Multi-classifier systems for off-line signature verification

Résumé

Les signatures manuscrites sont des traits biométriques comportementaux caractérisés par une grande variabilité intra-classe. Les modèles de Markov cachés (MMCs) ont été utilisés avec succès en vérification hors-ligne des signatures manuscrites (VHS) en raison de la nature séquentielle et très variable de la signature. En particulier, la topologie gauche-droite des MMCs est très bien adaptée aux caractéristiques de l’écriture occidentale, dont les mouvements de la main sont principalement exécutés de la gauche vers la droite. Comme la plupart des classificateurs de type génératif, les MMCs requièrent une quantité importante de données d’entraînement pour atteindre un niveau de performance élevé en généralisation. Malheureusement, le nombre de signatures disponibles pour l’apprentissage des VHS est très limité en pratique. De plus, uniquement les faux aléatoires sont utilisés pour l’apprentissage des VHS qui doivent être en mesure de discriminer entre les signatures authentiques et les classes de faux aléatoires, les faux simples et les imitations. Ces deux dernières classes de faux ne sont pas disponibles lors de la phase d’apprentissage. Les approches proposées dans cette thèse reposent sur le concept des classificateurs multiples basés sur des MMCs exploités pour l’extraction de plusieurs niveaux de perception des signatures. Cette stratégie basée sur la génération d’un nombre très important de caractéristiques permet la mise en oeuvre de classificateurs dans les sous-espaces aléatoires, ce qui permet de s’affranchir du nombre limité de données disponibles pour l’entraînement. Une nouvelle approche pour la combinaison des classificateurs basée sur le principe des hypothèses multiples dans l’espace ROC est proposée. Une technique de réparation des courbes ROC permet de s’affranchir du nombre limité de signatures disponibles et surtout pour l’évaluation de la performance des systèmes biométriques. Une deuxième contribution importante est la proposition d’une architecture de classification hybride de type génératif-discriminatif. L’utilisation conjointe des MMCs pour l’extraction des caractéristiques et des machines à vecteurs de support (MVSs) pour la classification permet une meilleure représentation non seulement de la classe des signatures authentiques, mais aussi de la classe des imposteurs. L’approche proposée permet un apprentissage plus robuste que les approches MMCs conventionnelles lorsque le nombre d’échantillons disponibles est limité. La dernière contribution de cette thèse est la proposition de deux nouvelles stratégies pour la sélection dynamique (SD) d’ensembles de classificateurs. Les résultats obtenus sur les bases de signaturesmanuscrites PUCPR et GPDS, montrent que les stratégies proposées sont plus performantes que celles publiées dans la littérature pour la sélection dynamique ou statique des ensembles de classificateurs.

Date	30 mars 2011
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Robert Sabourin (Directeur(-trice)) & Éric Granger (Codirecteur(-trice))