FR2912827A1 - Procede de verification biometrique utilisant l'iris d'un oeil et systeme associe. - Google Patents

Abstract

Selon l'invention, on obtient une image (5) d'un oeil (1). On détecte un iris courant au sein de l'image obtenue. On obtient des premiers jeux de caractéristiques locales d'iris relatifs respectivement à des points déterminés de l'iris courant (C). On réalise 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 (R). Et on détermine s'il y a ou non identité entre l'iris courant et l'iris de référence, en tenant compte des associations réalisées.

Description

PROCEDE DE VERIFICATION BIOMETRIQUE UTILISANT L'IRIS D'UN OEIL ET SYSTEME

ASSOCIE La présente invention concerne la vérification biométrique utilisant l'iris d'un oeil.

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.

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.

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.

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.

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.

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.

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.

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).

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.

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.

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.

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.

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.

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.

Claims (14)

REVENDICATIONS

1. Procédé de vérification biométrique utilisant l'iris d'un oeil, comprenant les étapes suivantes : obtenir une image (5) d'un oeil (1) ; 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 (C) ; réaliser des associations, selon un critère de similarité, entre certains au moins des premiers jeux de caractéristiques locales d'iris et des io deuxièmes jeux de caractéristiques locales d'iris relatifs respectivement à des points déterminés d'un iris de référence (R) ; et déterminer s'il y a ou non identité entre l'iris courant et l'iris de référence, en tenant compte des associations réalisées.

2. Procédé selon la revendication 1, dans lequel les premiers jeux de 15 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 (C) 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 (R). 20

3. Procédé selon la revendication 1 ou 2, dans lequel on associe au moins un desdits premiers jeux de caractéristiques locales d'iris (16-20) à un desdits deuxièmes jeux de caractéristiques locales d'iris (31-35) 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 25 détermine s'il y a ou non identité entre l'iris courant (C) et l'iris de référence (R) à partir du niveau de similarité global évalué.

4. Procédé selon l'une quelconque des revendications précédentes, dans lequel on associe un ensemble de premiers jeux de caractéristiques-locales d'iris (21-29) relatifs respectivement à des points voisins déterminés de l'iris courant (C) avec un ensemble de deuxièmes jeux de caractéristiques locales d'iris (36-44) relatifs respectivement à des points voisins déterminés de l'iris de référence (R), 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.

5. Procédé selon l'une quelconque des revendications précédentes, dans lequel on associe un ensemble (49) de premiers jeux de caractéristiques locales d'iris relatifs respectivement à des points voisins déterminés de l'iris courant (C) avec un ensemble (50) de deuxièmes jeux de caractéristiques locales d'iris relatifs respectivement à des points voisins déterminés de l'iris de référence (R), 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.

6. Procédé selon l'une quelconque des revendications précédentes, dans lequel les premiers et deuxièmes jeux de caractéristiques locales d'iris 20 sont obtenus sensiblement de la même façon.

7. Procédé selon l'une quelconque des revendications précédentes, dans lequel la détection d'un iris courant au sein de l'image obtenue comprend l'obtention de troisièmes jeux de caractéristiques locales relatifs respectivement à des points déterminés de l'image obtenue et la vérification du 25 fait que chacun des troisièmes jeux de caractéristiques locales correspond ou non à un jeu de caractéristiques locales d'iris.

8. Procédé selon la revendication 7, dans lequel la vérification du fait que chacun des troisièmes jeux de caractéristiques locales correspond ou non à un jeu de caractéristiques locales d'iris comprend l'application d'un traitement 30 mathématique à chacun des troisièmes jeux de caractéristiques locales et la-21 - comparaison d'un résultat dudit traitement mathématique à un seuil de détection.

9. Procédé selon la revendication 8, dans lequel le seuil de détection est réglé lors d'une phase préalable d'apprentissage en fonction des valeurs retournées par l'application dudit traitement mathématique à des jeux de caractéristiques locales d'iris d'une part et des valeurs retournées par l'application dudit traitement mathématique à des jeux de caractéristiques locales de non iris d'autre part.

10. Procédé selon l'une quelconque des revendications 7 à 9, dans lequel les troisièmes jeux de caractéristiques locales correspondant à des jeux de caractéristiques locales d'iris sont filtrés pour ne comprendre que les jeux de caractéristiques locales d'iris relatifs respectivement à des points déterminés de l'image obtenue formant un ensemble connexe.

11. Procédé selon l'une quelconque des revendications 7 à 10, dans lequel les troisièmes jeux de caractéristiques locales correspondant à des jeux de caractéristiques locales d'iris sont filtrés 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.

12. Procédé selon l'une quelconque des revendications 7 à 11, dans lequel les premiers jeux de caractéristiques locales d'iris sont obtenus à partir des troisièmes jeux de caractéristiques locales correspondant à des jeux de caractéristiques locales d'iris.

13. Système de vérification biométrique comprenant des moyens (2-4) pour la mise en oeuvre du procédé selon l'une quelconque des revendications 25 précédentes.

14. Produit programme d'ordinateur comprenant des instructions de code adaptées à la mise en oeuvre du procédé selon l'une quelconque des revendications 1 à 12, lorsqu'il est chargé et exécuté sur des moyens informatiques.