Rapid intelligent watermarking system for high-resolution grayscale facial images

Résumé

Les photographies de visage sont grandement utilisées dans de nombreux postes de contrôle d’accès dans le but d’authentifier des individus, et donner l’accès à des lieux ou informations protégées. Par exemple, pour des passeports ou cartes d’accès intelligentes, de nombreuses photographies de visage doivent être sécurisées pendant la phase d’enregistrement, avant le stockage et la diffusion. Le tatouage numérique peut-être utilisé pour assurer l’intégrité et l’authenticité de ces images vis à vis de manipulations non autorisées, en utilisant des techniques de tatouage respectivement fragiles et robustes. D’autres traits biométriques peuvent aussi y être combinés à ces images, sous la forme de filigranes invisibles, pour améliorer la sécurité des vérifications d’identité. Les techniques de calcul évolutionnaire ont été proposées pour optimiser les paramètres de tatouage dans la littérature. Le but d’un tel problème d’optimisation est de trouver un compromis entre des objectifs antagonistes de qualité et de robustesse de ces filigranes. Sécuriser des flux d’images de visage de haute résolution engendre de nombreux problèmes d’optimisation dans un espace de recherche à haute dimension. Dans un flux d’image homogènes, les solutions optimales pour un bloc d’image peuvent être réutilisées pour d’autres blocs avec les mêmes caractéristiques de texture. La réutilisation de ces solutions stockées dans une mémoire associative à la place d’une optimisation systématique permet de significativement réduire la complexité de calcul du traitement d’un tel flux de photographies de haute résolution. Dans cette thèse, l’utilisation d’une mémoire associative est proposée pour stocker les solutions précédemment obtenues pour différents types de texture, utilisant les résultats d’optimisation pour toute une image et ce pour un petit nombre d’images d’entrainement. Une approche multi-hypothèse est proposée pour stocker les solutions de différentes résolution de groupage (nombre de groupes basés sur les caractéristiques de texture) dans la mémoire associative, dans le but de choisir la résolutions de groupage optimale en fonction de métriques de filigranage pour chaque image de visage durant la généralisation. Cette approche a été évaluée en utilisant des flux d’images de visage provenant de la base de donnée PUT (Kasinski et al., 2008). Elle a été comparée avec un système de référence utilisant des méthodes de filigranage traditionnelles avec une optimisation complète pour chaque image. Le système proposé et celui de référence ont été comparés en terme de qualité de la solution produite, ainsi que de coût computationnel mesuré lors de son évaluation. L’approche proposée présente une diminution de 95.5% du coût computationnel avec un faible impact sur les performance de filigranage d’un flux de 198 images. Le système proposé Blockwise Multi-Resolution Clustering (BMRC) a été publié dans Machine Vision and Applications (Rabil et al., 2013a). Bien que les flux de problèmes d’optimisation de haute dimentionnalité soient remplacés par quelques optimisation d’apprentissage, et que les résultats soient récupérés d’une mémoire associative stockant les anomalies d’apprentissage, les problèmes d’optimisation dans un espace de recherche à haute dimension sont des problèmes difficiles et complexes, d’une dimentionnalité pouvant atteindre 49k variables représentées à l’aide de 293k bits pour des photographies de visage de haute résolution. Dans cette thèse, ce problème de haute résolution est décomposé en plusieurs plus petits problèmes représentant des blocs d’image, ce qui résout le problème de convergence rencontré avec de plus gros problèmes. Les mesures de filigranage local sont utilisées dans le cadre d’une co-évolution coopérative au niveau du bloc pour atteindre la solution complète. Le mécanisme d’élitisme est modifié afin que les blocs ayant la meilleure mesure de filigranage soient sélectionnés parmi chaque solution potentielle pour chaque position, et combinés ensemble pour former les meilleures solutions potentielles. L’approche proposée permet de résoudre le problème de convergence prématurée des méthodes de calcul évolutionnaires traditionnelles, et une amélioration de 17% sur la mesure de qualité de filigranage est obtenue pour des photographies de visage de résolution de 2048×1536 pixels. Cette amélioration est atteinte après quelques itérations impliquant une accélération de l’optimisation. L’algorithme proposé Blockwise Coevolutionary Genetic Algorithm (BCGA) a été publié dans Expert Systems with Applications (Rabil et al., 2013c). Les concepts et structures de systèmes présentés dans cette thèse peuvent être généralisés sur n’importe quel flux de problèmes d’optimisation dans un espace de haute dimentionnalité, où chaque solution potentielle est composée de plus petits problèmes granulaires affectant la solution complète. Le défi principal de cette approche est de trouver la caractéristique pertinente pour ce découpage granulaire. Dans cette thèse, les caractéristiques de texture utilisées dans les plus petits blocs granulaires représentés dans les solutions potentielles affectent la mesure de qualité du filigranage de l’image complète. Les mesures locales de ces plus petits problèmes granulaires indiquent aussi la mesure de qualité pour le problème plus large. L’intégration hors ligne de signature en tant que filigranes invisibles sur des images de visage de passeports, utilisées pour la vérification d’identité lors du passage de frontière, est une autre application proposée pour cette thèse. La signature hors ligne est enregistrée à partir des formulaires signés aux frontières, est comparée avec les caractéristiques intégrées dans l’image. La vérification individuelle repose donc sur un trait biométrique, le visage, et un autre trait comportemental, la signature.

Date	15 nov. 2013
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Robert Sabourin (Directeur(-trice)) & Éric Granger (Codirecteur(-trice))