contribution aux systèmes biométriques basée sur des nouveaux moments invariants, les éléments finis mixtes et les méthodes du machine Learning

Abstract

Les travaux présentés dans ce projet de recherche sont dirigés vers la reconnaissance de formes et la classification des bases de données d'images de grandes tailles qui coulent dans l'amélioration des systèmes biométriques. Dans ce cadre, nous apportons des améliorations inédites aux différents composants des systèmes biométriques. Les systèmes résultants procèdent en trois phases : filtrage, extraction des primitives et classification. Dans la phase de filtrage, nous utilisons la méthode des éléments finis mixte pour résoudre le modèle de Perona-Malik qui permet de réduire le bruit de l'image sans supprimer les parties significatives du contenu de l'image, généralement les bords, les contours, les textures ou d'autres détails importants pour l'interprétation de l'image. Dans la deuxième phase, nous nous intéressons à l'extraction des vecteurs descripteurs des images en utilisant la théorie des moments invariants. Les sept moments de Hu sont largement utilisés dans le domaine de la classification d'images et la reconnaissance de formes. Ces moments sont d'ordre fini, par conséquent, ils n'arrivent pas à extraire un ensemble complet de caractéristiques de l'image. Pour cette raison, nous proposons dans ce travail trois nouvelles approches. Dans la première approche, nous introduisons un ensemble de moments invariants en fonction des moments centraux normalisés d'ordre infini permettant de remédier au manque de la description complète de l'image posée par les moments invariants de Hu. Ces moments invariants ne sont pas orthogonaux, ce qui implique ainsi une redondance d'information. Pour remédier à ce problème, nous introduisons une série de moments invariants orthogonaux basés sur un ensemble de polynômes orthogonaux non séparables à deux variables, qui sont construits à l'aide d'une nouvelle technique axée sur une relation de récurrence. Dans la deuxième approche, nous introduisons un nouvel ensemble de polynômes orthogonaux basés sur les polynômes de Legendre, que nous appelons les polynômes de Legendre adaptés. A partir de ces polynômes nous construisons une famille de moments invariants pour les trois transformations géométriques (la translation, le changement d'échelle et la rotation) d'une image. Dans la troisième approche, nous proposons un ensemble de moments invariants orthogonaux centrés sur les polynômes orthogonaux de Jacobi en utilisant les coordonnées polaires. Pour la phase finale, nous appliquons des algorithmes de classification supervisée : les k plus proches voisins (k-PP), les réseaux de neurones à fonctions de base radiales (RNRBF) et les réseaux de neurones perceptron multicouche (RN-MLP) et des algorithmes de classification non supervisée tels que les méthodes de k-means (KM), de fuzzy k-means (FKM) et de possibilistic fuzzy k-means (PFKM). Nous introduisons aussi des nouveaux systèmes biométriques basés sur les vecteurs descripteurs proposés. Pour évaluer la performance des systèmes de classification et des systèmes biométriques proposés, nous effectuons quelques tests expérimentaux. Les résultats obtenus montrent l'efficacité et la supériorité des approches proposées.