Les constructeurs automobiles cherchent à améliorer la sécurité de leurs voitures et s’intéressent de plus en plus à la reconnaissance faciale. Au CES 2019, Hyundai a présenté son modèle Genesis GV60 qui est équipé de cette technologie. Le groupe de recherche sur la sécurité et la confidentialité de la biométrie de l’institut Idiap ont développé des outils pour des techniques de reconnaissance faciale plus efficaces et plus fiables dans l’industrie automobile. Ils ont mis à disposition leurs résultats en open source.
L’intelligence artificielle et l’apprentissage automatique permettent aux systèmes de reconnaissance faciale d’être fiables. Les constructeurs automobiles se tournent vers cette technologie et ses applications. Dans une famille ou une société plusieurs personnes peuvent être amenées à conduire une même voiture, elles doivent régler la hauteur du siège, l’avancer ou le reculer, régler les rétroviseurs. Les voitures équipées de reconnaissance faciale comme le Genesis GV60, le font automatiquement, elles peuvent même modifier les paramètres touchant à la suspension, aux freins et au volant.
Idiap
Le groupe Biometrics Security and Privacy (BSP) de l’Idiap s’articule autour de trois grands axes de recherche :
- Reconnaissance biométrique : étude et développement de nouveaux algorithmes de reconnaissance basés sur la biométrie, notamment pour les modalités biométriques du visage, de la voix et des veines.
- Détection des attaques de présentation
- Protection des modèles biométriques
Le groupe BSP soutient la reproductibilité de la recherche, ses travaux pouvant être ainsi validés et développés par la communauté de recherche au sens large. Pour la reproductibilité, il utilise principalement Bob, une boîte à outils de traitement du signal et d’apprentissage automatique basée sur Python, qu’elle partage gratuitement à des fins académiques. Le groupe développe et maintient également la plateforme BEAT, une plateforme MLaaS conforme aux normes suisses et européennes de sécurité des données.
Le système de détection d’Idiap
L’intégration de cette technologie dans les véhicules est complexe : les ressources informatiques embarquées sont limitées, la réponse doit être délivrée en temps réel et être d’un haut niveau de fiabilité. Pour assurer une reconnaissance faciale fiable et robuste, les scientifiques du groupe de recherche sur la sécurité biométrique et la confidentialité de l’Idiap ont apporté deux contributions majeures. D’une part, ils ont développé un outil informatique “léger” basé sur des réseaux de neurones. D’autre part, ils ont créé une base de données biométriques spécifiquement pour la voiture afin d’améliorer la fiabilité des capteurs. Ces données représentent plus de 5 800 vidéos de 40 personnes filmées dans diverses conditions et près de 1 800 tentatives d’identification frauduleuses utilisant des masques en papier et en silicone ou des images et des vidéos sur un écran.
Capteurs infrarouges et bases de données publiques
Les chercheurs du groupe ont présenté leurs travaux dans une publication scientifique, “Domain-Specific Adaptation of CNN for Detecting Face Presentation Attacks in NIR”. Ils y expliquent comment ils ont développé un système PAD (presentation attack detection) facial pour le domaine automobile, reposant sur une seule caméra NIR (spectroscopie proche infrarouge) pour vérifier en permanence si le visage du conducteur est authentique ou non.
“Notre travail a deux contributions principales : premièrement, un cadre PAD facial léger a été développé à l’aide d’un réseau de neurones convolutifs à 9 couches (CNN). Avec sa taille compacte et son ensemble limité d’opérateurs, il peut être déployé dans un dispositif embarqué à ressources limitées pour obtenir une inférence en temps quasi réel. Pour atténuer le problème des données de formation limitées (face PAD dans NIR) pour un système donné, nous développons un mécanisme efficace pour obtenir ce CNN grâce à la combinaison de l’adaptation des couches spécifiques au domaine et du réglage fin spécifique à la tâche d’un CNN de base. Comme deuxième contribution, nous collectons un grand ensemble de données PAD faciales avec plus de 5800 vidéos, acquises en éclairage NIR (940 nm), pour des cas d’utilisation dans des véhicules. Cet ensemble de données, nommé VFPAD, capture plusieurs variations du monde réel en termes de paramètres environnementaux, d’éclairage, de pose du sujet et d’apparences. Sur la base du jeu de données VFPAD, nous démontrons que la méthode PAD faciale proposée atteint des performances très élevées (précision globale ≈ 98,0 %), et surpasse également plusieurs méthodes PAD faciales de base. L’ensemble de données sera partagé avec la communauté scientifique au sens large à des fins de recherche.”
Sources de l’article:
