voiture, un ordinateur … et/ou bien permette d’autoriser l’accès à des informations (via par exemple un site internet, un espace particulier, etc).
Par ailleurs bien qu’ici tout se déroule au sein d’une même installation, certaines étapes pourront être mises en œuvre par un serveur informatique distant, l’installation étant en communication avec ce serveur informatique distant par un réseau de transport de données comme un réseau de type Internet, Bluetooth … On pourra aussi avoir une mémoire déportée de l’installation et avec laquelle l’installation est en communication (filaire ou non filaire).
Par exemple le dispositif pourra se connecter via un réseau de transport de données, tel que le réseau Internet, à un serveur informatique distant. Ce serveur informatique comportera de façon connue en soi un processeur et une mémoire contentant des programmes ainsi qu’une base de données. Afin d’entraîner l’unité d’intelligence artificielle, le serveur informatique ou l’installation pourra exécuter un programme comprenant des instructions pour préparer des images d’entraînement à partir de cette base de données à destination de l’unité d’intelligence artificielle. Par exemple, le programme pourra sélectionner des images de la base de données partageant une ou plusieurs caractéristiques avec l’image de référence (par exemple une même couleur d’œil, la présence d’une tâche de naissance sur le visage ou la main …) et/ou pourra fabriquer des images d’entraînement à partir d’une ou plusieurs images de la base de données.
De manière générale, les étapes pourront être mises en œuvre dans une installation ne comprenant qu’un seul dispositif ou comprenant plusieurs dispositifs distincts.
Bien entendu, l’invention est applicable à d’autres biométries que la biométrie de visage et par exemple les empreintes digitales, les iris...
Pour assurer la reconnaissance, le procédé pourra s’appuyer sur d’autres données que les données biométriques liées à l’image de référence comme par exemple la localisation et/ou l’heure à laquelle a été capturée une image d’un candidat à la reconnaissance (vis-à-vis typiquement des images capturées précédemment).
D’autres informations pourront être mêlées aux données biométriques de référence comme par exemple une date, le nom de l’utilisateur ou toute autre suite de caractère alphanumériques.
Par ailleurs, bien que dans la mise en œuvre particulière décrite fasse mention d’une seule image de référence, l’invention pourra être mise en œuvre à partir de plusieurs images de référence. Dans tous les cas on retiendra que la ou les images de référence n’ont pas vocation à être changées fréquemment et qu’elles seront vraisemblablement conservées au moins pendant plusieurs mois voire plusieurs années consécutives.
L’image anti-dérive pourra ne pas être l’image de référence mais une image ayant autorisé l’authentification avec un score de similarité élevé vis-à-vis de la au moins une image de référence.
Lorsque la technique de morphing (ou toute autre technique de modification d’images) est employée pour la création des images d’entraînement plus de deux images pourront être combinées entre elles pour permettre d’obtenir l’image d’entraînement.
Claims (16)
- Procédé de reconnaissance biométrique au moyen d’une unité d’intelligence artificielle (5) qui a accès à une mémoire (3) contenant des données biométriques de référence extraites d’au moins une image de référence d’une partie de corps d’un utilisateur et qui est agencée pour comparer, aux données biométriques de référence, des données biométriques extraites d’au moins une image capturée d’une même partie de corps d’un candidat à la reconnaissance,
le procédé comprenant l’étape de soumettre régulièrement et volontairement à l’unité d’intelligence artificielle des images d’entraînement présentant des parties de corps proches de celles de l’image de référence pour apprendre à l’unité d’intelligence artificielle à les rejeter,
le procédé comprenant l’étape supplémentaire de soumettre régulièrement et volontairement à l’unité d’intelligence artificielle au moins une image anti-dérive pour que l’unité d’intelligence artificielle l’accepte,
la au moins une image anti-dérive étant soumise à l’unité d’intelligence artificielle à une fréquence moindre que les images d’entraînement. - Procédé selon la revendication 1, dans lequel l’image anti-dérive est la au moins une image de référence.
- Procédé selon la revendication 1 ou la revendication 2 dans lequel, au moins une image d’entraînement est une image fabriquée à partir de la au moins une image de référence.
- Procédé selon la revendication 3, dans lequel l’image d’entraînement est fabriquée par morphose de la au moins une image de référence et d’au moins une autre image.
- Procédé selon la revendication 4, dans lequel la au moins autre image est une image extraite d’une base de données et comprenant au moins une caractéristique commune avec la au moins une image de référence et/ou une image d’un précédent candidat à la reconnaissance dont la reconnaissance a été refusée.
- Procédé selon la revendication 4 ou la revendication 5, dans lequel on fabrique à partir de la au moins une image de référence et d’une seul autre image, plusieurs images d’entraînement avec une densité de plus en plus importante du contenu de la au moins une image de référence.
- Procédé selon l’une des revendications précédentes dans lequel au moins une image d’entraînement est une image fabriquée ou réelle partageant une ou plusieurs caractéristiques avec la au moins une image de référence.
- Procédé selon l’une des revendications précédentes dans lequel au moins une image d’entraînement est une image relative à une image d’un précédent candidat à la reconnaissance qui a échoué mais dont l’image présente un score de similarité élevé vis-à-vis de la au moins une image de référence.
- Procédé selon l’une des revendications précédentes, comportant en outre l’étape de soumettre régulièrement et volontairement à l’unité d’intelligence artificielle (5) au moins une image préalablement capturée ayant permis d’aboutir à la reconnaissance, ladite image n’étant pas l’image de référence.
- Procédé selon l’une des revendications précédentes, dans lequel le procédé s’appuie également sur la localisation et/ou l’heure à laquelle a été capturée une image d’un candidat à la reconnaissance pour valider ou non la reconnaissance.
- Procédé selon l’une des revendications précédentes, dans lequel les données biométriques sont des données biométriques faciales.
- Procédé selon l’une des revendications précédentes, dans lequel l’image de référence est une image en trois dimensions.
- Installation comprenant au moins une unité d’intelligence artificielle (5) pour mettre en œuvre le procédé selon l’une des revendications précédentes.
- Installation selon la revendication 13, comprenant au moins une mémoire (3) à laquelle a accès l’unité d’intelligence artificielle (5).
- Installation selon la revendication 13 ou la revendication 14, dans laquelle l’installation est un téléphone mobile (1).
- Installation selon la revendication 15, dans laquelle le procédé de reconnaissance biométrique est configuré pour autoriser le déverrouillage du téléphone mobile (1) en cas de reconnaissance.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1909313A FR3100070B1 (fr) | 2019-08-21 | 2019-08-21 | Procédé de reconnaissance biométrique à contrôle de dérive et installation associée |
| US16/998,710 US11386716B2 (en) | 2019-08-21 | 2020-08-20 | Biometric recognition method with drift control, and an associated installation |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1909313A FR3100070B1 (fr) | 2019-08-21 | 2019-08-21 | Procédé de reconnaissance biométrique à contrôle de dérive et installation associée |
| FR1909313 | 2019-08-21 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3100070A1 true FR3100070A1 (fr) | 2021-02-26 |
| FR3100070B1 FR3100070B1 (fr) | 2021-09-24 |
Family
ID=68807079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1909313A Active FR3100070B1 (fr) | 2019-08-21 | 2019-08-21 | Procédé de reconnaissance biométrique à contrôle de dérive et installation associée |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11386716B2 (fr) |
| FR (1) | FR3100070B1 (fr) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019002602A1 (fr) * | 2017-06-30 | 2019-01-03 | Norwegian University Of Science And Technology (Ntnu) | Détection d'images manipulées |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163053B (zh) * | 2018-08-02 | 2021-07-13 | 腾讯科技（深圳）有限公司 | 生成人脸识别的负样本的方法、装置及计算机设备 |
| JP7205148B2 (ja) * | 2018-10-04 | 2023-01-17 | カシオ計算機株式会社 | ロボット、制御方法、及び、プログラム |
-
2019
- 2019-08-21 FR FR1909313A patent/FR3100070B1/fr active Active
-
2020
- 2020-08-20 US US16/998,710 patent/US11386716B2/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019002602A1 (fr) * | 2017-06-30 | 2019-01-03 | Norwegian University Of Science And Technology (Ntnu) | Détection d'images manipulées |
Non-Patent Citations (2)
| Title |
|---|
| BHARATI APARNA ET AL: "Detecting Facial Retouching Using Supervised Deep Learning", IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, IEEE, PISCATAWAY, NJ, US, vol. 11, no. 9, 1 September 2016 (2016-09-01), pages 1903 - 1913, XP011613776, ISSN: 1556-6013, [retrieved on 20160613], DOI: 10.1109/TIFS.2016.2561898 * |
| NEUBERT TOM ET AL: "Extendedbenchmarking of biometric and forensic qualities of morphed face images", IET BIOMETRICS, IEEE, MICHAEL FARADAY HOUSE, SIX HILLS WAY, STEVENAGE, HERTS. SG1 2AY, UK, vol. 7, no. 4, 1 July 2018 (2018-07-01), pages 325 - 332, XP006076479, ISSN: 2047-4938, DOI: 10.1049/IET-BMT.2017.0147 * |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3100070B1 (fr) | 2021-09-24 |
| US20210056334A1 (en) | 2021-02-25 |
| US11386716B2 (en) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2013816B1 (fr) | Procede d'identification d'une personne par analyse de caracteristiques de ses cils | |
| EP3640843B1 (fr) | Procédé d'extraction de caractéristiques d'une empreinte digitale représentée par une image d'entrée | |
| EP2140401B1 (fr) | Procede de comparaison d'images, notamment pour la reconnaissance par l'iris, mettant en oeuvre au moins une mesure de qualite determinee en appliquant un modele a apprentissage statistique | |
| EP3832535A1 (fr) | Procédé de détection d'au moins un élément d'intérêt visible dans une image d'entrée au moyen d'un réseau de neurones à convolution | |
| EP2751739B1 (fr) | Detection de fraude pour systeme de controle d'acces de type biometrique | |
| EP3594850A1 (fr) | Procédé de reconnaissance biométrique | |
| EP3206192A1 (fr) | Procédé de sécurisation et de verification d'un document | |
| CN111695099A (zh) | 安全系统及相应的访问方法、机器可读存储设备 | |
| EP3008703B1 (fr) | Procédé d'identification biometrique | |
| FR3088467A1 (fr) | Procede de classification d'une image d'entree representative d'un trait biometrique au moyen d'un reseau de neurones a convolution | |
| EP3866064A1 (fr) | Procede d'authentification ou d'identification d'un individu | |
| EP3264329B1 (fr) | Procede et dispositif de detection de fraude par examen a deux focales distinctes lors d'une reconnaissance automatique d'un visage | |
| FR3083895A1 (fr) | Procede de reconnaissance biometrique | |
| EP3567521B1 (fr) | Procédé de reconnaissance biométrique à partir des iris | |
| FR3100070A1 (fr) | Procédé de reconnaissance biométrique à contrôle de dérive et installation associée | |
| EP4315115A1 (fr) | Procede de controle d'individus a authentification simplifiee | |
| EP3929809A1 (fr) | Procédé de détection d'au moins un trait biométrique visible sur une image d entrée au moyen d'un réseau de neurones à convolution | |
| EP2048592B1 (fr) | Procédé d'authentification biométrique, système d'authentification, programme et terminal correspondants | |
| EP3185178B1 (fr) | Procede et dispositif d`identification biometrique | |
| FR3106678A1 (fr) | Traitement biométrique comprenant une pénalisation d’un score de correspondance | |
| FR2898203A1 (fr) | Protection d'un controle d'acces biometrique | |
| WO2023012415A1 (fr) | Procede pour determiner si une image du visage d'une personne est apte a former une photographie d'identite | |
| FR3105480A3 (fr) | Système d’identification | |
| EP2572316B1 (fr) | Procédés d'enrôlement et de vérification biométrique, systèmes et dispositifs associés | |
| FR3110010A1 (fr) | Procédé d’acquisition d’un trait biométrique d’un individu, en vue d’une authentification ou une identification dudit individu |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210226 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |