Description
Date depot: 29 novembre 2022
Titre: Modélisation et vérification de marques visuelles dynamiques sur des captures vidéo de documents
Directeur de thèse:
Thierry GERAUD (LRE)
Encadrant :
Joseph CHAZALON (LRE)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Images et vision
Resumé: Les travaux porterons sur la vérification dans des documents d'identité d'éléments de sécurité (ou marques visuelles) dits « dynamiques », c'est à dire à l'apparence visuelle variable (selon l'angle de vue ou l'éclairage, à partir de vidéos de sessions interactives d'authentification.Ces éléments de sécurité modernes (que nous présenterons plus en détail dans la prochaine section) font l'objet d'une innovation continue depuis plus de vingt ans comme en témoignent de nombreux brevets : par exemple sur des techniques diffractives et d'encrage produisant des effets visuels différents selon l'angle de vue. De plus, ces dispositifs sont largement utilisés dans les documents d'identité comme en atteste le référentiel européen PRADO . Ce sont donc des dispositifs de choix pour une lutte contre la falsification de documents, mais également d'autres biens.Cependant, leur modélisation, tant du point de vue des formes que de leur dynamique, est à la fois complexe et coûteuse en temps, et nécessite un inventaire fin des modèles connus. De plus, la vérification de la présence et de l'authenticité de ces dispositifs nécessite la mise en place de systèmes capables de faire face à la variété des éclairages, inclinaisons et séquences d'observation de ces dispositifs qui peuvent se produire lors des sessions d'authentification.Les travaux proposés permettront de réduire le travail d'annotation des données et de modélisation de documents, tout en autorisant une authentification plus fiable et plus flexible, c'est à dire capable de reconnaître plus de dispositifs de sécurité différents, dans des conditions plus variables, avec un coût d'adaptation moindre. Nous nous appuierons sur des techniques modernes d'apprentissage artificiel (machine learning) pour abstraire progressivement la modélisation et la reconnaissance des dispositifs de contrôle : nous tirerons profit des masses de données disponibles pour réaliser des apprentissages auto-supervisés et produirons des systèmes appris de bout en bout. Les données ouvertes et protocoles d'évaluation produits dans le cadre du projet permettront de stimuler l'innovation, en particulier en débloquant de nouvelles collaboration académiques-industrielles. De plus, les résultats ne profiterons pas seulement au domaine du contrôle d'identité, mais plus largement à l'industrie dès lors que la vérification de l'authenticité de biens est requise.
Doctorant.e: Pouliquen Glen