Authentification de signature par apprentissage à l'aide du modèle B-Spline

Mots clés

Approximation à l'aide des B-Splines , Apprentissage profond, Optimisation, Classification, trajectoire, Cinématique

Détail de l'offre

Introduction :
Le développement constant et spectaculaire des technologies de l'information et de la communication a conduit à un bouleversement sans précédent de la manière dont sont stockés les documents : nous sommes passés depuis le début des années 1990 à aujourd'hui du « tout papier » au « tout numérique ». Par conséquent, la circulation, sur support numérique, de documents officiels signés a augmenté de façon considérable.
Par ailleurs, la fabrication de faux a elle aussi bénéficié de ce bond technologique. L'usurpation d'identité étant le problème actuel majeur de la sécurité informatique, l'authentification de signatures manuscrites revêt donc une importance capitale.

Sujet :
Appliquer les réseaux de neurones et le modèle de courbe B-Spline au développement d'un système d'authentification de signature manuscrite. Les hypothèses et détails de l'approche de ce problème sont définis comme suit.

Mode :
Les informations nécessaires à la reconnaissance d'une signature peuvent être fournies de deux façons différentes, le mode on-line et le mode off-line.
Le mode on-line signifie que la signature est tracée sur un écran tactile à l'aide d'un stylet ou d'un doigt. Le mode off-line signifie que la signature a été tracée sur du papier et peut être ancienne. L'information disponible est donc sous forme d'une image dans un format numérique. Le niveau sémantique des données est plus faible que pour le mode on-line. L'information temporelle a disparu et les pixels à retenir ne sont pas classés du précédent au suivant. Toutefois, l'épaisseur du tracé, une fois déterminée, peut être interprétée comme une mesure de la pression.

Modèle B-Spline :
Le modèle B-Spline est un modèle paramétrique de courbe (et de surface) massivement utilisé dans la modélisation géométrique. Il a été introduit vers le milieu du 20ème siècle pour la conception de formes industrielles (carrosserie d'automobile, fuselage d'avion, coque de bateau, etc.) mais s'est depuis largement répandu à d'autres domaines (synthèse d'image, imagerie médicale, tracé de routes, films d'animation, etc.). Ce succès est dû à ses remarquables propriétés algébriques qui le rendent intuitif, stable numériquement et peu coûteux en temps de calcul.
Le modèle B-Spline est polynomial par morceaux, ce qui le rend très efficace pour représenter des courbes localement C1 ou C2. Il permet en outre de compresser les données d'un nuage de points dans un rapport de 1 à 100. Cette dernière propriété est particulièrement intéressante lorsque ces données sont exploitées par un réseau de neurones. Pour toutes ces raisons, le modèle B-Spline a été retenu pour représenter les courbes c et e.

Apprentissage :
Les techniques d'apprentissage : classification, apprentissage profond, réseaux neuronaux, naïve bayes et d'autres approches seront explorées. Les bases de données publiques de signatures seront utilisées pour valider l'approche. La compression des données, obtenue à l'aide du modèle B-Spline, permettra de réduire considérablement la taille des vecteurs de données qui alimentent les algorithmes d'apprentissage. Par conséquent, elle diminuera leur complexité. L'objectif principal est l'extraction des paramètres du modèle B-Spline qui identifient de façon unique une signature. S'en suivra le développement d'un outil d'aide à la décision afin de reconnaître non seulement la signature, mais aussi son signataire.
L'apprentissage sera utilisé dans un premier temps pour résoudre le problème on-line. On pourra ensuite envisager de s'en servir pour passer du mode off-line au mode on-line.