Bibliothèque de L'IMIST/CNRST

PH.D Université Mohammed V 2017

Cette thèse s'intéresse principalement au problème de fusion de scores d'un système multi-biométrique. Bien que ce problème ait été largement étudié dans la littérature, il n'est toutefois pas encore totalement résolu. Sa modélisation du point de vue de la reconnaissance de formes statistique est l'approche la plus fructueuse, en particulier celle en mode vérification basée sur le test du rapport de vraisemblance, car elle permet d'obtenir la performance de fusion théoriquement optimale au sens des critères de Neyman-Pearson. Néanmoins, les performances de cette approche dépendent de la méthode utilisée pour estimer les densités de probabilité conditionnelles des scores client et imposteur.
Dans ce contexte, nous proposons d'abord d'étudier une nouvelle méthode d'estimation de densité de scores basée sur le modèle de mélanges de Gaussiennes généralisées. Ce modèle permet d'estimer le mieux possible les densités de probabilité réelles tout en modélisant une grande variété de modèles statistiques. Cependant, la variabilité inter-utilisateur, le changement dans les conditions d'acquisitions et la quantité de données d'apprentissage disponible rendent généralement très complexe l'estimation des densités des scores. Pour faire face à ces limitations, nous introduisons dans la deuxième contribution une nouvelle modélisation qui considère le problème de fusion de scores en mode vérification comme un problème de reconnaissance de formes flou. L'avantage de cette modélisation est qu'elle est basée sur la théorie des ensembles flous qui offre un cadre mathématique approprié pour représenter et traiter les données imparfaites. La plupart des méthodes de fusion en mode identification sont des extensions directes de celles développées en mode vérification. Ces méthodes ne considèrent pas les dépendances entre les scores, car elles n'utilisent pas les scores de toutes les personnes enrôlées pour calculer le score fusionné d'une personne particulière. Par conséquent, nous proposons dans notre troisième contribution une modélisation floue du problème de fusion de scores en mode identification, permettant non seulement d'utiliser les scores associés à une personne, mais aussi les autres scores disponibles.