Réduction de la dimensionnalité pour l’amélioration des performances d’identification biométrique

Abstract

Résumé Dans le domaine de l'identification des empreintes digitales, le codage des histogrammes locaux est l'une des techniques les plus utilisées pour la représentation de l'empreinte digitale en raison de sa simplicité. Cette technique est basée sur la concaténation des histogrammes locaux résultant en un histogramme de grande dimension qui cause deux problèmes. Premièrement, un long temps de calcul et de grandes capacités de mémoire sont requis avec des bases de données en croissance. Deuxièmement, le taux de reconnaissance peut être dégradé en raison du phénomène de la malédiction de la dimensionnalité. Afin de résoudre ces problèmes, nous proposons de réduire la dimensionnalité des histogrammes en choisissant uniquement les bins pertinents en utilisant une approche de sélection de caractéristiques basée sur le calcul de l'information mutuelle. Pour l'extraction des caractéristiques d'empreintes digitales, nous utilisons quatre descripteurs: Local Binary Patterns (LBP), Histogramme of Gradients (HoG), Local Phase Quantization (LPQ) et Binarized Statistical Image Features (BSIF). En tant que méthodes de sélection basées sur l'information mutuelle, nous utilisons cinq stratégies: Mutual Information Feature Selection (MIFS), minimum Redundancy and Maximal Relevance (mRMR), Conditional Infomax Feature Extraction (CIFE), Joint Mutual Information (JMI) et Interaction Capping (ICAP). Nous comparons les résultats en termes de taux de reconnaissance et de nombre de caractéristiques sélectionnées pour les descripteurs étudiés et les stratégies de sélection. Nos résultats sont réalisés sur les quatre bases de données FVC 2002 qui présentent différentes qualités d'image. Nous montrons que la combinaison de la méthode de sélection de caractéristiques ICAP avec les caractéristiques BSIF et mRMR ou CIFE avec les caractéristiques HoG donne les meilleurs résultats. Les expérimentations ont montré aussi qu'un nombre élevé de sous-images extraites conduisent à un taux de reconnaissance élevé, mais conduisent également à un histogramme de grande dimension qui a diminué les performances du système en termes de temps de calcul et de capacité mémoire. Ainsi la sélection des caractéristiques peut éviter ce problème Nous montrons également que la sélection des caractéristiques utiles de l'empreinte digitale peut certainement améliorer le taux de reconnaissance et réduire la complexité du système. Mots-clés : Réduction de la dimensionnalité, pertinence, classification, Biométrie