La présente invention concerne un procédé de détermination de l'appartenance d'une donnée à une base de données. La présente invention se rapporte aussi à un produit programme d'ordinateur et un support d'informations associés.

Dans le domaine identitaire, il est souhaitable d'éviter la délivrance de deux cartes d'identité pour la même personne. Pour la vérification, il convient ainsi de pouvoir répondre à la question suivante : étant données deux images d'empreintes digitales, proviennent-elles du même doigt ?

Pour cela, il est connu une technique reposant sur une base de données contenant des empreintes digitales. La technique consiste à extraire des minuties de l'image des empreintes digitales et à effectuer des comparaisons par le biais des minuties extraites.

Toutefois, une telle technique présente une vitesse d'exécution trop lente.

Il existe donc un besoin pour un procédé de détermination de l'appartenance d'une donnée à une base de données qui soit de mise en œuvre plus rapide.

A cet effet, il est proposé un procédé de détermination de l'appartenance d'une donnée, dite donnée à comparer, à une base de données, le procédé comportant une phase d'apprentissage supervisé, la phase d'apprentissage comportant au moins l'étape de fourniture d'un critère de performance souhaité, l'optimisation de trois réseaux de neurones à partir d'une base d'apprentissage, pour obtenir trois réseaux de neurones appris, l'optimisation étant effectuée sous au moins deux contraintes, une première contrainte de respect du critère de performance et une deuxième contrainte selon laquelle le premier réseau de neurones et le deuxième réseau de neurones sont identiques, la base d'apprentissage comportant des paires de données d'apprentissage à comparer, le premier réseau de neurones extrayant d'une première donnée d'une paire de la base d'apprentissage un premier vecteur de caractéristiques, les caractéristiques du premier vecteur étant relatives à la première donnée, le deuxième réseau de neurones extrayant d'une deuxième donnée d'apprentissage de la même paire un deuxième vecteur de caractéristiques, les caractéristiques du deuxième vecteur étant relatives à la deuxième donnée, le troisième réseau de neurones effectuant un ensemble d'opérations transformant le couple premier vecteur et deuxième vecteur en une valeur binaire représentative de l'identité entre les deux données d'apprentissage. Le procédé comprend une phase de préparation de la base de données comportant au moins l'étape d'application du premier réseau de neurones appris sur chaque donnée de la base de données pour obtenir des vecteurs de caractéristiques de base, et une phase d'exploitation comportant au moins l'étape de utilisation du premier réseau de neurones sur la donnée à comparer, pour obtenir un vecteur de caractéristiques à comparer, pour chaque vecteurs de caractéristiques de base, obtention d'une valeur binaire représentative de l'identité entre la donnée à comparer et une donnée de la base de données par application du troisième réseau de neurones au vecteur de caractéristiques de base et au vecteur de caractéristiques à comparer, et sélection des données de la base de données pour lesquelles la valeur binaire obtenue correspond à une identité entre la donnée à comparer et les données de la base de données.

Suivant des modes de réalisation particuliers, le procédé de détermination comprend une ou plusieurs des caractéristiques suivantes, prise(s) isolément ou suivant toute combinaison techniquement possible :

- le critère de performance souhaité consiste à imposer une précision minimale pour le nombre de paires correctement identifiées et une vitesse minimale d'exécution des opérations pour le troisième réseau de neurones.

- le troisième réseau de neurones respecte au moins une propriété choisie dans le groupe de propriétés constitué de une première propriété selon laquelle le troisième réseau de neurones est un réseau dont les neurones sont entièrement connectés, et une deuxième propriété selon laquelle la première opération du troisième réseau de neurones est la concaténation des deux vecteurs de caractéristiques.

- le premier réseau de neurones et le deuxième réseau de neurones respectent au moins une propriété choisie dans le groupe de propriétés constitué de une première propriété selon laquelle le premier réseau de neurones et le deuxième réseau de neurones sont des réseaux de neurones comportant au moins une couche de neurones convolutionnels, une deuxième propriété selon laquelle le premier réseau de neurones et le deuxième réseau de neurones sont des réseaux de neurones comportant au moins une couche de neurones entièrement connectés, et une troisième propriété selon laquelle le premier réseau de neurones et le deuxième réseau de neurones sont des réseaux de neurones comportant au moins une couche de neurones destinée à effectuer une mise en commun.

- la phase d'apprentissage comporte une étape de choix du nombre de caractéristiques de chaque vecteur, l'étape d'apprentissage étant mise en œuvre avec le nombre choisi. - les données sont au moins l'un des éléments du groupe constitué d'images, de données biométriques, et d'empreintes digitales.

- le critère de performance souhaité consiste à imposer une première précision minimale pour le nombre de paires correctement identifiées, la mise en œuvre de l'étape sélection de données conduisant à l'obtention d'une pluralité de données candidates, la phase d'exploitation comportant la mise en œuvre d'un procédé de détermination de l'identité entre les données candidates et la donnée, le procédé de détermination de l'identité correspondant à une deuxième précision minimale pour le nombre de paires correctement identifiées, la deuxième précision minimale étant strictement supérieure à la première précision minimale.

- la phase d'apprentissage comporte une étape de création de la base d'apprentissage par extraction de paires de la base de données, les paires extraites étant telles qu'une portion comprise entre 45% et 55% des paires de la base d'apprentissage sont des paires identiques.

Il est aussi proposé un produit programme d'ordinateur comportant un support lisible d'informations, sur lequel est mémorisé un programme d'ordinateur comprenant des instructions de programme, le programme d'ordinateur étant chargeable sur une unité de traitement de données et adapté pour entraîner la mise en œuvre d'un procédé tel que décrit précédemment lorsque le programme d'ordinateur est mis en œuvre sur l'unité de traitement des données.

Il est également proposé un support lisible d'informations comportant des instructions de programme formant un programme d'ordinateur, le programme d'ordinateur étant chargeable sur une unité de traitement de données et adapté pour entraîner la mise en œuvre d'un procédé tel que décrit précédemment lorsque le programme d'ordinateur est mis en œuvre sur l'unité de traitement des données.

D'autres caractéristiques et avantages de l'invention apparaîtront à la lecture de la description qui suit des modes de réalisation de l'invention, donnée à titre d'exemple uniquement et en référence aux dessins qui sont :

- figure 1 , une vue schématique d'un exemple de système permettant la mise en œuvre d'un procédé de détermination de l'appartenance d'une donnée à une base de données, et

- figure 2, une représentation en schéma-bloc d'une partie d'un exemple de mise en œuvre d'un procédé de détermination de l'appartenance d'une donnée à une base de données.

Un système 10 et un produit programme d'ordinateur 12 sont représentés à la figure 1 . L'interaction du produit programme d'ordinateur 12 avec le système 10 permet de mettre en œuvre un procédé de détermination de l'appartenance d'une donnée à une base de données.

Le système 10 est un ordinateur.

Plus généralement, le système 10 est un calculateur électronique propre à manipuler et/ou transformer des données représentées comme des quantités électroniques ou physiques dans des registres du système 10 et/ou des mémoires en d'autres données similaires correspondant à des données physiques dans des mémoires, des registres ou d'autres types de dispositifs d'affichage, de transmission ou de mémorisation.

Le système 10 comporte un processeur 14 comprenant une unité de traitement de données 16, des mémoires 18 et un lecteur 20 de support d'informations. Le système 10 comprend également un clavier 22 et une unité d'affichage 24.

Le produit programme d'ordinateur 12 comporte un support lisible d'informations 20.

Un support lisible d'informations 20 est un support lisible par le système 10, usuellement par l'unité de traitement de données 14. Le support lisible d'informations 20 est un médium adapté à mémoriser des instructions électroniques et capables d'être couplé à un bus d'un système informatique.

A titre d'exemple, le support lisible d'informations 20 est une disquette ou disque souple (de la dénomination anglaise de « floppy disk »), un disque optique, un CD-ROM, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, une mémoire

EPROM, une mémoire EEPROM, une carte magnétique ou une carte optique.

Sur le support lisible d'informations 20 est mémorisé un programme d'ordinateur comprenant des instructions de programme.

Le programme d'ordinateur est chargeable sur l'unité de traitement de données 14 et est adapté pour entraîner la mise en œuvre d'un procédé de détermination de l'appartenance d'une donnée à une base de données lorsque le programme d'ordinateur est mis en œuvre sur l'unité de traitement des données 14.

Le fonctionnement du système 10 en interaction avec le produit programme d'ordinateur 12 est maintenant décrit en référence à la figure 2 qui illustre schématique une partie d'un exemple de mise en œuvre d'un procédé de détermination de l'appartenance d'une donnée à une base de données.

La détermination de l'appartenance d'une donnée à une base de données est utilisée pour de nombreuses applications.

Par exemple, cela permet d'identifier une panne d'un système par identification de photos, grâce à une base de donnée avec des photos du système correspondant à une pluralité de panne ou si une carte d'identité a déjà été délivrée pour une empreinte digitale donnée.

Dans de tels contextes, les données sont des images, des données biométriques ou des empreintes digitales.

Dans l'exemple représenté sur la figure 2, les données sont des empreintes digitales.

Par ailleurs, le nombre de données dans la base de données est supérieur ou égal à 1 millions de données, préférentiellement supérieure à 10 millions de données. Le procédé de détermination comporte trois phases : une phase d'apprentissage, une phase de préparation et une phase d'exploitation.

La phase d'apprentissage comporte une étape de fourniture, une étape d'optimisation et une étape de création.

Lors de l'étape de fourniture, il est fourni un critère de performance souhaité.

Par exemple, un opérateur rentre via le clavier 22 un critère de performance à respecter : type erreur < 1 % par exemple.

Selon un premier exemple, le critère de performance est un critère de précision et de vitesse qui est décrit plus précisément dans ce qui suit.

En variante, le critère de performance est le taux de faux négatifs pour éviter les faux-rejets. Un tel critère est particulièrement utile en cas de couplage comme présélection avec une méthode classique comme décrit ultérieurement.

A l'issue de l'étape de fourniture, un critère de performance souhaité est connu.

Lors de l'étape de création, il est créé une base d'apprentissage à partir de la base de données.

La base d'apprentissage est une base contenant un ensemble de paires de données assorties d'un label binaire : l'information d'identité entre les deux données.

La base d'apprentissage comporte ainsi des paires de données d'apprentissage à comparer.

Dans l'exemple proposé, la base d'apprentissage comprend entre 50 000 paires et 150 000 paires, de préférence entre 90 000 paires et 1 10 000 paires.

Par exemple, l'information d'identité est une valeur binaire valant 0 lorsque les deux données sont distinctes et 1 lorsque les deux données sont identiques.

La création est mise en œuvre par sélection de données de la base de données. De préférence, la sélection est aléatoire.

La sélection est effectuée de sorte qu'une portion comprise entre 45% et 50% des paires faisant partie de la base d'apprentissage soient des paires identiques ; cette proportion permet de ne pas accorder plus de poids aux faux-négatifs qu'aux faux-positifs et peut être modifiée.

La base d'apprentissage créé est ensuite mémorisée dans une des mémoires 18.

A l'issue de l'étape de création, la base d'apprentissage est disponible.

II est ensuite mis en œuvre une étape d'optimisation.

L'optimisation est appliquée sur trois réseaux de neurones R1 , R2 et R3 qui sont visibles sur la figure 2.

L'optimisation vise à obtenir trois réseaux de neurones appris R1 , R2 et R3 à partir de la base d'apprentissage.

Le premier réseau de neurones R1 est propre à extraire d'une première donnée D1 d'une paire de la base d'apprentissage un premier vecteur de caractéristiques. Le premier vecteur de caractéristiques est noté dans la suite premier vecteur V1 .

Chaque composante du premier vecteur V1 est une caractéristique relative à la première donnée D1 .

Le deuxième réseau de neurones R2 est propre à extraire d'une deuxième donnée D2 d'une paire de la base d'apprentissage un deuxième vecteur de caractéristiques. Le deuxième vecteur de caractéristiques est noté dans la suite deuxième vecteur V2.

Chaque composante du deuxième vecteur V2 est une caractéristique relative à la deuxième donnée D2.

Comme expliqué précédemment, le premier réseau de neurones R1 et le deuxième réseau de neurones R2 sont des réseaux de détection de caractéristiques de données et d'extraction de certaines caractéristiques des caractéristiques détectables.

Le troisième réseau de neurones R3 est propre à effectuer un ensemble d'opérations transformant le couple du premier vecteur V1 et du deuxième vecteur V2 en une valeur binaire VB représentative de l'identité entre les deux données d'apprentissage D1 et D2.

Le troisième réseau de neurones R3 est ainsi un réseau de comparaison.

Dans l'exemple décrit, l'optimisation est effectuée selon deux contraintes.

La première contrainte est une contrainte de respect du critère de performance.

La deuxième contrainte est une contrainte selon laquelle le premier réseau de neurones R1 et le deuxième réseau de neurones R2 sont identiques.

Par le terme « identique » dans ce contexte, il est entendu une stricte identité, c'est-à-dire que la structure des neurones est identique et que les connexions entre neurones sont également identiques. Les connexions entre neurones sont parfois désignées sous le nom de « poids ». En ce sens, le premier réseau de neurones R1 et le deuxième réseau de neurones R2 forment ensemble un réseau dit siamois.

En variante, l'optimisation est effectuée avec plus de deux contraintes.

Selon un autre exemple de contrainte, on peut demander au réseau complet d'être résistant au pruning (comprendre la suppression aléatoire de liens) ce qui a tendance à renforcer la généralisation de l'entraînement à une base de données plus grande.

L'optimisation est mise en œuvre selon une technique de rétro propagation du gradient de l'erreur.

De fait, l'optimisation est mise en œuvre itérativement, les réseaux de neurones R1 , R2 et R3 étant modifiés à chaque itération jusqu'à obtenir une convergence.

En pratique, 100 itérations suffisent pour parvenir aux réseaux de neurones R1 , R2 et R3 appris.

Dans l'exemple décrit, le premier réseau de neurones R1 et le deuxième réseau de neurones R2 sont des réseaux de neurones comportant une couche de neurones convolutionnels suivie d'une couche de neurones destinés à effectuer une mise en commun. Une succession de ces deux couches est alors répétée. Cette succession est suivie de couches de neurones entièrement connectés dits « fully-connected ».

La couche de neurones convolutionnels est propre à détecter des caractéristiques dans une donnée de type image, ce qui conduit à une dimension de caractéristiques très importante.

La couche de neurones destinée à effectuer une mise en commun est usuellement appelée couche « maxpooling ». Elle permet d'obtenir un vecteur de taille N inférieure à la taille de l'entrée et donc de condenser l'information.

Les couches de neurones entièrement connectés permettent de réduire le nombre de composantes du vecteur de N à P, P étant un nombre entier strictement inférieur à N. Une telle couche de neurones entièrement connectés est une couche dense ou « fully- connected ».

Par exemple, N est supérieur à 100 et P inférieur à 50. Pour une image ayant une taille de 128 par 180, N vaut 320 et P vaut 20.

En variante, le premier réseau de neurones R1 et le deuxième réseau de neurones R2 respectent au moins une propriété choisie dans un groupe de propriétés. Le groupe de propriétés est constitué de trois propriétés.

Selon une première propriété, le premier réseau de neurones R1 et le deuxième réseau de neurones R2 sont des réseaux de neurones comportant au moins une couche de neurones convolutionnels. Selon une deuxième propriété, le premier réseau de neurones R1 et le deuxième réseau de neurones R2 sont des réseaux de neurones comportant au moins une couche de neurones entièrement connectés.

Selon une troisième propriété, le premier réseau de neurones R1 et le deuxième réseau de neurones R2 sont des réseaux de neurones comportant au moins une couche de neurones destinés à effectuer une mise en commun.

Selon une quatrième propriété, les poids du premier réseau de neurones R1 et du deuxième réseau de neurones R2 sont strictement identiques.

Selon l'exemple décrit, la première opération du troisième réseau de neurones R3 est la concaténation des deux vecteurs de caractéristiques V1 et V2.

En outre, le troisième réseau de neurones R3 est un réseau dont les neurones sont entièrement connectés entre chaque couche.

De plus, dans l'exemple décrit, le nombre de caractéristiques de chaque vecteur de caractéristiques V1 et V2 est une variable de l'étape d'optimisation.

En variante, la phase d'apprentissage comporte une étape de choix du nombre de caractéristiques de chaque vecteur, l'étape d'optimisation étant mise en œuvre avec le nombre choisi.

L'étape d'optimisation est ainsi une étape apprentissage des trois réseaux de neurones R1 , R2 et R3 par entraînement sur la base d'apprentissage.

A l'issue de l'étape d'optimisation, trois réseaux de neurones appris R1 , R2 et R3 sont obtenus.

Le réseau de neurones combinant les trois réseaux de neurones appris R1 , R2 et R3 respecte le critère de performance et le premier réseau de neurones R1 et le deuxième réseau de neurones R2 sont identiques.

Lors de la phase de préparation, il est préparé la base de données pour l'utiliser lors de la phase d'exploitation.

La phase de préparation comporte une étape d'application durant laquelle il est appliqué le premier réseau de neurones R1 sur chaque donnée de la base de données pour obtenir des vecteurs de caractéristiques de base.

Cela permet d'obtenir une nouvelle base de données, la nouvelle base de données associant à chaque donnée de la base de données un vecteur de caractéristiques de base.

A l'issue de la phase de préparation, une nouvelle base de données est obtenue. La phase d'exploitation comporte une étape d'utilisation, une étape d'obtention, et une étape de sélection. A l'étape d'utilisation, le premier réseau de neurones R1 est appliqué à une donnée à comparer. Un vecteur de caractéristiques à comparer est ainsi obtenu.

A l'étape d'obtention, pour chaque vecteur de caractéristiques de base, il est obtenu une valeur binaire VB représentative de l'identité entre la donnée à comparer et une donnée de la base de données.

La valeur binaire VB représentative de l'identité entre la donnée à comparer et une donnée de la base de données est obtenue par application du troisième réseau de neurones R3 au vecteur de caractéristiques de base (vecteurs de caractéristiques stockés en base) et au vecteur de caractéristiques à comparer.

A l'étape de sélection, il est sélectionné des données de la base de données pour lesquelles la valeur binaire VB obtenue correspond à une identité entre la donnée à comparer et les données de la base de données.

Le procédé de détermination permet l'accélération d'identification d'empreintes digitales, ce qui est une demande dans le domaine identitaire.

Le procédé de détermination propose d'obtenir une identification dont la vitesse et la précision sont réglables selon ce qui est souhaité.

Le gain en vitesse résulte du fait qu'en phase d'exploitation, seule la partie comparaison est mise en œuvre sur des caractéristiques qui présentent une dimension bien inférieure à la taille des données à comparer et qu'une partie des opérations est effectuée en prétraitement lors de la phase de préparation. Il est à noter que temps de mise en œuvre du premier réseau de neurones R1 sur l'entrée à comparer est négligeable devant le temps de mise en œuvre du troisième réseau de neurones R3, et ce dans la mesure où le troisième réseau de neurones R3 est utilisé pour chacune des données de la base de données.

La vitesse est augmentée par une diminution du nombre de composantes du vecteur de caractéristiques obtenue après mise en œuvre du premier réseau de neurones R1 . Cela permet aussi de diminuer le nombre de couches du troisième réseau de neurones R3.

Selon une variante, le procédé de détermination est couplé à une autre technique. Dans une telle variante, le critère de performance souhaité consiste à imposer une première précision minimale pour le nombre de paires correctement identifiées, la mise en œuvre de l'étape sélection de données conduisant à l'obtention d'une pluralité de données candidates. La phase d'exploitation comporte alors la mise en œuvre d'un procédé de détermination de l'identité entre les données candidates et la donnée, le procédé de détermination de l'identité correspondant à une deuxième précision minimale pour les paires candidates identifiées, la deuxième précision minimale étant strictement supérieure à la première précision minimale. Typiquement on peut utiliser la solution classique et précise à base de minuties.

De manière imagée, avec le procédé de détermination proposé, il est effectué une détermination grossière (grosse maille) suivie d'une détermination fine (fine maille).

Par rapport à utiliser directement un procédé de détermination avec une grande précision, l'emploi du procédé permet de parvenir plus vite au résultat puisque l'application de la détermination grossière est rapide et élimine la plupart des candidats initiaux.

L'invention concerne la combinaison de tous les modes de réalisation techniquement possibles.