FR2912827A1

FR2912827A1 - Biometric verification method for e.g. identification of animal, involves realizing association between characteristics of current and reference irises, and determining presence or absence of identity between irises

Info

Publication number: FR2912827A1
Application number: FR0702598A
Authority: FR
Inventors: Martin Cottard; Stephane Gentric
Original assignee: Sagem Defense Securite SA
Current assignee: Safran Electronics and Defense SAS
Priority date: 2007-04-10
Filing date: 2007-04-10
Publication date: 2008-08-22

Abstract

The method involves obtaining an image of an eye, and detecting a current iris (C) in the obtained image. Local iris characteristics (16-20) respectively relative to determined points of the current iris are obtained. Association between the local characteristics and other local iris characteristics (31-35) are realized based on similarity criteria, where the iris characteristics (31-35) are respectively relative to determined points of a reference iris (R). The presence or absence of the identity between the current and reference irises is determined by considering realized associations. Independent claims are also included for the following: (1) a system for biometric verification (2) a computer program product comprising instructions for implementing a biometric verification method.

Description

PROCEDE DE VERIFICATION BIOMETRIQUE UTILISANT L'IRIS D'UN OEIL ET SYSTEMEBIOMETRIC VERIFICATION METHOD USING IRIS OF AN EYE AND SYSTEM

ASSOCIE La présente invention concerne la vérification biométrique utilisant l'iris d'un oeil. The present invention relates to biometric verification using the iris of an eye.

Il est connu d'utiliser des caractéristiques biologiques, telles que des empreintes digitales, une forme générale de doigts de la main, des caractéristiques de la voix, etc. à des fins de vérification, par exemple dans le cadre d'une authentification ou d'une identification d'un individu, humain ou animal. It is known to use biological characteristics, such as fingerprints, a general shape of the fingers of the hand, characteristics of the voice, etc. for verification purposes, for example as part of an authentication or identification of an individual, human or animal.

En plus des caractéristiques biologiques mentionnées ci-dessus, l'iris de l'ceil apparaît particulièrement intéressant, notamment parce qu'il est visible de l'extérieur de sorte que son acquisition peut se faire sans contact, parce qu'il est relativement immuable dans le temps et parce qu'il permet d'obtenir des taux de fausses acceptances (c'est-à- dire de cas où un individu est reconnu par erreur par le système) très faibles et des taux de faux rejets (c'est-à-dire de cas où un individu n'est pas reconnu par le système alors qu'il aurait du l'être) relativement peu élevés. Des méthodes de vérification biométrique utilisant l'iris ont donc été développées ces dernières années. In addition to the biological characteristics mentioned above, the iris of the eye appears particularly interesting, especially because it is visible from the outside so that its acquisition can be done without contact, because it is relatively immutable in time and because it allows for false acceptance rates (that is, cases where an individual is mistakenly recognized by the system) to be very low and false rejection rates (this is that is, when an individual is not recognized by the system when it should have been) relatively low. Biometric verification methods using iris have therefore been developed in recent years.

A titre d'exemple, US 5,291,560 décrit un mécanisme d'identification basé sur une analyse de l'iris. Selon ce mécanisme, des bandes annulaires sont définies sur l'image courante d'un iris à l'aide d'un système de coordonnées polaires centré sur le centre de la pupille. Une analyse de ces bandes annulaires permet d'obtenir un code courant d'iris qui est comparé à un code calculé auparavant, de la même façon (c'est-à-dire à partir de bandes annulaires positionnées de la même manière), sur un iris de référence. Une comparaison de ces codes permet de conclure sur l'identité ou non des iris. Ce mécanisme est cependant complexe car la définition des bandes annulaires et leur analyse impliquent une quantité de calcul significative. De plus, il suppose que les bandes annulaires positionnées de façon similaire sur l'iris courant d'une part et l'iris de référence d'autre part se correspondent, de -2- façon à pouvoir obtenir des codes susceptibles d'être comparés. Or, ce n'est pas le cas en pratique du fait des déformations qui peuvent apparaître entre l'iris de référence et l'iris courant, par exemple en rotation et/ou en translation. Un but de la présente invention est de permettre une vérification biométrique utilisant l'iris d'un oeil, qui surmonte au moins en partie les inconvénients susmentionnés. L'invention propose ainsi un procédé de vérification biométrique utilisant l'iris d'un oeil, comprenant les étapes suivantes : obtenir une image d'un oeil ; - détecter un iris courant au sein de l'image obtenue ; - obtenir des premiers jeux de caractéristiques locales d'iris relatifs respectivement à des points déterminés de l'iris courant ; - réaliser des associations, selon un critère de similarité, entre certains au moins des premiers jeux de caractéristiques locales d'iris et des deuxièmes jeux de caractéristiques locales d'iris relatifs respectivement à des points déterminés d'un iris de référence ; et -déterminer s'il y a ou non identité entre l'iris courant et l'iris de référence, en tenant compte des associations réalisées. La réalisation d'associations entre des premiers et deuxièmes jeux de caractéristiques locales d'iris, selon un critère de similarité, dispense d'avoir à repérer au préalable des éléments à comparer au sein des iris courant et de référence. Cela rend le procédé à la fois plus simple et plus robuste aux déformations qui peuvent exister entre les deux iris que les méthodes classiques. By way of example, US 5,291,560 describes an identification mechanism based on an analysis of the iris. According to this mechanism, annular bands are defined on the current image of an iris using a polar coordinate system centered on the center of the pupil. An analysis of these annular bands makes it possible to obtain a current iris code which is compared with a previously calculated code, in the same way (that is to say from annular bands positioned in the same way), on an iris of reference. A comparison of these codes makes it possible to conclude on the identity or not of the irises. This mechanism is however complex because the definition of the annular bands and their analysis imply a significant amount of calculation. In addition, it assumes that the annular bands positioned similarly on the current iris on the one hand and the reference iris on the other hand correspond, in order to be able to obtain codes that can be compared. . However, this is not the case in practice because of the deformations that may appear between the reference iris and the current iris, for example in rotation and / or in translation. An object of the present invention is to enable a biometric verification using the iris of an eye, which overcomes at least in part the aforementioned drawbacks. The invention thus proposes a biometric verification method using the iris of an eye, comprising the following steps: obtaining an image of an eye; to detect a current iris within the image obtained; obtaining first sets of local characteristics of iris relative respectively to specific points of the current iris; performing associations, according to a similarity criterion, between at least some of the first sets of local iris characteristics and second sets of local iris characteristics respectively relating to specific points of a reference iris; and -determining whether or not there is identity between the current iris and the reference iris, taking into account the associations made. The realization of associations between first and second sets of local characteristics of iris, according to a similarity criterion, dispenses with having to first identify elements to be compared within the current and reference iris. This makes the process both simpler and more robust to the deformations that may exist between the two iris than conventional methods.

Avantageusement, les premiers jeux de caractéristiques locales d'iris sont obtenus à l'aide d'au moins une mesure ou un filtrage réalisé autour des points déterminés respectifs de l'iris courant et les deuxièmes jeux de caractéristiques locales d'iris sont obtenus par au moins une mesure ou un filtrage correspondant réalisé autour des points déterminés respectifs de l'iris de référence. -3- Le critère de similarité utilisé peut être divers. Selon un premier exemple totalement indépendant de considérations géographiques au sein des iris, on associe au moins un desdits premiers jeux de caractéristiques locales d'iris à un desdits deuxièmes jeux de caractéristiques locales d'iris avec lequel il présente un niveau de similarité maximal, on évalue un niveau de similarité global à partir de certains au moins des niveaux de similarités maximaux, et on détermine s'il y a ou non identité entre l'iris courant et l'iris de référence à partir du niveau de similarité global évalué. Advantageously, the first sets of local characteristics of iris are obtained by means of at least one measurement or a filtering performed around the respective determined points of the current iris and the second sets of local characteristics of iris are obtained by at least one measurement or a corresponding filtering performed around the respective determined points of the reference iris. -3- The similarity criterion used may be different. According to a first example totally independent of geographical considerations within the irises, at least one of said first sets of local iris characteristics is associated with one of said second sets of local iris characteristics with which it has a maximum level of similarity. evaluates an overall similarity level from at least some of the maximum similarity levels, and determines whether or not there is identity between the current iris and the reference iris from the assessed overall similarity level.

Selon un deuxième exemple, on associe un ensemble de premiers jeux de caractéristiques locales d'iris relatifs respectivement à des points voisins déterminés de l'iris courant avec un ensemble de deuxièmes jeux de caractéristiques locales d'iris relatifs respectivement à des points voisins déterminés de l'iris de référence, de manière que lesdits ensembles présentent un niveau de similarité global maximal entre eux, et on détermine s'il y a ou non identité entre l'iris courant et l'iris de référence à partir dudit niveau de similarité global maximal. On évite ainsi de conclure à l'identité des iris dans des cas de déchirement. Selon un troisième exemple, on associe un ensemble de premiers jeux de caractéristiques locales d'iris relatifs respectivement à des points voisins déterminés de l'iris courant avec un ensemble de deuxièmes jeux de caractéristiques locales d'iris relatifs respectivement à des points voisins déterminés de l'iris de référence, de manière que lesdits ensembles se correspondent par l'intermédiaire d'une transformation géométrique admissible et présentent un niveau de similarité global maximal entre eux, et on détermine s'il y a ou non identité entre l'iris courant et l'iris de référence à partir dudit niveau de similarité global maximal. On évite ainsi de conclure à l'identité des iris dans des cas de transformation atypique. Pour que la comparaison des iris soit plus probante, les premiers et deuxièmes jeux de caractéristiques locales d'iris sont de préférence obtenus sensiblement de la même façon. Autrement dit, ces jeux comprennent avantageusement des caractéristiques locales d'iris comparables. -4- La détection de l'iris courant au sein de l'image obtenue peut être classique. En variante, elle peut comprendre l'obtention de troisièmes jeux de caractéristiques locales relatifs respectivement à des points déterminés de l'image obtenue et la vérification du fait que chacun des troisièmes jeux de caractéristiques locales correspond ou non à un jeu de caractéristiques locales d'iris. Dans ce dernier cas, les premiers jeux de caractéristiques locales d'iris peuvent avantageusement être obtenus à partir des troisièmes jeux de caractéristiques locales correspondant à des jeux de caractéristiques locales io d'iris. Cela représente une économie de calcul. L'invention propose en outre un système de vérification biométrique comprenant des moyens pour la mise en oeuvre du procédé susmentionné. L'invention propose aussi un produit programme d'ordinateur comprenant des instructions de code adaptées à la mise en oeuvre du procédé 15 susmentionné, lorsqu'il est chargé et exécuté sur des moyens informatiques. D'autres particularités et avantages de la présente invention apparaîtront dans la description ci-après d'exemples de réalisation non limitatifs, en référence aux dessins annexés, dans lesquels : - la figure 1 est un schéma montrant l'image d'un oeil ; 20 - la figure 2 est un schéma montrant un exemple de zones prises en compte dans la définition d'un jeu de caractéristiques locales d'iris ; - la figure 3 est un schéma montrant un premier exemple d'association possible entre des jeux de caractéristiques locales d'un iris courant d'une part et d'un iris de référence d'autre part ; 25 - la figure 4 est un schéma montrant un deuxième exemple d'association possible entre des jeux de caractéristiques locales d'un iris courant d'une part et d'un iris de référence d'autre part ; - la figure 5 est un schéma montrant un troisième exemple d'association possible entre des jeux de caractéristiques locales d'un iris courant d'une 30 part et d'un iris de référence d'autre part -la figure 6 est un schéma montrant un exemple de système selon l'invention. -5- La présente invention concerne une vérification biométrique utilisant l'iris d'un oeil. Cette vérification peut être réalisée dans le cadre de l'identification ou de l'authentification d'un individu, humain ou animal. Dans ce qui suit, y compris dans les revendications, par souci de simplification, on désigne par le terme iris , l'image de l'iris d'un individu ou, plus généralement, l'image d'une portion de l'ceil d'un individu incluant au moins une partie de son iris. Par exemple, le terme iris pourrait désigner une image comprenant la partie visible de l'iris ainsi qu'une partie du blanc de l'oeil entourant l'iris et éventuellement une partie des paupières d'un individu. io On dispose d'un ou plusieurs iris de référence qui sont avantageusement stockés dans une mémoire, par exemple dans la mémoire d'un serveur 4, comme représenté sur l'exemple de système illustré à la figure 6. Par ailleurs, l'image d'un oeil 1 d'un individu est obtenue, par exemple 15 par acquisition à l'aide d'un appareil photo ou d'une caméra 2, comme illustré à la figure 6, ou de tout autre moyen d'acquisition d'image. Des moyens de calcul permettent de traiter l'image de l'oeil obtenue pour déterminer s'il y a ou non identité entre un iris courant détecté au sein de l'image obtenue et un iris de référence, selon les opérations qui seront décrites 20 par la suite. Ces moyens de calcul peuvent par exemple être ceux d'une unité de calcul telle qu'un ordinateur 3 comme illustré à la figure 6. Bien sûr, le système représenté sur la figure 6 est un exemple non limitatif. En variante, les iris de référence pourraient être stockés directement dans une mémoire de l'ordinateur 3. De même, les moyens d'acquisition 25 d'image 2 pourraient faire partie de l'ordinateur 3 lui-même. Contrairement à ce qui a été représenté à la figure 6, le système selon l'invention pourrait donc consister en un dispositif unique. Une fois l'image de l'oeil 1 obtenue, on détecte un iris courant au sein de cette image. Cette détection peut être réalisée de différentes façons. 30 Elle peut par exemple être faite par recherche d'une portion de deux cercles sensiblement concentriques, à savoir le cercle approximant le contour -6- de la pupille et le cercle, de plus grand rayon, approximant le contour externe de l'iris. D'autres méthodes géographiques, dont certaines sont classiques, peuvent être utilisées pour détecter l'iris courant au sein de l'image obtenue. Selon un mode de réalisation avantageux, illustré de façon schématique sur la figure 1, l'image obtenue 5 est divisée en zones élémentaires 10. Ces différentes zones élémentaires 10 correspondent ainsi chacune à un "point" de l'image. Cette division de l'image peut par exemple prendre la forme d'un pavage de l'image 5, de sorte que les zones élémentaires 10 de l'image correspondent à des pavés. Ces pavés peuvent avoir la plus petite taille possible compatible avec la résolution de l'image, c'est-à-dire se confondre chacun avec un pixel de l'image. En variante, les pavés peuvent regrouper chacun une pluralité de pixels de l'image 5. On notera qu'une petite taille des pavés permet une détection plus précise de l'iris courant. According to a second example, a set of first sets of local iris characteristics relating respectively to determined neighboring points of the current iris are associated with a set of second sets of local iris characteristics relating to respective neighboring points of determination. the reference iris, such that said sets have a maximum overall similarity level between them, and determining whether or not there is identity between the current iris and the reference iris from said overall similarity level maximum. This avoids the conclusion that the iris are identical in cases of tearing. According to a third example, a set of first sets of local iris characteristics relating respectively to determined neighboring points of the current iris are associated with a set of second sets of local iris characteristics relating to respective neighboring points of determination. the reference iris, such that said sets correspond through a permissible geometric transformation and have a maximum overall similarity level between them, and determine whether or not there is identity between the current iris and the reference iris from said maximum global similarity level. This avoids the conclusion that the iris are identical in cases of atypical transformation. For iris comparison to be more probative, the first and second sets of local iris characteristics are preferably obtained in substantially the same manner. In other words, these games advantageously comprise local characteristics of comparable iris. The detection of the current iris within the image obtained can be conventional. As a variant, it may comprise obtaining third sets of local characteristics respectively relating to determined points of the image obtained and verifying whether each of the third sets of local characteristics corresponds to a set of local characteristics or not. iris. In the latter case, the first sets of local iris characteristics can advantageously be obtained from the third sets of local characteristics corresponding to sets of local characteristics of iris. This represents a saving of calculation. The invention further provides a biometric verification system comprising means for carrying out the aforementioned method. The invention also proposes a computer program product comprising code instructions adapted to the implementation of the aforementioned method, when it is loaded and executed on computer means. Other features and advantages of the present invention will appear in the following description of nonlimiting exemplary embodiments, with reference to the accompanying drawings, in which: - Figure 1 is a diagram showing the image of an eye; FIG. 2 is a diagram showing an example of areas taken into account in the definition of a set of local iris characteristics; FIG. 3 is a diagram showing a first example of possible association between sets of local characteristics of a current iris on the one hand and a reference iris on the other hand; FIG. 4 is a diagram showing a second example of possible association between sets of local characteristics of a current iris on the one hand and a reference iris on the other hand; FIG. 5 is a diagram showing a third example of possible association between sets of local characteristics of a current iris on the one hand and a reference iris on the other hand; FIG. 6 is a diagram showing an example of a system according to the invention. The present invention relates to a biometric verification using the iris of an eye. This verification can be performed as part of the identification or authentication of an individual, human or animal. In the following, including in the claims, for the sake of simplicity, the term "iris" designates the image of the iris of an individual or, more generally, the image of a portion of the eye. of an individual including at least part of his iris. For example, the term iris could mean an image comprising the visible part of the iris and a part of the white of the eye surrounding the iris and possibly part of the eyelids of an individual. One or more reference irises are advantageously stored in a memory, for example in the memory of a server 4, as shown in the example system shown in FIG. an eye 1 of an individual is obtained, for example 15 by acquisition using a camera or a camera 2, as illustrated in Figure 6, or any other acquisition means of picture. Calculation means make it possible to process the image of the eye obtained to determine whether or not there is identity between a current iris detected within the image obtained and a reference iris, according to the operations to be described. thereafter. These calculation means may for example be those of a computing unit such as a computer 3 as illustrated in FIG. 6. Of course, the system represented in FIG. 6 is a non-limiting example. Alternatively, the reference irises could be stored directly in a memory of the computer 3. Similarly, the image acquisition means 2 could be part of the computer 3 itself. Unlike what has been shown in Figure 6, the system according to the invention could therefore consist of a single device. Once the image of the eye 1 obtained, a current iris is detected within this image. This detection can be done in different ways. It may for example be made by searching for a portion of two substantially concentric circles, namely the circle approximating the contour of the pupil and the circle, of larger radius, approximating the outer contour of the iris. Other geographical methods, some of which are conventional, can be used to detect the current iris within the resulting image. According to an advantageous embodiment, illustrated schematically in FIG. 1, the resulting image 5 is divided into elementary zones 10. These different elementary zones 10 thus each correspond to a "point" of the image. This division of the image may for example take the form of a tiling of the image 5, so that the elementary zones 10 of the image correspond to cobblestones. These blocks can have the smallest possible size compatible with the resolution of the image, that is to say, to be confused each with a pixel of the image. Alternatively, the tiles can each group a plurality of pixels of the image 5. Note that a small size of the tiles allows a more accurate detection of the current iris.

Par souci de simplification, on considère dans la suite de la description que les pavés considérés se confondent chacun avec un pixel de l'image, sans que cela constitue une quelconque limitation. Le mode de réalisation avantageux mentionné plus haut pour détecter l'iris courant au sein de l'image 5 comprend l'obtention de jeux de caractéristiques locales relatifs à certains points (ou pixels avec l'hypothèse ci-dessus) de l'image 5. A titre d'exemple, des jeux de caractéristiques locales peuvent être calculés relativement à un pixel sur deux dans le sens des lignes du pavage 6 et un pixel sur deux dans le sens des colonnes du pavage 6, c'est-à-dire relativement à un pixel sur quatre. For the sake of simplification, it is considered in the remainder of the description that the blocks considered are each confused with a pixel of the image, without this constituting any limitation. The advantageous embodiment mentioned above for detecting the current iris within the image 5 comprises obtaining sets of local characteristics relating to certain points (or pixels with the hypothesis above) of the image 5 By way of example, sets of local characteristics can be calculated with respect to every second pixel in the direction of the lines of the tiling 6 and every other pixel in the direction of the columns of the tiling 6, that is to say relative to one pixel in four.

On entend par jeux de caractéristiques locales, un ensemble d'au moins une caractéristique d'une portion de l'image 5 centrée sur le pixel considéré. On note (p1, p2, ..., pn)i,j un tel jeu de caractéristiques locales comprenant n caractéristiques locales relativement au pixel de l'image caractérisé par des coordonnées (i,j) au sein du pavage 6. The term "sets of local characteristics" means a set of at least one characteristic of a portion of the image 5 centered on the pixel in question. We denote (p1, p2, ..., pn) i, j such a set of local characteristics comprising n local characteristics relative to the pixel of the image characterized by coordinates (i, j) within the tiling 6.

Avantageusement, les caractéristiques locales en question peuvent comprendre au moins une mesure ou un résultat d'un filtrage réalisé autour du pixel considéré. -7- Ainsi, un jeu de caractéristiques locales pourrait comprendre par exemple tout ou partie des éléments suivants : une mesure de contraste, la réponse d'un filtre dérivé gaussien (c'est-à-dire la réponse successive d'un filtre gaussien permettant de gommer certains détails de l'image, puis d'un gradient permettant de caractériser les contours issus du gommage), des valeurs de niveau de gris relatives à des pixels entourant le pixel considéré, un histogramme de ces valeurs de niveau gris montrant leur répartition au sein de la zone entourant le pixel considéré, la réponse d'un filtre gaussien, la réponse d'un filtre de Gabor, d'un SIFT (Scale Invariant Feature Transform) tel que w décrit dans l'article Distinctive image features from scale-invariant keypoints , publié en juin 2003 par David G. Lowe, ou encore la réponse de tout filtre classique utilisé en traitement d'image. La figure 2 montre schématiquement la construction d'un exemple de jeu de caractéristiques locales. Ce jeu de caractéristiques locales est calculé 15 relativement à un pixel 11. Il contient deux caractéristiques locales. La première caractéristique locale p1 consiste en une mesure de contraste sur une zone 13 de 9x9 pixels centrée sur le pixel 11. La deuxième caractéristique locale p2 consiste en un histogramme des pixels obtenus sur une zone 12 de 5x5 pixels centrée sur le pixel 11. Le jeu de caractéristiques locales 20 correspondant (pl ,p2) coord 11, où coord 11 désigne les coordonnées du pixel 11 au sein du pavage 6 de l'image 5, consiste en la concaténation des caractéristiques p1 et p2 obtenues comme indiqué précédemment. Il constitue ainsi un bloc de données relatif au pixel 11. Dans une deuxième étape du mode de réalisation avantageux pour 25 détecter l'iris courant au sein de l'image 5, on vérifie si chacun des jeux de caractéristiques locales (p1, p2,..., pn);,i correspond ou non à un jeu de caractéristiques locales d'iris. A cet effet, un traitement mathématique peut être appliqué à chacun des jeux de caractéristiques locales obtenus, et le résultat de ce traitement 30 mathématique peut être comparé à un seuil de détection déterminé. Ce traitement mathématique peut être basé sur l'utilisation de SVM (Support Vector Machine). Le SVM est décrit notamment dans l'article A -8- tutorial on Support Vector Machines for pattern recognition , publié en 1998 par Christopher J.C. Burges. Avantageusement, le même traitement mathématique a été préalablement appliqué à un grand nombre de jeux de caractéristiques locales obtenus d'une part pour une classe d'objets de type "iris" et d'autre part pour une classe d'objets de type "non iris". On a ainsi obtenu les gammes de valeurs typiques retournées par le traitement mathématique lorsqu'il est appliqué à des jeux de caractéristiques locales d'iris, et les gammes de valeurs typiques retournées par le traitement mathématique lorsqu'il est appliqué à des jeux de caractéristiques locales de non iris. Le seuil de détection mentionné ci-dessus peut alors être fixé en fonction des gammes de valeurs obtenues. Par exemple, le seuil de détection pourrait être fixé entre les deux gammes de valeurs typiques obtenues. On notera qu'un tel apprentissage sur des objets de type iris et des objets de type non iris est particulièrement simple lorsqu'on utilise le SVM comme traitement mathématique. En particulier, le SVM peut être appliqué à des jeux de caractéristiques locales, sans connaître le format de ces jeux. En référence à la figure 2 décrite plus haut, cela revient à dire que l'apprentissage peut aboutir en appliquant le SVM à des jeux de caractéristiques locales (p1sans savoir que p1 correspond à une mesure de contraste et que p2 correspond à un histogramme de pixels. Bien sûr, d'autres traitements mathématiques sont envisageables pour effectuer l'apprentissage du détecteur d'iris. On peut par exemple citer des traitements basés sur un discriminant linéaire de Fischer, un réseau de neurones, ou toute autre méthode de classification bi-classe. En outre, la classification des objets en deux classes "iris" et "non iris" peut être faite soit manuellement par un expert, soit automatiquement par un système préalable de détection d'iris, soit encore par le résultat d'un système préalable corrigé manuellement par un expert. 3o La réponse de la classification peut être continue et normalisée de manière à fournir la probabilité qu'un jeu de caractéristiques locales soit de type iris ou non iris. -9- A l'issue des opérations mentionnées ci-dessus, on peut déterminer, pour chaque pixel, si le jeu de caractéristiques locales correspondant correspond à un jeu de caractéristiques locales d'iris, c'est-à-dire si le pixel en question peut être considéré comme faisant partie d'un iris courant. Par extension, une zone entourant un pixel considéré comme appartenant à un iris courant pourrait être considérée comme appartenant, dans son entier, à l'iris courant. En référence à la figure 1, on peut ainsi obtenir une approximation 9 de l'iris courant au sein de l'image 5, cette approximation étant composée de tous io les pixels ayant été considérés comme faisant partie de l'iris. Du fait du mode de détermination de l'iris décrit ci-dessus, qui est basé sur l'analyse de la texture, il est possible que l'approximation 9 de l'iris courant ne corresponde pas à une forme classique d'iris. Pour pallier cet inconvénient, des traitements d'image peuvent être appliqués à l'approximation 9. 15 Ces traitements peuvent par exemple comprendre des filtrages des jeux de caractéristiques locales pour faire de l'approximation 9 de l'iris courant, un ensemble de pixels connexes. Aussi peuvent être éliminées des zones isolées de l'image ayant été assimilées à l'iris courant, comme par exemple la zone 8 montrée à la figure 1. A l'inverse, peuvent être ajoutés à l'approximation 20 9 des pixels qui n'ont pas été assimilés, à tort, à l'iris courant. Ces traitements peuvent aussi comprendre des filtrages des jeux de caractéristiques locales pour éliminer les jeux de caractéristiques locales d'iris relatifs respectivement à des points déterminés de l'image obtenue formant au moins une occlusion dans l'iris. 25 Comme exemple particulier d'élimination de pixels faussement assimilés à l'iris, on peut citer le cas de la pupille. En effet, lorsque l'approximation 9 de l'iris courant constitue une zone continue, un ou plusieurs pixels centraux 7 peuvent éventuellement être extraits de cette approximation, de façon à ce que cette dernière corresponde uniquement à l'iris. Il en est de 3o même pour des pixels correspondant à des reflets de lumière sur l'iris. On peut aussi forcer les bords de l'approximation 9 à être sensiblement circulaires, elliptiques, carrés, rectangulaires, ou à suivre une courbe -10-prédéterminée de fonction connue. En variante, les bords de l'approximation 9 peuvent être corrélés avec une forme d'iris par défaut, qui peut être un disque (on parlera alors de contraintes géométriques) ou bien une forme apprise ou un ensemble de formes connues (on parle alors de modèles de distorsion). Advantageously, the local characteristics in question may comprise at least one measurement or a result of a filtering performed around the pixel in question. Thus, for example, a set of local characteristics could comprise all or some of the following elements: a contrast measurement, the response of a Gaussian derivative filter (that is, the successive response of a Gaussian filter) allowing to erase certain details of the image, then of a gradient making it possible to characterize the contours resulting from the exfoliation), values of level of gray relative to pixels surrounding the pixel considered, a histogram of these values of gray level showing their distribution within the area surrounding the pixel considered, the response of a Gaussian filter, the response of a Gabor filter, a SIFT (Scale Invariant Feature Transform) as described in the article Distinctive image features from scale-invariant keypoints, published in June 2003 by David G. Lowe, or the answer of any conventional filter used in image processing. Figure 2 shows schematically the construction of an example of a set of local characteristics. This set of local characteristics is calculated relative to a pixel 11. It contains two local characteristics. The first local characteristic p1 consists of a contrast measurement on a 9x9 pixel area 13 centered on the pixel 11. The second local characteristic p2 consists of a histogram of the pixels obtained on a 5 × 5 pixel area 12 centered on the pixel 11. set of local characteristics 20 corresponding (pl, p2) coord 11, where coord 11 denotes the coordinates of the pixel 11 within the tiling 6 of the image 5, consists of the concatenation of the characteristics p1 and p2 obtained as indicated above. It thus constitutes a block of data relating to the pixel 11. In a second step of the advantageous embodiment to detect the current iris within the image 5, it is checked whether each of the sets of local characteristics (p1, p2, ..., pn) ;, i does or does not correspond to a set of local iris characteristics. For this purpose, a mathematical processing can be applied to each of the sets of local characteristics obtained, and the result of this mathematical processing can be compared to a determined detection threshold. This mathematical processing can be based on the use of SVM (Support Vector Machine). The SVM is described in particular in the article A -8- Tutorial on Support Vector Machines for Pattern Recognition, published in 1998 by Christopher J.C. Burges. Advantageously, the same mathematical treatment has previously been applied to a large number of sets of local characteristics obtained on the one hand for a class of objects of the "iris" type and on the other hand for a class of objects of "non-type" type. iris". The typical range of values returned by the mathematical processing when applied to sets of local iris characteristics, and the typical ranges of values returned by the mathematical processing when applied to sets of characteristics, have been obtained. local non iris. The detection threshold mentioned above can then be set according to the ranges of values obtained. For example, the detection threshold could be set between the two typical ranges of values obtained. It should be noted that such learning on iris-like objects and non-iris type objects is particularly simple when using SVM as a mathematical processing. In particular, the SVM can be applied to local feature sets, without knowing the format of these games. With reference to FIG. 2 described above, this amounts to saying that learning can be achieved by applying the SVM to sets of local characteristics (p1 without knowing that p1 corresponds to a contrast measurement and that p2 corresponds to a histogram of pixels Of course, other mathematical treatments are possible to perform the training of the iris detector, for example, treatments based on a Fischer linear discriminant, a neural network, or any other classification method. In addition, the classification of objects into two classes "iris" and "non iris" can be done either manually by an expert, or automatically by a prior system of iris detection, or again by the result of a system. pre-corrected manually by an expert 3o The classification response may be continuous and normalized to provide the probability that a set of local characteristics will be iris or non iris type. -9- At the end of the operations mentioned above, it is possible to determine, for each pixel, whether the corresponding set of local characteristics corresponds to a set of local characteristics of iris, c ' that is, if the pixel in question can be considered part of a current iris. By extension, an area surrounding a pixel considered as belonging to a current iris could be considered as belonging, in its entirety, to the current iris. With reference to FIG. 1, it is thus possible to obtain an approximation 9 of the current iris within the image 5, this approximation being composed of all the pixels that have been considered to be part of the iris. Because of the method of determining the iris described above, which is based on texture analysis, it is possible that the approximation of the current iris does not correspond to a conventional iris shape. To overcome this drawback, image processing can be applied to the approximation 9. These processes may for example include filtering of the sets of local characteristics to make the approximation 9 of the current iris, a set of pixels. related. Also isolated areas of the image having been assimilated to the current iris can be eliminated, for example the zone 8 shown in FIG. 1. On the contrary, can be added to the approximation 20 9 pixels which have not been assimilated, wrongly, to the current iris. These treatments may also include filtering the sets of local characteristics to eliminate the sets of local characteristics of iris respectively relative to specific points of the image obtained forming at least one occlusion in the iris. As a particular example of eliminating pixels mistakenly assimilated to the iris, one can cite the case of the pupil. Indeed, when the approximation 9 of the current iris constitutes a continuous zone, one or more central pixels 7 may possibly be extracted from this approximation, so that the latter corresponds only to the iris. It is even 30 for pixels corresponding to reflections of light on the iris. It is also possible to force the edges of the approximation 9 to be substantially circular, elliptical, square, rectangular, or to follow a predetermined curve of known function. Alternatively, the edges of the approximation 9 may be correlated with a default iris shape, which may be a disk (we will then speak of geometric constraints) or a learned form or a set of known forms (we speak then distortion models).

Bien sûr, plusieurs modèles de distorsion peuvent être utilisés. Dans ce cas, l'approximation 9 peut être affinée pour correspondre aux modèles de distorsion ou à une combinaison de plusieurs modèles de distorsion dont elle se rapproche le plus. Comme cela a été indiqué plus haut, la méthode de détection de l'iris courant décrite ci-dessus, qui est basée sur l'analyse de la texture, est avantageuse notamment parce qu'elle permet d'obtenir une première approximation de l'iris sans considération de sa géométrie. On évite ainsi, au moins dans un premier temps, d'avoir à positionner un repère géométrique au sein de l'image 5, puis à rechercher des éléments géométriques particuliers à l'aide de ce repère. On constate en pratique que les formes d'iris présentes dans la nature peuvent être très diverses. Elles ne sont pas forcément assimilables à une forme géométrique simple telle qu'un anneau par exemple. La détection de l'iris par analyse de sa texture permet donc une approximation efficace même pour des formes atypiques d'iris. On note en outre que cette détection de l'iris peut être utilisée indépendamment et quel que soit le mode de vérification biométrique qui lui fait éventuellement suite. D'autres types de détection d'iris peuvent bien sûr être envisagés dans le cadre de la présente invention, tels que des méthodes classiques basées sur une analyse purement géométrique de l'oeil. Une fois l'iris courant identifié (l'iris courant est alors déterminé par l'approximation 9, éventuellement affinée, qui en est faite), on obtient des jeux de caractéristiques locales d'iris relatifs à certains points de cet iris courant. Of course, several distortion models can be used. In this case, the approximation 9 can be refined to correspond to the distortion models or a combination of several distortion models which it approaches the most. As indicated above, the current iris detection method described above, which is based on the analysis of the texture, is advantageous in particular because it makes it possible to obtain a first approximation of the Iris irrespective of its geometry. This avoids, at least initially, having to position a geometric reference within the image 5, and then to search for particular geometric elements using this marker. It is found in practice that the forms of iris present in nature can be very diverse. They are not necessarily comparable to a simple geometric shape such as a ring for example. The detection of the iris by analysis of its texture thus allows an effective approximation even for atypical forms of iris. It is further noted that this detection of the iris can be used independently and regardless of the biometric verification mode that eventually follows. Other types of iris detection can of course be considered in the context of the present invention, such as conventional methods based on a purely geometric analysis of the eye. Once the current iris is identified (the current iris is then determined by the approximation 9, possibly refined, which is made of it), one obtains sets of local characteristics of iris relative to certain points of this current iris.

Ces jeux de caractéristiques locales d'iris (P1, P2, ..., Pm);,i peuvent avantageusement être obtenus à partir des jeux de caractéristiques locales -11- (p1, p2,..., pn);,1 préalablement obtenus pour la détection de l'iris courant le cas échéant. Dans ce cas, les deux jeux relatifs à un même pixel de coordonnées (i,j) peuvent être identiques. En variante, le jeu (P1, P2..., Pm);,i peut contenir un nombre différent de caractéristiques par rapport aux jeux correspondants (p1, p2, ..., pn);,j, c'est-à-dire que m peut être différent de n. En outre, les jeux de caractéristiques locales d'iris calculés à cette étape peuvent être plus ou moins nombreux que ceux utilisés pour la détection de l'iris. Par exemple, dans l'exemple décrit en référence aux figures 1 et 2, les ~o jeux de caractéristiques locales (p1, p2, ..., pn);,i avaient été calculés relativement à un pixel sur quatre de l'image 5. Aux fins de la comparaison de l'iris courant avec un iris de référence, les jeux de caractéristiques locales d'iris (P1, P2, Pm); peuvent être désormais calculés pour chacun des pixels formant l'iris courant par exemple. 15 A titre illustratif, et en référence à la figure 2, le jeu de caractéristiques locales d'iris relatif au pixel 11 qui appartient à l'iris courant, est de la forme (P1,P2,P3) coord 11 , où coord 11 désigne les coordonnées du pixel 11, et où P1=p1, c'est-à-dire que P1 représente une mesure de contraste sur le carré 13 de 9x9 pixels centré sur le pixel 11 et P2=p2, c'est-à-dire que P2 désigne un 20 histogramme des pixels du carré 12 de 5x5 pixels centré sur le pixel 11. P3, quant à lui, désigne par exemple la réponse d'un filtre gaussien à deux dimensions calculée sur le carré 14 de 7x7 pixels centré autour du pixel 11. Un tel jeu de caractéristiques locales d'iris est donc plus complet que le jeu (pl ,p2) coord 11 utilisé pour la détection de l'iris dans l'exemple décrit plus 25 haut. En outre, un tel jeu de caractéristiques locales d'iris est calculé pour chaque pixel de l'iris courant dans cet exemple. En variante, les jeux de caractéristiques locales d'iris (P1, P2, peuvent être calculés indépendamment d'éventuels jeux de caractéristiques locales (p1, p2, ..., pn);,j obtenus préalablement. 30 Chaque jeu de caractéristiques locales d'iris (P1, P2, Pm);,i, est avantageusement stocké dans une mémoire. Ce stockage peut être fait dans un ordre particulier, ou bien dans un ordre quelconque, auquel cas un numéro -12- peut être associé à chaque jeu de caractéristiques locales d'iris stocké. Avantageusement, une identification du voisinage est stockée en association avec chaque jeu de caractéristiques locales d'iris. Cela signifie qu'à partir d'un jeu de caractéristiques locales d'iris relatif à un point quelconque de l'iris courant, on peut connaître à tout moment les jeux de caractéristiques locales d'iris relatifs à des points voisins. Pour comparer l'iris courant avec un iris de référence stocké par exemple dans le serveur 4 de la figure 6, on associe certains au moins des jeux de caractéristiques locales d'iris (P1, P2, ..., Pm);,j relatifs respectivement à des points déterminés de l'iris courant avec des jeux de caractéristiques locales d'iris (P'1, P'2, ..., P'm);,i relatifs respectivement à des points déterminés de l'iris de référence. Cette association est faite selon un critère de similarité, dont des exemples seront donnés par la suite. Les jeux de caractéristiques locales d'iris (P'1, P'2, ..., P'm);,i sont 15 avantageusement calculés de la même façon que pour l'iris courant, de façon à ce que la comparaison entre les deux iris soit plus probante. Les figures 3 à 5 montrent différents exemples de comparaison entre l'iris courant C et l'iris de référence R. Dans les exemples non limitatifs illustrés, l'iris courant C est formé d'un ensemble connexe de pixels, sensiblement en 20 forme d'anneau pour ne pas inclure la pupille 15 de l'oeil. Conformément à l'exemple décrit précédemment, un jeu de caractéristiques locales d'iris (P1, P2, ..., Pm);,; est disponible relativement à chaque pixel de l'iris courant C de coordonnées (i,j). De façon similaire, dans les exemples non limitatifs illustrés, l'iris de 25 référence R est constitué d'un ensemble connexe de pixels, sensiblement en forme d'anneau pour exclure la pupille 30. La même résolution d'image est de préférence utilisée dans les deux cas, de façon à ce que des pixels des iris courant et de référence puissent se correspondre. On dispose en outre de jeux de caractéristiques locales d'iris (P'1, P'2, ..., P'm);J relativement à chaque 30 pixel de l'iris de référence R de coordonnées (i,j). Selon un premier exemple de comparaison entre l'iris courant C et l'iris de référence R, on recherche pour au moins un des jeux de caractéristiques -13- locales d'iris (P1, P2, ..., Pm);,j, le jeu de caractéristiques locales d'iris (P'1, P'2, P'm);,1 avec lequel il présente un niveau de similarité maximal. A cet effet, pour un jeu de caractéristiques locales d'iris (P1, P2, ..., Pm);,i donné, on peut calculer un niveau de similarité avec chacun des jeux de caractéristiques locales d'iris (P'1, P'2, afin de sélectionner celui avec lequel il présente le niveau de similarité maximal. Le niveau de similarité peut par exemple être déduit d'un niveau de dissimilarité entre les jeux de caractéristiques locales d'iris considérés, ce niveau de dissimilarité pouvant être estimé en fonction des différences entre les caractéristiques locales de ces jeux. Ainsi, le niveau de dissimilarité entre les jeux (P1, P2, ..., Pm);J, et (P'1, P'2, ..., P'm);,j peut être calculé par exemple selon la formule IP'1 ù P11 + IP'2 ù P21 + ... + IP'm ù PmI. La valeur de similarité entre ces jeux de caractéristiques locales d'iris peut être calculée comme une différence entre une valeur maximale possible de dissimilarité et la valeur de dissimilarité calculée comme indiqué ci-dessus. D'autres mesures de niveau de similarité soit bien sûr envisageables, en plus ou en remplacement de cette métrique directe qui se rapproche d'une distance euclidienne. Par exemple, une mesure basée sur une distance mahalabobis ou une mesure de corrélation pourraient être utilisées. Selon un autre exemple, les jeux de caractéristiques localesd'iris pourraient être projetés dans un espace pertinent avant d'être comparés. La projection peut être issue d'un apprentissage sur une base de données étiquetée de jeux de caractéristiques locales d'iris (base où la position d'une même zone de l'iris est recalée sur tous les iris d'un même individu). Pour cela, on peut utiliser une méthode de réduction d'espace de type ACP, LDA, ICA, réseau de neurones auto-associatif discriminant ou une combinaison de ses méthodes. En référence à la figure 3, le jeu de caractéristiques locales d'iris correspondant au pixel 17 est par exemple associé au jeu de caractéristiques locales d'iris 33 de l'iris de référence avec lequel il présente un niveau de similarité maximal. De même, les jeux de caractéristiques locales d'iris relatifs -14- aux pixels suivants de C et R sont associés, car présentant un niveau de similarité maximal entre eux : 16 et 32, 18 et 31, 19 et 34, 20 et 35. D'autres associations pourraient être envisagées, pour couvrir l'ensemble des pixels de l'iris courant C. These sets of local characteristics of iris (P1, P2, ..., Pm) ;, i can advantageously be obtained from the sets of local characteristics -11- (p1, p2, ..., pn) ;, 1 previously obtained for the detection of the current iris if necessary. In this case, the two sets relating to the same pixel of coordinates (i, j) may be identical. As a variant, the set (P1, P2 ..., Pm) ;, i can contain a different number of characteristics with respect to the corresponding sets (p1, p2, ..., pn); j, that is, to say that m can be different from n. In addition, the sets of local iris characteristics calculated at this step may be more or less numerous than those used for the detection of the iris. For example, in the example described with reference to FIGS. 1 and 2, the ~ o sets of local characteristics (p1, p2, ..., pn) ;, i were calculated relative to one pixel out of four of the image 5. For the purpose of comparing the current iris with a reference iris, the sets of local iris characteristics (P1, P2, Pm); can now be calculated for each of the pixels forming the current iris for example. By way of illustration, and with reference to FIG. 2, the set of local characteristics of iris relative to the pixel 11 which belongs to the current iris, is of the form (P1, P2, P3) coord11, where coord 11 denotes the coordinates of the pixel 11, and where P1 = p1, that is to say that P1 represents a contrast measurement on the square 13 of 9x9 pixels centered on the pixel 11 and P2 = p2, that is to say say that P2 denotes a histogram of the pixels of the square 12 of 5x5 pixels centered on the pixel 11. P3, for its part, designates, for example, the response of a two-dimensional Gaussian filter calculated on the square 14 of 7 × 7 pixels centered around Thus, such a set of local characteristics of iris is more complete than the set (pl, p2) coord 11 used for the detection of the iris in the example described above. In addition, such a set of local iris characteristics is calculated for each pixel of the current iris in this example. As a variant, the sets of local iris characteristics (P1, P2) can be calculated independently of any local characteristic sets (p1, p2,..., Pn), j obtained beforehand. Each set of local characteristics iris (P1, P2, Pm), i, is advantageously stored in a memory, this storage can be done in a particular order, or in any order, in which case a number -12- can be associated with each a set of local characteristics of iris stored Advantageously, a neighborhood identification is stored in association with each set of local characteristics of iris, which means that from a set of local characteristics of iris relating to any point of the current iris, one can know at any time the sets of local characteristics of iris relative to neighboring points.To compare the current iris with a reference iris stored for example in the server 4 of FIG. associates certain s at least sets of local characteristics of iris (P1, P2, ..., Pm); j relative respectively to specific points of the current iris with sets of local characteristics of iris (P'1, P'2, ..., P'm) ;, relative respectively to specific points of the reference iris. This association is made according to a similarity criterion, examples of which will be given later. The sets of local characteristics of iris (P'1, P'2,..., P'm), i are advantageously calculated in the same way as for the current iris, so that the comparison between the two iris is more convincing. FIGS. 3 to 5 show different examples of comparison between the current iris C and the reference iris R. In the non-limiting examples illustrated, the current iris C is formed of a connected set of pixels, substantially shaped. ring to not include the pupil 15 of the eye. According to the example described above, a set of local characteristics of iris (P1, P2, ..., Pm); is available relative to each pixel of the current iris C of coordinates (i, j). Similarly, in the non-limiting examples illustrated, the reference iris R consists of a connected set of pixels, substantially ring-shaped to exclude the pupil 30. The same image resolution is preferably used in both cases, so that pixels of current and reference iris can match each other. In addition, there are sets of local characteristics of iris (P'1, P'2, ..., P'm) J relative to each pixel of the reference iris R with coordinates (i, j) . According to a first example of comparison between the current iris C and the reference iris R, we search for at least one of the sets of local characteristics of iris (P1, P2, ..., Pm) ;, j, the set of local characteristics of iris (P'1, P'2, P'm) ;, 1 with which it has a maximum level of similarity. For this purpose, for a set of local characteristics of iris (P1, P2, ..., Pm) ;, i given, one can calculate a level of similarity with each set of local characteristics of iris (P'1 , P'2, in order to select the one with which it has the highest level of similarity.The similarity level can for example be deduced from a level of dissimilarity between the sets of local characteristics of iris considered, this level of dissimilarity can to be estimated according to the differences between the local characteristics of these games Thus, the level of dissimilarity between the games (P1, P2, ..., Pm); J, and (P'1, P'2, ... , P'm) ;, j can be calculated for example according to the formula IP'1 ù P11 + IP'2 ù P21 + ... + IP'm ù PmI. The similarity value between these sets of local characteristics of iris can be calculated as a difference between a possible maximum value of dissimilarity and the dissimilarity value calculated as indicated above. Other measures of level of similarity are of course conceivable, in addition to or in replacement of this direct metric approaching a Euclidean distance. For example, a measurement based on a mahalabobis distance or a correlation measure could be used. In another example, the sets of local characteristics of iris could be projected in a relevant space before being compared. The projection can be the result of a learning on a database labeled with local iris characteristic sets (base where the position of the same iris zone is set on all the irises of the same individual). For this, one can use a method of reducing the ACP, LDA, ICA type of space, discriminating self-associative neural network or a combination of its methods. With reference to FIG. 3, the set of local characteristics of iris corresponding to the pixel 17 is for example associated with the set of local characteristics of iris 33 of the reference iris with which it has a maximum level of similarity. Likewise, the sets of local iris characteristics relating to the following pixels of C and R are associated, since they present a maximum level of similarity between them: 16 and 32, 18 and 31, 19 and 34, 20 and 35. Other associations could be considered, to cover all the pixels of the current iris C.

On peut ensuite évaluer un niveau de similarité global à partir de certains au moins des niveaux de similarité maximaux. Ce niveau de similarité global est, par exemple, la somme des niveaux de similarité obtenus pour chaque couple de jeux de caractéristiques locales d'iris associés. Ce niveau de similarité global permet de déterminer s'il y a ou non identité entre l'iris courant C et l'iris de référence R, par exemple par comparaison à un seuil. En effet, si le niveau de similarité global évalué est élevé, cela traduit le fait que la texture des iris courant et de référence est proche, bien qu'elle puisse avoir une répartition géographique différente. A l'inverse, un niveau de similarité global faible signifie que la texture des iris courant et de référence est assez différente, ce qui laisse penser que ces iris appartiennent à des personnes différentes. Puisque l'iris de référence est associé à un individu connu, on peut alors identifier ou authentifier l'individu à partir duquel l'iris courant a été obtenu, à l'issue de la comparaison entre l'iris courant et l'iris de référence. An overall similarity level can then be evaluated from at least some of the maximum similarity levels. This level of overall similarity is, for example, the sum of the similarity levels obtained for each pair of sets of associated local iris characteristics. This level of overall similarity makes it possible to determine whether or not there is identity between the current iris C and the reference iris R, for example by comparison with a threshold. Indeed, if the overall level of similarity evaluated is high, it reflects the fact that the texture of the current and reference iris is close, although it may have a different geographical distribution. Conversely, a low overall similarity level means that the texture of the current and reference iris is quite different, suggesting that these irises belong to different people. Since the reference iris is associated with a known individual, we can then identify or authenticate the individual from which the current iris was obtained, at the end of the comparison between the current iris and the iris of reference.

Ce premier exemple de comparaison des iris ne tient pas compte de considérations géographiques. En effet, l'identité entre l'iris courant et l'iris de référence peut être conclue sans qu'on sache à quel jeu de caractéristiques locales d'iris relatif à un pixel de R, un jeu de caractéristiques locales d'iris relatif à un pixel de C a été associé. Cela présente l'avantage d'être particulièrement simple et d'éviter d'avoir à repérer certains éléments à l'intérieur des iris. En outre, une telle méthode est particulièrement robuste aux transformations qui peuvent exister entre les deux iris. A titre d'exemple, les deux iris pourraient être disponibles avec des échelles différentes, ou bien être 3o décalées en translation et/ou en rotation ou bien encore correspondre à une contraction/dilatation différente de la pupille. Une deuxième méthode de comparaison entre l'iris courant C et l'iris -15-de référence R est illustrée à la figure 4. Dans cet exemple, un ensemble de jeux de caractéristiques locales d'iris relatifs respectivement à des points voisins de l'iris courant C est associé à un ensemble de jeux de caractéristiques locales d'iris relatifs respectivement à des points voisins de l'iris de référence R, de manière que ces ensembles présentent un niveau de similarité global maximal entre eux. Pour ce faire, on sélectionne tout d'abord un couple de jeux de caractéristiques locales d'iris. Ce couple peut par exemple être celui qui présente le niveau de similarité maximal. Une sélection différente, par exemple arbitraire, est également possible. A titre d'exemple, on considère que le couple sélectionné concerne le pixel 24 de C et le pixel 40 de R. On examine ensuite les jeux de caractéristiques locales d'iris relatifs à des voisins du pixel 24, par exemple au pixel 22 de C. On recherche alors un pixel voisin du pixel 40 de R, qui est tel que l'ensemble constitué par les jeux de caractéristiques locales d'iris correspondant à ces pixels présente un niveau de similarité global maximal avec l'ensemble des jeux de caractéristiques locales d'iris relatifs aux pixels 24 et 22 de C. A cet effet, le niveau de similarité global peut être calculé comme mentionné plus haut. On peut alors procéder ainsi de suite jusqu'à obtenir une association entre des ensembles de jeux de caractéristiques locales d'iris correspondant à un nombre suffisant de pixels. Dans l'exemple illustré dans la figure 4, les ensembles considérés correspondent à des carrés de 3x3 pixels centrés autour des pixels 24 et 40 respectivement. Ces ensembles couvrent donc tout le voisinage direct des pixels centraux 24 et 40. Bien sûr, les ensembles considérés pourraient être étendus au voisinage de certains au moins des pixels voisins des pixels 24 et 40. Une analyse du niveau de similarité global maximal entre les ensembles de jeux de caractéristiques d'iris considérés, par exemple une comparaison de ce niveau avec un seuil, permet alors de déterminer s'il y a ou non identité entre l'iris courant C et l'iris de référence R. -16- Ainsi, comme dans l'exemple décrit en référence à la figure 3, les associations entre les jeux de caractéristiques locales d'iris des iris courant et de référence sont réalisées selon un critère de similarité. Et la détermination de l'identité ou non entre l'iris courant C et l'iris de référence R tient compte des associations réalisées. Toutefois, la géographie est, dans une mesure limitée, prise en compte, afin d'éviter une association entre des ensembles qui ne respecteraient pas le voisinage des pixels au sein des iris. Ceci permet d'éviter de conclure à l'identité des iris dans des cas de déchirement, c'est-à-dire dans io des cas où la texture des deux iris est très similaire mais avec une répartition complètement différente, et donc non susceptible de correspondre à un même individu. En revanche, d'autres distorsions géographiques peuvent être tolérées par cette méthode, comme celle résultant de l'utilisation d'échelles de représentation différentes pour les deux iris. 15 La figure 5 illustre un troisième exemple de détermination de l'identité ou non de l'iris courant C et l'iris de référence R. Cet exemple se base sur la méthode de Hough, telle que décrite par exemple dans le brevet américain US 3,069,654. Selon cette méthode, un ensemble de jeux de caractéristiques locales 20 d'iris relatifs à des points voisins de l'iris courant C est associé à un ensemble de jeux de caractéristiques locales d'iris relatifs à des points voisins de l'iris de référence R. Cette association est réalisée de manière que ces ensembles se correspondent par l'intermédiaire d'une transformation géométrique admissible, et présentent en outre un niveau de similarité globale maximal entre eux. 25 La transformation géométrique admissible est par exemple, une translation, une rotation, un changement d'échelle, ou une combinaison de certaines des transformations précédentes. A cet effet, on peut commencer, comme dans l'exemple précédent, par associer les jeux de caractéristiques locales d'iris relatifs à un pixel 45 de l'iris 3o courant C et un pixel 46 de l'iris de référence R. Dans l'exemple illustré sur la figure 5, les jeux de caractéristiques locales d'iris relatifs aux pixels 45 et 46 se correspondent par l'intermédiaire d'une translation d'un pixel vers le bas et d'un -17-pixel vers la droite. On passe alors à un pixel 47 voisin du pixel 45 de C, et on recherche le pixel de R voisin du pixel 46, tel que l'ensemble des jeux caractéristiques locales d'iris relatifs à ces deux pixels présente un niveau de similarité global maximal avec l'ensemble des jeux de caractéristiques locales d'iris relatifs aux pixels 45 et 47 de C, et tel que ces deux ensembles se correspondent par l'intermédiaire d'une transformation géométrique admissible. Dans l'exemple illustré à la figure 5, les jeux de caractéristiques locales d'iris relatifs au pixel 48 de R et au pixel 47 de C sont associés, car ils se correspondent par l'intermédiaire de la même transformation que pour les pixels 45 et 46, à savoir une translation d'un pixel vers le bas et d'un pixel vers la droite. On peut alors procéder ainsi de suite, en examinant pas à pas le voisinage des pixels traités. Sur la figure 5, un ensemble de jeux de caractéristiques locales d'iris relatifs aux pixels contenus dans le carré 49 de C a été associé à un ensemble de jeux de caractéristiques locales d'iris relatifs aux pixels contenus dans le carré 50 de R. Ces deux ensembles se correspondent par l'intermédiaire d'une translation d'un pixel vers le bas et d'un pixel vers la droite et présentent un niveau de similarité global maximal entre eux. Le niveau de similarité global est par exemple calculé comme mentionné plus haut. Une analyse du niveau de similarité global maximal entre les ensembles de jeux de caractéristiques d'iris considérés, par exemple une comparaison de ce niveau avec un seuil permet alors de déterminer s'il y a ou non identité entre l'iris courant C et l'iris de référence R. Cette troisième méthode renforce un peu plus les contraintes géographiques sur l'association réalisée entre des jeux de caractéristiques locales d'iris de C et de R, puisque seuls des ensembles qui se correspondent par l'intermédiaire d'une transformation géométrique admissible peuvent être 3o associés entre eux. On empêche l'association de zones trop distordues entre les deux iris. En revanche, il est toujours possible de conclure sur l'identité entre l'iris -18- courant et l'iris de référence lorsque ces iris se correspondent par l'intermédiaire d'une transformation géométrique admissible, ce qui permet de tolérer, dans une certaine mesure, des changements d'échelle, des rotations et/ou des translations par exemple. This first example of iris comparison does not take into account geographical considerations. Indeed, the identity between the current iris and the reference iris can be concluded without knowing which set of local characteristics of iris relative to a pixel of R, a set of local characteristics of relative iris. to a pixel of C has been associated. This has the advantage of being particularly simple and to avoid having to locate certain elements inside the irises. In addition, such a method is particularly robust to the transformations that may exist between the two irises. By way of example, the two irises could be available with different scales, or else be shifted in translation and / or in rotation or else correspond to a contraction / dilation different from the pupil. A second method of comparison between the current iris C and the reference iris 15 is illustrated in FIG. 4. In this example, a set of sets of local characteristics of irises respectively relating to points adjacent to the Current iris C is associated with a set of sets of local iris characteristics relating respectively to points adjacent to the reference iris R, so that these sets have a maximum level of overall similarity between them. To do this, we first select a pair of sets of local characteristics of iris. This pair may for example be the one with the highest level of similarity. A different selection, for example arbitrary, is also possible. By way of example, it is considered that the selected pair concerns the pixel 24 of C and the pixel 40 of R. Next, the sets of local iris characteristics relating to neighbors of the pixel 24, for example pixel 22, are examined. C. A pixel near the pixel 40 of R is then searched, which is such that the set consisting of the sets of local characteristics of iris corresponding to these pixels has a maximum level of overall similarity with the set of characteristic sets. local iris relative to the pixels 24 and 22 of C. For this purpose, the overall similarity level can be calculated as mentioned above. We can then proceed as follows until an association between sets of sets of local characteristics of iris corresponding to a sufficient number of pixels. In the example illustrated in FIG. 4, the sets considered correspond to squares of 3 × 3 pixels centered around the pixels 24 and 40 respectively. These sets thus cover all the direct neighborhood of the central pixels 24 and 40. Of course, the considered sets could be extended in the vicinity of at least some of the pixels adjacent to the pixels 24 and 40. An analysis of the maximum overall similarity level between the sets of iris characteristics considered, for example a comparison of this level with a threshold, then makes it possible to determine whether or not there is identity between the current iris C and the reference iris R. , as in the example described with reference to FIG. 3, the associations between the sets of local iris characteristics of the current and reference iris are performed according to a similarity criterion. And the determination of the identity or not between the current iris C and the reference iris R takes into account the associations made. However, geography is, to a limited extent, taken into account, to avoid an association between sets that do not respect the neighborhood of the pixels within the irises. This makes it possible to avoid concluding with the identity of the irises in cases of tearing, that is to say in cases where the texture of the two irises is very similar but with a completely different distribution, and therefore not susceptible to correspond to the same individual. On the other hand, other geographical distortions can be tolerated by this method, such as that resulting from the use of different scales of representation for the two irises. FIG. 5 illustrates a third example of determining the identity or non-identity of the current iris C and the reference iris R. This example is based on the Hough method, as described, for example, in US Pat. 3069654. According to this method, a set of sets of local iris characteristics relating to points adjacent to the current iris C is associated with a set of sets of local iris characteristics relating to points close to the reference iris. R. This association is realized in such a way that these sets correspond through a permissible geometric transformation, and also have a maximum level of overall similarity between them. The allowable geometric transformation is, for example, a translation, a rotation, a change of scale, or a combination of some of the preceding transformations. For this purpose, it is possible to start, as in the preceding example, by associating the sets of local characteristics of iris relative to a pixel 45 of the iris 3o current C and a pixel 46 of the reference iris R. In In the example illustrated in FIG. 5, the sets of local iris characteristics relating to the pixels 45 and 46 correspond by means of a translation of a pixel downwards and a -17-pixel towards the right. It then passes to a pixel 47 adjacent to the pixel 45 of C, and the pixel of R adjacent to the pixel 46 is sought, such that the set of local iris characteristic sets relating to these two pixels has a maximum overall similarity level. with all sets of local characteristics of iris relating to pixels 45 and 47 of C, and such that these two sets correspond through a permissible geometric transformation. In the example illustrated in FIG. 5, the sets of local characteristics of iris relating to the pixel 48 of R and to the pixel 47 of C are associated because they correspond via the same transformation as for the pixels 45. and 46, namely a translation of a pixel downward and a pixel to the right. We can then proceed as follows, by examining step by step the neighborhood of the treated pixels. In FIG. 5, a set of sets of local iris characteristics relating to the pixels contained in the square 49 of C has been associated with a set of sets of local iris characteristics relating to the pixels contained in the square 50 of R. These two sets correspond by a translation of a pixel downward and a pixel to the right and have a maximum level of overall similarity between them. The overall level of similarity is for example calculated as mentioned above. An analysis of the maximum overall similarity level between the sets of sets of iris characteristics considered, for example a comparison of this level with a threshold, then makes it possible to determine whether or not there is identity between the current iris C and the This third method reinforces a little more the geographical constraints on the association realized between sets of local characteristics of iris of C and R, since only sets which correspond by means of a Permissible geometric transformation can be 3o associated with each other. It prevents the association of areas too distorted between the two irises. On the other hand, it is still possible to conclude on the identity between the iris -18- current and the reference iris when these iris correspond through a permissible geometric transformation, which makes it possible to tolerate, in to a certain extent, changes of scale, rotations and / or translations for example.

A l'inverse, des déchirements, qui ne constituent pas une transformation géométrique admissible, ne permettront pas une association, ce qui conduira à déterminer qu'il n'y a pas identité entre l'iris courant et l'iris de référence. Ainsi, les différents exemples de comparaison d'iris décrits plus haut, io comprennent tous une notion d'association entre des jeux de caractéristiques locales d'iris de l'iris courant et de l'iris de référence, selon un critère de similarité qui peut varier selon les méthodes. Un point commun entre toutes ces méthodes est qu'elles ne nécessitent pas une analyse géométrique préalable des iris, par exemple pour 15 repérer des éléments de texture à comparer entre l'iris courant à l'iris de référence. En effet, on ne sait pas à l'avance sur quels pixels des iris l'association va se faire, et donc sur la base de quels pixels la conclusion sur l'identité ou non entre les iris sera établie. Cet aspect confère une grande souplesse à la présente invention. Conversely, tears, which do not constitute a permissible geometric transformation, will not allow an association, which will lead to determine that there is no identity between the current iris and the reference iris. Thus, the various iris comparison examples described above all include a notion of association between sets of local iris characteristics of the current iris and the reference iris, according to a similarity criterion which may vary by method. A common feature of all these methods is that they do not require prior geometric analysis of the irises, for example to identify texture elements to be compared between the current iris and the reference iris. Indeed, we do not know in advance which pixels iris the association will be made, and therefore based on which pixels the conclusion on the identity or not between the irises will be established. This aspect gives great flexibility to the present invention.

20 Bien que trois exemples seulement de méthodes de comparaison entre les iris courant et de référence aient été décrits plus haut, on comprend que d'autres exemples peuvent être envisagés dans le cadre de la présente invention, dans la mesure où ils incluent des associations entre des jeux de caractéristiques locales d'iris de l'iris courant et de l'iris de référence, selon un 25 critère de similarité, et une détermination de l'identité ou non entre ces iris, tenant compte de ces associations. Tout ou partie des opérations décrites plus haut peuvent être réalisées à l'aide d'un programme d'ordinateur comprenant des instructions de code approprié. Un tel programme d'ordinateur est chargé et exécuté sur des 30 moyens informatiques, par exemple de l'ordinateur 3 représenté dans l'exemple de système de la figure 6.Although only three examples of comparison methods between current and reference iris have been described above, it will be understood that other examples may be envisaged within the scope of the present invention, inasmuch as they include associations between sets of local iris characteristics of the current iris and the reference iris, according to a similarity criterion, and a determination of the identity or not between these irises, taking into account these associations. All or some of the operations described above can be performed using a computer program including appropriate code instructions. Such a computer program is loaded and executed on computer means, for example computer 3 shown in the system example of FIG. 6.

Claims

A method of biometric verification using the iris of an eye, comprising the steps of: obtaining an image (5) of an eye (1); detect a current iris within the image obtained; obtaining first sets of local characteristics of iris relative respectively to specific points of the current iris (C); performing associations, according to a similarity criterion, between at least some of the first sets of local iris characteristics and the second sets of local iris characteristics respectively relating to specific points of a reference iris (R); and determining whether or not there is identity between the current iris and the reference iris, taking into account the associations made.

2. The method according to claim 1, wherein the first sets of local iris characteristics are obtained by means of at least one measurement or a filtering performed around the respective determined points of the current iris (C) and the second sets of local iris characteristics are obtained by at least one measurement or a corresponding filtering performed around the respective determined points of the reference iris (R). 20

The method according to claim 1 or 2, wherein at least one of said first sets of local iris characteristics (16-20) is associated with one of said second sets of local iris characteristics (31-35) with which it has a maximum similarity level, an overall similarity level is evaluated from at least some of the maximum similarity levels, and it is determined whether or not there is identity between the current iris (C) and the iris reference (R) from the assessed overall similarity level.

4. Method according to any one of the preceding claims, in which we associate a set of first sets of local characteristics of iris (21-29) respectively relating to determined neighboring points of the current iris (C) with a set of second sets of local iris characteristics (36-44) relative respectively to determined neighboring points of the reference iris (R), such that said sets have a maximum overall similarity level between them, and determined whether there is identity between the current iris and the reference iris from said maximum global similarity level.

5. Method according to any one of the preceding claims, in which we associate a set (49) of first sets of local characteristics of iris respectively relative to determined neighboring points of the current iris (C) with a set (50). ) second sets of local iris characteristics respectively relating to determined neighboring points of the reference iris (R), such that said sets correspond through a permissible geometric transformation and have a similar level of similarity maximum global between them, and it is determined whether or not there is identity between the current iris and the reference iris from said maximum overall similarity level.

The method of any of the preceding claims, wherein the first and second sets of local iris characteristics are obtained in substantially the same manner.

7. Method according to any one of the preceding claims, wherein the detection of a current iris within the image obtained comprises obtaining third sets of local characteristics relating respectively to specific points of the image obtained and verifying whether each of the third sets of local characteristics corresponds to a set of local iris characteristics.

The method of claim 7, wherein verifying whether each of the third set of local features corresponds to a set of local iris characteristics includes the application of a mathematical processing to each of the third sets of features. local features and comparing a result of said mathematical processing with a threshold of detection.

9. Method according to claim 8, wherein the detection threshold is set during a preliminary learning phase according to the values returned by the application of said mathematical processing to sets of local characteristics of iris on the one hand and values returned by the application of said mathematical processing to local non-iris feature sets on the other hand.

The method according to any one of claims 7 to 9, wherein the third sets of local characteristics corresponding to sets of local characteristics of iris are filtered to include only the sets of local characteristics of irises respectively relative to determined points of the resulting image forming a connected set.

The method according to any one of claims 7 to 10, wherein the third sets of local characteristics corresponding to sets of local characteristics of iris are filtered to eliminate the sets of local characteristics of irises relating respectively to specific points. of the image obtained forming at least one occlusion in the iris.

The method according to any one of claims 7 to 11, wherein the first sets of local iris characteristics are obtained from the third sets of local characteristics corresponding to sets of local iris characteristics.

13. A biometric verification system comprising means (2-4) for carrying out the method according to any of the preceding claims.

14. Computer program product comprising code instructions adapted to the implementation of the method according to any one of claims 1 to 12, when loaded and executed on computer means.