=Paper=
{{Paper
|id=Vol-547/paper-35
|storemode=property
|title=Identification Biométrique des Individus par leurs Empreintes Palmaires "Palmprints": Classification par la Méthode des Séparateurs à Vaste Marge (SVM)
|pdfUrl=https://ceur-ws.org/Vol-547/24.pdf
|volume=Vol-547
|dblpUrl=https://dblp.org/rec/conf/ciia/BoukhariB09
}}
==Identification Biométrique des Individus par leurs Empreintes Palmaires "Palmprints": Classification par la Méthode des Séparateurs à Vaste Marge (SVM)==
https://ceur-ws.org/Vol-547/24.pdf
Identification Biométrique des Individus par leurs
Empreintes Palmaires « Palmprints » : Classification par
la Méthode des Séparateurs à Vaste Marge (SVM)
Boukhari Wassila Benyettou Mohamed
LAboratoire de Modélisation et d’Optimisation des Systèmes Industriels-
LAMOSI- Université des Sciences et de la Technologie d’Oran-USTO- Algerie
boukhari_wassila@yahoo.fr med_benyettou@yahoo.fr
Résumé. L’identification des individus par leurs empreintes palmaires (Palmprints),
considérée comme nouveau membre de la famille des modalités biométriques, est
devenue un domaine de recherche très actif durant ces dernières années. Les travaux
réalisés, jusqu’à présent, se sont basés sur les techniques de représentation des images
de palmprints pour une meilleure classification. Dans notre travail, nous nous sommes
basés sur la classification en utilisant une méthode d’apprentissage automatique,
notamment la méthode des séparateurs à vaste marge (SVM) appliquée à plusieurs
classes (multi-classes). Les taux de reconnaissance obtenus sont satisfaisants en
utilisant la méthode par deux différentes approches : l’approche un-contre-un et
l’approche un-contre-tous (le plus grand taux réalisé est 99.4%). On note que la
différence majeure reste le temps de reconnaissance d’un individu qui est minimal
pour l’approche un-contre-un. Cependant, étant donné la complexité des calculs dans
la méthode SVM, on ne peut dire que cette dernière est appropriée pour des
applications en temps réel.
Mots clés : biométrie, multi-classes, identification, Palmprint, séparateurs à vaste
marge (SVM).
1. Introduction
Le besoin d’accès sécurisés automatisés à des environnements physiques ou virtuels,
notamment pour des services personnalisés, est en pleine croissance. Ces besoins
requièrent des moyens fiables pour vérifier l’identité d’une personne qui se présente
au système d’accès. Or les moyens classiques reposants sur des mots de passe ou des
cartes magnétiques associées à un code personnel présentent un certain nombre
d’inconvénients. Un mot de passe peut être oublié ou volé par un autre individu, ou
même cédé à quelqu’un d’autre ; les cartes d’accès peuvent également être perdues ou
volées. C’est ainsi que l’exploitation de caractéristiques ou mesures liées à la
physiologie même de l’individu (sa voix, son visage, sa signature, ses empreintes
digitales, la forme de sa main,...) est apparue naturellement comme la solution la plus
fiable, chacune de ces différentes mesures est appelée ”modalité biométrique”.
Les systèmes biométriques constituent un instrument efficace de lutte contre la
fraude, pour assurer la sécurité des échanges financiers et commerciaux, l’accès
légitime aux services gouvernementaux, et contrer le vol d’identité sous toutes ses
formes. Parmi les nouvelles modalités biométriques utilisées en ce moment nous nous
intéressons aux empreintes palmaires des individus (palmprints). Les travaux réalisés,
jusqu’à présent, sur la reconnaissance des individus par leurs palmprints se sont basés
sur le prétraitement et l’extraction des caractéristiques principales des images de
palmprints afin d’avoir une meilleure classification. Notre objectif à travers ce travail
est de se baser sur la classification en utilisant l’apprentissage automatique,
notamment une méthode robuste de classification à base de noyaux: les séparateurs à
vaste marge (SVM).
2. Caractéristiques du système de reconnaissance par les
palmprints
Introduite par David Zhang et Shu (chercheurs et professeurs à l’université
polytechnique de Hong Kong) depuis 1996 pour remédier aux problèmes liés à la non
visibilité d’une empreinte digitale ou bien le coût élevé des appareils de capture des
images de l’iris et de la rétine ou encore les faibles taux de reconnaissance des autres
modalités biométriques ; l’empreintes palmaire ou « palmprint » est cette surface très
large et interne de la main, elle contient plusieurs traits caractéristiques tels que les
lignes principales, les plis et les textures.
Grace à cette large surface et l’abondance des traits caractéristiques, on prévoit que
les palmprints soient très robustes aux bruits et uniques à chaque individu.
Comparé aux autres caractéristiques physiques, l’identification par les empreintes
palmaires (palmprint) a plusieurs avantages :
1. Traitement d’image à basse résolution.
2. Peu de risque d’intrusion.
3. Les traits des lignes sont stables.
4. Taux élevé d’acceptation par les utilisateurs.
2.1 Identification en ligne ou hors ligne ?
L’identification par les palmprints peut être divisée en deux catégories, en ligne et
hors ligne. Les recherches sur l’identification hors ligne par les palmprints ont été le
centre d’intérêt principal durant les dernières années où tous les échantillons de
palmprints étaient ancrés sur papier, ensuite transmis à l’ordinateur par un scanner
numérique (figure. 1). Due à la haute résolution relative aux images hors ligne des
palmprints (plus de 500 dpi), quelques techniques utilisées pour les empreintes
digitales peuvent être utiles pour l’identification hors ligne des palmprints où les
lignes et les points de données ou points singuliers peuvent être extraits.
Fig. 1. Image hors ligne et en ligne de palmprint.
Pour l’identification en ligne des palmprints, les échantillons d’images sont
directement obtenus par un appareil de capture de palmprint. Il est évident que
l’identification en ligne par les palmprints est beaucoup plus appropriée pour les
applications en temps réel, c’est pour cela que notre intérêt c’est porté sur ce type
d’identification.
2.2 Dispositif de capture des images de palmprints en ligne
Pour accomplir une identification en ligne par les palmprints en temps réel, il faut un
dispositif particulier qui doit être plus rapide dans l’acquisition des palmprints
[Zhang, 2003]. Un exemple d’un tel dispositif est présenté dans la figure. 2.
L’entrée
Ordinateur
Source en
anneau
Objectif
Convertisseur
A/D
Caméra
CCD
Fig. 2. Dispositif de capture de palmprints en ligne.
2.3 Extraction des caractéristiques principales des palmprints
L’extraction des caractéristiques est définie par un processus de conversion d’une
image capturée, i.e. palmprint, en une unique, distinctive et compacte forme de telle
sorte qu’on puisse la comparer avec un enregistrement de référence [Pang(1), 2004].
Il est difficile d’obtenir un bon taux de reconnaissance en utilisant seulement les
lignes principales à cause de leur ressemblance parmi différents individus. La figure 4
démontre ce problème en montrant les images de palmprints de trois individus qui ont
des lignes principales similaires. En plus, dans quelques images de palmprints les plis
ne sont pas clairs (voir fig. 3).
Fig. 3. Images de palmprints avec des traits pas clairs.
Fig. 4. Images de différentes palmprints avec des traits similaires.
La représentation en textures pour la classification des images de palmprints à basse
résolution a fourni une approche efficace dans [You, 2002]. Donc l’une des solutions
pour résoudre ce problème est d’extraire les caractéristiques de texture des images de
palmprints à basse résolution. Dans ce contexte plusieurs méthodes ont été utilisées,
en particulier le codage de phase par le filtre de Gabor à deux dimensions dans
[Zhang, 2003], [A. Kong, 2005], [Zhenan, 2005] et [W. Kong, 2003]. On retrouve
aussi l’utilisation des ondelettes (Wavelet Decomposition) [Pang (2), 2004]. D’autres
chercheurs se sont basés sur les méthodes de projection : PCA (Principle Component
Analysis) et ICA (Independent Component Analysis) [Connie, 2003] et [Shang,
2006], ou encore le discriminant de Fisher dans [Wu, 2003] et [Jing, 2006] et bien
d’autres méthodes d’extraction des caractéristiques principales de palmprints.
2.4 Etape de classification
Une fois l’ensemble des caractéristiques d’une image de palmprint défini, on peut
l’utiliser pour représenter cette image. L’identification se fait, par la suite, par une
méthode de classification qui va comparer cet ensemble de caractéristiques avec des
enregistrements de références existants dans la base de données spécifique et ainsi
trouver la classe à laquelle appartient cette image. Plusieurs méthodes de
classification ont été utilisées pour les palmprints, on retrouve surtout les méthodes
géométriques classiques qui utilisent le calcul des distances entre les vecteurs de
caractéristiques telles que la distance euclidienne ou de hamming, des exemples
d’applications de ces méthodes sont dans [Zhang, 2003], [Kong, 2003], [Kong,
2005], [Zhenan, 2005]…
Récemment, des méthodes d’apprentissage automatique ont été employées pour la
classification, en particulier les modèles de Markov cachés (HMM) et les réseaux de
neurones artificiels qu’on retrouve dans [Connie, 2003] et [Shang, 2006].
3. Les Séparateurs à Vaste Marge (SVM)
Les Machines à Vecteurs de Support ou Séparateur à Vaste Marge (SVM) sont des
nouvelles techniques discriminantes dans la théorie de l'apprentissage statistique.
Elles ont été proposées en 1995 par V. Vapnik [Vapnik 1995]. Elles permettent
d'aborder plusieurs problèmes divers et variés comme la régression, la classification,
la fusion etc.
Il n’est plus à démontrer que la seule minimisation du risque empirique (l’erreur
d’apprentissage) ne garantit pas une faible erreur sur un corpus de test. Les SVM
fournissent une approche très intéressante de l'approximation statistique. Ces
nouvelles techniques unifient deux théories : Minimisation du risque empirique et
Capacité d'apprentissage d'une famille de fonctions. C'est la Minimisation du Risque
Structurel.
3.1 Principe des SVMs
Notions de base: Hyperplan, Marge, Vecteurs de support
Pour deux classes d’exemples données, le but de SVM est de trouver un classifieur
qui va séparer les données et maximiser la distance entre ces deux classes. Avec
SVM, ce classifieur linéaire est appelé hyperplan. Les points les plus proches, qui
seuls sont utilisés pour la détermination de l’hyperplan, sont appelés vecteurs de
support.
Fig. 5. Hyperplan optimal, marge maximale et vecteurs de support
Il est évident qu’il existe une multitude d’hyperplans valides mais la propriété
remarquable des SVM est que cet hyperplan doit être optimal. Formellement, cela
revient à chercher un hyperplan dont la distance minimale aux exemples
d’apprentissage est maximale. On appelle cette distance « marge » entre l’hyperplan
et les exemples. L’hyperplan séparateur optimal est celui qui maximise la marge
(Fig.5).
3.1.1 Linéarité et non linéarité
Dans la plupart des problèmes réels il n’y a pas de séparation linéaire possible entre
les données, la notion de marge maximale ne peut pas être utilisée car elle fonctionne
seulement si les classes de données d’apprentissage sont linéairement séparables.
Dans le cas non linéaire, le principe consiste à projeter les données de l'espace
d'entrée non linéairement séparables dans un espace de plus grande dimension appelé
espace de caractéristiques de façon à ce que les données deviennent linéairement
séparables. Ceci est illustré par le schéma suivant:
Fig. 6. Hyperplan séparateur dans le cas non linéairement séparable.
3.2 Fondements mathématiques
La méthode générale de construction de l'Hyperplan Optimal (HO) qui sépare des
données appartenant à deux classes différentes linéairement séparables est comme
suit : Soit H : (w . x) + b l'hyperplan qui satisfait la condition suivante :
(1)
Trouver l'hyperplan optimal revient à maximiser la marge M= 2 . Ce qui est
W
2
équivalent à minimiser W sous la contrainte (1). Ceci est un problème de
2
minimisation d'une fonction objective quadratique avec contraintes linéaires.
(2)
En appliquant le principe de Lagrange, on obtient le problème de programmation
quadratique de dimension m (nombre d’exemples) suivant :
⎧ m
1
⎪max ∑ α i − 2 ∑ α iα j yi y j ( xi ⋅ x j )
⎪⎪ i =1 i, j
⎨∀i,α i ≥ 0 (3)
⎪m
⎪∑α i yi
⎩⎪ i =1
Les αi sont les coefficients de Lagrange.
Définition
On définit les Vecteurs Supports VS tout vecteur xi tel que
yi[(wo ⋅ xi) + bo ] = 1. Ce qui est équivalent à :
La fonction de classement class(x) est définit par :
Si class(x) est inférieure à 0, x est de la classe -1 sinon il est de la classe 1.
Dans le cas linéaire, on pouvait transformer les données dans un espace où la
classification serait plus aisée. Dans ce cas, l’espace de caractéristiques utilisé le plus
souvent est R (ensemble des nombres réels). Il se trouve que pour des cas non
linéaires, cet espace ne suffit pas pour classer les entrées. On passe donc dans un
espace de plus grande dimension.
Avec card(F) > d.
On doit donc résoudre
(4)
Plutôt que de choisir la transformation non-linéaire Φ : X→F, on choisit une fonction
k:XxX→ R (nombres réels) appelée fonction noyau.
Exemples de noyaux:
− Linéaire k ( x , x ' ) = x ⋅ x ' .
− Polynomial k ( x, x' ) = ( x ⋅ x' ) d ou (c + x ⋅ x' ) d .
2
− Gaussien k ( x, x' ) = e − x − x ' / σ .
− Sigmoïde k ( x, x' ) = tanh(α 0 ( x ⋅ x' ) + β 0 ) .
3.3 SVM multi-classes
A l’origine, les SVM ont été conçus essentiellement pour les problèmes à 2 classes,
cependant plusieurs approches permettant d’étendre cet algorithme aux cas à N
classes ont été proposées. La généralisation dans le cas multi-classes peut se faire de
trois façons différentes. Les deux premières méthodes sont basées sur une
multiplication des classifieurs bi-classes tandis que la dernière propose une résolution
globale.
− Un-contre-tous : l’approche la plus naturelle est d’utiliser cette méthode de
discrimination binaire et d’apprendre N fonctions de décision {fm}m=1…N
permettant de faire la discrimination entre chaque classe de toutes les autres
(chaque classe est opposée à toutes les autres).il faut donc poser N problèmes
binaires. L’affectation d’un nouveau point x à une classe Ci se fait par la relation :
i= argmaxm=1..N Fm(x) (5)
− Un-contre-un : la deuxième méthode est une méthode dite de un contre un. Au
lieu d’apprendre N fonctions de décisions, ici chaque classe est discriminée d’une
autre. Ainsi, N(N-1)/2 fonctions de décisions sont apprises et chacune d’entre elles
effectue un vote pour l’affectation d’un nouveau point x. La classe de ce point x
devient ensuite la classe majoritaire après le vote.
− Méthode globale : la dernière méthode est une approche étendant la notion de
marge aux cas multi-classes. Le problème fait intervenir N fonctions de décision et
il est très gourmand en temps de calcul et en espace mémoire ce qui fait qu’il reste
peu utilisé dans les cas réels.
4. Le système d’identification des individus par leurs palmprints
Le système que nous avons développé contient quatre étapes essentielles qui sont : le
prétraitement des images de palmprint, extraction des paramètres ou codes pertinents,
l’apprentissage des différentes classes de la base de données et la classification.
4.1 La base de données des images de palmprints
Les images de palmprints que nous avons utilisé dans nos expérimentations sont
issues de la base de données PolyUDatabase. Les images de cette base ont été
collectées parmi 200 individus en utilisant un dispositif de capture d’images de
palmprints conçu par des chercheurs de l’université polytechnique de Hong Kong
Les images ont été prises dans deux périodes différentes séparées par un intervalle de
temps d’environ deux moi. Durant chaque période, chaque individu devait prendre au
moins six images de ses palmprints. De plus, dans la deuxième période, la source de
lumière et l’objectif de la caméra CCD ont été ajustés de telle sorte que les images de
la première et deuxième période donnent l’impression d’avoir été prises par deux
dispositifs de palmprints différents. Les images ont, aussi, été prises dans des
conditions de lumière différentes afin de tester la robustesse du système de
reconnaissance. La taille des images est de 384×284 avec une résolution de 75 dpi.
4.2 Prétraitement des images
La phase de prétraitement est essentielle dans les systèmes de reconnaissance des
formes. Pour notre système, la phase de prétraitement se compose de trois étapes
essentielles :
• Définir la région d’intérêt (Region Of Interest: ROI) ou bien un système
de coordonnées pour les images palmprints.
• Appliquer un masque aux ROI pour éliminer les contours non significatifs.
• Améliorer le contraste et les niveaux de lumière de ces régions.
4.2.1 Le système de coordonnées. Il est très important de définir un système de
coordonnées qui sera utilisé pour aligner les différentes images des palmprints dans la
comparaison. Les cinq étapes principales de ce traitement sont :
Etape1 : Appliquer un filtre passe-bas, par exemple un filtre gaussien, à l’image
originale. Un seuil est utilisé pour transformer cette image en une image binaire.
Etape2 : Utiliser un algorithme de détection de contour pour obtenir les contours des
espaces entre les doigts (Fixj, Fiyj) (i=1, 2).
Etape3 : Calculer la tangente des deux espaces. Soient (x1, y1), (x2, y2) deux points
sur (F1xj,F1yj) et (F2xj, F2yj) respectivement. Si la ligne (y=m.x+c) passant sur ces
deux points satisfait l’inégalité : Fiyj ≤ m.Fixj+c pour tout i et j, alors la droite
y=m.x+c est considérée comme la tangente des deux espaces ou intervalles.
Etape4 : Dessiner la droite entre (x1,y1) et (x2,y2) pour avoir l’axe des Y du système
de coordonnées du palmprint et utiliser la droite qui passe par le milieu de ces deux
points, qui est perpendiculaire à l’axe des Y, pour déterminer l’origine du système de
coordonnées.
Etape5 : Extraire une partie de l’image d’une taille fixe en se basant sur le système de
coordonnées.
Fig. 7. Les étapes principales d’extraction de la région d’intérêt de l’image. (a)
image originale, (b) image binaire, (c) détection de contours, (d) construction du
système de coordonnées, (e) extraction de l’image centrale (ROI), (f) la région
extraite
4.2.2 Elimination des informations redondantes (application d’un masque). Dans
certain cas, l’utilisateur ne place pas sa main correctement sur le dispositif de capture
d’images de palmprint ce qui inclut quelques pixels qui n’appartiennent pas à la
surface de palmprint dans les images prétraitées. Pour enlever ce genre de régions et
donc ces informations redondantes dans l’image, nous générons un masque pour
identifier la localisation des pixels qui ne font pas partie du palmprint (Fig.8).
Fig. 8. Génération du masque de l’image.
4.2.3 Ajustement du contraste. L’ajustement est utilisé pour réduire les
imperfections possibles dans les images extraites due spécialement à des bruits
sensoriels ou une illumination non uniforme. Nous avons opté pour la méthode
d’égalisation de l’histogramme de l’image pour ajuster la distribution des niveaux de
gris et par conséquent le contraste de l’image sur un intervalle spécifique.
Fig. 9. Résultat de l’ajustement du contraste.
4.3 Extraction des caractéristiques et codage
Nous avons opté pour l’extraction des caractéristiques de texture des images
palmprints à basse résolution, et nous proposons un schéma de codage de phase par le
filtre de Gabor à deux dimensions pour représenter les palmprints. Le filtre de Gabor
circulaire est un outil efficace pour l’analyse des textures et sa forme générale est :
(6)
Où i= , μ est la fréquence de la courbe sinusoïdale, θ contrôle l’orientation de la
fonction, et σ est la déviation standard de l’enveloppe gaussienne.
Dans notre système, nous avons pris en considération quatre orientations : 0°, 45°, 90°
et 135°. Le μ et le σ ont étés variés selon les quatre orientations prise par θ. Comme
résultat, nous obtenons un vecteur de dimension 256 pour représenter l’image de
palmprint.
256
Vecteur de caractéristiques
Fig. 10. Vecteur de caractéristiques d’une image prétraitée.
4.4 Classification par la méthode SVM multi-classes
Pour tester la robustesse des SVM multi-classes dans le cas de l’identification des
individus par leurs palmprints, deux approches ont été analysées :
− Approche un-contre-tous.
− Approche un-contre-un.
L’ensemble d’apprentissage est constitué de 200 classes (individus) avec six essais
pour chaque classe soit 1200 vecteurs caractéristiques au total. L’ensemble de test
contient aussi 200 classes avec cinq autres essais pour chaque classe et donc 1000
vecteurs caractéristiques au total représentants les palmprints.
Dans les deux cas, un noyau gaussien a été utilisé pour la discrimination avec une
largeur de bande σ=1. Le paramètre de pénalisation C a été fixé à une valeur
suffisamment élevée pour que l’erreur d’apprentissage reste faible (C= 1000).
1. Résultats et discussion
Le système a été implémenté en utilisant Matlab 6.5 sur un micro processeur Intel
Pentium IV 1.6GHz, possédant 512 MO de RAM. La plateforme utilisée est celle de
Microsoft Windows XP. Les résultats obtenus par les approches un-contre-tous et un-
contre-un de SVM multi-classes sont donnés dans le tableau suivant :
Table 1. Résultats obtenus par les approches un-contre-tous et un-contre-un de SVM
multi-classes.
Approches SVM multi- Temps Temps Taux de
classes d’apprentissage de test reconnaissance
Un-contre-tous 2411.3 2 96.1%
Un-contre-un 3420.3 22 99.4%
Temps d’apprentissage et de test en secondes.
D’après ce tableau on peut dire que la méthode SVM donne de bons résultats que ce
soit dans l’approche un-contre-tous ou bien l’approche un-contre-un.
Les deux approches ont obtenu des résultats performants avec une légère différence
entre les deux (99.4% pour le un-contre-un, 96.1% pour le un-contre-tous).
Cependant, la différence du temps d’apprentissage et de test entre les deux méthodes
est très grande. En effet, l’approche un-contre-un consomme un temps considérable
par rapport à l’approche un-contre-tous. Le temps de test dans le un-contre-un est
presque dix fois plus grand que dans le un-contre-tous, chose qui pourrait nuire à la
fiabilité du système en particulier si il s’agit d’une application en temps réel.
6. Conclusion
Nous avons présenté dans cet article de nouvelles approches pour la reconnaissance
biométrique par les palmprints qui utilisent l’apprentissage automatique.
En premier lieu, notons que la phase de prétraitement des images de palmprints est
très importante dans le processus de reconnaissance et que l’utilisation du filtre de
Gabor pour extraire les vecteurs de caractéristiques à partir des images est une étape
qui nous a permis de réduire le temps des calculs dans la classification.
Dans le cadre des méthodes d’apprentissage à base de kernel, nous avons présenté et
discuté deux approches issues des SVM multi-classes, les stratégies un-contre-un et
un-contre-tous. Les taux de reconnaissance obtenus étaient satisfaisants pour les deux
méthodes. Néanmoins, nous ne pouvons pas en dire autant en ce qui concerne le
facteur temps. En effet, les deux méthodes consomment beaucoup de temps en
apprentissage et test.
Références
Boukhari, W., “Identification Biométrique des Individus par leurs Empreintes
Palmaires (Palmprints) “, Mémoire de Magister, USTOran, Octobre 2007.
Kong, A., Zhang, D., Kamel, M.,” Palmprint identification using feature-level
fusion”,, Journal of pattern recognition, Vol 39, pp. 478-487; Aout 2005.
Connie, T., Teoh, A., Goh, M., Ngo,D., “Palmprint recognition with PCA and ICA”,
proceeding of IVCNZ, 26-28, pp. 227-232; Décembre 2003.
Jing, X-Y., Lu, C., Zhang, D., “An uncorrelated fisherface approach for face and
palmprint recognition”, ICB 2006, pp. 682-687; 2006.
Pang, Y-H., Teoh, A., Jin, B., Ngo, D., Ling, C., Hiew, F., “ Palmprint verification
with moment”, journal of WSCG, pp. 325-332; 2004.
Pang, Y-H., Teoh A., Jin, B., Ngo, D., Ling, C., Shiuan-Ni,L., “Wavelet-based
pseudo Zernike moments for palmprint authentification”, international
symposium M2USIC 04; 2004.
Shang, L., Huang, D., Du, J-X., Zheng, C-H., “Palmprint recognition using FastICA
algorithm and radial basis probalistic neural network”, pattern recognition, Vol
69, pp. 1782-1786; 2006.
Vapnik, V., The Nature of Statistical Learning Theory. Springer Verlag, New York;
1995.
Kong, W-K., Zhang, D., Li, W-X., “Palmprint Feature extraction using 2-D gabor
filters”, pattern recognition, Vol 36, pp. 2339-2347; 2003.
Wu, X., Zhang, D., Wang, K., “Fisherpalms based Palmprint recognition, Vol 24,
pp.2829-2838; 2003.
You, J., Li, W., Zhang, D., “hierarchical palmprint identification via multiple feature
extraction”, pattern recognition, Vol 35, N° 4, pp. 847-859; 2002.
Zhang, D., Kong, W-K., You, J., Wong, M., “Online palmprint identification”, IEEE
transaction , Vol 25, N° 9, Séptembre 2003.
Zhenan, S., Tieniu, T., Wang, Y., Li, S., “Ordinal palmprint representation for
personal identification”, proceeding of IEEE, Vol 1, pp. 279-284; 2005.