Résumé: La reconnaissance des empreintes digitales est généralement basée sur la comparaison des caractéristiques des points de l'empreinte digitale et de leurs paramètres. Par conséquent, il est important que les systèmes de reconnaissance d'empreintes digitales nettoient et améliorent l'image des empreintes digitales, identifient correctement les points caractéristiques et les paramètres à utiliser, et effectuent correctement le processus de comparaison. Les autoencodeurs sont des types particuliers d'architectures de réseaux neuronaux dans lesquels la sortie est la même que l'entrée. Un autoencodeur est une tâche de régression où le réseau est invité à prédire son entrée. Ces réseaux ont un goulot d'étranglement serré de quelques neurones au milieu, les forçant à créer des représentations efficaces qui compressent l'entrée en un code de basse dimension qui peut être utilisé par le décodeur pour reproduire l'entrée d'origine. À l'aide d'autoencodeurs, on peut trouver un moyen possible de recréer une image d'empreinte digitale avec un ensemble de données d'empreintes digitales déjà fournies qui peuvent être utilisées comme un outil à des fins biométriques. Plusieurs algorithmes ont proposé différentes approches pour recréer les images d'empreintes digitales. Cependant, ces travaux ont rencontré des problèmes de mauvaise qualité et de présence de bruit structuré sur ces images. Dans ce travail, on présente un nouveau système d'empreintes digitales qui fournit des algorithmes plus uniques et plus robustes, capables de distinguer efficacement les individus. Un algorithme d'autoencodeur convolutif est utilisé pour reconstruire les images d'empreintes digitales. Il s'agit d'un modèle d'apprentissage profond non supervisé qui reproduit son entrée à la sortie. L'architecture est conçue et entraînée avec des ensembles de données d'images d'empreintes digitales qui sont prétraitées pour pouvoir les intégrer au modèle. Trois ensembles de données d'images d'empreintes digitales ont été utilisés pour valider la robustesse du modèle. Ce jeu de données a été divisé en 80% pour l’entrainement et 20% pour la validation du modèle. L'autoencodeur convolutif est un modèle d'apprentissage profond approprié pour améliorer de manière significative la recréation d'images d'empreintes digitales. L'approche proposée a montré des résultats prometteurs, et elle peut améliorer la qualité des images d'empreintes digitales reproduites avec une structure de crête claire et en éliminant divers modèles de chevauchement.

:
Langue: Français
Collation: 49 p. ill. ;30 cm.
Diplôme: Post-Graduation Spécialisée
Etablissement de soutenance: Alger, Centre de Recherche sur l'Information Scientifique et Technique
Spécialité: Informatique
Thème Informatique

Mots clés:
Empreintes digitales
Biométrie
Autoencodeurs
Reconstruction d'images

Note: Bibliogr.pp.46-49