Caractérisation du cerveau humain : application à la biométrie

Characterization of the human brain : application to biometrics

• Auteur / Autrice : Kamel Aloui
• Direction : Amine Naït-Ali
• Type : Thèse de doctorat
• Discipline(s) : Traitement du Signal et des Images
• Date : Soutenance le 17/12/2012
• Etablissement(s) : Paris Est en cotutelle avec École nationale d'ingénieurs de Tunis (Tunisie)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Images, Signaux et Systèmes Intelligents (Créteil)
• Jury : Président / Présidente : Bernadette Dorizzi
• Jury : Examinateurs / Examinatrices : Amine Naït-Ali, Mohamed Saber Naceur
• Jury : Rapporteur / Rapporteuse : Amel Ben Azza, Christophe Rosenberger

Mots clés

Mots clés contrôlés

Identification biométrique

Biométrie

Imagerie par résonance magnétique

Cerveau

Mots clés libres

Cerveau

IRM

Biométrie

Performences

Géometrie

Texture

Brain

MRI

Biometric

Performences

Geometric

Texture

Résumé

D'une manière générale, la biométrie a pour objectif d'établir ou de vérifier l'identité d'individu, notamment à partir de ces caractéristiques physiques ou comportementales. Cette pratique tend à remplacer les méthodes traditionnelles basées sur la connaissance, à savoir un mot de passe ou un code PIN ou basées sur les possessions telles qu'une pièce d'identité ou un badge. Au quotidien, plusieurs modalités biométriques ont été développées dans une certaine mesure, dont les produits sont disponibles et déjà utilisés dans des nombreuses applications. La reconnaissance biométrique est un domaine de recherche qui ne cesse pas d'évoluer et la recherche des nouvelles modalités de hautes performances est d'actualité. L'objectif de notre thèse consiste à développer et d'évaluer de nouvelles modalités biométriques basées sur des caractéristiques cachées, infalsifiables et ne pouvant pas être modifiées volontairement. C'est dans ce contexte que nous introduisons une nouvelle modalité biométrique utilisant les caractéristiques du cerveau humain et la faisabilité d'une telle modalité a fait l'objet de notre étude. À cet effet, des images volumiques cérébrales, obtenues par IRM (Imagerie par Résonance Magnétique) sont utilisées pour en extraire les informations pertinentes et générer par la suite des codes biométriques du cerveau, appelés « BrainCode », qui serviront à l'identification ou à l'authentification d'un individu. Ainsi, nous avons élaboré trois techniques de reconnaissance biométrique. La première technique utilise l'information de la texture d'une image numérique du cerveau comme signature individuelle, alors que la deuxième est basée sur l'utilisation des caractéristiques géométriques et morphologiques du cerveau. Enfin, la dernière technique explorée se base sur la fusion des caractéristiques géométriques et les caractéristiques de la texture du cerveau. Ces nouvelles techniques biométriques nécessitent évidemment l'acquisition des images IRM du cerveau en considérant, uniquement des personnes saines et adultes.Les résultats obtenus ont conduit à des performances de reconnaissance intéressantes. Plus précisément, la première technique, basée sur l'analyse de texture et la génération d'un « BrainCode » du cerveau, permet d'obtenir une précision de vérification de l'ordre de 97,53% avec un FAR = 1,5%, FRR = 3,41% et un EER = 2,72%. La deuxième technique, utilisant un modèle géométrique du cerveau, appelé « MGC » (Modèle Géométrique du Cerveau), nous arrivons à une précision maximale de l'ordre de 98,80% avec un FAR = 0,09%, un FRR = 2,31% et un EER = 1,92%. Enfin, la fusion des caractéristiques géométriques et de texture, permet d'atteindre une précision de l'ordre de 99,43% avec un FAR = 0,32% et un FRR = 0,72%. Dans cette étude, nous nous sommes aussi intéressés à l'étude de la robustesse des approches proposées par rapport au bruit

In general, biometrics aims is the identification or verification of individual, especially using their physical or behavioral characteristics. This practice tends to replace the traditional knowledge-based methods such us a password or PIN code and token-based methods such as identity document or a badge. Daily, multiple biometric modalities have been developed, where the products are available and already used in many applications. Biometric recognition is a research area that does not stop evolving and seeking new forms of high performance modalities. The main of this thesis is to develop and evaluate new methods based on hidden biometric features, tamper-proof and can't be voluntarily changed. In this context, that we introduce a new biometric modality that using human brain characteristics and the feasibility of such a method was the object of our study. For this, brain volumetric images, obtained by MRI (Magnetic Resonance Imaging) are used to extract the most discriminative brain patterns. Afterward, biometric code of the brain, called « BrainCode », is generated that serve on individual identification or authentication. Thus, we developed three biometric techniques based on the brain. The first technique uses textural patterns of a brain digital image, while the second technique is based on the use of morphological and geometrical characteristics of the brain. The last explored technique, based on the fusion of geometric features and the textural patterns from brain MRI slice. These new biometric techniques obviously require the acquisition of brain MRI images by considering only healthy and adult peoples. According to obtained results from experiments, the developed techniques lead to interesting recognition performance. More precisely, the first technique based on texture patterns analysis and « BrainCode » generation, provides about 97,53% of accuracy, FAR = 1,5%, FRR = 3,41% and the EER = 2,72%. The second technique, using a geometric model of the brain, called « GMB » (Geometric Model of the Brain), we obtained a maximum accuracy around 98,80%, FAR = 0,09%, FRR = 2,31% and the EER = 1,92%. Finally, the merger of geometric features and the texture, we have reached about 99, 47% of accuracy, FAR = 0,32% and the FRR = 0,72%. In this study, we are also interested on the robustness study of the proposed approaches against noise