Logo ÉTS
Session
Cours
Responsable(s) Éric Granger

Se connecter
 

Sauvegarde réussie
Echec de sauvegarde
Avertissement
École de technologie supérieure

Responsable(s) de cours : Éric Granger


PLAN DE COURS

Automne 2019
SYS828 : Systèmes biométriques (3 crédits)





Préalables
Aucun préalable requis




Descriptif du cours
À la fin de ce cours, l’étudiant sera en mesure :
• d’acquérir les notions fondamentales en biométrie,
• de comparer les principaux modèles neuroniques et statistiques exploités pour faire la mise en œuvre des systèmes biométriques,
• d’analyser les avantages et les limites de différentes architectures de systèmes pour une application donnée.

Introduction à la biométrie : historique; caractéristiques biométriques; domaines d’applications; fonctions d’identification, de surveillance et de vérification; technologies de pointe; défis actuels. Reconnaissance biométrique : rappel de la reconnaissance de formes; le système biométrique généralisé; état de l’art en reconnaissance par signature, visage et voix; évaluation et comparaison des performances; sécurité, confidentialité et intégrité des données biométriques. Apprentissage automatique: introduction aux algorithmes d’apprentissage et leurs applications; modèles neuroniques et statistiques pour l’extraction de caractéristiques, l’estimation de densité, la détection, et la classification. Conception de systèmes adaptatifs : architectures modulaires et hiérarchiques; techniques pour la fusion multimodale; systèmes adaptatifs et évolutifs.



Objectifs du cours

   La reconnaissance d’individus par des moyens automatiques et fiables est devenue indispensable pour la production de documents officiels (e.g., passeports et visas), et pour le contrôle d’accès à des lieux sécurisés et à des informations confidentielles. Ce cours vise d’abord une introduction aux notions fondamentales liées à la reconnaissance d’individus selon leurs traits biométriques, soit physiologiques ou comportementales, telles que l’empreinte digitale, la géométrie de la main, l’iris, la rétine, la signature, le visage et la voix.  Puisque ces traits sont distincts pour chaque individu, et ne peuvent être facilement perdues, volées ou reconstituées comme avec des approches traditionnelles (e.g., mots de passe, cartes d’accès et numéros d’identification), on s’en sert pour une prévention accrue du vol et de la fraude.

   Le deuxième objectif du cours consiste à étudier les principales techniques pour réaliser des systèmes biométriques robustes.  Un élément central de ce cours est l’analyse des techniques pour l’apprentissage machine, pour la fusion multimodale, pour l’apprentissage faiblement supervisé, pour l’apprentissage profond, et pour la reconnaissance contextuelle.  D’ailleurs, ces techniques sont présentement exploitées pour la conception d’architectures adaptatives et modulaires qui sont performantes pour la reconnaissance biométrique.  Pour supporter les objectifs du cours, les technologies de pointe et leurs applications sont aussi abordées, ainsi que les questions de confidentialité, d’intégrité et d’authenticité des données biométriques.




Stratégies pédagogiques

     Un cours magistral d’une durée de trois heures aura lieu une fois par semaine, pendant une période de treize (13) semaines.  Ces cours porteront globalement sur la conception et l’analyse des architectures de traitement d’information pour la reconnaissance biométrique.  La partie A du cours portera sur les différents aspects théoriques et pratiques des systèmes biométriques.  Les systèmes qui effectuent la reconnaissance à partir de l’empreinte digitale, de la signature, du visage et de la voix feront l’objet d’une attention particulière. Ensuite, la partie B du cours portera sur les techniques en apprentissage machine qui sont communément exploitées pour réaliser des systèmes biométriques robustes – mélange de Gaussiennes, modèles de Markov cachés, machines à vecteurs de support, méthodes à noyaux, réseaux de neurones, etc. Enfin, la partie C abordera la conception de systèmes adaptatifs et modulaires pour la reconnaissance biométrique. Les approches pour la fusion multimodale, l’apprentissage profond et faiblement supervisé et la reconnaissance contextuelle seront aussi étudiés en vue de concevoir des systèmes performants permettant d’intégrer plusieurs différentes sources d’informations biométriques.  Plusieurs applications et technologies seront présentées à travers des études de cas.  Finalement, les dernières semaines seront consacrées à la présentation orale des projets de session par les étudiants.

    Un projet de session portera obligatoirement sur un aspect spécifique de la matière présentée au cours.  Ce projet d'envergure va prendre la forme d'une étude comparative de différentes techniques et systèmes biométriques pour une application particulière.  Dans un premier temps, une synthèse de littérature servira de véhicule pour approfondir les connaissances sur des systèmes biométriques qui exploitent des techniques en apprentissage machine et en statistique.  Dans un deuxième temps, une étude expérimentale permettra d’évaluer et de comparer les performances de ces systèmes avec une base de données biométriques.  Les exigences pédagogiques résident (1) dans la rédaction de trois rapports techniques (pour le laboratoire, la synthèse de littérature, et l’étude expérimentale), (2) dans deux quiz, et (3) dans la présentation orale du projet de session par tous les étudiants.




Utilisation d’appareils électroniques

Ne s'applique pas.




Horaire
Groupe Jour Heure Activité
01 Mardi 13:30 - 16:30 Travaux pratiques
Mercredi 08:30 - 12:00 Activité de cours



Coordonnées de l’enseignant
Groupe Nom Activité Courriel Local Disponibilité
01 Éric Granger Activité de cours Eric.Granger@etsmtl.ca A-3481



Cours

Semaine

(date)

Description

(voir les lectures sur le site de cours)

1

(2 septembre)

1. Organisation du cours :

  • présentation personnelle
  • plan détaillé du cours

2. Introduction à la biométrie :

  • brève historique
  • traits biométriques communes
  • vue d’ensemble des domaines d’applications
  • fonctions d’identification, de surveillance et de vérification
  • défis actuels en reconnaissance biométrique

3. Survol de la reconnaissance de formes :

  • segmentation et extraction de représentations
  • modèle de classification et de décision

2

(9 septembre)

A. RECONNAISSANCE BIOMÉTRIQUE

A.1 Un système généralisé :

  • acquisition et segmentation de traits
  • extraction et sélection de caractéristiques
  • détection et classification de patrons
  • fusion multimodale

3

(16 septembre)

A.2 Évaluation de systèmes :

  • mesures de performance
  • qualité des traits biométriques
  • sécurité, confidentialité et intégrité des données

Séance 1 en laboratoire

→ Livrable : Proposition de projet

4

(23 septembre)

A.3 État de l’art – reconnaissance de visages :

  • étude d’applications images statiques
  • techniques pour la détection de visages
  • l’extraction et la sélection de caractéristiques
  • la classification le processus décisionnel
  • survol des systèmes et technologies de pointe
  • comparaison des performances et défis

Séance 2 en laboratoire

5

(30 septembre)

 

B. TECHNIQUES EN APPRENTISSAGE MACHINE ET STATISTIQUE:

B.1 Introduction aux algorithmes d’apprentissage :

  • l’apprentissage et ses applications
  • données, fonctions et risque
  • compromis biais-variance
  • approches générative vs discriminatives

Quiz A

Séance 3 en laboratoire

6

(7 octobre)

B.2 Apprentissage non-supervisé : représentation et catégorisation

  • algorithme statistique k-means
  • mélanges de Gaussiennes (GMM)
  • réseaux de neurones auto-organisateurs ART et SOFM
  • techniques à base de noyaux: kernel k-means, mean shift
  • techniques basées sur des matrices d'affinité: spectral
  • descripteurs communs de traits biométriques
  • techniques de projection : PCA et LDA
  • apprentissage de caractéristiques: auto-encoders, modélisation parsemé

 Séance 4 en laboratoire

7: pas de labo

(14 octobre)

8

(21 octobre)

 

B.3 Apprentissage supervisé : représentation et classification

  • fonctions discriminantes et classification à distance minimum
  • algorithme statistique k-plus- proches-voisins (k-NN)
  • arbre décisionnels
  • classifieurs à base de noyaux : réseaux RBF, ARTMAP et machines à vecteurs de support (SVM)
  • architectures pour l’apprentissage profond
  • réseaux de neurones CNN et RNN
  • réseaux de neurones ARTMAP
  • classifieurs à base de noyaux: réseaux RBF et machines à vecteurs de support (SVM)
  • architectures pour l'apprentissage profond
  • réseaux de neurones convolutionnels (CNN)

Livrable : Rapport 1 - synthèse de littérature

Séance 5 en laboratoire

9: pas de cours

(28 octobre)

10

(4 novembre)

11

(11 novembre)

C. CONCEPTION ET ANALYSE DE SYSTÈMES ROBUSTES :

C.1 Systèmes de classification modulaires et ensembles :

  • architectures avec modules à base de classes
  • architectures avec modules à base d’experts
  • architectures hiérarchiques
  • ensembles de classifieurs : cas statiques et dynamique

 Quiz B

Livrable : Rapport de laboratoire

12

(18 novembre)

C.2 Techniques pour la fusion multimodale :

  • limitations des systèmes unimodales
  • fusion au niveau des caractéristiques, scores et décisions
  • structures hiérarchiques pour la fusion
  • fusion à échantillons multiples

13

(25 novembre)

C.3 Systèmes adaptatifs :

  • apprentissage faiblement supervisé
  • apprentissage en-ligne et incrémental
  • optimisation des hyper-paramètres

C.4 Reconnaissance contextuelle :

  • mesures du contexte (e.g., qualité d’images)
  • détection de changements et d’ambiguïtés
  • sélection et fusion dynamique de classificateurs selon le contexte

14

(2 décembre)

 Présentation orale des projets de session

 

Période d'examens

 

Livrable : Rapport 2 - étude expérimentale

 




Laboratoires et travaux pratiques

Ne s'applique pas.




Évaluation

Les deux rapports techniques pour le projet de session – (1) synthèse de littérature et (2) étude expérimentale – devront être dactylographiés, et avoir une longueur maximum de 50 pages.  Les projets de session feront l’objet d’une présentation orale le 4 décembre 2019.  Si le nombre d’étudiants l’exige, il y aura une deuxième série de présentations le 3 décembre 2019.  Quant aux présentations orales faites par les étudiants, elles dureront au maximum vingt (20) minutes réparties en quinze (15) minutes de présentation et en cinq (5) minutes de discussion.

 

Activités

Pondération

Échéance

1. Proposition de projet

 5%

 

18 septembre

2. Quiz A

3. Quiz B

5%

5%

2 octobre

13 novembre

4. Rapport de laboratoire

Évaluation d'algorithmes pour la reconnaissance de visages

10%

13 novembre

5. Rapport 1 — synthèse de littérature

25%

6 novembre

6. Rapport 2 — présentation orale

10%

3 ou 4 décembre

7. Rapport 2 — étude expérimentale

40%

20 décembre

 




Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.

Dispositions additionnelles

Ne s'applique pas.




Absence à un examen
Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur de département. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note (0).



Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiants doivent consulter le Règlement sur les infractions de nature académique (https://www.etsmtl.ca/docs/ETS/Gouvernance/Secretariat-general/Cadre-reglementaire/Documents/Infractions-nature-academique ) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet.  À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et les étudiants sont invités à consulter la page Citer, pas plagier ! (https://www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).



Documentation obligatoire

Les documents de référence pour complémenter les sujets traités en cours vous seront distribués au courant de la session.  Les présentations (acétates et code pour démonstrations) de cours et les références pertinentes seront disponibles sur le site Moodle du cours SYS828.




Ouvrages de références
  • C. M. Bishop, Neural Networks for Pattern Recognition, Oxford University Press, 1995.
  • C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.
  • R. M. Bolle, J. H. Connell, S. Pankanti, N. K. Ratha and A.W. Senior, Guide to Biometrics, Springer, New York, 2004, 364 p. ISBN 978-0-387-40089-1.
  • J. Chirillo et S. Blaul, Implementing Biometric Security, John Wiley & Sons, 2002.
  • T. Dunstone et N. Yager, Biometric Systems and Data Analysis: Design, Evaluation, and Data Mining, Springer, New York, 2009.
  • R. O. Duda, P. E. Hart et D. G. Stork, Pattern Classification, 2ème ed., John Wiley & Sons, 2000.
  • S. Haykin, Neural Networks: A Comprehensive Foundation, 2ème ed., IEEE Press, 1994.
  • A. K. Jain, R. Bolle et S. Pankanti, Biometrics: Personal Identification in Networked Society, Kluwer Academic Publishers, 1999.
  • L. C. Jain, U. Halici, I. Hayashi, S. B. Lee et S. Tsutsui, Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, 1999.
  • L. I. Kuncheva, Combining Pattern Classifiers: Methods and Algorithms, Wiley, 2004.
  • S. Y. Kung, M. Mak et S. Lin, Biometric Authentication: A Machine Learning Approach, Prentice-Hall, 2004.
  • D. Maltoni, D. Maio, A. Jain et S. Prabhakar, Handbook of Fingerprint Recognition, Springer Verlag, 2003.
  • S. Nanavati, M. Thieme et R. Nanavati, Biometrics, by John Wiley & Sons, 2002.
  • J.N. Pato et L. Millett, Biometric Recognition: Challenges and Opportunities, Whither Biometrics Committee, National Research Council of the NSA, National Academies Press, 2010.
  • J. Wayman, A. K. Jain, D. Maltoni et D. Maio, Biometric Systems: Technology, Design and Performance Evaluation, Springer, 2004.
  • S. N. Yanushkevich, Biometric Inverse Problems, Design and Performance Evaluation, Taylor-Francis, 2005.



Adresse internet du site de cours et autres liens utiles

https://ena.etsmtl.ca/course/view.php?id=10349




Autres informations

ENCADREMENT

       Eric Granger

  • Bureau A-3481
  • Courriel : eric.granger@etsmtl.ca
  • Téléphone : (514) 396-8650
  • Disponibilité : du lundi au jeudi inclusivement