💻 computer science

A simple approach for biometrics: Finger-knuckle prints recognition based on a Sobel filter and similarity measures

Ce papier propose une méthode de reconnaissance rapide et efficace des empreintes de jointures des doigts qui utilise un filtre de Sobel et une réduction du bruit pour générer des images binaires destinées à la comparaison par des mesures de similarité, atteignant un taux de vrais positifs allant jusqu'à 17,02 % sur un grand ensemble de données.

Auteurs originaux : E. O. Rodrigues, T. M. Porcino, Aura Conci, Aristofanes C. Silva

Publié 2026-05-19

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : E. O. Rodrigues, T. M. Porcino, Aura Conci, Aristofanes C. Silva

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous possédez une « empreinte » unique non pas au bout du doigt, mais sur le joint (l'articulation) où votre doigt se plie. Tout comme votre empreinte digitale, la peau de votre joint présente un motif spécifique de lignes et de vallées que personne d'autre ne possède. Cet article propose une méthode simple, rapide et ingénieuse pour identifier des personnes en utilisant ces motifs de joints.

Voici la décomposition de leur méthode, expliquée à l'aide d'analogies du quotidien :

L'Objectif : Une Vérification d'Identité Simple

La plupart des systèmes de sécurité ressemblent à des coffres-forts complexes et high-tech qui prennent beaucoup de temps à ouvrir. Les auteurs voulaient construire une version « cadenas de vélo » de la sécurité biométrique : simple, rapide et efficace. Ils voulaient voir s'ils pouvaient identifier une personne simplement en regardant une photo de son joint, sans avoir besoin d'un traitement informatique lourd.

Étape 1 : La Lampe Torche « Ombre et Lumière » (Détection des Contours)

Lorsque vous prenez une photo d'un joint, ce n'est qu'une image plate. Pour trouver les lignes uniques, les chercheurs ont utilisé un outil numérique appelé le filtre de Sobel.

Imaginez cela comme l'éclairage d'un mur texturé avec deux lampes torches différentes :

La Lampe « Ombre » : Elle éclaire depuis un côté, faisant en sorte que les profondes vallées projettent de longues ombres.
La Lampe « Lumière » : Elle éclaire depuis l'autre côté, mettant en valeur les crêtes qui captent la lumière.

En faisant cela, l'ordinateur ne voit pas seulement une photo ; il voit une carte des « vallées » et des « crêtes » de la peau. Le résultat est une image en noir et blanc où les lignes importantes sont blanches et le fond est noir.

Étape 2 : Le « Balai à Poussière » (Réduction du Bruit)

Lorsque vous utilisez ces lampes torches numériques, vous obtenez parfois du « bruit » ou de la « poussière » — de minuscules points blancs aléatoires qui ne font pas partie du motif réel du joint. Ce sont des erreurs.

Les chercheurs ont utilisé un algorithme de « réduction du bruit », qui agit comme un balai à poussière. Il examine chaque point individuel de l'image. Si un point blanc est seul (comme un grain de poussière), le balai l'efface. Si un groupe de points blancs est regroupé (comme une vraie ligne sur le joint), le balai les laisse tranquilles. Cela nettoie l'image pour que l'ordinateur ne soit pas perturbé par des taches aléatoires.

Étape 3 : Le « Découpage » (Extraction de la ROI)

Après avoir nettoyé l'image, ils n'ont pas besoin de toute la photo. Ils ont juste besoin de la partie spécifique contenant le joint. Ils découpent un « autocollant » rectangulaire (appelé Région d'Intérêt) qui ne contient que le motif du joint, en rejetant le reste du doigt.

Étape 4 : Le « Jeu d'Appariement » (Mesures de Similarité)

Maintenant, le système possède un « autocollant » propre en noir et blanc de votre joint. Pour voir s'il correspond à quelqu'un dans la base de données, il doit comparer votre autocollant avec des milliers d'autres autocollants.

L'article a testé trois façons différentes de jouer à ce jeu d'appariement :

Le Comptage « Pixel par Pixel » (Moyenne Absolue) : C'est comme vérifier si deux pièces de puzzle sont exactement identiques. Si même un tout petit point est à la mauvaise place, cela compte comme un échec. Les auteurs ont constaté que c'était trop strict ; cela ne prenait pas en compte la forme globale, seulement la position exacte.
Le Scénario « Pire Cas » (Distance de Hausdorff) : Cela cherche la seule plus grande erreur. Imaginez que deux formes sont identiques à 99 %, mais que l'une a une minuscule tache loin à l'écart. Cette méthode dirait : « Elles sont totalement différentes à cause de cette seule tache. » Elle est très sensible aux erreurs.
Le « Voisin Moyen » (Distance de Chamfer) : C'est le gagnant. Imaginez que vous essayez de faire correspondre deux formes. Au lieu d'exiger qu'elles soient identiques, cette méthode demande : « Pour chaque point de votre forme, à quelle distance se trouve le point le plus proche de ma forme ? » Elle moyenne ces distances. Elle est indulgente envers les petites erreurs mais reconnaît toujours le motif global.

Les Résultats : Comment cela a-t-il fonctionné ?

Les chercheurs ont testé cela sur une base de données de 147 personnes, chacune ayant 12 photos différentes de leurs joints.

Le Score : Lorsque le système devait deviner qui était une personne à partir d'une seule photo, il avait raison 17,02 % du temps.
Pourquoi ce chiffre est bon : Si le système avait simplement deviné au hasard, il n'aurait eu raison qu'environ 0,68 % du temps. Ainsi, leur méthode était environ 25 fois meilleure qu'une devinette aléatoire.
Le Piège de la « Précision » : L'article note que le système avait une très haute « précision » (99,99 %), mais c'est un peu un tour de passe-passe. Comme il y a tant de personnes qui ne correspondent pas (vrais négatifs), le pourcentage global semble énorme. Le vrai test est le Taux de Vrais Positifs (trouver la bonne personne), qui était de 17,02 % comme mentionné ci-dessus.

La Conclusion

Les auteurs concluent que leur méthode est simple, rapide et robuste.

Parce qu'ils ont transformé les images en cartes simples en noir et blanc, l'ordinateur n'a pas à faire des mathématiques lourdes.
Elle peut fonctionner sur des ordinateurs très basiques.
Bien que 17 % puisse sembler faible par rapport à des systèmes complexes, les auteurs soulignent que si la base de données était plus petite (comme un petit bureau de 20 personnes) ou s'ils scannaient la personne deux fois, le taux de réussite serait beaucoup plus élevé.

En bref, ils ont prouvé que vous n'avez pas besoin d'un supercalculateur pour reconnaître un joint ; vous avez juste besoin d'un moyen ingénieux d'examiner les ombres et les lignes, de nettoyer la poussière et d'utiliser un jeu d'appariement indulgent.

Résumé technique : Une approche simple pour la reconnaissance des empreintes de phalanges basée sur un filtre de Sobel et des mesures de similarité

Énoncé du problème
Les systèmes biométriques sont largement utilisés pour la sécurité et l'identification individuelle, mais ils souffrent souvent de défauts dus à la nature discrète des données échantillonnées, ce qui peut réduire la qualité de la reconnaissance. Bien que diverses méthodologies existent pour la reconnaissance des empreintes de phalanges (FKP), beaucoup sont complexes sur le plan computationnel et consommatrices de temps. L'objectif de ce travail est de proposer une méthodologie nouvelle, simple et robuste pour la reconnaissance des FKP, reposant sur des principes fondamentaux de la vision par ordinateur afin d'assurer un traitement et un stockage efficaces sans sacrifier le potentiel d'une reconnaissance fiable.

Méthodologie
L'approche proposée utilise l'ensemble de données des empreintes de phalanges (FKP) fourni par Zhang et al., contenant des images de 147 volontaires. La méthodologie suit un pipeline rationalisé composé de prétraitement, d'extraction de la région d'intérêt (ROI) et de comparaison de similarité :

Détection des contours via des filtres de Sobel adaptés :
Au lieu d'une détection de contours standard, les auteurs appliquent deux adaptations distinctes de l'opérateur de Sobel aux images d'entrée :
- Sombre Sobel : Détecte les vallées remplies d'ombres.
- Lumière Sobel : Détecte les vallées éclairées.
  Ces filtres utilisent des paramètres spécifiques de seuil ( $t$ ) et de distance ( $d$ ) pour générer des images binaires. Les auteurs ont évalué la fusion de ces deux images mais ont rejeté cette approche en raison d'une augmentation significative du bruit et d'une perte d'information.
Réduction du bruit :
Les images binaires générées par les filtres de Sobel contiennent un bruit inhérent. Pour y remédier, un algorithme de réduction du bruit de type « flou par boîte » est appliqué. Cet algorithme évalue un voisinage carré autour de chaque pixel ; si le voisinage contient au moins un nombre seuil de pixels « peints », le pixel central est conservé. Sinon, il est effacé. Ce processus est appliqué de manière itérative avec des tailles de voisinage décroissantes pour éliminer les pixels de bruit isolés tout en préservant les lignes structurelles des phalanges.
Extraction de la ROI :
Après prétraitement, une région d'intérêt (ROI) de 220 x 110 pixels est extraite du centre de la zone de la phalange. Cette étape peut être effectuée avant ou après le prétraitement, bien que les auteurs l'aient réalisée après. Chaque doigt produit deux ROIs : l'une issue du filtre sombre et l'autre du filtre lumière.
Mesures de similarité :
Pour comparer un doigt d'entrée à la base de données, le système compare les ROIs sombre et lumière de l'entrée avec les ROIs correspondantes de tous les échantillons stockés. Trois mesures de similarité ont été évaluées :
- Distance absolue moyenne (MA) / Distance de Hamming : Calcule la somme des différences absolues entre les valeurs des pixels.
- Distance de Hausdorff (HD) : Mesure la différence dans le pire des cas entre deux ensembles de points. Les auteurs ont noté sa sensibilité aux valeurs aberrantes, que l'étape de réduction du bruit vise à atténuer.
- Distance de Chamfer (CD) : Calcule la distance moyenne entre chaque point d'un ensemble et son point le plus proche dans l'autre, en utilisant un seuil pour réduire l'impact des valeurs aberrantes et des contours manquants.

Contributions clés

Simplicité et rapidité : L'article présente une méthodologie basée sur des opérations exceptionnellement rapides (filtrage de Sobel et traitement d'images binaires) qui produisent des matrices creuses, les rendant hautement efficaces pour le stockage et le traitement sur des systèmes à faible capacité.
Approche à double filtre : L'utilisation de filtres de Sobel Sombre et Lumière séparés pour capturer différents aspects de la texture des phalanges sans les fusionner, évitant ainsi l'accumulation de bruit.
Évaluation comparative : Une évaluation systématique de trois mesures de similarité distinctes (MA, HD et CD) dans le contexte de la reconnaissance des FKP, mettant en évidence les compromis entre l'appariement exact et la tolérance à la similarité.

Résultats
Le système a été testé sur un grand ensemble de données impliquant 147 volontaires avec 12 images chacun (totalisant 1763 comparaisons par candidat).

Taux de reconnaissance : La Distance de Chamfer a obtenu le taux de Vrais Positifs (VP) le plus élevé, soit 17,02 %. En comparaison, la Distance de Hausdorff a obtenu 2,60 %, et la mesure d'Absolue Moyenne a obtenu 0,78 %.
Précision : Toutes les méthodes ont atteint des taux de précision élevés (supérieurs à 99,88 %), bien que les auteurs notent que la précision est fortement influencée par le grand nombre de Vrais Négatifs dans l'ensemble de données.
Temps de traitement : La mesure d'Absolue Moyenne était la plus rapide. La Distance de Chamfer était environ 105 fois plus lente que la mesure d'Absolue Moyenne, tandis que la Distance de Hausdorff était environ 223 fois plus lente.
Performance par doigt : Les taux de reconnaissance variaient selon le doigt, l'Index Gauche obtenant le taux de VP le plus élevé (30,77 %) et l'Index Droit le plus bas (18,21 %).
Signification statistique : Les auteurs notent qu'un taux de reconnaissance aléatoire serait d'environ 0,68 %. Atteindre 17,02 % est considéré comme « très expressif » dans ce contexte.

Signification et affirmations
L'article affirme que sa principale signification réside dans la simplicité et la robustesse de l'approche. En contraignant la méthodologie à des techniques de base de vision par ordinateur (opérateurs de Sobel et traitement binaire), le système est hautement optimisé pour les environnements à ressources limitées. Les auteurs soulignent que, bien que le taux de VP de 17,02 % soit modeste par rapport à certaines méthodes complexes de l'état de l'art, il est atteint avec une surcharge computationnelle nettement moindre.

L'article suggère modestement que le taux de reconnaissance pourrait être amélioré en :

Utilisant plusieurs échantillons par utilisateur (scannant un doigt plus d'une fois).
Testant des mesures de similarité orientées vers les images en niveaux de gris (tout en reconnaissant que cela pourrait nécessiter des processus d'enregistrement plus lents).
Appliquant des algorithmes d'apprentissage automatique dans des travaux futurs.

Les auteurs concluent que pour de petits ensembles de données (par exemple, jusqu'à 20 utilisateurs), l'approche pourrait potentiellement atteindre des taux de VP maximaux, et l'utilisation d'images binaires permet une optimisation substantielle tant du stockage que du temps de traitement.