WO2026033103A1 - Procede d'authentification de sujets materiels par motif de glass au moyen d'un reseau de neurones artificiels - Google Patents

Procede d'authentification de sujets materiels par motif de glass au moyen d'un reseau de neurones artificiels

Info

Publication number
WO2026033103A1
WO2026033103A1 PCT/EP2025/072834 EP2025072834W WO2026033103A1 WO 2026033103 A1 WO2026033103 A1 WO 2026033103A1 EP 2025072834 W EP2025072834 W EP 2025072834W WO 2026033103 A1 WO2026033103 A1 WO 2026033103A1
Authority
WO
WIPO (PCT)
Prior art keywords
images
image
neural network
artificial neural
candidate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/EP2025/072834
Other languages
English (en)
Inventor
Yann Boutant
Eric Laurent
Gaël ROSSET
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kerquest
Original Assignee
Kerquest
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kerquest filed Critical Kerquest
Publication of WO2026033103A1 publication Critical patent/WO2026033103A1/fr
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
    • G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
    • G07D7/20—Testing patterns thereon
    • G07D7/202—Testing patterns thereon using pattern matching
    • G07D7/205—Matching spectral properties

Definitions

  • the present invention relates to the technical field of unitary authentication of material subjects with electronic means.
  • US patent 10990845 proposed a method for unit authentication of physical objects by calculating similarity vectors between, in particular, reference and candidate images of authentication regions of authentic and candidate physical objects.
  • the methods and algorithms implemented in this patent require significant computing power for real-time implementation or long computation times with less power if high execution speed is not required.
  • this constraint of significant computing power or long computation times proves to be a disadvantage when it is necessary to obtain computation times as short as possible while having limited computing power combined with low energy consumption.
  • the invention relates to a method for authenticating a material subject consisting of comparing, on the one hand, at least one so-called reference image of at least one authentication region of an authentic subject, the reference image comprising at least one texture with a random component, and on the other hand, a so-called candidate image of at least one region
  • the candidate image comprises at least one texture with a random component.
  • the method implements at least one artificial neural network, and the images are processed jointly by the same artificial neural network configured to be sensitive to Glass patterns in the context of images with a random component texture.
  • the determination of authenticity is based on the result provided by the implemented neural network(s). This result can, for example, be a numerical value, in which case a threshold can be used above which the authentication result is positive and below which there is no authentication.
  • Joint processing of the reference and candidate images by the same artificial neural network means that the two images are processed together by the same artificial neural network, as opposed to processing each image by a separate artificial neural network, or processing each image sequentially by the same neural network, one image after another.
  • the notion of joint processing implies that the two images to be processed are provided as input to the same artificial neural network, which will process them simultaneously.
  • the images can then be provided to two separate inputs (e.g., channels) of the same artificial neural network, or to a single input of the same artificial neural network in the form of a combination of the two images to be processed, such as an image resulting from the superposition of the two images to be processed, or an image resulting from the concatenation of the two images to be processed.
  • This concept of joint processing also applies in the context of learning, also called training of artificial neural networks; we will then speak of training pairs for the pairs of training images that are processed jointly.
  • the artificial neural network in order to be sensitive to Glass patterns, has been trained with at least one training set comprising training pairs, at least some of which comprise two images whose superposition reveals or is likely to reveal a pattern analogous to a Glass pattern.
  • the invention implements at least one convolutional type artificial neural network.
  • a convolutional artificial neural network also called a convolutional artificial neural network
  • a convolutional artificial neural network is a type of neural network comprising at least one, and preferably several, convolutional layers, and after the last convolutional layer, at least one layer of artificial neurons of another type, for example, at least one fully connected or densely connected layer of artificial neurons.
  • the terms "convolutional artificial neural network,””convolutional neural network,” and “convolutional neural network” shall be used interchangeably as synonyms. others.
  • the expressions “neural network” and “artificial neural network” are synonymous and the term “neuron(s)” should be understood to mean “artificial neuron(s)” unless otherwise indicated.
  • convolutional artificial neural networks makes it possible to obtain satisfactory computation times with reasonable computing resources, such as those available in portable devices like smartphones or tablets, while exhibiting lower energy consumption than that required by prior art computational methods. Furthermore, the implementation of artificial neural networks allows for a certain flexibility in the acquisition conditions of reference and candidate images.
  • a convolutional artificial neural network configured to be sensitive to Glass patterns in the context of images with random texture components is an artificial neural network that has been trained at least with images whose superposition reveals, or is likely to reveal, a pattern analogous to a Glass pattern, as described in EP 3,380,987 filed by the applicant, to which reference should be made.
  • the artificial neural network implemented is configured to respond to images that, in combination, reveal or are likely to reveal said Glass pattern, or to an image resulting from the superposition of two images and revealing said Glass pattern.
  • the present invention takes advantage of the applicant's demonstration that patterns similar to those obtained by Léon GLASS in articles in the journal NATURE vol.223 of August 9, 1969 pages 578 to 580 and Nature vol. 246 of December 7, 1973 pages 360 to 362, can appear by superimposing two images comprising respectively natural or artificial textures with random components resulting from the acquisition or even the photography at an appropriate magnification or enlargement of the same intrinsic random multi-scale three-dimensional material structure of the same subject.
  • the applicant has demonstrated that these Glass-type patterns appear only when continuous random textures originating from the same material structure and essentially residual geometric transformations of each other are superimposed.
  • Glass patterns enable unitary authentication, also known as unitary recognition. Conversely, if a Glass pattern is not observed, it is not possible to definitively conclude that the object is not authentic. Furthermore, the applicant has highlighted the fact that, in the case of material subject authentication, if said material subject exhibits sufficient material stability over time, images Images taken at different times, potentially separated by several days, months, or years, can be superimposed to generate such Glass patterns.
  • the authentic subject can undergo modifications after the authentication image is recorded while remaining authenticable, provided that a portion of the recognition region has not been significantly affected by these modifications, whether intentional or not.
  • the applicant has demonstrated that the observation of Glass patterns is possible by superimposing two images of the same recognition region possessing a texture with a continuous random component, without the addition, extraction, or generation of discrete elements or patterns, as advocated in the prior art before EP 3380987 in the applicant's name.
  • Such a Glass pattern appears only in the case of an authentic subject and only if there is a slight, non-zero geometric transformation, referred to in the invention as a residual geometric transformation, between the candidate subject and the authentication image, or between the verification and authentication images acquired under given conditions, the images having been previously registered against each other, if necessary.
  • This property of Glass patterns provides great robustness to the method according to the invention, insofar as it is not necessary for the acquisition conditions of the verification image to be strictly identical to the acquisition conditions of the authentication image. Thus, the resolutions of the authentication and verification images may, in particular, be different.
  • an authentication image is also called a reference image
  • a verification image is also called a candidate image.
  • an authentication region also called a recognition region
  • a recognition region is a region that exhibits an intrinsic and random microstructure resulting from the very nature of the authentication region of the material subject.
  • each material subject used belongs to the families of subjects comprising at least one authentication region with an essentially random intrinsic structure that is not easily reproducible, i.e., whose reproduction is difficult or even impossible because it results, in particular, from a process that is not predictable at the observational scale.
  • Such an authentication region with an essentially random intrinsic continuous medium structure that is not easily reproducible corresponds to Physical Unclonable Functions (PUFs) as defined, in particular, by the English publication Encyclopedia of Cryptography and Security, 01/2011 edition, pages 929 to 934, in the article by Jorge Guajardo.
  • PUFs Physical Unclonable Functions
  • the authentication region of a material subject according to the invention corresponds to an intrinsic non-clonable physical function designated in English as "Intrinsic PUFs" in the aforementioned article.
  • the applicant takes advantage of the fact that the random nature of the microstructure of the authentication region is inherent or intrinsic to the nature even of the subject itself, because it results from its mode of elaboration, development, or growth, so that it is not necessary to add a particular structure to the authentication region, such as an impression or an engraving.
  • the recognition region according to the invention, its image has a texture that an observer with average visual acuity can observe either with the naked eye or via optically and/or digitally enhanced zoom.
  • small structures, or structures perceived as small at the observation magnification are seen as images containing a texture.
  • texture refers to what is visible or observable in an image
  • structure or microstructure refers to the material subject itself.
  • the texture of interest in the recognition region is described as a texture with a random component in that it includes at least some randomness or irregularity.
  • a texture or microtexture of the recognition region called a texture-with-a-random component image
  • Imaging such a recognition region under similar viewing conditions from nearby viewpoints yields images, each containing a texture with a random component that is the noisy reflection of its material structure.
  • Such a texture with a random component inherits its unpredictability and independence from a texture with a random component originating from a completely different recognition region, from the degree of randomness in the formation of their material structures.
  • an image means any type of image in the general sense of the term, and not solely an image comparable to a photograph.
  • an image is not limited to an optical image resulting from the stimulation of the recognition region by visible light, but can instead be obtained by any type of physical stimulation, including but not limited to: ultrasound, far-infrared, terahertz, X-rays or gamma rays, X-ray or laser tomography, X-ray radiography, and magnetic resonance imaging.
  • an image is, for example, the recording of the result of stimulation by any means whatsoever of a natural scene or a material subject.
  • This recording may then be described as a natural image.
  • This recording may be one-dimensional, corresponding, for example, to the recording of the variation over time or along a line of a single signal, or to the recording of the values from a line of sensors.
  • This recording may also be two-dimensional, as is the case with a photograph, which can be recorded in halftones, grayscale, or color.
  • an "image” can therefore be a 1D signal, a 2D or 3D image, in grayscale or color, or an nD signal (n dimensions), for example, hyperspectral or RGB-D.
  • an "image” can be the result of a single acquisition or extracted from a stream.
  • an "image" can be extracted from a video stream.
  • the image can be saved in digital form.
  • an image used in the method according to the invention can be a pre-segmented image, particularly when it comprises several physical subjects in the same scene or a repetition of the same pattern.
  • an image is not necessarily natural and can be synthetic, that is, it can be generated by a computer process with or without the assistance of a human operator.
  • a natural image and a synthetic image have in common that they are in the same digital or analog recording format for processing within the same process.
  • Optical and/or digital image enhancement pre-processing can also be applied to it for a better signal-to-noise ratio, for example.
  • the candidate and reference images are superimposed and the artificial neural network is provided with an image resulting from the superposition of the candidate image and the reference image, the artificial neural network having been trained by means of superimposed random component texture images, the resulting images or superposition images having some of a Glass pattern and others not having a Glass pattern.
  • Image superposition refers to any combination of all or part of at least two images to obtain a new image in which all or part of the original images contribute.
  • the candidate authentication, reference, and verification images do not undergo any transformations during the superposition phase other than operations to enhance or modify contrast, brightness, halftone transformation, color space changes such as conversion to grayscale or black and white, saturation adjustments in certain hues, level inversion, or relative opacity modifications via the alpha channel.
  • the images generally undergo so-called enhancement transformations that do not affect the ability to visually recognize the nature of the subject.
  • the applied transformations do not distort the images, in particular the continuous random textures they contain.
  • an overlay consists in particular of:
  • This method involves using an alpha channel to control the transparency of the superimposed image.
  • overlay refers to the superposition of at least two images.
  • the candidate image and the reference image are jointly provided to the artificial neural network without any overlap.
  • the artificial neural network has been trained using pairs of non-overlapping images with random textures, called training pairs. For some of these pairs, the overlap of these images reveals, or is likely to reveal, a Glass pattern, while for others, the overlap does not reveal, and is not likely to reveal, a Glass pattern.
  • the two images to be processed are combined by juxtaposing them without overlap to form a single image, which is then provided to the artificial neural network. Preferably, this combination is performed after any necessary registration, possibly followed by a residual transformation.
  • an assembly by juxtaposition without overlap corresponds to a concatenation.
  • the two images to be processed are provided simultaneously to the same artificial neural network and/or to two distinct inputs of this same artificial neural network.
  • input is here synonymous with "channel”.
  • a variant of the second embodiment of the method according to the invention proposes to register the images of each training pair relative to each other and then apply a residual transformation to them prior to their submission to the artificial neural network during the training phase. It was found that, quite surprisingly, implementing registration and then applying a residual transformation prior to presenting the images of the training pairs yielded better results than when no precautions were taken. By proceeding in this way, it was possible to achieve authentication rates of around 95% or even higher during the operational phase.
  • a residual transformation or residual geometric transformation is a slight, non-zero geometric transformation to be applied locally to the chosen image or images, whether rigid or not, linear or non-linear, at at least one fixed or quasi-fixed point.
  • quasi-fixed point we mean a point undergoing a transformation.
  • Residual geometric transformation is a small displacement relative to the maximum displacement caused by the residual geometric transformation.
  • the training pairs are calibrated and all or some do not undergo a residual transformation before their joint submission to the artificial neural network during the training phase.
  • the candidate and reference images are registered with respect to each other.
  • the registration takes place before the superposition is provided to the artificial neural network for joint processing.
  • the registration of two images can be performed either relative to each other or each relative to a common registration image distinct from the two images being registered.
  • the images of a training pair can each be registered relative to a registration image that will be used for the registration of the images of all the training pairs.
  • This registration image which can be called the pivot image, can also be used during the processing phase for the registration of the candidate and reference images.
  • the candidate and reference images undergo a residual transformation with respect to each other.
  • the residual transformation is applied after registration and before the superposition is provided to the artificial neural network for joint processing.
  • the method according to the invention in its first embodiment is used to label learning pairs used for learning, also called training, the method according to the invention in its second embodiment.
  • the artificial neural network is adapted to process images or imagelets of given dimensions and when the images to be processed are larger, the images to be processed are cut into sub-images or imagelets of suitable size which are submitted directly to the artificial neural network.
  • image is preferably used for the result of the acquisition, while the term “imagelet” is used for the object that is processed by each neural network.
  • imagelet is used for the object that is processed by each neural network.
  • images and imagelets are of the same nature, differing only in size or dimensions, so that these terms may be used interchangeably depending on the context, without hindering the understanding of the invention by a person skilled in the art.
  • image(s) and “imagelet(s)” are used to facilitate understanding of the description of the invention and should therefore not be interpreted as limiting.
  • sub-images may also be referred to by the term “block,” a term also used to facilitate the description of the invention and should not be interpreted as limiting.
  • the candidate and reference images are recalibrated prior to their cutting.
  • the registration is carried out before the cutting while the residual transformation is applied after the cutting.
  • each candidate image is derived from a video stream.
  • This characteristic makes it possible, in certain implementation contexts, to avoid the residual registration and transformation operations applied to the candidate and reference images prior to their processing by each neural network. This is particularly the case when the video stream originates from an acquisition of a physical subject to be authenticated, performed by an operator who carries out a crude registration during the acquisition process.
  • At least one implemented artificial neural network is a convolutional neural network.
  • the invention also relates to a computer program product comprising code instructions for executing a method according to the invention for the one-time authentication of a physical object from a reference image and a candidate image, when the program is executed on a computer.
  • a computer program product can then be embedded or stored in a computer or similar device.
  • the term "computer” should be understood in a broad sense, including, in particular, a personal computer, a smartphone, a tablet, a virtual or physical server, or any computing and processing unit capable of implementing a computer program and adapted for carrying out the invention.
  • the invention also relates to a means of storage readable on a computer device on which a computer program includes code instructions for the execution of a process in accordance with the invention of authentication of a material subject from a reference image and a candidate image.
  • the invention also relates to a computer device comprising at least display means, image acquisition means, user input means, information storage means communicating with computing and control means configured to implement the method according to the invention of authenticating a material subject from a referenced image of a candidate image.
  • FIG. 1 is a schematic representation of a first embodiment of the invention implementing a convolutional neural network
  • Fig. 2 illustrates the superposition of imagelets resulting from the processing of a reference image and a candidate image, in which the clipping is carried out after registration of the two images and application of a residual transformation
  • Fig. 3 illustrates the superposition of imagelets resulting from another processing of the reference image and the candidate image used in Figure 2, in which the images are registered and then clipped, the residual transformation being applied to the imagelets obtained before their superposition
  • Fig. 1 is a schematic representation of a first embodiment of the invention implementing a convolutional neural network
  • Fig. 2 illustrates the superposition of imagelets resulting from the processing of a reference image and a candidate image, in which the clipping is carried out after registration of the two images and application of a residual transformation
  • Fig. 3 illustrates the superposition of imagelets resulting from another processing of the reference image and the candidate image used in Figure 2, in which the images are registered and then clipped, the
  • Figure 4 shows image sets of training sets used for training convolutional neural networks implemented within the framework of the invention, the right part of the figure showing the result of superimposing the image sets located on the same line on the left
  • Figure 5 is a schematic representation of a second embodiment of the invention
  • Figure 6 is a schematic representation of the operation of an image slicing module implemented within the framework of the second embodiment of the invention.
  • the invention implements a convolutional artificial neural network to ensure the authentication of material subjects from images of an authentication region of these subjects, the images comprising at least one texture with a random component.
  • the invention makes it possible to ensure a unitary authentication, that is to say, a reference image also called authentication image corresponds to a single and unique material subject.
  • unit authentication means unit recognition of a region of a material subject.
  • This recognition can have a higher or lower probative value depending on the criticality of the use case considered and the measures implemented to increase this probative value, such as, but not limited to: the intervention or not of a trusted third party, the selection of highly sophisticated acquisition sensors in terms of resolution and illumination conditions to perform the acquisition of reference images and the use of the same for the acquisition of candidate images, total control of the computer environment implemented, without this list being exhaustive or limiting.
  • the authentic subject can undergo modifications after the recording of the reference image, also called the authentication image in the context of patent EP 3380987, while remaining authenticable to the extent that a part of the authentication region has not been profoundly affected by these voluntary or involuntary modifications.
  • the invention proposes implementing artificial neural networks that could be described as frugal in that they comprise a limited or even reduced number of layers.
  • the invention implements convolutional neural networks comprising a limited number of convolutional neuron layers and fully or densely connected neuron layers.
  • CNN Convolutional Neural Network
  • LetNet or LetNeT-5 neural networks
  • AlexNet AlexNet neural networks
  • a convolutional artificial neural network comprising a stack of processing layers, namely:
  • CONV Convolutional layers
  • loss layer LOSS layer (loss function) which can also be called loss layer.
  • LOSS layer is considered not to be part of the neural network; therefore, within the scope of the invention, a neural network does not necessarily have such a layer. Furthermore, the so-called LOSS layer is present only during the learning phase and not during the execution phase.
  • an example of such a convolutional artificial neural network designated collectively as CNN, is configured to process a rectangular image img of m x n pixels, preferably with m and n greater than or equal to 64, for example, 128 x 128 pixels, it being understood that m and n are not necessarily equal.
  • the CNN neural network comprises a convolution processing block 1 followed by a processing block of fully or densely connected artificial neurons 2.
  • the CNN network further comprises, between the convolution block 1 and the processing block 2 with completely or densely connected artificial neurons, a FLAT layer for processing the output of the convolution block 1 before supplying it to the block 2.
  • the convolution block 1 comprises successively and in this order:
  • the first convolution layer 11 is, in this case, a 2D convolution layer parameterized to process the entire image using 3x3 pixel tiles (kernels or filters) with a step of 1 pixel.
  • the first correction layer 12 implements a Rectified Linear Unit (ReLU) activation function to process the result of the first convolution layer 11.
  • the first pooling layer 13, as illustrated in the example, performs maximum pooling for 2D spatial data with a 2x2 window and a step (Stride) of 2, on the result of the processing performed by the first correction layer 12.
  • the second convolution layer 14 is, in this case, a 2D convolution layer parameterized to process the output of the first pooling layer 13 by 5x5 pixel tiles with a step of 2 pixels.
  • the second correction layer 15 here implements a function ReLU type activation for "Rectified Linear Unit" to process the result of the second convolution layer 14.
  • the second pooling layer 16 ensures, according to the illustrated example, a maximum pooling operation for 2D spatial data with a 2x2 window and a step (Stride) of 2 on the result from the second correction layer 15.
  • the third convolution layer 17 is, in this case, a 2D convolution layer parameterized to process the result of the second pooling layer 16 by 5x5 pixel tiles with a step of 2 pixels.
  • the third correction layer 18 here implements a Rectified Linear Unit (ReLU) activation function to process the result of the third convolution layer 17.
  • the third correction layer 18 is the last layer of the convolution block 1.
  • the CNN neural network includes at the output of the convolution block 1 a FLAT processing layer, having the reference 19, which ensures the flattening in the form of a single-row vector or matrix of the result of the processing from the third correction layer 18.
  • the CNN neural network comprises the fully or densely connected neural network processing block 2.
  • block 2 comprises successively and in this order:
  • the first layer 20 is a linear layer of artificial neurons receiving 512 inputs and delivering 1024 outputs.
  • linear layer it is understood that a line of neurons, that is to say, a layer with a single thickness of neurons.
  • the first correction layer 21, of block 2 here implements an activation function of type ReLU for in English "Rectified Linear Unit" applied to each of the 1024 outputs of layer 20.
  • the second layer 22 is a linear layer of artificial neurons receiving 1024 inputs and delivering 256 outputs.
  • the second correction layer 23, of block 2 here implements an activation function of type ReLU for in English "Rectified Linear Unit" applied to each of the 256 outputs of layer 22.
  • the third and last layer 24 is a linear layer of artificial neurons receiving 256 inputs and delivering 1 output.
  • the CNN neural network finally includes an output layer 24 which, in this case, ensures a normalization of the value delivered by the third and last layer 24 of block 2, in the form of a real number, between 0 and 1.
  • an input block INPUT is implemented upstream of the CNN network.
  • This block subjects each image or pair of images to be processed to various processing operations before they are supplied to the CNN neural network.
  • IMG image to be processed
  • the input block INPUT will perform a segmentation or decomposition of the image.
  • the process involves converting IMG into sub-images or imagelets (img) that will be directly fed to the CNN neural network. This means that all processing that can be performed by the INPUT block will be carried out prior to this segmentation.
  • the segmentation performed by the segmentation module corresponds to dividing an image into multiple smaller imagelets or smaller blocks.
  • the training images are introduced into the network, starting with the input layer and propagating towards the output layer of the network.
  • 3/Output calculation The network calculates the output for the given input, by applying non-linear activation functions in each neuron.
  • the weights are adjusted according to the error gradient, using an optimization method such as gradient descent.
  • Steps 2 to 6 are repeated for a large number of epochs (iterations), until the network reaches acceptable accuracy on the training images.
  • the trained network is evaluated on a set of test images to estimate its performance.
  • An "epoch" in the context of machine learning corresponds to a complete pass through the CNN of all the training (respectively, test) images or pairs of images.
  • an epoch is a complete iteration in which the model sees all the training (respectively, test) images or pairs of images once, and the weights and biases are updated accordingly.
  • the set of training (respectively, test) images or pairs of images contains 1000 images or pairs of images
  • an epoch corresponds to the presentation of these 1000 images or pairs of images to the CNN, and the updating of the weights and biases after each batch of image pair(s).
  • an iteration may correspond to a presentation of a single image or pair of images in the context of the invention, while an epoch corresponds to a complete pass through the CNN network of all the images or pairs of images.
  • the concept of convergence is essential for validating the learning process. Convergence on training images is used to adjust the hyperparameters of the network model and to determine whether the model has converged, while convergence on test images is used to evaluate the final performance of the model on unknown images.
  • the convergence of a neural network is the process by which the network learns to represent the relationships between inputs and outputs, and where the weights and biases of the neurons are adjusted to minimize prediction error.
  • Training convergence occurs when the model's loss (or error) on the training images or pairs of images decreases over the course of training iterations (epochs) and reaches a plateau. This means that the model has learned to represent the relationships between inputs and outputs in the training images.
  • Model loss refers to the images or pairs of images that were not recognized when they should have been. This means that the model generalizes well to new images that it did not see during training.
  • the objective is to achieve simultaneous convergence of the training and testing phases, meaning that the model learns to represent the relationships between inputs and outputs in the training images and generalizes well to new images.
  • the convergence of the training and testing phases is an important indicator of the performance of a CNN network model, and it is essential to monitor these two metrics. to adjust the hyperparameters and improve the performance of the implemented CNN model.
  • "Full" learning includes training and testing phases; therefore, a neural network is only put into operation after undergoing both training and testing.
  • the CNN neural network is implemented to ensure, in a phase, called exploitation or execution, and in accordance with the invention, the authentication of a material subject by confronting, on the one hand, at least one so-called reference image of at least one authentication region of an authentic subject, the reference image comprising at least one texture with a random component, and on the other hand, a so-called candidate image of at least one authentication region of a candidate subject, the candidate image comprising at least one texture with a random component.
  • At least one image acquired from a recognition region of a candidate material subject will be used, and at least one reference image acquired from a recognition region of a previously recorded reference material subject, called the reference image.
  • EP 3 380987 patent sets forth acquisition conditions for the reference and candidate images suitable for their superposition to produce a Glass pattern. It is particularly important to note from this patent that the Glass pattern only appears in the case of an authentic subject and that there exists a slight, non-zero geometric transformation, referred to in the invention as a residual geometric transformation, between the verification (candidate) and authentication (reference) images acquired under the given conditions. In the theoretical case of a perfect superposition of strictly identical elements/images, a Glass pattern does not appear, even in the presence of an authentic subject.
  • the reference and candidate images are compared in a process implementing a neural network such as, for example, described above and which has been trained as stated.
  • a process implementing a neural network such as, for example, described above and which has been trained as stated.
  • the result of the process depends on these two images and that it is absolutely necessary to have them in order to implement the invention and that the reference and candidate images are two input data of the process according to the invention which are processed jointly.
  • an input block is implemented before the CNN.
  • This block includes a cropping module (ECH) and successively provides each of the resulting cropped imagelets to the CNN.
  • an OUTPUT block is implemented after the CNN. This block collects the CNN output for each of the images processed by the CNN and performs the processing necessary to determine whether or not images exhibit a Glass phenomenon, or are likely to exhibit one in the event of superposition with or without registration. This decision-making process is performed automatically and can be validated by an operator viewing the result of the superposition of the collected images.
  • the OUTPUT block can implement a statistical comparison with a similarity index between images, determine a given acceptance threshold, per pair of images or for a set of images located or not on the material subject, and issue an acceptance decision possibly associating it with a confidence index of this decision.
  • the reference image IMG Ref and the candidate image IMG Cand are submitted to the CNN neural network for joint processing after being superimposed on one another.
  • the input block INPUT comprises a first module 30 which first performs registration of the reference and candidate images and then induces a residual transformation of one of these two images with respect to the other.
  • Registration includes, in particular, rough registration, that is to say, an approximate alignment of the images with each other, based on general characteristics such as size, The orientation or overall position. This can be achieved, for example, in a recognition step by an operator equipped with a sensor (e.g., a smartphone), who manually positions the sensor against an authentication region of a physical object. Registration also includes, in particular, fine registration, that is, precise alignment of images based on detailed characteristics such as contours, textures, or points of interest, and which can be performed down to the pixel or even sub-pixel level. It should be noted that in the context of coarse registration, the implementation of residual transformation is not always necessary.
  • the concept of registration covers the registration of two images relative to each other, but also the registration of each of two images relative to the same third image, which could be called the pivot image or registration image.
  • the images to be processed can all be registered relative to the same pivot image.
  • the input module INPUT includes a second module 31 which performs a superposition of the reference and candidate images after their processing by the first module 30.
  • the superposition image produced by the second module 31 is then provided to the clipping module ECH.
  • clipping occurs after the preliminary operations performed on the reference and candidate images, and just before the resulting imagelets (img) are provided to the neural network CNN.
  • this order is not strictly necessary, and other sequences of the registration, residual transformation, and clipping steps can be considered.
  • clipping could occur after registration but before the application of the residual transformation, which would then be applied to the pairs resulting from the clipping.
  • Figure 2 illustrates the result of the clipping of the superposition of two images which have undergone registration and residual transformation before their clipping
  • Figure 3 illustrates the result of the superposition of the imagelets from the same two images which have undergone registration then clipping and finally a residual transformation applied to the imagelets.
  • the neural network is trained with two balanced training sets: a set of "recognized” image sets consisting of image sets resulting from the superposition of image sets containing at least one texture with a random component, this superposition exhibiting the Glass phenomenon, and a set of "unrecognized” image sets consisting of image sets resulting from the superposition of image sets containing at least one texture with a random component, this superposition not exhibiting the Glass phenomenon.
  • the sets are said to be balanced in that they comprise the same number, or at least a very close number, of image sets.
  • each training set comprises at least 1000 image sets and, preferably, more than 10,000 image sets.
  • Figure 4 shows an example of an imagelet imgl belonging to the set of recognized labeled images and exhibiting a Glass pattern. This imagelet imgl is the result of superimposing the two images located to its left on the same line, which form a pair PI of training images, labeled "recognized” or “Glass”.
  • Figure 4 also shows an example of an imagelet belonging to the set of "unrecognized” images and not exhibiting a Glass pattern. This latter imagelet is the result of superimposing the two images located to its left on the same line, which form a pair P2 of training images, labeled "unrecognized” or "Non-Glass”.
  • the training set includes "Glass” training pairs and "non-Glass” training pairs.
  • the CNN' neural network implemented in this second embodiment is of a model analogous to the CNN described in relation to Figure 1. It differs in that the image img' processed by the CNN' network will be twice the size of the image img processed by the CNN network. Thus, in this second embodiment, the image img' will have a size of m' x n' pixels, with, for example, one of the two m' or n' greater than 128 pixels and the other greater than 64 pixels. In this case, the image will have dimensions of 128 by 256 pixels.
  • the reference and candidate images will generally have a dimension greater than that of the imagelet img', so the ECH slicing module of the input block is configured to slice the candidate image and the reference image into PAV tiles, each of which has a size and shape corresponding exactly to half of the imagelet img'.
  • the ECH slicing module slices the reference image IMG ref and the candidate image IMG cand into PAV tiles in a common coordinate system so as to provide at the output of the slicing the set of pairs of corresponding tiles; that is to say, all the pairs, each consisting of a tile of the reference image PAV ref and a tile of the candidate image PAV cand having exactly the same coordinates in the coordinate system as those of the tile PAV ref.
  • the tiles of each pair will be concatenated, juxtaposed, to constitute each image Img' provided to the neural network CNN'.
  • This operation will be performed, according to the illustrated example, by the slicing module but could also be performed by another module separate from the slicing module.
  • the term "pair” refers either to the result of the concatenation of two tiles, two images, or two imagelets, or to the two tiles, two images, or two imagelets in that they are intended to be processed jointly without having been assembled or concatenated.
  • the OUTPUT block will have the same operating mode as that of the embodiment described in relation to Figure 1.
  • the neural network is trained with two balanced training sets: a first set of images labeled "recognized” and a second set of images labeled "not recognized".
  • Each image in the first set is formed by the concatenation of two image tiles comprising at least one texture with a random component, the two tiles being capable, after superposition, of exhibiting the Glass phenomenon.
  • the PI pair in Figure 4 shows two tiles which, when concatenated, form an image from the "recognized” set.
  • tiles capable of producing Glass patterns this refers to tiles whose superposition will reliably produce a Glass pattern for a human operator with normal or average visual acuity, possibly after some registration, such as manual registration.
  • the tiles comprising a single training image can, upon simple superposition without any further operation, either produce a Glass pattern or not produce a Glass pattern for an observer with normal visual acuity.
  • Each image in the second set is formed by concatenating two image tiles, each containing at least one texture with a random component.
  • the superposition of the two tiles does not exhibit the Glass phenomenon, even after fine registration followed by the application of a residual transformation.
  • Pair P2 in Figure 4 shows two tiles which, when concatenated, form an image from the "unrecognized" set.
  • the CNN' neural network thus trained, achieves a score of around 80% during the operational phases, with no significant improvement possible even by increasing the size and number of training sets.
  • the input block comprises only the ECH slicing module, and no registration or residual transformation is performed on the candidate and reference images prior to their slicing.
  • the same neural network CNN' is implemented as before, but its learning, training, is carried out with differently constituted training sets.
  • the neural network is trained with two balanced training sets: a first set of images labeled "Glass-direct” and a second set of imagettes labeled "non-Glass".
  • This labeling may have been carried out by human operators and/or automatically by implementing, for example, the first embodiment of the invention dealing with images resulting from the superposition of texture images with random components.
  • Each "Glass-direct" image in the first set consists of the concatenation of two image tiles, each containing at least one texture with a random component. After superposition, the two tiles exhibit the Glass phenomenon for an observer with normal visual acuity, without any prior or during processing or operation being required. This is referred to as simple superposition.
  • Each "non-Glass" image in the second set is made up of the concatenation of two image tiles including at least one texture with a random component, the superposition of the two tiles not being able to cause the Glass phenomenon even after a fine registration operation followed by the application of a residual transformation.
  • Training according to the second variant makes it possible to obtain a CNN' neural network less sensitive to image acquisition and registration conditions, which makes it more robust and facilitates its implementation in the context of industrial and/or consumer applications for the authentication of mass-produced material subjects.
  • Direct glass units are standardized or standardized against each other. This standardization can be performed by an operator, semi-automatically with automatic registration and operator control of the overlap, or completely automatically. with automatic recalibration and automatic application of a predefined residual transformation.
  • the CNN' neural network trained according to the second variant of the second embodiment proves capable of identifying as "recognized” certain "Glass-indirect” pairs or images. That is, it is able to identify non-normalized images or pairs of images even though the transformation from one to the other is outside the domain of residual transformation. This characteristic is particularly advantageous because it allows, in practice, the implementation of a coarse registration, which is faster and less resource-intensive than fine registration.
  • the CNN' neural network trained according to the example of the second variant is able to classify as recognized a pair of identical images that belong to the "Glass-indirect" category, insofar as their simple superposition cannot reveal a Glass pattern, but it is possible to reveal the Glass pattern by superimposing the two images, one of which has undergone a residual transformation.
  • the input block preferably includes, upstream of the slicing module ECH, a registration module 40 that ensures the registration of the reference image Ref and the candidate image Cand relative to each other.
  • the INPUT block then includes a transformation module 41 that induces a residual transformation relative to each other on the images supplied to it.
  • the transformation module 41 applies, for example, the residual transformation to one of the two images and not to the other.
  • the transformation module 41 could operate differently insofar as the final result of the processing it performs corresponds to a residual transformation relative to each other of the two images supplied to it.
  • the residual transformation is a rotation of a few degrees combined with a rectilinear translation of about ten pixels.
  • the transformation module 41 is located between the recalibration module 40 and the ECH cutting module.
  • transformation module 41 it could be considered to place the transformation module 41 after the ECH slicing module.
  • the transformation module 41 then operates on the reference tiles Ref and candidate Cand before their concatenation, which is performed by a concatenation module not shown.
  • images, image tiles, and blocks refer to objects, in the mathematical and computer science sense of the term, of the same nature, so that a process described in the context of this application as being applied to one of these three types of object can, mutatis mutandis, be applied to the other two objects depending on the moment when said treatment is implemented as part of the execution of the process according to the invention.
  • the labels used to distinguish the training sets are "recognized”, “unrecognized”, “Glass-direct”, “Glass-indirect” and “Non-Glass” to facilitate the disclosure of the invention, but other labels could be used insofar as they allow the types of training sets to be distinguished from each other.
  • the image sets used in the training sets include a large number of image sets with random textures from different types of material.
  • This configuration of the training sets results in a more efficient CNN neural network, as it is capable of identifying Glass patterns on a large number of superimposed image sets with random textures from a wide variety of materials.
  • the CNN trained in this way will be able to recognize a Glass pattern resulting from the superposition of random textures that were not present in the training sets.
  • an artificial neural network exhibits, during operation, a behavior that reflects the learning stages it has undergone.
  • an artificial neural network configured to be sensitive to Glass patterns in the context of images with random texture components will be recognizable among others, particularly by subjecting it to a set of tests containing such images and analyzing the responses provided by the artificial neural network under study.
  • the labeling of training images or image sets can be carried out in different ways. Initially, the labeling of the training sets is performed by an operator. This is referred to as supervised training. However, after an initial supervised training phase, it is possible to perform a second, unsupervised automatic training phase in which the image labeling is carried out by a CNN neural network that has undergone initial supervised training.
  • the image tags belonging to the training sets can be derived from textured images with a random component of material subjects, called natural image tags, or be image tags resulting from the superposition of synthetic images, called synthetic image tags.
  • the training sets can comprise only natural image tags, only synthetic image tags, or a mixture of natural and synthetic image tags. Synthetic images are very well suited to simulating different lighting conditions (orientation, types, etc.), which can be very powerful for preparing a CNN for different shots of the candidate image and increasing its robustness.
  • some or even all of the "Glass", "Glass-direct” type drive pairs are very well suited to simulating different lighting conditions (orientation, types, etc.), which can be very powerful for preparing a CNN for different shots of the candidate image and increasing its robustness.
  • Glass-indirect images consist of two images of the same texture with a random component. These images differ from each other in that they are not captured under the same conditions. Among the parameters defining these conditions are: the image acquisition sensor, the lens associated with said sensor and its settings, the shooting angle, and the lighting conditions during capture, although this list is not exhaustive. In the context of this invention, the shooting conditions differ in that at least one of these parameters is not identical for the two images, while of course not preventing the appearance of the Glass pattern when the two images are superimposed after registration and/or residual transformation, if applicable.
  • the applicant advantageously used randomly generated Perlin texture images to constitute the training sets of a CNN' neural network according to the invention, which after training proved effective for the authentication of paper-type material subjects.
  • training sets can be constructed by one or more operators through manual or supervised semi-automatic operations. However, the construction of training sets could be fully automated.
  • Glass-direct type image or image pair training sets can be automatically generated from series of images with a continuous random component texture of various material subjects. The generation of each Glass-direct image pair consists of extracting one image from an image in said series, which forms the first image of the pair, and the second image of the pair is formed by the first image after a residual transformation has been applied.
  • the process can be carried out in the same way as for “Glass-direct” type pairs, with the difference that instead of applying a residual transformation to the first image to constitute the second image, a rotation of between 90° and 270° is applied to the first image to form the second image.
  • training sets of "non-Glass” imagelets or imagelet pairs can be automatically generated from series of continuously random textured images of various material subjects.
  • the generation of each "non-Glass” imagelet pair consists of extracting an imagelet from a textured image of two distinct subjects or from a textured image of two distinct areas of the same subject.
  • blocks and modules may refer to purely software elements, purely hardware elements, or elements combining software and hardware implementations. This also applies to the implementation of the entire invention, which may be purely software-based, purely hardware-based, or a combination of software and dedicated hardware components.
  • the input block can implement various types of calculator processes to carry out the different processing it performs, and that it can in particular implement specific artificial neural networks configured to carry out the operations of registration, cutting and application of transformations to the images to be processed.
  • the images to be processed are segmented before being provided to each neural network configured to be sensitive to Glass patterns.
  • a mode of operation is not strictly necessary for the realization of the invention, since it is possible to implement artificial neural networks sized for processing images from acquisitions without it being necessary to segment these images beforehand.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Collating Specific Patterns (AREA)

Abstract

L'invention concerne un procédé d'authentification d'un sujet matériel consistant à confronter, d'une part, au moins une image dite de référence d'au moins une région d'authentification d'un sujet authentique, l'image de référence comprenant au moins une texture à composante aléatoire, et d'autre part, une image dite candidate d'au moins une région d'authentification d'un sujet candidat l'image candidate comprenant au moins une texture à composante aléatoire. Selon, l'invention le procédé met en œuvre au moins un réseau de neurones artificiels configuré pour être sensible aux motifs de Glass dans le contexte des images à texture à composante aléatoire.

Description

PROCEDE D'AUTHENTIFICATION DE SUJETS MATERIELS PAR MOTIF DE GLASS AU MOYEN D'UN RESEAU DE NEURONES ARTIFICIELS
[001] La présente invention concerne le domaine technique de l'authentification unitaire de sujets matériels avec des moyens électroniques.
[002] Dans le domaine ci-dessus, il est connu, notamment d'un brevet US 4423415, de procéder à l'identification de sujets matériels en réalisant l'extraction d'une signature d'une région dite d'authentification comprenant une microstructure intrinsèque tridimensionnelle essentiellement aléatoire. Dans un premier temps, une première extraction, d'une signature dite de référence d'un sujet authentique, est généralement réalisée avec des moyens de calcul électroniques tel qu'un ordinateur, un smartphone ou encore une tablette, qui mettent en oeuvre des algorithmes complexes de reconnaissance de motifs. La signature de référence est alors enregistrée. Dans un deuxième temps, une deuxième extraction, d'une signature dite candidate d'un sujet candidat, est réalisée avec des moyens de calcul électronique similaires à ceux utilisés lors de la première étape. Les signatures de référence et candidates sont alors comparées avec des algorithmes de comparaison de similarités ou de corrélations pour déterminer leur niveau de proximité et en déduire, le cas échéant, que le sujet candidat est bien le sujet authentique.
[003] Un brevet US 10990845 a proposé de réaliser une authentification unitaire de sujets matériels en réalisant des calculs de vecteurs de similarités entre notamment des images de référence et candidate de régions d'authentification de sujets matériels authentiques et candidats. Les méthodes et algorithmes mis en oeuvre dans le cadre de ce brevet nécessitent une puissance de calcul importante pour une mise en oeuvre en temps réel ou de longs temps de calcul avec une puissance moindre si une grande vitesse d'exécution n'est pas nécessaire. Or, cette contrainte de puissance de calcul importante ou de longs temps de calcul s'avère pénalisante lorsqu'il est nécessaire d'obtenir des temps de calcul aussi réduits que possible tout en ayant une puissance de calcul limitée combinée à une faible consommation énergétique.
[004] Il est donc apparu le besoin de solutions alternatives qui apportent une solution à ce problème et permettent de procéder à une authentification unitaire de sujets matériels fiable tout en ayant recours à des ressources de calcul limitées et une consommation énergétique contenue et qui offre une plus grande souplesse en ce qui concerne les conditions d'acquisition des images de référence et candidate que les procédés de l'art antérieur mettant en oeuvre une extraction de signature.
[005] Afin d'atteindre cet objectif, l'invention concerne un procédé d'authentification d'un sujet matériel consistant à confronter, d'une part, au moins une image dite de référence d'au moins une région d'authentification d'un sujet authentique, l'image de référence comprenant au moins une texture à composante aléatoire, et d'autre part, une image dite candidate d'au moins une région d'authentification d'un sujet candidat, l'image candidate comprenant au moins une texture à composante aléatoire. Selon l'invention, le procédé met en oeuvre au moins un réseau de neurones artificiels et les images sont traitées conjointement par un même réseau de neurones artificiels configuré pour être sensible aux motifs de Glass dans le contexte des images à texture à composante aléatoire. Ainsi, selon l'invention, la détermination du caractère authentique ou non est réalisée en fonction du résultat fourni par le ou les réseaux neuronaux mis en oeuvre. Ce résultat peut, par exemple, être une valeur numérique et auquel cas, il pourra être utilisé un seuil à partir duquel le résultat l'authentification est positif et en deçà duquel il n'y a pas authentification.
[006] Par traitement conjoint des images de référence et candidate par un même réseau de neurones artificiels, il convient d'entendre que les deux images sont traitées ensemble par le même réseau de neurones artificiels par opposition à un traitement de chaque image par un réseau de neurones artificiels distinct, ou encore un traitement de chaque image par un même réseau de neurones mais de manière séquentielle, une image après une autre. Dans le contexte de l'invention, la notion de traitement conjoint induit que les deux images à traiter sont fournies en entrée d'un même réseau de neurones artificiels qui les traitera en même temps, les images peuvent alors être fournies à deux entrées distinctes (e.g. canaux) d'un même réseau de neurones artificiels ou à une seule entrée d'un même réseau de neurones artificiels sous la forme d'une combinaison des deux images à traiter comme par exemple une image résultant de la superposition des deux images à traiter ou encore une image résultant de la concaténation des deux images à traiter. Cette notion de traitement conjoint s'applique également dans le cadre de l'apprentissage également appelé entraînement du réseau de neurones artificiels, on parlera alors de paires d'apprentissage pour les paires d'images d'apprentissage qui sont traitées conjointement.
[007] Selon une caractéristique de l'invention, afin d'être sensible aux motifs de Glass, le réseau de neurones artificiels a été entraîné avec au moins un ensemble d'apprentissage comprenant des paires d'apprentissage dont au moins certaines comprennent deux images dont la superposition fait apparaître ou est susceptible de faire apparaître un motif analogue à un motif de Glass.
[008] Dans une forme préférée de réalisation l'invention met en oeuvre au moins un réseau de neurones artificiels de type convolutifs.
[009] Au sens de l'invention, un réseau de neurones artificiels convolutifs encore appelés réseau de neurones artificiels à convolution est un type de réseau de neurones comprenant au moins une et, de préférence, plusieurs couches de convolution et après la dernière des couches de convolution au moins une couche de neurones artificiels d'un autre type, par exemple, au moins une couche de neurones artificiels entièrement connectée ou densément connectée. Par la suite, les expressions « réseau de neurones artificiels convolutifs », « réseau de neurones convolutifs », « réseau de neurones à convolution » seront utilisées indifféremment comme étant synonymes les unes des autres. De même, dans le cadre de l'invention, les expressions « réseau de neurones » et « réseau de neurones artificiels » sont synonymes et le terme « neurone(s) » doit être entendu au sens de « neurone(s) artificiel(s) » sauf indication contraire.
[010] La mise en oeuvre de réseaux de neurones artificiels convolutifs permet d'obtenir des temps de calcul satisfaisants avec des ressources de calcul raisonnables telles que par exemple disponibles dans les dispositifs portatifs comme les smartphones ou tablette tout en présentant une plus faible consommation énergétique que celle requise par les méthodes calculatoires selon l'art antérieur. De plus, la mise en oeuvre de réseaux neuronaux artificiels permet une certaine souplesse dans les conditions d'acquisition des images de référence et candidates.
[011] Au sens de l'invention, il convient de comprendre qu'un réseau de neurones artificiels convolutifs configuré pour être sensible aux motifs de Glass dans le contexte des images à texture à composante aléatoire est un réseau de neurones artificiels qui a été entraîné au moins avec des images dont la superposition fait apparaître ou est susceptible de faire apparaître un motif analogue à un motif de Glass comme cela a été décrit dans le brevet EP 3 380 987 au nom de la demanderesse et auquel il convient de se reporter. Dans le cadre de l'invention, le réseau de neurones artificiels mis en oeuvre est configuré pour réagir à des images qui en combinaison font ou sont susceptibles de faire apparaître ledit motif de Glass ou à une image résultant de la superposition de deux images et faisant apparaître ledit motif de Glass.
[012] Ainsi, la présente invention met à profit la mise en évidence par la demanderesse que des motifs similaires à ceux obtenus par Léon GLASS dans des articles de la revue NATURE vol.223 du 9 août 1969 pages 578 à 580 et Nature vol. 246 du 7 décembre 1973 pages 360 à 362, peuvent apparaître par superposition de deux images comprenant respectivement des textures naturelles ou artificielles à composantes aléatoires résultant de l'acquisition voire de la photographie à un grossissement ou grandissement adapté d'une même structure matérielle tridimensionnelle intrinsèque aléatoire multi-échelle d'un même sujet. La demanderesse a démontré que ces motifs, de type Glass, apparaissent uniquement lorsqu'il y a superposition de textures à composante aléatoire continues issues de la même structure matérielle et essentiellement transformées géométriques résiduelles l'une de l'autre et n'apparaissent pas en pratique lorsque les textures à composante aléatoire continues ne sont pas suffisamment corrélées ou ne résultent pas de l'acquisition de la même structure matérielle correspondant à une région de reconnaissance d'un sujet. Les motifs de Glass permettent donc, dans le cadre de l'invention, d'assurer une authentification unitaire également appelée reconnaissance unitaire. En revanche, en cas de non- observation d'un motif de Glass, il n'est pas possible de conclure avec certitude à la non-authenticité. De plus, la demanderesse a mis en évidence le fait que, dans le cas d'authentification de sujet matériel, si ledit sujet matériel présente une stabilité matérielle suffisante dans le temps, des images réalisées à des instants différents pouvant être séparés par plusieurs jours, mois, ou années permettent par leur superposition d'engendrer de tels motifs de Glass. De plus, selon l'invention, le sujet authentique peut subir des modifications après l'enregistrement de l'image d'authentification tout en restant authentifiable dans la mesure où une partie de la région de reconnaissance n'a pas été profondément affectée par ces modifications volontaires ou non. De plus, la demanderesse a démontré que l'observation de motifs de Glass est possible par la superposition de deux images d'une même région de reconnaissance possédant une texture à composante aléatoire continue et cela sans adjonction, extraction ou génération d'éléments discrets ou de motifs discrets comme le préconisait l'art antérieur avant le brevet EP 3380987 au nom de la demanderesse. Un tel motif de Glass n'apparaît que dans le cas d'un sujet authentique et que s'il existe une transformation géométrique légère non nulle dite au sens de l'invention transformation géométrique résiduelle entre le sujet candidat et l'image d'authentification, ou entre les images de vérification et d'authentification acquises dans les conditions données, les images ayant été le cas échéant préalablement recalées l'une par rapport à l'autre. Cette propriété des motifs de Glass offre une grande robustesse au procédé selon l'invention dans la mesure où il n'est pas nécessaire que les conditions d'acquisition de l'image de vérification soient strictement identiques aux conditions d'acquisition de l'image d'authentification. Ainsi, les résolutions des images d'authentification et de vérification peuvent notamment être différentes. Dans le cadre de la présente demande une image d'authentification est également appelée image de référence tandis qu'une image de vérification est aussi appelée image candidate.
[013] Dans le cadre de l'invention, une région d'authentification, aussi appelée région de reconnaissance, est une région qui présente une microstructure intrinsèque et aléatoire en ce qu'elle résulte de la nature même de la région d'authentification du sujet matériel. Dans une forme de mise en oeuvre préférée de l'invention, chaque sujet matériel utilisé appartient aux familles de sujets comprenant au moins une région d'authentification comprenant une structure intrinsèque essentiellement aléatoire non aisément reproductible c'est-à-dire dont la reproduction est difficile voire impossible en ce qu'elle résulte notamment d'un processus non prédictible à l'échelle d'observation. Une telle région d'authentification à structure de milieu continu intrinsèque essentiellement aléatoire non aisément reproductible correspond aux fonctions physiques non clonables en anglais « Physical Unclonable Functions » (PUFs) telles que notamment définies par la publication en anglais Encyclopedia of Cryptography and Security édition 01/2011 pages 929 à 934 dans l'article de Jorge Guajardo. De manière préférée, la région d'authentification d'un sujet matériel conforme à l'invention correspond à une fonction physique non clonable intrinsèque désignée en anglais par «Intrinsic PUFs » dans l'article précité. La demanderesse met à profit le fait que la nature aléatoire de la microstructure de la région d'authentification est inhérente ou intrinsèque à la nature même du sujet parce que résultant de son mode d'élaboration, de développement ou de croissance de sorte qu'il n'est pas nécessaire de rajouter à la région d'authentification une structure particulière, notamment une impression, ou encore une gravure. En ce qui concerne la région de reconnaissance, selon l'invention, son image possède une texture qu'un observateur d'acuité visuelle moyenne peut observer soit à l'œil nu soit via un zoom réalisé optiquement et/ou numériquement. Ainsi, l'observation de structures de petites dimensions ou perçues comme de petites dimensions au grandissement d'observation sont perçues comme des images contenant une texture.
[014] Dans le cadre de l'invention, le terme texture se rapporte à ce qui est visible ou observable sur une image tandis que le terme structure ou microstructure se rapporte au sujet matériel en lui- même. La texture d'intérêt de la région de reconnaissance est qualifiée de texture à composante aléatoire en ce qu'elle comprend au moins une partie ou une certaine proportion d'aléa ou d'irrégularité. Ainsi, une texture ou microtexture de la région de reconnaissance, dite image à texture à composante aléatoire, correspond à une image de la structure ou microstructure de la région de reconnaissance. L'imagerie dans des conditions similaires d'observation selon des points de vue voisins d'une telle région de reconnaissance fournit des images comportant chacune une texture à composante aléatoire qui est le reflet bruité de sa structure matérielle. Une telle texture à composante aléatoire hérite sa non-prédictibilité et son indépendance vis à vis d'une texture à composante aléatoire issue d'une région de reconnaissance complètement différente, de la part d'aléa dans la formation de leurs structures matérielles.
[015] Dans le cadre de l'invention, il est entendu par « image », qu'elle soit candidate, de référence, ou d'apprentissage tout type d'image au sens général du terme et pas uniquement une image assimilable à une photographie. Autrement dit, une image n'est pas limitée au seul sens d'une image optique résultant de la sollicitation de la région de reconnaissance par un rayonnement lumineux visible, mais peut au contraire être obtenue par tout type de sollicitation physique parmi lesquelles il est possible notamment de citer : les ultrasons, l'Infra-rouge lointain, les Tera-Hertz, les rayonnements X ou gamma, la tomographie X ou laser, la radiographie X, la résonance magnétique, sans que cette liste ne soit limitative ou exhaustive. Ainsi, au sens de l'invention une image est, par exemple, l'enregistrement du résultat de la stimulation par un moyen quelconque d'une scène naturelle ou d'un sujet matériel. Cet enregistrement pourra alors être qualifié d'image naturelle. Cet enregistrement est susceptible de présenter une seule dimension correspondant alors par exemple à l'enregistrement de la variation dans le temps ou le long d'une ligne d'un signal unique, ou encore enregistrement des valeurs d'une ligne de capteurs. Cet enregistrement est aussi susceptible de posséder deux dimensions comme cela est le cas d'une photographie qui pourra être enregistrée, en demi-tons, en niveau de gris ou encore en couleur. Au sens de l'invention, une « image » peut donc être un signal 1D, une image 2D ou 3D, à niveaux de gris ou en couleur, ou encore un signal à nD (n dimensions), par exemple hyper-spectrale ou RGB-D. Au sens de l'invention, une « image » peut être le résultat d'une acquisition unique ou extraite d'un flux. Ainsi dans le cadre de l'invention, une « image » peut être extraite d'un flux vidéo. Dans un mode de mise en oeuvre, l'image peut être sauvegardée sous forme numérique. De plus, une image mise en oeuvre dans le procédé selon l'invention peut être une image préalablement segmentée, notamment lorsqu'elle comprend plusieurs sujets matériels dans une même scène ou une répétition d'un même motif. Bien entendu, une image n'est pas nécessairement naturelle et elle peut être de synthèse c'est-à-dire qu'elle peut être générée par un processus informatique avec ou sans l'assistance d'un opérateur humain. Dans le cadre de l'invention, une image naturelle et une image de synthèse ont en commun qu'elles sont dans un même format d'enregistrement numérique ou analogique en vue de leur traitement dans le cadre d'un même processus. Des pré-traitements optiques et\ou numériques d'amélioration de l'image peuvent aussi lui être appliqués pour un meilleur rapport signal à bruit par exemple.
[016] Selon une première forme de mise en oeuvre de l'invention, pour leur traitement conjoint les images candidate et de référence sont superposées et il est fourni au réseau de neurones artificiels une image résultant de la superposition de l'image candidate et de l'image de référence, le réseau de neurones artificiels ayant été entraîné au moyen d'images à texture à composante aléatoire superposées, les images résultantes ou images de superposition présentant pour certaines un motif de Glass et, pour d'autres, ne présentant pas de motif de Glass.
[017] Par superposition d'images on entend, toute combinaison de tout ou partie d'au moins deux images permettant d'obtenir une nouvelle image dans laquelle contribuent tout ou partie des images d'origine. Selon une caractéristique préférée de l'invention, les images d'authentification, de référence, et de vérification, candidate, ne subissent, en vue de la superposition, pour la phase de vérification aucune transformation autre que des opérations d'amélioration ou de modification du contraste, de la luminosité, de transformation en demi-teinte, de changement d'espace colorimétrique telles que le passage en niveaux de gris ou en noir et blanc, des opérations de modification de la saturation dans certaines teintes, inversion des niveaux ou encore des modifications d'opacité relative via le canal alpha. Ainsi, selon cette caractéristique préférée, les images subissent, de manière générale, des transformations dites d'amélioration qui n'affectent pas la possibilité de reconnaître visuellement la nature du sujet. De manière préférée, les transformations appliquées ne dénaturent pas les images, en particulier les textures à composante aléatoire continues qu'elles contiennent.
[018] Dans ce contexte une superposition consiste notamment à :
- superposer une image sur une autre en alignant les deux images et en les empilant l'une sur l'autre
- calculer la différence entre deux images en soustrayant les valeurs de pixel de l'une des images de l'autre / Moyenne pondérée : Calculer une moyenne pondérée des deux images - mélanger deux images en utilisant une fonction de mélange. Cette méthode permet de combiner les canaux de couleur des deux images pour créer un effet de mélange
- procéder à une superposition avec « alpha-blending » : Cette méthode consiste à utiliser un canal alpha pour contrôler la transparence de l'image superposée ,
- procéder à une superposition avec décalage, à savoir décaler l'image superposée par rapport à l'image de base,
- procéder à une superposition avec une modification d'échelle à savoir redimensionner l'image superposée pour comparer des zones d'intérêt de différentes tailles,
- procéder à une superposition avec opacité variable à savoir ajuster l'opacité de l'image superposée pour comparer visuellement les images en fonction de l'opacité souhaitée,
- procéder à une superposition avec masque de sélection à savoir, créer un masque de sélection pour spécifier les zones à superposer dans chaque image. Il est à noter qu'un motif de Glass est susceptible d'apparaître lors de la visualisation de la superposition de plus de deux images. Aussi, dans le cadre de l'invention de l'invention, la notion de superposition vise la superposition d'au moins deux images.
[019] Selon une deuxième forme de mise en oeuvre de l'invention, il est fourni conjointement au réseau de neurones artificiels l'image candidate et l'image de référence sans superposition de celles- ci, le réseau de neurones artificiels ayant été entraîné au moyen de paires d'images à textures à composante aléatoire non superposées, dites paires d'apprentissage, et dont pour certaines la superposition fait apparaître ou est susceptible de faire apparaître un motif de Glass, et pour d'autres la superposition ne fait pas et n'est pas susceptible de faire apparaitre un motif de Glass. [020] Selon une variante de cette deuxième forme de mise en oeuvre, pour leur traitement conjoint les deux images à traiter, soit de chaque paire d'apprentissage, soit les images de référence et candidate, sont assemblées en étant juxtaposées sans recouvrement pour ne former qu'une seule et même image qui sera fournie au réseau de neurones artificiels. De manière préférée cet assemblage est effectué après tout éventuel recalage éventuellement suivi d'une transformation résiduelle. Dans le cadre de l'invention, un assemblage par juxtaposition sans recouvrement correspond à une concaténation.
[021] Selon une autre variante de cette deuxième forme de mise en oeuvre, pour leur traitement conjoint les deux images à traiter sont fournies simultanément au même réseau de neurones artificiels et/ou à deux entrées distinctes de ce même réseau de neurones artificiels. Le terme « entrée » est ici synonyme de « canal ».
[022] Dans le cadre de cette deuxième forme de mise en oeuvre, et selon une variante de l'apprentissage correspondant, l'apprentissage est réalisé au moyen, d'une part, d'images dont on sait que la superposition est susceptible d'engendrer un motif de Glass, sans aucune précaution particulière en ce qui concerne leur présentation au réseau de neurones artificiels à entraîner, et, d'autre part, d'images dont on sait que la superposition n'est pas susceptible d'engendrer l'apparition de motifs de Glass au sens de l'invention. Par aucune précaution particulière, il convient d'entendre que les images d'une même paire n'ont fait l'objet d'aucun recalage que cela soit en phase d'apprentissage ou en phase d'exploitation.
[023] En procédant ainsi il a été obtenu un réseau de neurones artificiels configuré pour être sensible au motif de Glass obtenant un taux d'identification de l'ordre de 80 % en phase d'exploitation sans qu'il soit possible d'améliorer substantiellement ce taux d'authentification en augmentant la taille des bases d'apprentissage. Par « images dont on sait que la superposition est susceptible d'engendrer l'apparition de motifs de Glass », il convient de comprendre qu'il s'agit d'images à partir de la superposition desquelles un opérateur humain observera de manière certaine un motif de Glass éventuellement après avoir été effectué des opérations de recalage, manuel par exemple.
[024] Un tel taux d'identification de 80 % peut être satisfaisant, dans certaines applications, notamment, lorsqu'il est possible de faire réaliser un deuxième contrôle par un opérateur mettant en oeuvre l'invention telle que décrite dans le brevet EP 3380987 au nom de la demanderesse. Cependant, ce taux n'est pas suffisant lorsqu'il est nécessaire de traiter un grand nombre de sujets matériels, ou leurs images, dans un temps limité et réduit, limitant la possibilité d'intervention humaine.
[025] Il est donc apparu le besoin d'améliorer le taux d'authentification ou de reconnaissance. À cet effet, une variante de la deuxième forme de mise en oeuvre du procédé selon l'invention, propose de recaler les images de chaque paire d'apprentissage, l'une par rapport à l'autre puis de leur appliquer une transformation résiduelle préalablement à leur soumission au réseau de neurone artificiels dans le cadre de la phase d'apprentissage. Il a été constaté que de manière tout à fait surprenante le fait de mettre en oeuvre un recalage puis d'appliquer une transformation résiduelle préalablement à la présentation des images des paires d'apprentissage permettait d'obtenir de meilleurs résultats que lorsqu'il n'était pris aucune précaution. En procédant ainsi, il a été possible d'atteindre en phase d'exploitation des taux d'authentification de l'ordre de 95 % voire supérieurs à cette valeur.
[026] Au sens de l'invention, une transformation résiduelle ou transformation géométrique résiduelle est une transformation géométrique légère non nulle à appliquer localement à l'image ou aux images choisie de type rigide ou non, de nature linéaire ou non linéaire, à au moins un point fixe ou quasi-fixe. Parmi les transformations géométriques applicables, il est ainsi possible de mettre en oeuvre les transformations décrites par Léon Glass dans ses articles de 1973 et 2002 cités précédemment. Par point quasi-fixe il convient d'entendre un point subissant après transformation géométrique résiduelle un déplacement de faible amplitude vis à vis du déplacement maximal causé par la transformation géométrique résiduelle. Dans le cas théorique d'une superposition parfaite d'éléments/d'images strictement identiques, il n'y a pas d'apparition d'un motif de Glass même en présence d'un sujet authentique, d'où la nécessité de la présence de cette transformation géométrique résiduelle et l'intérêt généralement de la mise en oeuvre d'un mouvement ou un déplacement relatif ou encore une déformation induite par une différence d'angle de prise de vue ou de point de vue entre les acquisitions de l'image d'authentification et de l'image de vérification. [027] Il est à noter que selon une variante de mise en oeuvre de l'invention, les paires d'apprentissage sont recalées et toutes ou certaines ne subissent pas de transformation résiduelle avant leur soumission conjointe au réseau de neurones artificiels en phase d'apprentissage.
[028] Selon une variante de l'invention, préalablement à leur traitement conjoint, les images candidate et de référence sont recalées l'une par rapport à l'autre. Dans le cadre de la première forme de mise en oeuvre de l'invention, le recalage intervient avant la superposition fournie au réseau de neurones artificiels pour le traitement conjoint.
[029] Selon l'invention le recalage de deux images peut être réalisé soit l'une par rapport à l'autre soit chacune par rapport une image de recalage commune distincte des deux images recalées. Ainsi, les images d'une paire d'apprentissage peuvent être recalées chacune par rapport à une image de recalage qui sera utilisée pour le recalage des images de toutes les paires d'apprentissage. Cette image de recalage, qui peut être appelée image pivot, pourra aussi être utilisée en phase d'exploitation pour le recalage des images candidate et de référence.
[030] Dans le cadre de cette variante et selon une caractéristique de l'invention, postérieurement au recalage et préalablement à leur traitement conjoint les images candidate et de référence font l'objet d'une transformation résiduelle l'une par rapport l'autre. Dans le cadre de la première forme de mise en oeuvre de l'invention la transformation résiduelle est appliquée après le recalage et avant la superposition fournie au réseau de neurones artificiels pour le traitement conjoint.
[031] Il est à noter que ces recalages et transformations résiduelles peuvent être appliqués aux images constitutives des paires d'apprentissage, comme cela a été présenté plus haut.
[032] Selon une caractéristique de l'invention, le procédé conforme à l'invention selon sa première forme de mise en oeuvre est utilisé pour labelliser des paires d'apprentissage utilisées pour l'apprentissage, également appelé entraînement, du procédé conforme à l'invention selon sa deuxième forme de mise en oeuvre.
[033] Selon un mode de mise en oeuvre du procédé conforme à l'invention, le réseau de neurones artificiels est adapté pour traiter des images ou imagettes de dimensions données et lorsque les images à traiter sont de taille supérieure, les images à traiter sont découpées en sous-images ou imagettes de taille adaptée qui sont soumises directement au réseau de neurones artificiels. [034] Dans le contexte de la présente demande et lorsqu'il est fait référence aux traitements réalisés par l'invention, le terme image est utilisé de préférence pour le résultat de l'acquisition tandis que le terme imagette est utilisé pour l'objet qui est traité par chaque réseau neuronal. Toutefois, il convient de noter que les images et les imagettes sont de même nature à éventuellement leur taille ou dimension près de sorte que ces termes peuvent être utilisés l'un pour l'autre selon le contexte, sans que cela nuise à la compréhension de l'invention par l'homme du métier. En effet, les termes image(s) et imagette(s) sont utilisés pour faciliter la compréhension de l'exposé de l'invention et ne doivent donc pas être interprétés comme ayant un caractère limitatif. De la même manière, dans certains cas, les sous-images pourront également être désignées par le terme pavé, ce terme également utilisé pour faciliter la description de l'invention ne doit pas être interprété de manière limitative.
[035] Selon une caractéristique de ce mode de mise en oeuvre du procédé conforme à l'invention, les images candidate et de référence sont recalées préalablement à leur découpage.
[036] Selon une caractéristique préférée de l'invention, le recalage est effectué avant le découpage tandis que la transformation résiduelle est appliquée après le découpage.
[037] Selon caractéristique du procédé conforme à l'invention, chaque image candidate est issue d'un flux vidéo. Cette caractéristique permet dans certains contextes de mise oeuvre d'éviter les opérations de recalage et de transformation résiduelles appliquées aux images candidate et de référence préalablement à leur traitement par chaque réseau neuronal. Cela est notamment le cas, lorsque que le flux vidéo est issu d'une acquisition d'un sujet matériel à authentifier effectuée par un opérateur qui procède à un recalage grossier en cours d'acquisition.
[038] Selon une caractéristique préférée de l'invention au moins un réseau de neurones artificiels mis en oeuvre est un réseau de neurones convolutifs.
[039] L'invention concerne également un produit programme d'ordinateur comprenant des instructions de code pour l'exécution d'un procédé conforme à l'invention d'authentification unitaire d'un sujet matériel à partir d'une image de référence et d'une image candidate, lorsque le programme est exécuté sur un ordinateur. Un tel produit programme d'ordinateur peut alors être embarqué ou enregistré dans un ordinateur ou analogue. Dans le cadre de l'invention le terme ordinateur doit être entendu au sens large comme désignant notamment, un ordinateur personnel, un smartphone, une tablette, un serveur virtuel ou physique ou toute unité de calcul et de traitement susceptible de mettre en oeuvre un programme informatique et adaptée à la mise en oeuvre de l'invention.
[040] L'invention concerne aussi un moyen de stockage lisible sur un équipement informatique sur lequel un programme d'ordinateur comprend des instructions de code pour l'exécution d'un procédé conforme à l'invention d'authentification d'un sujet matériel à partir d'une image de référence et d'une image candidate.
[041] L'invention se rapporte par ailleurs à un dispositif informatique comprenant au moins des moyens d'affichage, des moyens d'acquisition d'images, des moyens de saisie d'informations par un utilisateur, des moyens de stockage d'information communiquant avec des moyens de calcul et de commande configurés pour mettre en oeuvre le procédé conforme à l'invention d'authentification d'un sujet matériel à partir d'une image référencée d'une image candidate.
[042] Les différents modes de mise en oeuvre, formes de réalisation, caractéristiques et variantes de l'invention peuvent être mis en oeuvre les uns avec les autres selon différentes combinaisons dans la mesure où ils ne sont pas exclusifs les uns des autres ou incompatibles entre eux.
[043] Diverses autres caractéristiques et variantes de l'invention ressortent de la description ci- dessous réalisée en relation avec les figures dans lesquelles : la Fig. 1 est une représentation schématique d'un premier mode de réalisation de l'invention mettant en oeuvre un réseau neuronal à convolution, la Fig. 2 illustre la superposition d'imagettes résultant d'un traitement d'une image de référence et d'une image candidate, dans lequel le découpage est réalisé après recalage des deux images et application d'une transformation résiduelle, la Fig. 3 illustre la superposition d'imagettes résultant d'un autre traitement de l'image de référence et de l'image candidate utilisées à la figure 2, dans lequel les images sont recalées puis sont découpées, la transformation résiduelle étant appliquée sur les imagettes obtenues avant leur superposition, la Fig. 4 montre des imagettes d'ensembles d'apprentissage utilisés pour l'entraînement de réseaux neuronaux à convolution mise en oeuvre dans le cadre de l'invention, la partie droite de la figure montrant le résultat de la superposition des imagettes situées sur une même ligne à gauche, la Fig. 5 est une représentation schématique d'un deuxième mode de réalisation de l'invention, la Fig. 6 est une représentation schématique du fonctionnement d'un module découpage d'image mis en oeuvre dans le cadre du deuxième mode de réalisation de l'invention.
[044] Sur les figures les éléments communs aux différents modes de réalisation portent les mêmes références. Par ailleurs, les différents modes de réalisation, présentés en relation avec les figures, correspondent à des exemples non limitatifs de possibilités d'exécution et de mise en oeuvre de l'invention.
[045] Comme indiqué précédemment, l'invention met en oeuvre un réseau de neurones artificiels convolutifs pour assurer l'authentification de sujets matériels à partir d'images d'une région d'authentification de ces sujets les images comprenant au moins une texture à composante aléatoire. Dans une forme préférée de mise en oeuvre, l'invention permet d'assurer une authentification unitaire, c'est-à-dire, une image de référence également dite image d'authentification correspond à un seul et unique sujet matériel.
[046] Ainsi, par authentification unitaire, on entend une reconnaissance unitaire d'une région d'un sujet matériel. Cette reconnaissance peut avoir une force probante plus ou moins élevée selon la criticité du cas d'usage considéré et les mesures mises en oeuvre pour augmenter cette force probante comme par exemple de manière non exclusive : l'intervention ou pas d'un tiers de confiance, la sélection de capteurs d'acquisition très élaborés en terme de résolution et de conditions d'illumination pour effectuer l'acquisition des images de référence et utilisation des mêmes pour l'acquisition des images candidates, la maîtrise totale de l'environnement informatique mis en oeuvre, sans que cette liste ne soit ni exhaustive ni limitative.
[047] Selon l'invention le sujet authentique peut subir des modifications après l'enregistrement de l'image de référence, également appelée image d'authentification dans le contexte du brevet EP 3380987, tout en restant authentifiable dans la mesure où une partie de la région d'authentification n'a pas été profondément affectée par ces modifications volontaires ou non.
[048] Afin de pouvoir être mis en oeuvre sur des dispositifs portatifs et/ou de ne pas nécessiter d'importantes ressources de calcul, fortement consommatrices d'énergie par ailleurs, l'invention propose de mettre en oeuvre des réseaux de neurones artificiels qui pourraient être qualifiés de frugaux en ce qu'ils comprennent un nombre limité voire réduit de couches. Dans une forme préférée, l'invention met oeuvre des réseaux de neurones convolutifs comprenant un nombre limité de couches de neurones de convolution et de couches de neurones complètement ou densément connectés.
[049] Parmi les exemples de réseaux de neurones artificiels convolutifs également désignés par l'abréviation « CNN » pour en anglais « Convolutional Neural Network », susceptibles d'être mis en oeuvre par l'invention, il est possible de citer à titre indicatif deux exemples, les réseaux de neurones LetNet ou letNeT-5 et les réseaux de neurones AlexNet. Il est également possible de se reporter aux pages Wikipédia en français et en anglais ayant pour titre respectivement « réseau neuronal convolutif » et « convolution neural network » pour disposer d'autres exemple de réseaux de neurones convolutifs et d'explication de la structure de ces derniers.
[050] Selon une forme préférée de mise en oeuvre de l'invention, il est utilisé un réseau de neurones artificiels convolutifs comprenant un empilement de couches de traitement à savoir :
- couches de convolution CONV qui traitent les données d'un champ récepteur à savoir une image,
- couches de pooling POOL qui permettent de compresser l'information en réduisant la taille de l'image intermédiaire
- couches de correction souvent appelées par abus ReLU par référence à la fonction d'activation linéaire rectifiée, - couches complètement ou densément connectées, FDC
- couche de LOSS (fonction de perte) qui peut être également dite couche de perte.
[051] Il doit être noté que pour certains auteurs la couche de LOSS est considérée comme ne faisant pas partie du réseau neuronal aussi dans le cadre de l'invention un réseau neuronal ne présente pas nécessairement une telle couche. De plus, la couche dite de LOSS n'est présente qu'en phase d'apprentissage et pas en phase d'exécution.
[052] Ainsi et comme cela ressort de la figure 1, un exemple d'un tel réseau de neurones artificiels convolutifs, désigné dans son ensemble CNN, configuré pour traiter une imagette rectangulaire img de m x n pixels, avec de préférence m et n supérieurs ou égaux à 64, par exemple de 128x128 pixels étant entendu que m et n ne sont pas nécessairement égaux. Le réseau neuronal CNN comprend un bloc de traitement de convolution 1 suivi d'un bloc de traitement à neurones artificiels complètement ou densément connectés 2.
[053] Selon l'exemple illustré le réseau CNN comprend, en outre, entre le bloc de convolution 1 et le bloc de traitement 2 à neurones artificiels complètement ou densément connectés, une couche FLAT de traitement de la sortie du bloc de convolution 1 avant sa fourniture au bloc 2.
[054] Selon l'exemple illustré, le bloc de convolution 1 comprend successivement et dans cet ordre :
- une première couche de convolution 11,
- une première couche de correction 12,
- une première couche de pooling 13,
- une deuxième couche de convolution 14,
- une deuxième couche de correction 15,
- une deuxième couche de pooling 16,
- une troisième couche de convolution 17
- une couche de correction 18 qui se trouve être la dernière couche du bloc de convolution 1.
[055] La première couche de convolution 11 est, dans le cas présent, une couche de convolution 2D paramétrée pour traiter l'ensemble de l'image par tuiles (kernels ou filtres) de 3 par 3 pixels avec un pas de 1 pixel. La première couche de correction 12 met ici en oeuvre une fonction d'activation de type ReLU pour en anglais « Rectified Linear Unit » pour traiter le résultat de la première couche de convolution 11. La première couche de pooling 13 assure, selon l'exemple illustré, une opération de pooling maximal pour des données spatiales 2D avec une fenêtre de 2x2 et un pas (Stride) de 2 et cela sur le résultat du traitement assuré par la première couche de correction 12.
[056] La deuxième couche de convolution 14 est, dans le cas présent, une couche de convolution 2D paramétrée pour traiter la sortie de la première couche de pooling 13 par tuiles de 5 par 5 pixels avec un pas de 2 pixels. La deuxième couche de correction 15 met ici en oeuvre une fonction d'activation de type ReLU pour en anglais « Rectified Linear Unit » pour traiter le résultat de la deuxième couche de convolution 14. La deuxième couche de pooling 16 assure, selon l'exemple illustré, une opération de pooling maximal pour des données spatiales 2D avec une fenêtre de 2x2 et un pas (Stride) de 2 sur le résultat issu de la deuxième couche de correction 15.
[057] La troisième couche de convolution 17 est, dans le cas présent, une couche de convolution 2D paramétrée pour traiter le résultat de la deuxième couche de pooling 16 par tuiles de 5 par 5 pixels avec un pas de 2 pixels. La troisième couche de correction 18 met ici en oeuvre une fonction d'activation de type ReLU pour en anglais « Rectified Linear Unit » pour assurer le traitement du résultat de la troisième couche de convolution 17. Selon l'exemple illustré la troisième couche de correction 18 et la dernière couche du bloc de convolution 1.
[058] Un exemple de code pour la définition du bloc de convolution 1 tel que décrit précédemment en langage Pytorch est le suivant : self.cnnl= nn. Sequential nn.Conv2d(l, 128, kernel_size=3, stride=l), nn.ReLU(inplace=True) , nn.MaxPool2d(2, stride=2), nn.Conv2d(128, 256, kernel_size=5, stride=2), nn . ReLU(inplace=True), nn.MaxPool2d (2, stride=2), nn . Conv2d(256, 512, kernel_size=5, stride=2), nn.ReLU(inplace=True) ,
[059] Le réseau neuronal CNN comprend à la sortie du bloc de convolution 1 une couche de traitement FLAT, ayant la référence 19, qui assure la mise à plat sous la forme d'un vecteur ou matrice à une seule ligne le résultat du traitement issu de la troisième couche de correction 18.
[060] En aval de la couche de traitement 19, le réseau neuronal CNN comprend le bloc de traitement 2 à réseau neuronal complètement ou densément connecté. Selon l'exemple illustré, le bloc 2 comprend successivement et dans cet ordre :
- une première couche 20 de neurones densément ou complètement connectés
- une première couche de correction 21,
- une deuxième couche 22 de neurones densément ou complètement connectés,
- une deuxième couche de correction 23,
- une troisième couche 24 de neurones densément ou complètement connectés qui est, selon l'exemple illustré, la dernière couche du bloc 2. [061] Selon l'exemple illustré la première couche 20 est une couche linéaire de neurones artificiels recevant 512 entrées et délivrant 1024 sorties. Par couche linéaire, il est entendu une ligne de neurones, c'est-à-dire, une couche avec une seule épaisseur de neurones.
[062] La première couche de correction 21, du bloc 2, met ici en oeuvre une fonction d'activation de type ReLU pour en anglais « Rectified Linear Unit » appliquée à chacune des 1024 sorties de la couche 20.
[063] La deuxième couche 22 est une couche linéaire de neurones artificiels recevant 1024 entrées et délivrant 256 sorties.
[064] La deuxième couche de correction 23, du bloc 2, met ici en oeuvre une fonction d'activation de type ReLU pour en anglais « Rectified Linear Unit » appliquée à chacune des 256 sorties de la couche 22.
[065] Enfin la troisième et dernière couche 24 est une couche linéaire de neurones artificiels recevant 256 entrées et délivrant 1 sortie.
[066] Un exemple de code pour la définition du bloc 2, à réseau neuronal complètement ou densément connecté, tel que décrit précédemment en langage Pytorch est le suivant : self.fcl = nn. Sequential nn . Linear(512, 1024), nn. ReLU(inplace=True), nn.Linear(1024, 256), nn.ReLU(inplace=True), nn . Linear(256, 1),
[067] Selon l'exemple illustré, le réseau neuronal CNN comprend, enfin, une couche de sortie 24 qui, dans le cas présent, assure une normalisation, de la valeur délivrée par la troisième et dernière couche 24 du bloc 2, sous la forme d'un réel, compris entre 0 et 1 .
[068] Il est à noter que les différentes valeurs des fonctions mentionnées dans les exemples de code Pytorch sont désignées par le terme générique d'hyperparamètres, il s'agit de données qui ne sont pas mises automatiquement à jour lors des phases d'apprentissage également appelé phases d'entraînement par opposition aux paramètres qui eux le sont, comme par exemple, le poids des connexions entre neurones artificiels et les biais de ceux-ci.
[069] Selon l'exemple illustré, il est mis en oeuvre en amont du réseau CNN, un bloc d'entrée INPUT qui fait subir à chaque image ou paires d'images à traiter différentes opérations de traitement préalablement à leur fourniture au réseau neuronal CNN. Par exemple, lorsque l'image à traiter IMG présente une taille supérieure à celle de l'imagette img susceptible d'être traitée par le réseau neuronal CNN, le bloc d'entrée INPUT assurera un découpage ou une décomposition de l'image à traiter IMG en sous image ou imagettes img qui seront directement fournies au réseau neuronal CNN, c'est-à-dire que tous les traitements susceptibles d'être réalisés par le bloc d'entrée INPUT le seront préalablement audit découpage. Dans le cadre de la présente demande, le découpage effectué par le module de découpage correspond à un découpage d'une image en une multiplicité d'imagettes de taille inférieure ou encore en une multiplicité de pavés de taille inférieure.
[070] L'entraînement, également appelé apprentissage, d'un réseau de neurones artificiels se déroule selon un certain nombre de phases bien connues de l'homme du métier qui sont les suivantes :
1/lnitialisation des poids : Les poids des connexions entre les neurones sont initialisés avec de petites valeurs aléatoires.
2/Présentation des imagettes d'entraînement : Les imagettes d'entraînement sont introduites dans le réseau, en commençant par la couche d'entrée et en se propageant vers la couche de sortie du réseau.
3/Calcul de la sortie : Le réseau calcule la sortie pour l'entrée donnée, en appliquant des fonctions d'activation non linéaires dans chaque neurone.
4/Calcul de l'erreur : L'erreur entre la sortie réelle et la sortie prédite est calculée, généralement en utilisant une fonction de perte.
5/ Rétropropagation de l'erreur : L'erreur est propagée en arrière dans le réseau, à travers chaque couche, en ajustant les poids des connexions entre les neurones.
6/Mise à jour des poids : Les poids sont ajustés en fonction du gradient de l'erreur, en utilisant une méthode d'optimisation par exemple telle que la descente de gradient.
7/Répétition : Les étapes 2 à 6 sont répétées pour un grand nombre d'époques (itérations), jusqu'à ce que le réseau atteigne une précision acceptable sur les imagettes d'entraînement.
8/Évaluation/Test : Le réseau entraîné est évalué sur un ensemble d'imagettes de test pour estimer ses performances.
[071] Une « époque » dans le contexte de l'apprentissage automatique correspond à un passage complet dans le réseau CNN de toutes les imagettes ou paire d'imagettes d'entraînement (respectivement de test). En d'autres termes, une époque est une itération complète où le modèle voit toutes les imagettes ou paires d'imagettes d'entraînement (respectivement de test) une fois, et où les poids et les biais sont mis à jour en conséquence. Par exemple, si l'ensemble des imagettes ou paires d'imagettes d'entraînement (respectivement de test) contient 1000 imagettes ou paires d'imagettes, une époque correspond à la présentation de ces 1000 imagettes ou paires d'imagettes au réseau CNN, et à la mise à jour des poids et des biais après chaque lot de paire(s) d'images. Il est important de noter que le terme "époque" est souvent utilisé de manière interchangeable avec le terme "itération", mais ils ont des significations légèrement différentes. Une itération peut correspondre à une présentation d'une seule imagette ou paire d'imagettes dans le contexte de l'invention, tandis qu'une époque correspond à un passage complet dans le réseau CNN de toutes les imagettes ou paires d'imagettes.
[072] La notion de convergence (phase d'entraînement et de test on parle également de phase d'entraînement et de validation) est essentielle à la validation du processus d'apprentissage. La convergence sur les imagettes d'entraînement est utilisée pour ajuster les hyperparamètres du modèle de réseau et pour déterminer si le modèle a convergé, tandis que la convergence sur les imagettes de test est utilisée pour évaluer la performance finale du modèle sur des imagettes inconnues. La convergence d'un réseau de neurones est le processus par lequel le réseau apprend à représenter les relations entre les entrées et les sorties, et où les poids et les biais des neurones sont ajustés pour minimiser l'erreur de prédiction.
[073] Il est important de noter que la convergence d'un réseau de neurones n'est pas toujours garantie, et qu'il est possible que le réseau ne converge pas vers une solution optimale.
[074] La convergence de l'entraînement se produit lorsque la perte (ou erreur) du modèle sur les imagettes ou paires d'imagettes d'entraînement diminue au fil des itérations d'apprentissage (époques) et atteint un plateau. Cela signifie que le modèle a appris à représenter les relations entre les entrées et les sorties dans les images d'entraînement.
[075] La convergence du test se produit lorsque la perte du modèle sur les images de test diminue au fil des itérations d'apprentissage (époques) et atteint un plateau. Par perte du modèle, il faut entendre les imagettes ou paire d'imagettes qui n'ont pas été reconnues alors qu'elles auraient dues l'être. Cela signifie que le modèle généralise bien aux nouvelles images qu'il n'a pas vues pendant l'entraînement.
[076] L'objectif est d'obtenir une convergence simultanée des phases d'entraînement et de test, ce qui signifie que le modèle apprend à représenter les relations entre les entrées et les sorties dans les images d'entraînement et généralise bien aux nouvelles images.
[077] Si la convergence de la phase d'entraînement est rapide, mais que la convergence de la phase de test est lente ou n'arrive pas, cela peut indiquer que le modèle est en sur-apprentissage. C'est à dire que le modèle est trop spécialisé pour les images d'entraînement et ne généralise pas bien aux nouvelles images.
[078] Inversement, si la convergence de la phase de test est rapide, mais que la convergence de la phase d'entraînement est lente ou n'arrive pas, cela peut indiquer que le modèle est en sous- apprentissage. Cela signifie que le modèle n'a pas appris suffisamment les relations entre les entrées et les sorties dans les images d'entraînement.
[079] En résumé, la convergence des phases d'entraînement et de test est un indicateur important de la performance d'un modèle de réseau CNN, et il est essentiel de surveiller ces deux métriques pour ajuster les hyperparamètres et améliorer la performance du modèle de réseau CNN mis en oeuvre. L'apprentissage « complet » comprend les phases d'entrainement et de test, ce n'est donc qu'après avoir subi les phases d'entrainement et de test qu'un réseau neuronal est mis en exploitation.
[080] Une fois le réseau neuronal CNN entraîné, il est mis en oeuvre pour assurer, dans une phase, dite d'exploitation ou d'exécution, et conformément à l'invention, l'authentification d'un sujet matériel en confrontant, d'une part, au moins une image dite de référence d'au moins une région d'authentification d'un sujet authentique, l'image de référence comprenant au moins une texture à composante aléatoire, et d'autre part, une image dite candidate d'au moins une région d'authentification d'un sujet candidat l'image candidat comprenant au moins une texture à composante aléatoire.
[081] Ainsi pour chaque opération d'authentification il sera utilisé, d'une part, au moins une image acquise depuis une région de reconnaissance d'un sujet matériel candidat, appelée image candidate, et d'autre part au moins une image de référence acquise depuis une région de reconnaissance d'un sujet matériel de référence préalablement enregistrée, appelée image de référence.
[082] Le brevet EP 3 380987 expose des conditions d'acquisition des images de référence et candidate appropriées pour que leur superposition soit susceptible de faire apparaître un motif de Glass. Il convient notamment de retenir de ce brevet que le motif de Glass n'apparaît que dans le cas d'un sujet authentique et que s'il existe une transformation géométrique légère non nulle dite au sens de l'invention transformation géométrique résiduelle entre les images de vérification, candidate, et d'authentification, de référence, acquises dans les conditions données. Dans le cas théorique d'une superposition parfaite d'éléments/d'images strictement identiques, il n'y a pas d'apparition d'un motif de Glass même en présence d'un sujet authentique, d'où la nécessité de la présence de cette transformation géométrique résiduelle et l'intérêt généralement de la mise en oeuvre d'un mouvement ou un déplacement relatif ou encore une déformation induite par une différence d'angle de prise de vue ou de point de vue entre les acquisitions de l'image d'authentification et de l'image de vérification. Cette propriété des motifs de Glass offre une grande robustesse au procédé selon l'invention dans la mesure où il n'est pas nécessaire que les conditions d'acquisition de l'image de vérification, candidate, soient strictement identiques aux conditions d'acquisition de l'image d'authentification, de référence. Ainsi, par exemple, les résolutions des images d'authentification, de référence, et de vérification, candidate, peuvent notamment être différentes.
[083] Dans le cas du procédé conforme à l'invention, les images de référence et candidate sont confrontées dans un processus mettant en oeuvre un réseau neuronal tel que, par exemple, décrit précédemment et qui a été entraîné comme cela a été dit. Par « confrontées » il faut comprendre que le résultat du processus dépend de ces deux images et qu'il est absolument nécessaire d'en disposer pour pouvoir mettre en oeuvre l'invention et que les images de référence et candidate sont deux données d'entrée du procédé selon l'invention qui sont traitées conjointement.
[084] A noter que l'on peut utiliser des images d'origine, candidate et de référence, de grandes dimensions et alors on doit les découper pour les adapter aux imagettes que le réseau CNN choisi accepte en entrée. Par exemple, si les images candidate et de référence sont des images de taille 3840 x 2880 pixels et que le réseau CNN est configuré pour traiter des imagettes de taille 128 x 128 pixels on pourra découper les images candidate et de référence en 660 imagettes. À cet effet et comme le montre la figure 1, il est mis en oeuvre, avant le réseau neuronal CNN, un bloc d'entrée INPUT qui comprend un module de découpage ECH et fournit successivement chacune des imagettes résultant du découpage au réseau neuronal CNN.
[085] Vu le grand nombre d'imagettes traitées, il sera considéré que la reconnaissance unitaire de la région d'authentification est obtenue si un pourcentage donné des imagettes candidates a été reconnue comme mettant en oeuvre le phénomène de Glass sur les deux images d'origines considérées. A cet égard il doit être remarqué qu'il est possible de conclure à l'authentification si le phénomène de Glass est identifié pour au moins une imagette candidate présentée. Afin de procéder au traitement impliqué par ce mode de décision, il est mis en oeuvre après le réseau CNN un bloc de sortie OUTPUT qui collectera la sortie du réseau CNN pour chacune des imagettes traitées par ce dernier et assurera les traitements permettant la prise de décision quant à l'identification ou non d'images montrant un phénomène de Glass ou susceptibles d'en faire apparaître un en cas de superposition avec ou sans recalage. Cette prise de décision est assurée de manière automatique et peut être validée par un opérateur visualisant le résultat de la superposition des imagettes ou images collectées.
[086] Selon une variante le bloc OUTPUT peut mettre en oeuvre une comparaison statistique avec indice de similitude entre imagettes, déterminer un seuil donné d'acceptation, par paire d'imagettes ou pour un ensemble d'imagettes localisées ou non sur le sujet matériel, et émettre une décision d'acceptation en y associant éventuellement un indice de confiance de cette décision.
[087] Dans un premier mode de réalisation de l'invention plus particulièrement illustré à la figure 1, les images de référence IMG Ref et candidate IMG Cand, sont soumises, pour leur traitement conjoint, au réseau neuronal CNN après avoir été superposées l'une sur l'autre. À cet effet, le bloc d'entrée INPUT comprend un premier module 30 qui assure tout d'abord un recalage des images de référence et candidate puis induit une transformation résiduelle l'une de ces deux images par rapport à l'autre.
[088] Par recalage, on entend notamment un recalage grossier c'est-à-dire un alignement approximatif des images entre elles, en se basant sur des caractéristiques générales comme la taille, l'orientation ou la position globale. Ce peut être réalisé par exemple en étape de reconnaissance par un opérateur équipé d'un capteur (e.g. un smartphone), qui amène ledit capteur en regard d'une région d'authentification d'un sujet matériel manuellement. Par recalage en entend aussi et notamment un recalage fin c'est-à-dire un alignement précis des images, en se basant sur des caractéristiques détaillées comme les contours, les textures ou les points d'intérêt, et qui peut aller jusqu'au niveau du pixel voire sub-pixel. Il doit être remarqué que dans le cadre d'un recalage grossier la mise en oeuvre de la transformation résiduelle n'est pas toujours nécessaire. Il doit en outre être noté que la notion de recalage couvre, dans le cadre de l'invention, le recalage de deux images l'une par rapport à l'autre mais aussi le recalage de deux images chacune par rapport à une même troisième qui pourrait être appelée image pivot ou image de recalage. Ainsi, dans le cadre de l'invention les images à traiter peuvent être toutes recalées par rapport à une même image pivot. [089] À la suite du premier module 30, le module d'entrée INPUT comprend un deuxième module 31 qui assure une superposition des images de référence et candidate après leur traitement par le premier module 30. L'image de la superposition issue du deuxième module 31 est alors fournie au module de découpage ECH. Selon cet exemple le découpage intervient après les opérations préalables effectuées sur les images de référence et candidate et cela juste avant la fourniture des imagettes img résultant du découpage au réseau neuronal CNN. Toutefois, cet ordre n'est pas strictement nécessaire et d'autres enchaînements des étapes de recalage, d'application de la transformation résiduelle et du découpage peuvent être envisagés. Ainsi, le découpage pourrait intervenir après le recalage mais avant l'application de la transformation résiduelle qui serait alors appliquée aux paires issues du découpage.
[090] La figure 2 illustre le résultat du découpage de la superposition de deux images ayant subi un recalage et une transformation résiduelle avant leur découpage tandis que la figure 3 illustre le résultat de la superposition des imagettes issues des deux mêmes images ayant subi un recalage puis un découpage et enfin une transformation résiduelle appliquée aux imagettes.
[091] Selon ce premier mode de réalisation, le réseau neuronal est entraîné avec deux ensembles d'apprentissage équilibrés : un ensemble d'imagettes labellisées « reconnues » constitué d'imagettes résultant de la superposition d'imagettes comprenant au moins une texture à composante aléatoire, cette superposition exhibant le phénomène de Glass et un ensemble d'imagettes labellisées « non reconnues » constitué d'imagettes résultant de la superposition d'imagettes comprenant au moins une texture à composante aléatoire, cette superposition n'exhibant pas un phénomène de Glass. Les ensembles sont dits équilibrés en ce qu'ils comprennent un même nombre ou tout au moins un nombre très proche d'imagettes. Dans le cas présent, chaque ensemble d'apprentissage comprend au moins 1000 imagettes et, de préférence, plus de 10000 imagettes. [092] La figure 4 montre un exemple d'une imagette imgl appartenant à l'ensemble des imagettes labell isées reconnues et exhibant un motif de Glass. Cette imagette imgl est le résultat de la superposition des deux imagettes qui sont situées à sa gauche sur la même ligne et qui forment une paire PI, d'imagettes d'apprentissage, labell isée « reconnue » ou « Glass ». La figure 4 montre également un exemple d'une imagette appartenant à l'ensemble des imagettes labellisées « non reconnues » et n'exhibant pas un motif de Glass. Cette dernière imagette est le résultat de la superposition des deux imagettes qui sont situées à sa gauche sur la même ligne et qui forment une paire P2, d'imagettes d'apprentissage, labellisée « non reconnue » ou « Non-Glass ». L'ensemble d'apprentissage comprend des paires d'apprentissage « Glass » et des paires d'apprentissage « non- Glass ».
[093] Dans un deuxième mode de réalisation plus particulièrement illustré la figure 5, les images candidate et de référence sont traitées conjointement sans qu'il soit mis en oeuvre une superposition de ces dernières préalablement à leur fourniture au réseau neuronal CNN.
[094] Le réseau neuronal CNN' mis en oeuvre dans le cadre de ce deuxième mode de réalisation est d'un modèle analogue à celui CNN décrit en relation avec la figure 1. Il en diffère en ce que l'imagette img' traitée par le réseau CNN' aura une taille double de celle img traitée par le réseau CNN. Ainsi, dans le cadre de ce deuxième mode de réalisation l'imagette img' aura une taille de m'x n' pixels avec par exemple l'un des deux m' ou n' supérieurs à 128 pixels et l'autre supérieur à 64 pixels. L'imagette aura dans le cas présent une dimension de 128 par 256 pixels.
[095] Les images de référence et candidate auront généralement une dimension supérieure à celle de l'imagette img' aussi le module découpage ECH du bloc d'entrée est configuré pour découper l'image candidate et l'image de référence en pavés PAV qui ont chacun une taille et une forme correspondant exactement à la moitié de l'imagette img'. Comme le montre la figure 5, le module de découpage ECH découpe l'image de référence IMG ref et l'image candidate IMG cand en pavés PAV dans un repère commun de manière à fournir en sortie du découpage l'ensemble des paires de pavés homologues ; c'est-à-dire toutes les paires constituées chacune d'un pavé de l'image de référence PAV ref et du pavé de l'image candidate PAV cand ayant exactement les mêmes coordonnées dans le repère que celle du pavé PAV ref.
[096] Selon l'exemple illustré, les pavés de chaque paire seront concaténées, juxtaposés, pour constituer chaque imagette Img' fournie au réseau neuronal CNN'. Cette opération sera, selon l'exemple illustré, effectuée par le module de découpage mais pourrait aussi être effectuée par un autre module distinct du module de découpage. Dans le contexte de l'invention et de la présente demande, le terme « paire » désigne soit le résultat de la concaténation de deux pavés, deux images ou deux imagettes, soit les deux pavés, deux images ou deux imagettes en ce qu'ils sont destinés à être traités conjointement sans pour autant avoir été assemblés ou concaténés. [097] Dans le cadre du deuxième mode de réalisation le bloc de sortie OUTPUT aura le même mode de fonctionnement que celui du mode de réalisation décrit en relation avec la figure 1. [098] Selon une première variante de ce deuxième mode de réalisation, le réseau neuronal est entraîné avec deux ensembles d'apprentissages équilibrés : un premier ensemble d'imagettes labellisées « reconnues » et un deuxième ensemble d'imagettes labellisées « non reconnues ». Chaque imagette du premier ensemble est constituée par la concaténation de deux pavés d'images comprenant au moins une texture à composante aléatoire, les deux pavés étant susceptibles après superposition d'exhiber le phénomène de Glass. La paire PI de la figure 4, montre deux pavés qui, concaténés, forment une imagette de l'ensemble « reconnues ». Comme cela a été indiqué précédemment par « pavés étant susceptibles d'engendrer l'apparition de motifs de Glass », il convient de comprendre qu'il s'agit de pavés à partir de la superposition desquels un opérateur humain, ayant une acuité visuelle normale ou moyenne, observera de manière certaine un motif de Glass éventuellement après avoir été effectué des opérations de recalage, manuel par exemple. Dans le cadre du premier ensemble d'entrainement, les pavés constitutifs d'une même imagette d'apprentissage peuvent lors d'une simple superposition, sans autre opération, soit faire apparaître un motif de Glass, soit ne pas faire apparaître de motif de Glass à un observateur ayant une acuité visuelle normale.
[099] Chaque imagette du deuxième ensemble est constituée par la concaténation de deux pavés d'images comprenant au moins une texture à composante aléatoire, la superposition des deux pavés ne pouvant pas exhiber le phénomène de Glass et cela même après une opération de recalage fin suivi de l'application d'une transformation résiduelle. La paire P2 de la figure 4, montre deux pavés qui, concaténés, forment une imagette de l'ensemble « non-reconnues ».
[100] Le réseau neuronal CNN' ainsi entraîné obtient lors des phases d'exploitation un score de l'ordre de 80% sans qu'il soit possible de beaucoup l'améliorer même en augmentant la taille et le nombre des ensembles d'entrainement. Il sera noté que dans le cadre de la première variante du deuxième mode de réalisation de l'invention, et selon l'exemple décrit précédemment, le bloc d'entrée ne comprend que le module de découpage ECH et il n'est effectué sur les images candidate et de référence aucun recalage et aucune transformation résiduelle préalablement à leur découpage. Cependant, il est possible de procéder à un recalage et/ou une transformation résiduelle sur les images de référence et candidate préalablement à leur découpage.
[101] Selon une deuxième variante du deuxième mode de réalisation de l'invention, il est mis en oeuvre le même réseau neuronal CNN' que précédemment mais son apprentissage, entrainement, est effectué avec des ensembles d'entrainement différemment constitués.
[102] Ainsi, selon la deuxième variante de ce deuxième mode de réalisation, le réseau neuronal est entraîné avec deux ensembles d'apprentissages équilibrés : un premier ensemble d'imagettes labellisées « Glass-direct » et un deuxième ensemble d'imagettes labellisées « non-Glass ». Cette labellisation peut avoir été effectuée par des opérateurs humains et/ou de manière automatique en mettant en œuvre, par exemple, le premier mode de réalisation de l'invention traitant des images résultant de la superposition d'images de textures à composante aléatoire.
[103] Chaque imagette « Glass-direct » du premier ensemble est constituée par la concaténation de deux pavés d'images comprenant au moins une texture à composante aléatoire, les deux pavés exhibant après superposition le phénomène de Glass pour un observateur ayant une acuité visuelle normale sans qu'il ne soit nécessaire de réaliser de traitement ou d'opération préalablement ou encore pendant la superposition. On parlera ici de simple superposition.
[104] Chaque imagette « non-Glass » du deuxième ensemble est constitué par la concaténation de deux pavés d'images comprenant au moins une texture à composante aléatoire, la superposition des deux pavés ne pouvant pas faire le phénomène de Glass et cela même après une opération de recalage fin suivi de l'application d'une transformation résiduelle.
[105] Une fois, l'apprentissage réalisé avec les deux ensembles « Glass direct » et « non-Glass », le réseau neuronal CNN' obtient en phase d'exploitation un pourcentage de réussite de supérieur à 90%.
[106] L'entrainement selon la deuxième variante permet d'obtenir un réseau neuronal CNN' moins sensible aux conditions d'acquisition des images et de recalage ce qui le rend plus robuste et en facilite la mise en œuvre dans le cadre d'applications industrielles et/ou grand public d'authentification de sujets matériels produits en grande série.
[107] Dans l'exemple précédent il a été identifié deux catégories ou classes d'imagettes, les imagettes « Glass-direct » et les imagettes « non-Glass », il est possible d'identifier une troisième catégorie d'imagettes dites « Glass-indirect ». Chaque imagette « Glass-indirect » est constituée par la concaténation de deux pavés d'images comprenant au moins une texture à composante aléatoire, la simple superposition de ces deux pavés n'exhibant pas le phénomène de Glass pour un observateur ayant une acuité visuelle normale. En revanche, la superposition des deux pavés de l'imagette « Glass indirect » exhibe un motif de Glass soit après un recalage grossier soit après un recalage fin suivi d'une transformation résiduelle. Les imagettes des catégories particulières « Glass direct » et « Glass indirect » appartiennent toutes deux à la catégorie générale des imagettes
« susceptibles d'engendrer l'apparition de motifs de Glass ».
[108] Dans le contexte de la présente demande, on pourra dire que les pavés d'une imagette
« Glass direct » sont normalisés ou normalisés l'un par rapport l'autre. Cette normalisation peut être réalisée par un opérateur ou de manière semi-automatique avec un recalage automatique et un contrôle par un opérateur de la superposition ou encore de manière complètement automatique avec un recalage automatique et l'application automatique d'une transformation résiduelle prédéfinie.
[109] De manière surprenante, le réseau neuronal CNN' entraîné selon la deuxième variante du second mode de réalisation s'avère capable d'identifier comme « reconnu » certaines des paires ou imagettes « Glass-indirect » c'est-à-dire qu'il est capable d'identifier des imagettes ou paires d'imagettes non normalisées alors que la transformation pour passer de l'une à l'autre est en dehors du domaine de la transformation résiduelle. Cette caractéristique est particulièrement avantageuse dans la mesure où cela permet en exploitation de mettre en oeuvre un recalage qualifié de grossier, plus rapide et moins consommateur de ressource qu'un recalage fin. De même, le réseau neuronal CNN' entraîné selon l'exemple de la deuxième variante est capable de classer dans la catégorie reconnue une paire d'images identiques qui appartiennent à la catégorie « Glass-indirect » dans la mesure ou leur simple superposition ne peut faire apparaître un motif de Glass mais il est possible de faire apparaître le motif de Glass par la superposition des deux images dont l'une aura subi une transformation résiduelle.
[110] Lors de la mise en exploitation du réseau neuronal CNN' ainsi entraîné, le bloc d'entrée comprend, de manière préférée, en amont du module de découpage ECH, un module de recalage 40 qui assure un recalage des images IMG de référence Ref et candidate Cand l'une par rapport à l'autre. Le bloc INPUT comprend ensuite un module de transformation 41 qui induit une transformation résiduelle l'une par rapport à l'autre sur les images qui lui sont fournie. A cet effet, le module de transformation 41 applique, par exemple, la transformation résiduelle sur une des deux images et pas sur l'autre. Toutefois, le module de transformation 41 pourrait fonctionner différemment dans la mesure où le résultat final du ou des traitements qu'il réalise correspond bien à une transformation résiduelle l'une par rapport à l'autre des deux images qui lui sont fournies. A titre d'exemple, la transformation résiduelle est une rotation de quelques degrés combinée à une translation rectiligne d'une dizaine de pixels. Selon l'exemple illustré figure 5, le module de transformation 41 est situé entre le module de recalage 40 et le module de découpage ECH.
Toutefois, il pourrait être envisagé de placer le module de transformation 41, après le module de découpage ECH. Le module de transformation 41 travaille alors sur les pavés de référence Ref et candidat Cand avant leur concaténation qui est effectuée par un module de concaténation non représenté.
[111] Dans le contexte de l'invention et de la présente demande, les termes images, imagettes et pavés désignent des objets, au sens mathématique et informatique du terme, de même nature, de sorte qu'un traitement décrit dans la cadre de la présente demande comme étant appliqué à l'un ces trois types d'objet peut, mutatis mutandis, être appliqués aux deux autres objets en fonction du moment où ledit traitement est mis en oeuvre dans le cadre du déroulement du procédé selon l'invention.
[112] Dans le cadre des exemples décrits précédents, les labels utilisés pour distinguer les ensembles d'entraînement sont « reconnue », « non reconnue », « Glass-direct », « Glass-indirect » et « Non-Glass » pour faciliter l'exposé de l'invention mais il pourrait être utilisé d'autres labels dans la mesure où ces derniers permettent de distinguer les types d'ensembles d'entraînements entre eux.
[113] De manière préférée, les imagettes mises en oeuvre dans les ensembles d'apprentissage, également appelés ensembles d'entraînement, font intervenir, en nombre, des imagettes à textures à composante aléatoire issue de différents types de sujets matériels. Cette constitution des ensembles d'entraînement permet d'obtenir un réseau neuronal CNN plus performant en ce qu'il est capable d'identifier des motifs de Glass sur un grand nombre d'imagettes de superposition dont la texture à composante aléatoire issue d'une grande variété de sujets. De plus le réseau neuronal CNN ainsi entraîné sera à même de reconnaître un motif de Glass issu de la superposition de textures à composante aléatoire qui n'étaient pas présentes dans les ensembles d'entraînements.
[114] Il doit être remarqué qu'un réseau de neurones artificiels présente en phase d'exploitation un comportement qui reflète les étapes d'apprentissage qu'il a subi. Ainsi, un réseau de neurones artificiels configuré pour être sensible aux motifs de Glass dans le contexte des images à texture à composante aléatoire pourra être reconnaissable parmi d'autres, en particulier en le soumettant à un ensemble de tests contenant de telles images et en analysant les réponses fournies par le réseau de neurones artificiels étudié.
[115] Dans le cadre de l'invention, la labellisation, des images ou imagettes d'entrainement peut être envisagée de différentes manières. Ainsi dans un premier temps la labellisation des ensembles d'entraînements est faite par un opérateur. On parlera alors d'entraînement supervisé. Toutefois après une première phase d'entraînement supervisé il est possible de réaliser une seconde phase d'entraînement automatique non supervisé pour laquelle la labellisation des images sera réalisée par un réseau neuronal CNN ayant fait l'objet d'un premier entraînement supervisé.
[116] De même, les imagettes appartenant aux ensembles d'apprentissage peuvent être issues d'images à textures à composante aléatoire de sujets matériels, dites imagettes naturelles, ou être des imagettes résultant de la superposition d'images de synthèse, dites imagettes de synthèse. Selon l'invention les ensembles d'apprentissages peuvent comprendre uniquement des imagettes naturelles ou uniquement des imagettes de synthèse ou encore comprendre un mélange d'imagettes naturelles et de synthèse. Les images de synthèse se prêtent très bien à la simulation de différents éclairages par exemple (orientation, types, ...) ce qui peut être très puissant pour préparer un CNN à différentes prises de vue de l'image Candidate, et accroître sa robustesse. [117] A cet égard, afin d'augmenter la performance et la robustesse du procédé conforme à l'invention, certaines voire toutes les paires d'entrainement de type « Glass », « Glass-direct »,
« Glass-indirect » sont constituées de deux images d'une même texture à composante aléatoire, ces images diffèrent l'une de l'autre en ce qu'elles ne possèdent pas les mêmes conditions de prises de vue. Parmi, les paramètres définissant les conditions de prise de vue il est possible de citer : le capteur d'acquisition de l'image, l'optique associée audit capteur et le réglage de cette optique, l'angle de prise de vue, les conditions d'éclairage pendant la prise de vue sans que cette liste soit limitative ou exhaustive. Dans le contexte de l'invention les conditions de prise de vue sont différentes dans la mesure où au moins un de ses paramètres n'est pas identique pour les deux images tout en ne faisant bien entendu pas obstacle à l'apparition du motif de Glass en cas superposition des deux images après recalage et/ou transformation résiduelle le cas échéant.
[118] Dans le cadre d'un exemple de mise oeuvre d'image de synthèse pour l'entrainement, la demanderesse a utilisé avantageusement des images à texture de Perlin générées aléatoirement afin de constituer les ensembles d'entraînement d'un réseau neuronal CNN' conforme à l'invention qui après entraînement s'est avérée performant pour l'authentification de sujets matériels de type papier.
[119] Par ailleurs, les ensembles d'entrainement peuvent être constitués par un ou plusieurs opérateurs dans le cadre d'opérations manuelles ou d'opérations semi-automatiques supervisées. Toutefois la constitution des ensembles d'entrainement pourrait être complètement automatisée. Ainsi les ensembles d'entrainement d'imagettes ou de paires d'imagettes de type « Glass-direct » peuvent être générés automatiquement à partir de séries d'images à texture à composante aléatoire continue de sujets matériels divers. La génération de chaque paire d'imagette « Glass-direct » consiste à extraire une imagette d'une image de ladite série qui forme la première image de la paire et la deuxième imagettes de la paire est formée par la première à laquelle il a été appliquée une transformation résiduelle. Pour les paires de type « Glass-indirect », il peut être procédé de la même manière que pour les paires de type « Glass-direct » à la différence qu'au lieu d'appliquer à la première imagette une transformation résiduelle pour constituer la deuxième imagette, il est appliqué à la première imagette une rotation comprise entre 90° et 270° pour former la deuxième imagette.
[120] De la même façon, les ensembles d'entrainement d'imagettes ou de paires d'imagettes de type « non-Glass » peuvent être générés automatiquement à partir de séries d'images à texture à composante aléatoire continue de sujets matériels divers. La génération de chaque paire d'imagettes « non- Glass » consiste à extraire une imagette d'une image à texture de deux sujets distincts ou encore une image à texture de deux zones distinctes d'un même sujet. Tl
[121] Comme cela a déjà était évoqué, l'automatisation des entraînements et/ou de la constitution des ensembles d'entraînement peut également résulter de la mise en oeuvre du premier mode de réalisation de l'invention voire du deuxième mode de réalisation.
[122] Par ailleurs, dans le cadre de la présente demande et le contexte de l'invention, les termes blocs et modules peuvent correspondre à des éléments purement logiciels, à des éléments purement matériels ou encore à des éléments combinant des implémentations logicielles et des implémentions matérielles. Cela vaut aussi pour la mise en oeuvre de l'ensemble de l'invention qui peut être purement logicielle, purement matérielle ou encore combiner des parties logicielles et des parties matérielles dédiées.
[123] Il doit en outre être indiqué que dans le cadre de l'invention le bloc d'entrée peut mettre en oeuvre divers types de processus calculators pour procéder aux différents traitements qu'il assure, qu'il peut notamment mettre en oeuvre des réseaux de neurones artificiels spécifiques configurés pour réaliser les opérations de recalage, de découpage et d'application de transformations aux images à traiter.
[124] Par ailleurs, dans les exemples décrits précédemment les images à traiter font l'objet de découpage avant leur fourniture à chaque réseau neuronal configuré pour être sensible aux motifs de Glass. Toutefois, un tel mode de fonctionnement n'est pas strictement nécessaire à la réalisation de l'invention dans la mesure où il est possible de mettre en oeuvre des réseaux de neurones artificiels dimensionnés pour traitement des images issues des acquisitions sans qu'il soit nécessaire de découper ces images au préalable.

Claims

Revendications
1. Procédé d'authentification unitaire d'un sujet matériel consistant à confronter, d'une part, au moins une image dite de référence d'au moins une région d'authentification d'un sujet authentique, l'image de référence comprenant au moins une texture à composante aléatoire, et d'autre part, une image dite candidate d'au moins une région d'authentification d'un sujet candidat l'image candidate comprenant au moins une texture à composante aléatoire, caractérisé en ce qu'il met en oeuvre au moins un réseau de neurones artificiels et en ce que les images sont traitées conjointement par le même réseau de neurones artificiels qui est configuré pour être sensible aux motifs de Glass dans le contexte des images à texture à composante aléatoire.
2. Procédé d'authentification selon la revendication 1, caractérisé en que le réseau de neurones artificiels a été entraîné avec au moins un ensemble d'apprentissage comprenant des paires d'apprentissage dont au moins certaines comprennent deux images dont la superposition fait apparaître ou est susceptible de faire apparaître un motif analogue à un motif de Glass.
3. Procédé d'authentification selon la revendication 1 ou 2, caractérisé en que pour leur traitement conjoint les images candidate et de référence sont superposées et il est fourni au réseau de neurones artificiels une image résultant de la superposition de l'image candidate et de l'image de référence, le réseau de neurones artificiels ayant été entraîné au moyen d'images à texture à composante aléatoire dont certaines présentent un motif de Glass.
4. Procédé d'authentification selon la revendication 1 ou 2, caractérisé en ce que pour leur traitement conjoint les deux images à traiter, soit de chaque paire d'apprentissage, soit les images de référence et candidate, sont assemblées en étant juxtaposées sans recouvrement pour ne former qu'une seule et même image qui sera fournie au réseau de neurones artificiels.
5. Procédé d'authentification selon la revendication 1 ou 2, caractérisé en ce que pour leur traitement conjoint les deux images à traiter sont fournies simultanément au même réseau de neurones artificiels et/ou à deux entrées distinctes du même réseau de neurones artificiels.
6. Procédé d'authentification selon l'une des revendications précédentes, caractérisé en ce que le réseau de neurones artificiels est adapté pour traiter des images de dimensions données et lorsque les images à traiter sont de taille supérieure, les images à traiter sont découpées en sous-images ou imagettes de taille adaptée et constituées en paires de sous-images ou imagettes à traiter conjointement qui sont soumises au réseau de neurones artificiels.
7. Procédé d'authentification selon l'une des revendications précédentes, caractérisé en ce que préalablement à leur traitement conjoint les images à traiter sont recalées l'une par rapport à l'autre.
8. Procédé d'authentification selon la revendication 7, caractérisé en ce que postérieurement au recalage et préalablement à leur traitement conjoint les images à traiter font l'objet d'une transformation résiduelle l'une par rapport l'autre
9. Procédé d'authentification selon l'une des revendications précédentes, caractérisé en ce que, postérieurement au recalage les images à traiter sont découpées en sous-images ou imagettes de taille adaptée et les sous-images ou imagettes constitutives de chaque paire à traiter font l'objet d'une transformation résiduelle l'une par rapport l'autre, préalablement à leur traitement conjoint.
10.Procédé d'authentification selon la revendication 3 ou 4 ou 5, caractérisé en ce que dans le cadre de la phase d'apprentissage du réseau, les images de chaque paire d'apprentissage sont recalées l'une par rapport à l'autre préalablement à leur soumission conjointe au réseau de neurone artificiels.
11. Procédé d'authentification selon la revendication 10, caractérisé en ce que postérieurement au recalage et préalablement à fourniture au réseau de neurones artificiels les images de chaque paire d'apprentissage font l'objet d'une transformation résiduelle l'une par rapport l'autre.
12. Procédé d'authentification selon l'une des revendications précédentes caractérisé en ce que chaque image candidate est issue d'un flux vidéo.
13. Procédé d'authentification selon l'une des revendications précédente, caractérisé en ce que le réseau de neurones artificiels est un réseau de neurones convolutif.
14.Procédé d'authentification selon la revendication 4 caractérisé en ce qu'il comprend une phase d'apprentissage du réseau de neurones artificiels au moyen de paires d'apprentissage labellisées par le procédé selon la revendication 3.
15. Procédé d'authentification selon l'une des revendications précédentes, caractérisé en ce qu'après mise en oeuvre du réseau de neurones artificiels, il comprend une étape de présentation à un utilisateur des images de référence et candidate superposées.
16. Produit programme d'ordinateur comprenant des instructions de code pour l'exécution d'un procédé selon l'une des revendications précédentes d'authentification d'un sujet matériel à partir d'une image de référence et d'une image candidate, lorsque le programme est exécuté sur un ordinateur.
17. Moyen de stockage lisible sur un équipement informatique sur lequel un programme d'ordinateur comprend des instructions de code pour l'exécution d'un procédé selon l'une des revendications 1 à 13 d'authentification d'un sujet matériel à partir d'une image de référence et d'une image candidate.
18. Dispositif informatique comprenant au moins des moyens d'affichage, des moyens d'acquisition d'images, des moyens de saisie d'informations par un utilisateur, des moyens de stockage d'information communiquant avec des moyens de calcul et de commande configurés pour mettre en oeuvre le procédé selon l'une des revendications 1 à 13.
PCT/EP2025/072834 2024-08-08 2025-08-07 Procede d'authentification de sujets materiels par motif de glass au moyen d'un reseau de neurones artificiels Pending WO2026033103A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2408783A FR3165521A1 (fr) 2024-08-08 2024-08-08 Procede d’authentification de sujets materiel par motif de glass
FRFR2408783 2024-08-08

Publications (1)

Publication Number Publication Date
WO2026033103A1 true WO2026033103A1 (fr) 2026-02-12

Family

ID=94173430

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/EP2025/072834 Pending WO2026033103A1 (fr) 2024-08-08 2025-08-07 Procede d'authentification de sujets materiels par motif de glass au moyen d'un reseau de neurones artificiels
PCT/EP2025/072835 Pending WO2026033104A1 (fr) 2024-08-08 2025-08-07 Procede d'authentification de sujets materiels par motif de glass au moyen d'un reseau de neurones artificiels siamois

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/EP2025/072835 Pending WO2026033104A1 (fr) 2024-08-08 2025-08-07 Procede d'authentification de sujets materiels par motif de glass au moyen d'un reseau de neurones artificiels siamois

Country Status (2)

Country Link
FR (1) FR3165521A1 (fr)
WO (2) WO2026033103A1 (fr)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4423415A (en) 1980-06-23 1983-12-27 Light Signatures, Inc. Non-counterfeitable document system
FR3044451A3 (fr) * 2015-11-27 2017-06-02 Kerquest Procede d'authentification par motif de glass
EP3380987A1 (fr) 2015-11-27 2018-10-03 Kerquest Procede d'authentification et/ou de controle d'integrite d'un sujet
US10990845B2 (en) 2016-05-17 2021-04-27 Kerquest Method of augmented authentification of a material subject

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3126529B1 (fr) 2021-09-01 2024-10-25 Kerquest Procédé de mise en relation d’une image candidate avec une image de référence.

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4423415A (en) 1980-06-23 1983-12-27 Light Signatures, Inc. Non-counterfeitable document system
FR3044451A3 (fr) * 2015-11-27 2017-06-02 Kerquest Procede d'authentification par motif de glass
EP3380987A1 (fr) 2015-11-27 2018-10-03 Kerquest Procede d'authentification et/ou de controle d'integrite d'un sujet
US10990845B2 (en) 2016-05-17 2021-04-27 Kerquest Method of augmented authentification of a material subject

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EMIROGLU EZGI EKIZ ET AL: "Fraud detection from paper texture using Siamese networks", vol. 17, no. 7, 11 April 2023 (2023-04-11), London, pages 3369 - 3376, XP093249811, ISSN: 1863-1703, Retrieved from the Internet <URL:https://link.springer.com/article/10.1007/s11760-023-02558-3/fulltext.html> [retrieved on 20250219], DOI: 10.1007/s11760-023-02558-3 *
JORGE GUAJARDO: "Encyclopedia of Cryptography and Security", pages: 929 - 934
LÉON GLASS, NATURE, vol. 223, 9 August 1969 (1969-08-09), pages 578 - 580
NATURE, vol. 246, 7 December 1973 (1973-12-07), pages 360 - 362

Also Published As

Publication number Publication date
FR3165521A1 (fr) 2026-02-13
WO2026033104A1 (fr) 2026-02-12

Similar Documents

Publication Publication Date Title
EP3412245B1 (fr) Procédé d&#39;évaluation d&#39;une goutière orthodontique
EP3707676B1 (fr) Procédé d&#39;estimation de pose d&#39;une caméra dans le référentiel d&#39;une scène tridimensionnelle, dispositif, système de réalite augmentée et programme d&#39;ordinateur associé
CA2957774C (fr) Procede de securisation et de verification d&#39;un document
EP3380987B1 (fr) Procede d&#39;authentification et/ou de controle d&#39;integrite d&#39;un sujet
FR3088467A1 (fr) Procede de classification d&#39;une image d&#39;entree representative d&#39;un trait biometrique au moyen d&#39;un reseau de neurones a convolution
Hadiprakoso et al. Face anti-spoofing using CNN classifier & face liveness detection
EP3459013B1 (fr) Procédé d&#39;authentification augmentée d&#39;un sujet matériel
EP2751739B1 (fr) Detection de fraude pour systeme de controle d&#39;acces de type biometrique
EP3582141B1 (fr) Procédé d&#39;apprentissage de paramètres d&#39;un réseau de neurones à convolution
EP3866064B1 (fr) Procede d&#39;authentification ou d&#39;identification d&#39;un individu
FR3053500B1 (fr) Procede de detection de fraude d&#39;un systeme de reconnaissance d&#39;iris
EP4162448A1 (fr) Procédé et dispositif de reconstruction tridimensionnelle d&#39;un visage avec partie dentée à partir d&#39;une seule image
CA3000153A1 (fr) Procede d&#39;analyse d&#39;un document structure susceptible d&#39;etre deforme
EP4099200B1 (fr) Procede et dispositif d&#39;identification et/ou d&#39;authentification biometrique
WO2026033103A1 (fr) Procede d&#39;authentification de sujets materiels par motif de glass au moyen d&#39;un reseau de neurones artificiels
EP2652674A1 (fr) Procede de comparaison d&#39;images d&#39;iris par selection intelligente de zones texturees
WO2008081152A2 (fr) Procede et systeme de reconnaissance d&#39;un objet dans une image
EP4136565A1 (fr) Procede de detection d&#39;attaque par presentation pour des empreintes digitales
Liu et al. A novel pseudo viewpoint based holoscopic 3D micro-gesture recognition
FR3095064A1 (fr) Procédés et dispositifs de levée de doute biométrique
FR2977056A1 (fr) Procede d&#39;etablissement d&#39;un score final de similarite entre des images
FR3054057A1 (fr) Procede d&#39;authentification augmentee d&#39;un sujet materiel
WO2023012415A1 (fr) Procede pour determiner si une image du visage d&#39;une personne est apte a former une photographie d&#39;identite
FR3044451A3 (fr) Procede d&#39;authentification par motif de glass
EP4685676A1 (fr) Procédé de sécurisation d&#39;accès à une source de données

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25753163

Country of ref document: EP

Kind code of ref document: A1