Résumé:
Cette thèse vise à explorer en profondeur l'utilisation du concept d'analyse de données symboliques dans la reconnaissance de signature manuscrite. L'un des plus grands avantages de cette méthode est la possibilité de fournir la description réelle de la variabilité interne au sein d'une même classe (objet). Les variations intra-classe peuvent être décrites à travers diverses représentations symboliques telles que des intervalles, des histogrammes et des distributions. Cet avantage peut être exploité pour la reconnaissance de signature manuscrite afin de décrire efficacement la variabilité intra-personnelle des signatures appartenant à une même personne. Tout d'abord, le classifieur mono-classe basé su l'analyse des données symboliques (OC-SDA) est adapté à l'identification de signature manuscrite hors ligne (OHSI), qui est un problème de classification multi-classes. Pour cela, le modèle OC-SDA basé sur les histogrammes (HSR) est exploré. Pour trouver le meilleur modèle basé sur HSR, l'histogramme de gradients orientés (HOG) et la transformation de courbe sont utilisés pour extraire les caractéristiques pertinentes des images de signature. De plus, le modèle OC-SDA sur intervalles pondérés (ISR) est adapté à la vérification de signature manuscrite hors ligne (OHSV). Pour améliorer la caractérisation des signatures, un descripteur automatique basé sur l'approche de l'apprentissage profond à savoir SigNet est utilisé, afin d'extraire des caractéristiques plus pertinentes. Un nouveau modèle basé sur l'ISR est proposé, inspiré de la distribution réelle des dissimilarités intra-classe, et réglé via un paramètre de contrôle. Un autre travail d'investigation dans cette thèse portant sur la combinaison d'identification et de vérification de signature simultanément à travers un système hybride est mené. Ce type de système n'a jamais été exploré dans la littérature malgré son utilisation intéressante dans diverses applications civiles. Pour évaluer le système de reconnaissance hybride proposé, de nouvelles métriques ont été introduites. Des résultats compétitifs sont obtenus dans quatre bases de données publiques en utilisant seulement quelques signatures de référence.
