Système de reconnaissance faciale

Un article de Wikipédia, l'encyclopédie libre.
(Redirigé depuis Reconnaissance faciale)
Sauter à la navigation Sauter à la recherche
Reconnaissance automatique d'un visage dans une image

Un système de reconnaissance faciale est une application logicielle visant à reconnaître une personne grâce à son visage de manière automatique. C'est un domaine de la vision par ordinateur consistant à reconnaître automatiquement une personne à partir d'une image de son visage. C'est un sujet particulièrement étudié en vision par ordinateur, avec de très nombreuses publications et brevets, et des conférences spécialisées.

La reconnaissance de visage a de nombreuses applications en vidéo-surveillance, biométrie, robotique, indexation d'images et de vidéos, recherche d'images par le contenu, etc. Ces systèmes sont généralement utilisés à des fins de sécurité pour déverrouiller ordinateur/mobile/console, mais aussi en domotique. Ils sont appréciés car considérés comme peu invasifs, en comparaison avec les autres systèmes biométriques ( empreintes digitales, reconnaissance de l'iris…). Le fonctionnement de ces systèmes se base sur une ou plusieurs caméras pour reconnaître l'utilisateur.

Ils peuvent également être utilisés afin de faciliter la vie de l'utilisateur, comme le font par exemple certains réseaux sociaux sur internet (Facebook[1], Google+[2]) ou certaines applications mobiles (NameTag[3], FaceRec[4]) pour identifier des visages sur des images. Ces systèmes se basent alors sur des photos/vidéos d'une ou plusieurs personnes.

Il faut toutefois veiller à ne pas confondre la détection de visage, qui consiste à repérer qu'un visage est présent sur une image, et la reconnaissance faciale, qui consiste à reconnaître quelqu'un depuis une image ou une vidéo. La reconnaissance de visage fait partie du domaine du traitement du signal.

Historique[modifier | modifier le code]

L'une des premières tentatives de reconnaissance de visage est faite par Takeo Kanade en 1973 lors de sa thèse de doctorat à l'Université de Kyoto[5],[6].

Le , Facebook a lancé un service de reconnaissance faciale accessible à tous[7]. Celui-ci a été vivement critiqué par un bon nombre d'associations de protection de la vie privée et du droit à l'oubli. Sous cette pression, Facebook a dû abandonner ce service le en Europe[8].

Un autre projet de reconnaissance de visage, appelé DeepFace, développé par le groupe de recherche de Facebook a également commencé à voir le jour début 2015. Cet outil a pour but de reconnaître un visage, quelle que soit son orientation, ainsi que d'y associer une personne. DeepFace permet donc de faire correspondre un très grand nombre de photos différentes d'une même personne, même si celle-ci n'est pas identifiée explicitement. Pour réaliser cela, le système est composé d'un réseau de neurones artificiels entraîné via l'apprentissage profond sur des millions d'images [9].

Toutefois, cette technologie évolue rapidement et cherche à se démocratiser via le développement de nombreux cas d'usage. Depuis fin 2018, les annonces se multiplient faisant entrer progressivement la reconnaissance faciale dans le quotidien, tous les systèmes montrant une avancée spectaculaire, tant au niveau de l'efficacité des algorithmes employés qu'au niveau de la masse de données pouvant être traitée par les programmes. En 2019, Cydral Technology diffuse un système utilisable depuis un simple téléphone et propose de ce fait le tout premier moteur de recherche grand public[10] fonctionnant à l'image de la recherche inversée proposée par Google mais pour l'identification de profils exclusivement.

Usages[modifier | modifier le code]

Les systèmes de reconnaissance faciale sont de plus en plus présents au quotidien. Ils sont par exemple utilisés sur les réseaux sociaux sur internet pour identifier quelqu'un sur une photo, sur les smartphones pour les déverrouiller, ou par des services de sécurité pour reconnaître des individus recherchés. Ces utilisations peuvent être séparées en deux principales catégories : la sécurité et l'assistance à l'utilisateur.

De plus, il existe deux types de tâches[11] :

  • L'identification, appelée aussi one-to-many (1:N), consiste à déterminer l'identité d'un individu parmi N identités connues, présentes dans une base.
  • La vérification, appelée aussi one-to-one (1:1), consiste à vérifier que l'identité prétendue est bien la bonne.

Paiement[modifier | modifier le code]

Le système de reconnaissance faciale serait utilisé dans le paiement du métro de Pékin, selon le Beijing Daily[12].

 Sécurité[modifier | modifier le code]

La sécurité est le principal domaine d'application des systèmes de reconnaissance faciale.

Le système s'assure dans ce cas que l'utilisateur est bien un utilisateur valide avant de lui autoriser un accès à un élément donné : Cela peut être utilisé dans un lieu public :

  • Pour autoriser l'accès à un avion afin de s'assurer qu'un futur passager n'est pas recherché, comme cela est le cas à Sotchi[13]
  • Pour autoriser l'accès à un pays, comme cela est fait dans plusieurs aéroports en France (PARAFE) et plusieurs autres pays où cela est utilisé pour vérifier l'identité des citoyens avec une passeport biométrique éligible et expédier la passage de frontières pour eux.
  • Suivi et le possible identification d'une personne à partir des images d'une système de vidéosurveillance.

Mais également un logement ou une pièce (Domotique) : différents équipements comme SekuFACE[14] ou iFace[15] utilisent en effet la reconnaissance faciale pour s'assurer de l'identité de l'utilisateur.

Cet élément peut également se déplacer : différents équipements existent en effet pour des véhicules comme Mobii[16]. Ou encore un environnement virtuel, cet environnement pouvant être :

  • Les données d'un ordinateur, comme les exemples de systèmes Toshiba Face Recognition[17] ou Blink[18].
  • Les données d'une console, comme les exemples de la PlayStation 4[19] ou de la Xbox One[20]
  • Les données d'un smartphone, il est alors possible de trouver des systèmes qui utilisent les capteurs du téléphone[21] ou non (systèmes mis en place dès Android 4.0[22] ou Windows Phone[23]).

Les systèmes de reconnaissance faciale, au-delà de protéger des données, permettent donc également d'interdire l'accès et l'utilisation d'éléments matériels ou immatériels.

 Assistance à l'utilisateur[modifier | modifier le code]

Le second principal domaine d'application de ces systèmes est l'assistance à l'utilisateur. Elle facilite la recherche d'identité d'une personne à l'aide d'une photo ou d'une vidéo.

Celle-ci peut s'appliquer dans le cadre du divertissement (réseaux sociaux en ligne) ou dans le cadre professionnel (forces de l'ordre).

En ce qui concerne l'utilisation de réseaux sociaux sur internet, comme pour Facebook[1] ou Google+[2], lors d'un ajout de photo ou de vidéo, le visage est détecté puis un Algorithme suggère une liste de personnes pouvant correspondre au visage repéré sur l'image ou la vidéo grâce aux images identifiant déjà chaque individu.

Pour l'usage dans le cadre professionnel, l'exemple des forces de l'ordre est notable, comme le système de reconnaissance faciale développé actuellement par le FBI appelé NGI[24], ou celui actuellement utilisé par la NSA[25] qui se base entre autres sur les images postées sur les réseaux sociaux sur internet.

Les méthodes de reconnaissance faciale[modifier | modifier le code]

Chacune des méthodes se base sur trois phases : la détection de visage qui repère un visage, l'analyse du visage qui donne un résultat numérique, et la reconnaissance qui compare ce résultat avec la base de données de visages enregistrés. Il faut donc, avant toute tentative d'identification, constituer une base de données contenant pour chaque utilisateur soit une capture initiale[26], soit plusieurs. Dans le cas où plusieurs captures sont effectuées, une moyenne de celle-ci est alors stockée[27], ce qui permet au système de mieux s'adapter à divers paramètres pouvant varier au moment de la reconnaissance (apparition de cernes/rides, luminosité ambiante, maquillage…).

Une fois l'analyse effectuée, la reconnaissance effectue donc la comparaison entre le modèle obtenu avec ceux stockés en base de données. On parle alors de reconnaissance 1 à 1 si on avait une seule capture initiale stockée en base de données initialement, ou de reconnaissance 1 à N si on en avait plusieurs.

 Reconnaissance 2D[modifier | modifier le code]

Considérée comme la méthode « classique » de reconnaissance faciale[28], cette méthode consiste à reconnaître l'utilisateur à partir d'une photo de lui. Cette photo peut être capturée par une caméra dans un but de sécurité, ou simplement être déjà enregistrée dans le cadre d'une assistance à l'utilisateur. La reconnaissance est alors effectuée par un algorithme qui peut s'appuyer sur différents éléments[29], comme la forme d'éléments du visage [30] tels que les yeux et leur écartement, la bouche, le visage…

Deux catégories d'algorithmes sont alors distinguées :

  • La première catégorie d'algorithmes crée une image géométrique de l'utilisateur en fonction de différents paramètres (tailles d'éléments du visage, forme et distance entre eux)[31]. Les paramètres récupérés sont alors encodés puis comparés avec ceux présents en base de données.
  • La seconde catégorie d'algorithme encode numériquement l'image, en utilisant les algorithmes de Fourier[32], en utilisant des eigenfaces[31] pour créer des vecteurs de poids, ou encore via des calculs de moyennes sur certaines zones de l'image[27]....

 Reconnaissance 3D[modifier | modifier le code]

Schéma d'une modélisation 3D pouvant être issue d'une reconnaissance faciale

Cette méthode est considérée comme une amélioration de la reconnaissance 2D. En effet, elle crée un modèle 3D[28] depuis plusieurs photos effectuées successivement ou depuis une vidéo, cela permettant d'avoir différents points de vue de la personne à reconnaître afin de créer le modèle 3D.

De nombreux algorithmes existent en ce qui concerne l'analyse, chacun se basant sur un ou plusieurs éléments du visage (orientation du nez[33], du visage...) pour créer le modèle 3D[34],[35] correspondant au visage de l'utilisateur.

Failles du système[modifier | modifier le code]

Comme tout élément ayant une utilité de sécurisation, les systèmes de reconnaissance faciale sont sujets à des attaques visant à les tromper en exploitant des failles. Trois principaux types d'attaques sont alors connus dans ce domaine pour tromper les systèmes de reconnaissance faciale.

 Attaques photo[modifier | modifier le code]

Le premier type d'attaque est l'attaque par photo[21],[28],[27]. En effet, montrer une photo au système semble être une bonne méthode pour tromper la caméra. L'efficacité de ce type d'attaque a été aidée par l'arrivée d'imprimantes ayant une résolution élevée, aussi nommée haute définition. Ces imprimantes permettent en effet d'imprimer une image très qualitative, trompant aisément la vigilance des systèmes.

Une autre possibilité consiste à utiliser des écrans à haute définition disponibles dans le commerce (écrans, smartphones) pour présenter une photo très détaillée et ainsi tromper le système.

Ce type d'attaque est devenu encore plus simple à effectuer avec l'apparition des réseaux sociaux sur internet et les très nombreuses photos postées par les utilisateurs.

 Attaques vidéo[modifier | modifier le code]

Ce deuxième type d'attaque consiste à présenter une vidéo à l'objectif de la caméra afin de tromper le système de reconnaissance faciale[21].

Des logiciels disponibles sur internet, appelés caméras virtuelles, tels que VirtualCamera[36] ou Manycam[37] permettent en effet de tromper le système de reconnaissance en lui présentant une vidéo comme si celle-ci provenait de sa propre caméra. Il est alors possible de présenter la vidéo d'une personne au système de reconnaissance afin de tromper celui-ci.

Ce type d'attaque s'est répandu avec l'arrivée des reconnaissances 3D, car il est très compliqué de tromper une reconnaissance d'un modèle 3D avec une simple photo, cette dernière présentant toujours la même posture d'un individu.

En revanche, la vidéo présente du mouvement et permet d'obtenir plusieurs postures du même individu, le système de reconnaissance 3D peut donc modéliser un modèle réel et être trompé.

Attaque avec un masque[modifier | modifier le code]

La récente mise à disposition au grand public de l'impression tridimensionnelle crée également une faille pour les systèmes de reconnaissance faciale. En effet, cela permet de créer un masque[38] correspondant au visage de l'utilisateur. Il est alors facile d'imaginer l'utilisation d'un masque présentant un individu pour tromper un système de reconnaissance faciale.

Réponses à ces failles[modifier | modifier le code]

 Réponses aux attaques photo[modifier | modifier le code]

Ce type d'attaque est principalement contré en multipliant le nombre de photos prises de l'utilisateur puis en :

  • Analysant s'il y a eu un clignement des yeux[39]. Étant donné que l'œil humain cligne 15 à 30 fois par minute[39], il est possible sur une courte analyse de repérer un clignement. Ce système reste tout de même faible face aux attaques vidéo, étant donné qu'une vidéo peut contenir les clignements des yeux de la personne à reconnaître.
  • Analysant les micro-mouvements[21],[40],[41] de l'utilisateur ou de son environnement. Une immobilité/stabilité (de l'utilisateur ou son environnement) parfaite lors de l'enregistrement peut en effet éveiller de lourds soupçons quant à la fiabilité de l'enregistrement.
  • Vérifiant la texture du visage photographié[42](texture réelle et non similaire à celle d'une photo). Une texture trop floue ou irréelle montrera la non-fiabilité de l'image.

 Réponses globales[modifier | modifier le code]

Certaines techniques ont émergé pour contrer les trois types d'attaque. Celles-ci utilisent des événements totalement ou partiellement extérieurs à l'image :

  • En créant un modèle depuis des postures fixes de l'utilisateur dans un ordre précis (par exemple : profil gauche, profil droit, face).
  • Sur les smartphones, il est possible synchroniser les micro-mouvements ou mouvements du smartphone avec ceux de l'image/vidéo[21] afin de vérifier l'authenticité de celle-ci.
  • Sur les périphériques équipés de micro, il est possible de demander à l'utilisateur de parler[41],[43] et de vérifier que les mouvements de la bouche sur l'image/vidéo afin de vérifier la synchronisation des deux. De même, cela permet de faire une identification basée sur deux paramètres biométriques (la voix et le visage). Il est imaginable de lier d'autres paramètres biométriques avec la reconnaissance faciale, comme les empreintes digitales.
  • Vérifier la texture du visage en addition d'autres réponses pour rendre plus compliquée l'attaque.
  • Donner des instructions à l'utilisateur[21] (exemples : Tournez la tête vers la droite, Faites tourner la caméra autour de votre visage, Bougez la caméra vers le haut...). Il est alors possible de vérifier que l'utilisateur suit bien les instructions, ce qui est fiable en raison du côté l'aléatoire des instructions et la précision de celles-ci.

Fiabilité[modifier | modifier le code]

 Indicateurs de fiabilité[modifier | modifier le code]

La fiabilité des différents systèmes de reconnaissance faciale se vérifient selon plusieurs indicateurs[21],[28] :

  • Le taux de bonne reconnaissance : le système reconnaît bien l'utilisateur qu'il devait reconnaître
  • Le taux de mauvaise reconnaissance : le système reconnaît un utilisateur mais en l'identifiant comme un autre
  • Le taux de faiblesse aux attaques photo : le système est trompé par une attaque photo
  • Le taux de faiblesse aux attaques vidéo : le système est trompé par une attaque vidéo

 Paramètres augmentant la fiabilité[modifier | modifier le code]

Différents paramètres entrent en compte pour accroître les performances :

  • Le nombre de photo/vidéo en base de données[28] : le nombre de photos/vidéos en base de données permet de mieux modéliser l'utilisateur, et donc de mieux le reconnaître ensuite.
  • Le nombre d'images capturées lors de la reconnaissance[28] : le nombre d'images capturées permet de mieux modéliser l'utilisateur qui souhaite s'identifier, et donc de mieux vérifier qu'il correspond au modèle en base de données.
  • La luminosité[21],[28] : une meilleure luminosité sur le visage de l'utilisateur permet de mieux reconnaître celui-ci en évitant de mal modéliser son visage en raison de "zones d'ombre".
  • La proximité de l'utilisateur vis-à-vis de l'objectif[21],[28] : une meilleure proximité de l'utilisateur vis-à-vis de l'objectif permet une meilleure qualité d'image sur son visage, et donc une meilleure modélisation.
  • La qualité de l'image[21],[28] : pour la même raison que le paramètre précédent, une meilleure qualité permet une meilleure modélisation.

Performances[modifier | modifier le code]

L'efficacité d'un système de reconnaissance faciale est donc établit en fonction de son taux de fiabilité, mais également en fonction du temps d'exécution qu'il lui faut pour effectuer la reconnaissance ainsi que pour établir le profil stocké en base de données.

Le tableau suivant résume les informations récupérées sur les différents systèmes évoqués.

Système utilisé Type de reconnaissance Constitution de la base de données Temps de reconnaissance moyen (sans échec)
Toshiba 3D 2 à 3 min 20 s
Android avec capteurs 2D Inconnu 5s
Android 4.0 2D 2 s < 1 s
Iphone 4S 2D 2 à 5 min < 1s
Xbox One Inconnu 5 s 1 à 5 s
PS4 3D 50 à 70 s < 2 s

Sous-performance des minorités[modifier | modifier le code]

En février 2018, la chercheuse Joy Buolamwini du Massachusetts Institute of Technology montre que les principaux systèmes de reconnaissance faciale (ceux d'IBM, Microsoft et Face ++) sont moins performants pour identifier les femmes et les visages à la peau foncée : Face ++ identifie 99,3 % des hommes, mais seulement 78,7 % des femmes et IBM atteint 77,6 % des peaux foncées contre des scores supérieurs à 95% pour les trois logiciels pour les peaux blanches) ; selon l'étude, 93,6 % des erreurs faites par Microsoft concernaient ses sujets à la peau foncée, et 95,9 % de celles de Face ++ concernaient des femmes. La chercheuse explique que « Les hommes à la peau claire sont surreprésentés [dans les bases de données des exemples], et aussi les personnes à la peau claire de manière générale »[44]

Notes et références[modifier | modifier le code]

  1. a et b Reconnaissance Faciale de Facebook
  2. a et b Reconnaissance faciale Google
  3. NameTag
  4. FaceRec
  5. Takeo Kanade, Picture processing by computer complex and recognition of human faces, Department of Information Sciences, Kyoto University, Japan, 1973
  6. (en) Xiaozheng Zhang et Yongsheng Gao, « Face Recognition accross pose: a review », Pattern Recognition,‎ .
  7. https://www.lemonde.fr/technologies/article/2011/06/08/facebook-etend-son-service-de-reconnaissance-faciale_1533342_651865.html
  8. https://www.lemonde.fr/technologies/article/2012/09/22/facebook-suspend-sa-reconnaissance-faciale-en-europe_1764136_651865.html
  9. « "DeepFace", le nouveau système de reconnaissance faciale de Facebook qui fait froid dans le dos », sur Le Huffington Post (consulté le 16 décembre 2016)
  10. « "Facezam", un moteur de recherche d'images exploitant exclusivement la reconnaissance faciale », sur https://www.fastface.eu/
  11. (en) Rabia Jafri et Hamid R. Arabnia, « A Survey of Face Recognition Techniques », Journal of Information Processing Systems, vol. 5, no 2,‎
  12. http://french.peopledaily.com.cn/VieSociale/n3/2018/0522/c31360-9462923.html
  13. Reconnaissance faciale à l'aéroport de Broadway
  14. SekuFACE
  15. iFace
  16. Mobii
  17. Toshiba Face Recognition
  18. Blink
  19. Reconnaissance Faciale Playstation 4
  20. Xbox One
  21. a b c d e f g h i et j Sensor-Assisted Facial Recognition: An Enhanced Biometric Authentication System for Smartphones
  22. Reconnaissance Faciale Android
  23. Reconnaissance Faciale sur Windows Phone
  24. NGI
  25. Système de reconnaissance faciale utilisé par la NSA
  26. Face recognition from a single image per person: A survey
  27. a b et c 100% Accuracy in Automatic Face Recognition
  28. a b c d e f g h et i 2D and 3D face recognition: A survey
  29. View-Based and Modular Eigenspaces for Face Recognition
  30. Parametric models for facial features segmentation
  31. a et b Face recognition: A literature survey
  32. Live face detection based on the analysis of Fourier spectra
  33. Multiple Nose Region Matching for 3D Face Recognition under Varying Facial Expression
  34. Face Recognition Based on Fitting a 3D Morphable Model
  35. 3D Face Recognition Using Simulated Annealing and the Surface Interpenetration Measure
  36. VirtualCamera
  37. Manycam
  38. Spoofing Face Recognition with 3D Masks
  39. a et b Eyeblink-based Anti-Spoofing in Face Recognition from a Generic Webcamera
  40. Real-time eye blink detection with GPU-based SIFT tracking
  41. a et b Face recognition with liveness detection using eye and mouth movement
  42. Is physics-based liveness detection truly possible with a single image?
  43. A Multimodal Biometric Identification System
  44. Perrine Signoret, « Une étude démontre les biais de la reconnaissance faciale, plus efficace sur les hommes blancs », lemonde.fr, (consulté le 13 février 2013)

Bibliographie[modifier | modifier le code]

  • (en) Richard Szeliski, Computer Vision: Algorithms and Applications, Springer, (lire en ligne) Document utilisé pour la rédaction de l’article
  • (en) S.Z. Li, A.K. Jain, Handbook of Face Recogntion, Springer,
  • (en) Shaxun Chen, Amit Pande et Prasant Mohapatra, « Sensor-Assisted Facial Recognition: An Enhanced Biometric Authentication System for Smartphones », MobiSys, vol. Proceedings of the 12th,‎ (lire en ligne)
  • (en) X. Tan, S. Chen, ZH. Zhou et F. Zhang, « Face recognition from a single image per person: A survey », Science Direct, vol. 39,‎ (DOI doi:10.1016/j.patcog.2006.03.013, lire en ligne)
  • (en) R. Jenkins et A. M. Burton, « 100% Accuracy in Automatic Face Recognition », Science Mag, vol. 319,‎ (DOI 10.1126/science.1149656, lire en ligne)
  • (en) Andrea F. Abate, Michele Nappi, Daniel Riccio et Gabriele Sabatino, « 2D and 3D face recognition: A survey », Science Direct, vol. 28,‎ (DOI 10.1016/j.patrec.2006.12.018, lire en ligne)
  • (en) A. Pentland, « View-Based and Modular Eigenspaces for Face Recognition », IEEE, vol. Conference on Computer Vision & Pattern recognition,‎ (ISBN 0-8186-5825-8, ISSN 1063-6919, DOI 10.1109/CVPR.1994.323814, lire en ligne)
  • (en) W. Zhao, R. Chellappa, P.J. Phillips et A. Rosenfeld, « Face recognition: A literature survey », ACM Computing Surveys, vol. 35,‎ , p. 399-458 (ISSN 0360-0300, DOI 10.1145/954339.954342, lire en ligne)
  • (en) Jiangwei Li, Yunhong Wang, Tieniu Tan et Anil K. Jain, « Live face detection based on the analysis of Fourier spectra », Biometric Technology for Human Identification, vol. Biometric Technology for Human Identification,‎ (DOI 10.1117/12.541955, lire en ligne)
  • (en) K.I. Chang et W. Bowyer, « Multiple Nose Region Matching for 3D Face Recognition under Varying Facial Expression », IEEE, vol. Transactions on pattern analysis and machine intelligence 28,‎ , p. 1695 - 1700 (ISSN 0162-8828, DOI 10.1109/TPAMI.2006.210, lire en ligne)
  • (en) Volker Blanz et Thomas Vetter, « Face Recognition Based on Fitting a 3D Morphable Model », IEEE, vol. Transactions on pattern analysis and machine intelligence 25,‎ , p. 1063 - 1074 (ISSN 0162-8828, DOI 10.1109/TPAMI.2003.1227983, lire en ligne)
  • (en) Chaua C. Queirolo, Luciano Silva, Olga R.P. Bellon et Mauricio Pamplona Segundo, « 3D Face Recognition Using Simulated Annealing and the Surface Interpenetration Measure », IEEE, vol. Transactions on pattern analysis and machine intelligence 32,‎ , p. 206-219 (ISSN 0162-8828, DOI 10.1109/TPAMI.2009.14, lire en ligne)
  • (en) Gang Pan, Lin Sun, Zhaohui Wu et Shihong Lao, « Eyeblink-based Anti-Spoofing in Face Recognition from a Generic Webcamera », IEEE, vol. Computer Vision 11th,‎ , p. 1-8 (ISBN 978-1-4244-1630-1, ISSN 1550-5499, DOI 10.1109/ICCV.2007.4409068, lire en ligne)
  • (en) M. Lalonde, D. Byrns, L. Gagnon, N. Teasdale et D. Laurensdeau, « Real-time eye blink detection with GPU-based SIFT tracking », IEEE, vol. Computer and Robot Vision 4th Canadian Conference,‎ , p. 481-487 (ISBN 0-7695-2786-8, DOI 10.1109/CRV.2007.54, lire en ligne)
  • (en) A.K. Singh, P. Joshi et G.C. Nandi, « Face recognition with liveness detection using eye and mouth movement », IEEE, vol. Signal Propagation and Computer Technology (ICSPCT),‎ , p. 592-597 (ISBN 978-1-4799-3139-2, DOI 10.1109/ICSPCT.2014.6884911, lire en ligne)
  • (en) Jiamin Bai, Tian-Tsong Ng, Xinting Gao et Yun-Qing Shi, « Is physics-based liveness detection truly possible with a single image? », IEEE, vol. Circuit and Systems (ISCAS),‎ , p. 3425-3428 (ISBN 978-1-4244-5308-5, DOI 10.1109/ISCAS.2010.5537866, lire en ligne)
  • (en) Robert W. Frischholz et Ulrich Dieckmann, « A Multimodal Biometric Identification System », BioID, vol. 33,‎ (lire en ligne)
  • (en) Z. Hammal,, N. Eveno et A. Caplier, « Parametric models for facial features segmentation », ScienceDirect, vol. Signal Processing Volume 86,‎ (DOI doi:10.1016/j.sigpro.2005.06.006, lire en ligne)
  • (en) N. Erdogmus et S. Marcel, « Spoofing Face Recognition with 3D Masks », IEEE, vol. Information Forensics and Security, IEEE Transactions on (Volume:9, Issue: 7) Biometrics Compendium,‎ (ISSN 1556-6013, DOI 10.1109/TIFS.2014.2322255, lire en ligne)

Voir aussi[modifier | modifier le code]

Articles connexes[modifier | modifier le code]

Lien externe[modifier | modifier le code]