La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Rapid intelligent watermarking system for high-resolution grayscale facial images

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Guendy, Bassem S. Rabil (2013). Rapid intelligent watermarking system for high-resolution grayscale facial images. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of GUENDY_Bassem_S_Rabil.pdf]
Prévisualisation
PDF
Télécharger (6MB) | Prévisualisation
[thumbnail of GUENDY_Bassem_S_Rabil-web.pdf]
Prévisualisation
PDF
Télécharger (903kB) | Prévisualisation

Résumé

Facial captures are widely used in many access control applications to authenticate individuals, and grant access to protected information and locations. For instance, in passport or smart card applications, facial images must be secured during the enrollment process, prior to exchange and storage. Digital watermarking may be used to assure integrity and authenticity of these facial images against unauthorized manipulations, through fragile and robust watermarking, respectively. It can also combine other biometric traits to be embedded as invisible watermarks in these facial captures to improve individual verification.

Evolutionary Computation (EC) techniques have been proposed to optimize watermark embedding parameters in IntelligentWatermarking (IW) literature. The goal of such optimization problem is to find the trade-off between conflicting objectives of watermark quality and robustness. Securing streams of high-resolution biometric facial captures results in a large number of optimization problems of high dimension search space.

For homogeneous image streams, the optimal solutions for one image block can be utilized for other image blocks having the same texture features. Therefore, the computational complexity for handling a stream of high-resolution facial captures is significantly reduced by recalling such solutions from an associative memory instead of re-optimizing the whole facial capture image. In this thesis, an associative memory is proposed to store the previously calculated solutions for different categories of texture using the optimization results of the whole image for few training facial images. A multi-hypothesis approach is adopted to store in the associative memory the solutions for different clustering resolutions (number of blocks clusters based on texture features), and finally select the optimal clustering resolution based on the watermarking metrics for each facial image during generalization. This approach was verified using streams of facial captures from PUT database (Kasinski et al., 2008). It was compared against a baseline system representing traditional IW methods with full optimization for all stream images. Both proposed and baseline systems are compared with respect to quality of solution produced and the computational complexity measured in fitness evaluations. The proposed approach resulted in a decrease of 95.5% in computational burden with little impact in watermarking performance for a stream of 198 facial images. The proposed framework Blockwise Multi-Resolution Clustering (BMRC) has been published in Machine Vision and Applications (Rabil et al., 2013a)

Although the stream of high dimensionality optimization problems are replaced by few training optimizations, and then recalls from an associative memory storing the training artifacts. Optimization problems with high dimensionality search space are challenging, complex, and can reach up to dimensionality of 49k variables represented using 293k bits for high-resolution facial images. In this thesis, this large dimensionality problem is decomposed into smaller problems representing image blocks which resolves convergence problems with handling the larger problem. Local watermarking metrics are used in cooperative coevolution on block level to reach the overall solution. The elitism mechanism is modified such that the blocks of higher local watermarking metrics are fetched across all candidate solutions for each position, and concatenated together to form the elite candidate solutions. This proposed approach resulted in resolving premature convergence for traditional EC methods, and thus 17% improvement on the watermarking fitness is accomplished for facial images of resolution 2048×1536. This improved fitness is achieved using few iterations implying optimization speedup. The proposed algorithm Blockwise Coevolutionary Genetic Algorithm (BCGA) has been published in Expert Systems with Applications (Rabil et al., 2013c).

The concepts and frameworks presented in this thesis can be generalized on any stream of optimization problems with large search space, where the candidate solutions consist of smaller granularity problems solutions that affect the overall solution. The challenge for applying this approach is finding the significant feature for this smaller granularity that affects the overall optimization problem. In this thesis the texture features of smaller granularity blocks represented in the candidate solutions are affecting the watermarking fitness optimization of the whole image. Also the local metrics of these smaller granularity problems are indicating the fitness produced for the larger problem.

Another proposed application for this thesis is to embed offline signature features as invisible watermark embedded in facial captures in passports to be used for individual verification during border crossing. The offline signature is captured from forms signed at borders and verified against the embedded features. The individual verification relies on one physical biometric trait represented by facial captures and another behavioral trait represented by offline signature.

Résumé traduit

Les photographies de visage sont grandement utilisées dans de nombreux postes de contrôle d’accès dans le but d’authentifier des individus, et donner l’accès à des lieux ou informations protégées. Par exemple, pour des passeports ou cartes d’accès intelligentes, de nombreuses photographies de visage doivent être sécurisées pendant la phase d’enregistrement, avant le stockage et la diffusion. Le tatouage numérique peut-être utilisé pour assurer l’intégrité et l’authenticité de ces images vis à vis de manipulations non autorisées, en utilisant des techniques de tatouage respectivement fragiles et robustes. D’autres traits biométriques peuvent aussi y être combinés à ces images, sous la forme de filigranes invisibles, pour améliorer la sécurité des vérifications d’identité.

Les techniques de calcul évolutionnaire ont été proposées pour optimiser les paramètres de tatouage dans la littérature. Le but d’un tel problème d’optimisation est de trouver un compromis entre des objectifs antagonistes de qualité et de robustesse de ces filigranes. Sécuriser des flux d’images de visage de haute résolution engendre de nombreux problèmes d’optimisation dans un espace de recherche à haute dimension.

Dans un flux d’image homogènes, les solutions optimales pour un bloc d’image peuvent être réutilisées pour d’autres blocs avec les mêmes caractéristiques de texture. La réutilisation de ces solutions stockées dans une mémoire associative à la place d’une optimisation systématique permet de significativement réduire la complexité de calcul du traitement d’un tel flux de photographies de haute résolution. Dans cette thèse, l’utilisation d’une mémoire associative est proposée pour stocker les solutions précédemment obtenues pour différents types de texture, utilisant les résultats d’optimisation pour toute une image et ce pour un petit nombre d’images d’entrainement. Une approche multi-hypothèse est proposée pour stocker les solutions de différentes résolution de groupage (nombre de groupes basés sur les caractéristiques de texture) dans la mémoire associative, dans le but de choisir la résolutions de groupage optimale en fonction de métriques de filigranage pour chaque image de visage durant la généralisation. Cette approche a été évaluée en utilisant des flux d’images de visage provenant de la base de donnée PUT (Kasinski et al., 2008). Elle a été comparée avec un système de référence utilisant des méthodes de filigranage traditionnelles avec une optimisation complète pour chaque image. Le système proposé et celui de référence ont été comparés en terme de qualité de la solution produite, ainsi que de coût computationnel mesuré lors de son évaluation. L’approche proposée présente une diminution de 95.5% du coût computationnel avec un faible impact sur les performance de filigranage d’un flux de 198 images. Le système proposé Blockwise Multi-Resolution Clustering (BMRC) a été publié dans Machine Vision and Applications (Rabil et al., 2013a).

Bien que les flux de problèmes d’optimisation de haute dimentionnalité soient remplacés par quelques optimisation d’apprentissage, et que les résultats soient récupérés d’une mémoire associative stockant les anomalies d’apprentissage, les problèmes d’optimisation dans un espace de recherche à haute dimension sont des problèmes difficiles et complexes, d’une dimentionnalité pouvant atteindre 49k variables représentées à l’aide de 293k bits pour des photographies de visage de haute résolution. Dans cette thèse, ce problème de haute résolution est décomposé en plusieurs plus petits problèmes représentant des blocs d’image, ce qui résout le problème de convergence rencontré avec de plus gros problèmes. Les mesures de filigranage local sont utilisées dans le cadre d’une co-évolution coopérative au niveau du bloc pour atteindre la solution complète. Le mécanisme d’élitisme est modifié afin que les blocs ayant la meilleure mesure de filigranage soient sélectionnés parmi chaque solution potentielle pour chaque position, et combinés ensemble pour former les meilleures solutions potentielles. L’approche proposée permet de résoudre le problème de convergence prématurée des méthodes de calcul évolutionnaires traditionnelles, et une amélioration de 17% sur la mesure de qualité de filigranage est obtenue pour des photographies de visage de résolution de 2048×1536 pixels. Cette amélioration est atteinte après quelques itérations impliquant une accélération de l’optimisation. L’algorithme proposé Blockwise Coevolutionary Genetic Algorithm (BCGA) a été publié dans Expert Systems with Applications (Rabil et al., 2013c).

Les concepts et structures de systèmes présentés dans cette thèse peuvent être généralisés sur n’importe quel flux de problèmes d’optimisation dans un espace de haute dimentionnalité, où chaque solution potentielle est composée de plus petits problèmes granulaires affectant la solution complète. Le défi principal de cette approche est de trouver la caractéristique pertinente pour ce découpage granulaire. Dans cette thèse, les caractéristiques de texture utilisées dans les plus petits blocs granulaires représentés dans les solutions potentielles affectent la mesure de qualité du filigranage de l’image complète. Les mesures locales de ces plus petits problèmes granulaires indiquent aussi la mesure de qualité pour le problème plus large.

L’intégration hors ligne de signature en tant que filigranes invisibles sur des images de visage de passeports, utilisées pour la vérification d’identité lors du passage de frontière, est une autre application proposée pour cette thèse. La signature hors ligne est enregistrée à partir des formulaires signés aux frontières, est comparée avec les caractéristiques intégrées dans l’image. La vérification individuelle repose donc sur un trait biométrique, le visage, et un autre trait comportemental, la signature.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Thesis presented to École de technologie supérieure in partial fulfillment of the requirements for the degree of doctor of philosophy". Bibliographie : pages 129-136.
Mots-clés libres: Reconnaissance des visages (Informatique) Biométrie. Tatouage numérique. Traitements d'images Techniques numériques. Regroupement des documents (Informatique) algorithme, coévolution, évolutionnaire, intelligent, tatouage intelligent, groupage
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Sabourin, Robert
Codirecteur:
Codirecteur
Granger, Éric
Programme: Doctorat en génie > Génie
Date de dépôt: 10 déc. 2013 16:31
Dernière modification: 10 mars 2017 01:52
URI: https://espace.etsmtl.ca/id/eprint/1234

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt