Multimodal Biometric Fusion Using Evolutionary Techniques

Abstract

Résumé L’utilisation des Techniques évolutionnaires pour la fusion biométrique Multimodal La biométrie est l’identification automatique de la personne basée sur ses caractéristiques physiologiques ou comportementales, telles que les empreintes digitales, le visage, la voix,... etc. Cependant, Un système biométrique Unimodal souffre de certaines limitations, telles que la non-universalité et la susceptibilité aux falsifications. Pour remédier aux ces problèmes, des informations provenant de différentes sources biométriques sont combinés, et de tels systèmes sont appelés les system biométrique multimodal. Dans ce mémoire, nous proposons l’utilisation de l’algorithme d’optimisation par les essaims de particules (OEP) et les algorithmes génétiques (AG) comme deux techniques évolutionnaires pour combiner la modalité du visage et de la voix au niveau des scores. L’efficacité de ces deux techniques est comparée à ceux obtenus en utilisant une simple BFS, une méthode intelligente hybride (ANFIS) et une technique d’apprentissage statistique (SVM). La technique de normalisation Min-Max est utilisée pour transformer les scores individuels en même intervalle avant de les combiner. Les deux techniques proposées sont évaluées expérimentalement sur des scores publiquement disponibles (XM2VTS, TIMIT, le NIST et BANCA) et sous trois conditions de qualité de données à savoir, propres, variées et dégradées. Afin de réduire l’effet de variation de scores sur l’efficacité du système biométrique, nous utilisons un mécanisme de normalisation de cohorte sans contrainte (UCN). Cette étude révèle que par le déploiement de telles techniques de fusion, les taux d'erreur de vérification (EER) peuvent être réduits considérablement, et la normalisation des scores par l’UCN avant de les combiner, a permis de réduire les EER pour les modalités individuels ainsi que pour fusion biométrique multimodal