EN TEMPS REEL

DOMAINE TECHNIQUE GENERAL La présente invention concerne le domaine de l’analyse et la maîtrise de nuisance environnementales. Plus précisément, le domaine de l’invention concerne la reconnaissance et l’identification de nuisances sonores, notamment dans un environnement lié aux bruits de chantiers. ETAT DE L’ART

L’attention croissante portée aux nuisances, notamment celles générées par les chantiers de constructions ou les opérations industrielles en zone urbaine, nécessite le développement de nouveaux outils permettant la détection et le contrôle de ces nuisances.

Ainsi, de nombreuses méthodes ont été proposées pour permettre la détection des nuisances sonores, ainsi que leur localisation.

Par exemple, il a déjà été proposé d’installer des sonomètres sur les chantiers afin de mesurer le niveau sonore.

Par exemple, le document US 2017/0372242 propose d’installer un réseau de capteurs sonores dans la zone géographique à surveiller et d’analyser les bruits détectés par ces capteurs afin de créer une carte de bruit. Le système génère ensuite des alertes de dépassement de seuil de bruit afin de faire sortir les personnes dans la zone concernée si le niveau de bruit est considéré comme nuisible.

Le document WO 2016/198877 quant à lui propose un procédé de surveillance du bruit dans lequel les données sonores recueillies sont enregistrées lorsqu’un certain niveau sonore est dépassé. Ces données sont ensuite exploitées afin d’identifier la source sonore et réaliser une cartographie pour identifier les zones générant le plus de bruit.

Toutefois, le Demandeur s’est aperçu que tous les bruits ne créaient pas le même niveau de gêne pour les riverains. En conséquence, la simple mesure du niveau sonore n’est pas suffisante pour déterminer si un bruit donné doit être considéré comme une nuisance sonore.

L’enjeu est cependant de taille. En effet, en milieu urbain, les risques encourus en cas de nuisances sonores sont la suspension de dérogations horaires, qui engendrent nécessairement un retard sur la livraison du chantier et de lourdes pénalités financières pour le constructeur, sans compter l’impact sur la santé humaine que cela peut avoir. PRESENTATION DE L’INVENTION

Un objectif de l’invention est de remédier aux inconvénients précités de l’art antérieur. Notamment, un objectif de l’invention est de proposer une solution permettant de détecter des bruits, qui soit capable d’identifier la ou les sources de la nuisance sonore, de l’exposer et de rendre disponible cette information en temps réel, afin d’améliorer la maîtrise de ces bruits dans une zone géographique déterminée et/ou d’améliorer la communication avec les riverains, afin de réduire les risques de suspension des dérogations horaires voire, si possible, d’obtenir des dérogations horaires supplémentaires et de réduire ainsi la durée du chantier.

Un autre objectif de l’invention est de proposer une solution permettant de détecter et d’analyser des bruits et gérer ces bruits en temps réel en vue de réduire des nuisances sonores dans une zone géographique donnée.

Pour cela, selon un premier aspect, la présente invention propose un procédé d'identification d’une source sonore comprenant des étapes suivantes :

S1 : acquisition d’un signal sonore ; pS2 : application d’un filtre fréquentiel au signal sonore acquis de sorte à obtenir un signal filtré ;

54 : extraction d’un ensemble de caractéristiques associées au signal filtré ;

55 : identification de la source en appliquant un modèle de classification à la matrice de caractéristiques extraite à l’étape S4 le modèle de classification ayant comme sortie au moins une classe associée à la source du signal sonore acquis. L’invention est avantageusement complétée par les caractéristiques suivantes, prises seules ou en une quelconque de leur combinaison techniquement possible : le filtre fréquentiel comprend un filtre de pondération fréquentielle et/ou un filtre passe haut ; l’ensemble de caractéristiques est un sonagramme représentant des énergies sonores associées à des instants du signal filtré et à des fréquences données ; les fréquences sont converties selon une échelle fréquentielle non-linéaire ; l’échelle fréquentielle non-linéaire est une échelle de Mel ; - les énergies sonores représentées dans le sonagramme sont convertis selon une échelle logarithmique ; le procédé comprend en outre, préalablement à l’étape S5, une étape S4bis, de normalisation des caractéristiques de l’ensemble de caractéristiques en fonction de moments statistiques des caractéristiques de l’ensemble de caractéristiques ; - le modèle de classification utilisé à l’étape S5 est l’un des modèles suivants : un modèle génératif ou un modèle discriminant ; la sortie du modèle de classification comprend l’un des éléments suivants : une classe de source sonore identifiée comme étant à l’origine du signal sonore, un vecteur de probabilités, chaque probabilité étant associée à une classe de source sonore, une liste de classes de différentes sources sonores identifiées comme étant à l’origine du signal sonore ; le procédé comprend en outre, préalablement à l’étape S4, une étape S3, de détection d’un évènement sonore, les étapes S4 et S5 étant mises en oeuvre uniquement lorsqu’un évènement sonore est détecté, la détection d’un évènement sonore dépendant : d’un indicateur d’une énergie du signal sonore acquis à l’étape S1, et/ou de la réception d’un signalement d’évènement sonore ; le procédé comprend en outre une étape de notification d’un évènement sonore lorsqu’un évènement sonore est détecté, et/ou lorsqu’un signalement est reçu.

L’invention propose selon un second aspect un système d'identification d’une source sonore, comprenant : - un capteur sonore configuré pour acquérir un signal sonore dans une zone géographique prédéterminée, des moyens d’application d’un filtre fréquentiel du signal sonore acquis de sorte à obtenir un signal filtré ; des moyens d’identification de la source à l’aide d’un modèle de classification appliqué à un ensemble de caractéristiques associée au filtré, le modèle de classification ayant comme sortie au moins une classe associée à la source du signal sonore acquis.

L’invention est avantageusement complétée par les caractéristiques suivantes, prises seules ou en une quelconque de leur combinaison techniquement possible : - le système comprend en outre un détecteur d’un évènement sonore dépendant d’un indicateur d’une énergie du signal sonore acquis par le capteur sonore, et/ou de la réception par le système d’identification d’un signalement d’évènement sonore émis par des moyens de signalement ; les moyens de signalement comprennent un terminal mobile configuré pour permettre le signalement d’un évènement sonore par un utilisateur du terminal mobile lorsque l’utilisateur se trouve à une distance inférieure à un seuil donné de la zone géographique prédéterminée ; le capteur sonore est fixe ; le capteur sonore est mobile ; le système comprend en outre des moyens de notification configurés pour permettre la notification d’un évènement sonore lorsque le détecteur d’un évènement sonore détecte un évènement sonore, et/ou lorsque les moyens de signalement émettent un signalement ; - les moyens de notification comprennent un terminal configuré pour afficher une notification d’un évènement sonore.

PRESENTATION DES FIGURES

D’autres caractéristiques et avantages de la présente invention apparaîtront à la lecture de la description qui va suivre d’un mode de réalisation préférentiel. Cette description sera donnée en référence aux dessins annexés dans lesquels :

La figure 1 représente les étapes d’un mode de réalisation préféré du procédé selon l’invention ;

La figure 2 est un schéma d’une architecture pour la mise en oeuvre du procédé selon l’invention.

DESCRIPTION DETAILLEE

En référence à la figure 1 un procédé d’identification de sources sonores selon l’invention comprend une étape S1 , au cours de laquelle un signal sonore est acquis, par exemple par un capteur sonore, dans une zone pouvant générer des nuisances sonores. Afin de permettre un fonctionnement en temps réel, le signal acquis pourra être de courte durée (entre quelques secondes et quelques dizaines de secondes, par exemple entre deux secondes et trente secondes), permettant ainsi un traitement rapide et direct des données acquises. Au cours d’une étape S2, un filtre fréquentiel est appliqué au signal acquis au cours de l’étape S1 afin de corriger des défauts du signal. Ces défauts peuvent par exemple être générés par le ou les capteurs sonores utilisés lors de l’étape S1.

Dans une forme de réalisation, le filtre comprend un filtre passe-haut configuré pour retirer une composante continue présente dans le signal ou un bruit non pertinent tel qu’un bruit de vent. En variante, le filtre comprend un filtre plus complexe, tel qu’un filtre en pondération fréquentielle (pondération A, B, C et D). L’utilisation d’un filtre en pondération fréquentielle est particulièrement avantageuse car ces filtres reproduisent la perception de l’oreille humaine et permettent ainsi de faciliter l’extraction de caractéristiques.

Les étapes S1 et S2 forment ainsi une première phase de prétraitement du signal sonore acquis. Le procédé comprend en outre une deuxième phase, de classification, comprenant les étapes suivantes.

Au cours d’une étape S4, un ensemble de caractéristiques est extrait du signal sonore (« Feature extraction » en anglais). Cet ensemble pourra être par exemple une matrice ou un tenseur. Cette étape S4 permet de représenter le signal sonore d’une manière plus compréhensible pour un modèle de classification tout en réduisant la dimension des données.

Dans une première forme de réalisation, l’étape S4 est réalisée en transformant le signal sonore en un sonagramme (ou sonogramme, ou spectrogramme) représentant l’amplitude du signal sonore en fonction de la fréquence et du temps. Le sonagramme est donc une représentation sous forme d’image du signal sonore. L’utilisation d’une représentation visuelle du signal sonore sous forme d’image permet alors d’utiliser les très nombreux modèles de classification développés pour le domaine de la vision par ordinateur (« Computer vision » en anglais). Ces modèles étant devenus particulièrement performants ces dernières années, transformer un problème quel qu’il soit en problème de vision par ordinateur permet de bénéficier des performances des modèles développés pour ce type de problèmes (notamment grâce aux modèles pré-entrainés).

Suite à l’étape S4 d’extraction de caractéristiques, le procédé comprend une étape optionnelle de modification de l’échelle des fréquences afin de mieux correspondre à la perception de l’oreille humaine et de réduire la taille des images représentant les sonagrammes. Dans une forme de réalisation, l’étape de modification est réalisée à l’aide d’une échelle fréquentielle non-linéaire : l’échelle de Mel, l’échelle de Bark, la largeur de bande rectangulaire équivalente ERB (acronyme anglais pour « Equivalent Rectangular Bandwidth »). Au cours d’une étape S5, un modèle de classification est ensuite appliqué au sonagramme (éventuellement modifié). Le modèle de classification peut notamment être choisi parmi les modèles suivants : un modèle génératif, tel qu’un modèle de mélange gaussien GMM (acronyme anglais de « Gaussian Mixture Model »), ou un modèle discriminant, tel qu’une machine à vecteurs de support SVM (acronyme de « Séparateur à Vaste Marge »), une forêt d’arbres décisionnels (« Random forest » en anglais). Ces modèles étant relativement peu exigeants en termes de ressources de calcul lors des étapes d’inférence, ils peuvent avantageusement être utilisés dans des systèmes embarqués disposant de ressources de calcul limitées tout en permettant un fonctionnement en temps réel du procédé d’identification. En variante, le modèle discriminant utilisé pour la classification est de type réseaux de neurones, et plus particulièrement un réseau de neurones convolutif. Avantageusement, le réseau de neurones convolutif est particulièrement performant pour la classification à partir d’images. En particulier des architectures telles que SqueezeNet, MNESNet ou MobileNet (et plus particulièrement MobileNetV2) permettent de bénéficier de la puissance et la précision des réseaux de neurones convolutifs tout en minimisant les ressources de calcul nécessaires. De manière analogue aux modèles précités, le réseau de neurones convolutif présente l’avantage de pouvoir également être utilisé dans des systèmes embarqués disposant de ressources de calcul limitées tout en permettant un fonctionnement en temps réel du procédé d’identification.

La combinaison des étapes de prétraitement S1 et S2, ainsi que l’étape de modification de l’échelle des fréquences avec l’utilisation d’un modèle de classification permet au procédé d’identifier des sources sonores dans un environnement complexe, c’est-à-dire comprenant un nombre élevé de sources sonores différentes tel qu’un chantier, une usine, un environnement urbain, ou des bureaux, notamment en permettant au modèle de classification de discerner plus facilement les sources de nuisance sonore des sons « normaux » tels que la voix par exemple, ne générant pas (ou peu) de nuisance.

Quel que soit le ou les modèles de classification choisis, le procédé comprend une étape initiale au cours de laquelle ces modèles sont préalablement entraînés pour reconnaître différents types de bruit considéré comme pertinents pour la zone à surveiller. Par exemple, dans le cas de la surveillance des nuisances sonores issues d’un chantier, l’étape initiale d’entraînement peut comprendre la reconnaissance des coups de marteau, du bruit d’une disqueuse, du bruit de camions, etc.

Dans une première variante de réalisation, le modèle de classification peut être configuré pour identifier une source précise. La sortie du modèle peut alors prendre la forme d’un résultat sous forme d’un label (tel que « Marteau », « Disqueuse », « Camion » pour les exemples cités ci-dessus).

Dans une deuxième variante de réalisation, le modèle de classification peut être configuré pour fournir des probabilités associées à chaque type de sources possible. La sortie du modèle peut alors prendre la forme d’un vecteur de probabilités, chaque probabilité étant associée à un des labels possibles. Ainsi, dans un exemple, la sortie du modèle pour les exemples de labels cités ci-dessus peut comprendre le vecteur suivant : [marteau : 0.2 ; disqueuse : 0.5 ; camion : 0.3]. Ces deux configurations du modèle de classification permettent alors d’identifier la source de nuisance principale.

Dans une troisième variante de réalisation, le modèle de classification est configuré pour détecter des sources multiples. La sortie du modèle peut alors prendre la forme d’un vecteur de valeurs associées à chaque label, chaque valeur représentant un niveau de confiance associé à la présence de la source dans le signal sonore classifié. La somme des valeurs peut donc être différente de 1. Ainsi, dans un exemple, la sortie du modèle pour les exemples de labels cités ci-dessus peut comprendre le vecteur suivant : [marteau : 0.3 ; disqueuse : 0.6 ; camion : 0.4] Un seuil peut alors être appliqué à ce vecteur de valeurs pour identifier les sources certainement présentes dans le signal sonore. Par ailleurs, afin d’améliorer la robustesse du modèle de classification entraîné, les données utilisés pour l’entrainement peuvent être préparées afin de retirer les exemples pouvant entraîner une confusion entre plusieurs sources, par exemple en retirant les exemples d’échantillons sonores comprenant plusieurs sources sonores différentes. De plus, des données d’entrainement constituées d’un échantillon sonore et d’une classe peuvent être sélectionnées aléatoirement afin de permettre à une personne de vérifier que la classe associée à un échantillon sonore correspond bien à la réalité. Le cas échéant, la classe peut être modifiée afin de refléter la vraie source sonore de l’échantillon sonore.

Alternativement, afin de minimiser les ressources nécessaires à la mise en oeuvre du procédé (temps de calcul, énergie, mémoire, etc.), le procédé comprend en outre, entre les étapes S2 et S4, une étape S3 de détection d’évènement sonore. La détection d’évènement sonore peut notamment être basée sur des métriques relatives à l’énergie du signal sonore. Par exemple, l’étape S3 est réalisée en calculant l’un au moins des paramètres suivants du signal sonore ; l’énergie du signal, le facteur de crête, le kurtosis temporel, le taux de passage par zéro, et/ou le niveau de pression acoustique SPL (« acronyme anglais de « Sound Pressure Level »). Lorsque l’un au moins de ces paramètres représentant l’intensité de la potentielle nuisance sonore dépasse un seuil donné ou présente des caractéristiques particulières, un évènement sonore est détecté. Ces caractéristiques particulières pouvant être, par exemple, relatives à l’enveloppe du signal (telles qu’une discontinuité forte représentant l’attaque ou le relâchement de l’évènement), ou à la répartition des fréquences dans la représentation spectrale (telles qu’une variation du centre de gravité spectrale).

Cette étape S3 de détection d’évènement sonore permet en outre d’améliorer les performances du modèle de classification, notamment lorsque les différentes sources sonores à identifier présentent des fortes de différences de niveau sonore. Dans une forme de réalisation, l’étape S4 n’est mise en oeuvre que lorsqu’un évènement sonore est détecté à l’étape S3, ce qui permet de ne mettre en oeuvre la phase de classification que lorsqu’une potentielle nuisance est détectée.

Additionnement, lorsqu’une potentielle nuisance est détectée, le signal sonore (filtré ou non) ainsi que le résultat de la classification peuvent faire l’objet d’étapes de traitement supplémentaires. Le cas échéant, des données de localisation peuvent être prises en compte (en prenant en compte la position du capteur par exemple). Dans une première sous-étape, les signaux peuvent être agrégés lorsqu’ils sont identifiés comme provenant d’une même source sonore détectée à l’étape S5 dans le signal sonore, par exemple en fonction de leur localisation, de la source identifiée, ainsi que de leur proximité dans le temps. Un niveau de bruit équivalent continu pondéré en A (l_Aeq) peut alors être calculé à partir des signaux (agrégés ou non) et comparé à un seuil prédéfini. Si ce seuil est dépassé, une notification peut être émise à destination du personnel chargé de la gestion du site surveillé par un ou plusieurs capteurs. Cette notification peut se faire au moyen d’une alerte envoyée sur un terminal tel qu’un smartphone ou ordinateur, et peut en outre être enregistrée dans une base de données pour un affichage grâce à une interface utilisateur. Dans une variante de réalisation, les probabilités ou valeurs associées à chaque label, retournées par le modèle de classifications peuvent être comparées à des seuils définis pour chaque type de source, ces seuils étant fixés de sorte à correspondre à un niveau de détection minimal admissible pour ladite source, afin de décider de l’envoi d’une notification, typiquement à un chef de chantier afin que celui-ci mette en place les actions nécessaires pour réduire les nuisances sonores.

Alternativement ou en plus, la détection d’évènement sonore peut être réalisée par signalement par des riverains. Pour cela, les riverains disposent d’une application, par exemple une application mobile sur un terminal tel qu’un smartphone, dans laquelle les riverains envoient un signal lorsqu’ils détectent une nuisance sonore. Le signalement entraînant une détection, par association, d’un évènement sonore selon l’étape S3. Avantageusement, la prise en compte de signalements par les riverains permet de tenir compte de leur ressenti face aux bruits et d’améliorer la discrimination des bruits devant être considérés comme des nuisances sonores.

Additionnellement, les détections provenant de signalement par des riverains peuvent faire l’objet d’étapes de traitement supplémentaires. Ces signalements peuvent être agrégés en fonction de leur similitude, par exemple s’ils proviennent tous d’une même zone géographique et/ou ont été réalisés à un certain moment. De plus, ces signalements peuvent être associés à des évènements sonores détectés enregistrés par un capteur, toujours selon des règles de proximité géographique et temporelle. Les signalements peuvent alors faire l’objet d’une notification à destination du personnel chargé de la gestion du site surveillé par un ou plusieurs capteurs.

Dans une variante de réalisation, les évènements détectés peuvent être enregistrés dans une base de données avec, le cas échant les signalements envoyés. Ces données peuvent ainsi être analysées afin de détecter lorsqu’un évènement similaire à un évènement passé ayant généré des signalements à lieu, cette information peut alors faire l’objet d’une notification à destination du personnel chargé de la gestion du site surveillé par un ou plusieurs capteurs, typiquement à un chef de chantier afin que celui-ci mette en place les actions nécessaires pour réduire les nuisances sonores.

Le cas échéant, une étape S4bis de normalisation peut être mise en oeuvre après l’étape S4 d’extraction de caractéristiques afin de minimiser les conséquences des variations des conditions d’acquisition du signal sonore (distance au microphone, puissance du signal, niveau de bruit ambiant, etc.). L’étape de normalisation peut notamment comprendre l’application d’une échelle logarithmique aux amplitudes du signal représentées dans le sonagramme. En variante, l’étape de normalisation comprend une normalisation statistique des amplitudes du signal représentées par le sonagramme de manière à ce que la moyenne des amplitudes du signal ait une valeur de 0 et sa variance une valeur de 1 afin d’obtenir une variable centrée réduite.

En outre, les évènements sonores détectés et identifiés peuvent subir un post traitement supplémentaire afin d’améliorer la fiabilité des identifications. Ce post-traitement permet d’évaluer la fiabilité des identifications réalisées et de rejeter les identifications évaluées comme non fiables. Pour cela, le post-traitement peut comprendre les étapes suivantes :

Comparaison du niveau sonore L _Aeq (ou niveau sonore équivalent) de l’évènement à un premier seuil prédéterminé, l’identification étant alors considérée comme fiable si le niveau sonore L _Aeq de l’évènement est supérieur au seuil, sinon, l’identifications est considérée comme non fiable et l’évènement est rejeté ;

Comparaison de la valeur représentant un niveau de confiance associé à la présence de la source identifié dans le signal sonore classifié à un deuxième seuil prédéterminé, l’identification de la source étant considérée comme fiable, lorsque la valeur représentant le niveau de confiance est supérieure au deuxième seuil, sinon, l’identification est considérée comme non fiable et l’évènement est rejeté. Cette étape permet d’assurer que la classification réalisée est suffisamment fiable. En effet, le fait que la source identifiée lors de la classification soit la source avec le plus haut niveau confiance entre toutes les sources possibles n’implique pas que le niveau de confiance correspondant soit élevé. Un évènement sonore considéré comme non fiable ne sera alors pas notifié au personnel chargé de la gestion du site surveillé par le ou les capteurs et ne sera pas affiché sur l’interface utilisateur. Cependant, dans le cas d’un évènement détecté suite à un signalement d’un riverain, l’évènement pourra toutefois être conservé et faire l’objet d’une notification le signalant au personnel chargé de la gestion du site surveillé comme un évènement n’ayant pas dépassé les différents seuils de comparaison mais ayant fait l’objet d’un signalement, en particulier lorsque d’autres signalement pour des sources et des zones géographiques similaires ont déjà eu lieu.

En outre ou alternativement, les différentes sources identifiées lors de la classification peuvent présenter une certaine redondance sous la forme d’une hiérarchie, c’est-à-dire qu’une classe représentant un type de source peut être une classe mère de plusieurs autres classes représentant des types de sources (on parle alors de classes filles). Par exemple, une classe mère peut être du type « engin de chantier » et comprendre des classes filles telles que « pelleteuse », « camion », « chargeuse », etc. L’utilisation de cette hiérarchie permet encore d’améliorer la fiabilité de détection et de l’identification. En effet lors du post-traitement décrit précédemment et lorsque la classe identifiée est une classe mère, on peut alors ajouter, lors de la comparaison de la valeur représentant le niveau de confiance de l’identification au deuxième seuil, une étape d’identification de la classe fille ayant le niveau de confiance le plus élevé, et comparer de le niveau de confiance associé à la classe fille à un troisième seuil prédéterminé (qui pourra être identique au deuxième). Dans ce cas, si le niveau de confiance de la classe fille est supérieur au troisième seuil, c’est cette classe fille qui sera utilisée comme source identifiée de l’évènement sonore, sinon, on utilisera simplement la classe mère.

Par ailleurs, certains types de sources peuvent être considérés comme non pertinents (et donc ne pas faire l’objet d’une notification). Ces types de sources non pertinent peuvent correspondre à des sources qui ne sont pas liées à la zone surveillée, et être énumérés sous la forme d’une liste spécifique à la zone surveillée. Par exemple, lorsque la zone surveillée est un chantier, les types de sources non pertinent peuvent comprendre les voitures, les sirènes etc. En référence à la figure 2, le procédé d’identification de sources sonores peut être mis en oeuvre par un système comprenant un dispositif d’identification 1 comprenant un microphone 10, des moyens de traitement de données 11 de type processeur configurés pour mettre en oeuvre le procédé de d’identification de sources sonores selon l’invention, ainsi que des moyens de stockage de données 12, tels qu’une mémoire informatique, par exemple un disque dur, sur lesquels sont enregistrées des instructions de code pour l’exécution du procédé d’identification de sources sonores selon l’invention.

Dans un mode de réalisation, le microphone 10 est capable de détecter des sons dans un large spectre, c’est-à-dire un spectre couvrant des infrasons aux ultrasons, typiquement de 1 Hz à 100 kHz. Un tel microphone 10 permet ainsi de mieux identifier les nuisances sonores en disposant de données complètes, mais aussi de détecter un plus grand nombre de nuisances (par exemple détecter des vibrations). Le dispositif d’identification 1 peut par exemple être intégré dans un boîtier pouvant être attaché de manière fixe dans une zone géographique dans laquelle des nuisances sonores doivent être surveillées et maîtrisées. Par exemple, le boîtier peut être fixé sur une palissade de chantier, au niveau d’une clôture ou sur des équipements dont le niveau de nuisance doit être surveillé. En variante, le dispositif d’identification 1 peut être miniaturisé afin de le rendre mobile. Ainsi, le dispositif d’identification 1 peut être porté par un personnel travaillant dans la zone géographique tel qu’un personnel du chantier à surveiller. Typiquement, le microphone 10 peut être intégré et/ou fixé sur le col du personnel.

Dans une forme de réalisation, le dispositif d’identification peut être en communication avec des clients 2, un client pouvant être par exemple un smartphone d’un utilisateur du système. Le dispositif d’identification 1 et les clients 2 sont alors en communication au moyen d’un réseau étendu 5 tel que le réseau internet pour l’échange des données, par exemple en utilisant un réseau mobile (tel que GPRS, LTE, etc.).