La peau, organe le plus grand et multifonctionnel du corps humain, a toujours été un objet de recherche important dans de nombreux domaines, tels que les cosmétiques et l’infographie. Son aspect en particulier sa couleur peut refléter certaines maladies, comme le mélanome et le vitiligo, qui ont été largement étudiées. Dans le passé, nous obtenions les informations physiologiques cutanées par biopsie. Cette méthode est généralement invasive et prend du temps. Récemment, les informations internes peuvent être dérivées de manière non invasive en profitant de la réflectance diffuse hyperspectrale de la peau. Cependant, il s’agit toujours d’une tâche difficile car la précision et l’efficacité ne peuvent être assurées en même temps dans les applications. Par exemple, la méthode de référence de Monte Carlo donne des estimations favorables mais coûte beaucoup de temps. Cette thèse vise à construire un modèle de peau détaillé et à l’appliquer pour une détermination non invasive plus rapide des composants de la peau. De plus, une méthode auxiliaire basée sur ce modèle permet d’identifier les attaques de présentation avec une grande précision.Notre modèle de peau est composé de trois sous-couches : l’épiderme, le derme et le sous-cutané. Nous avons d’abord implémenté une méthode de Monte Carlo basée sur GPU pour reconstruire une base de données de réflectance diffuse de la peau basée sur notre modèle de peau. La longueur d’onde est prise au hasard dans la gamme de lumière visible de 450 à 700 nm. Ensuite, cette base de données est utilisée pour entraîner un réseau de neurones artificiels avant pour cartographier les paramètres optiques calculés à partir de notre modèle de peau et de la réflectance diffuse de la peau. Nous comparons la capacité de reconstruction de la réflectance diffuse de la peau du réseau avant et de la méthode de Monte Carlo, et constatons qu’ils correspondent bien. En outre, nous analysons l’impact de chaque paramètre de peau sur la réflectance reconstruite, puis appliquons ce réseau avant combiné à un algorithme d’ajustement de courbe pour extraire les paramètres de la peau à l’aide de la base de données de la peau NIST. Les résultats montrent que le réseau direct a une précision acceptable pour la saturation en mélanine, en sang et en oxygène sans limitation pour fixer l’épaisseur des sous-couches cutanées. Un réseau inverse, une forêt aléatoire et une régression vectorielle de support sont également étudiés. Comme indiqué dans des recherches précédentes, les réseaux inverses ont de grandes erreurs dans l’extraction des paramètres de la peau mais à une vitesse extrêmement élevée. Dans notre recherche, nous générons une base de données de réflectance diffuse de la peau en utilisant le réseau direct proposé au lieu de la méthode de Monte Carlo pour réduire le coût en temps. Deux types de méthodes de réduction de dimensionnalité : un filtre à faible variance et une analyse en composantes principales sont appliqués pour accélérer davantage. Les expériences montrent que le réseau inverse fonctionne mieux pour extraire la teneur en mélanine que la forêt aléatoire et supporte la régression vectorielle et a des résultats similaires à l’inverse de Monte Carlo.Comme pour la détection des attaques de présentation, nous utilisons deux métriques RMSE et STD de performance d’adaptation pour classer si la réflectance diffuse de l’objet appartient à la peau. En sélectionnant la gamme de longueurs d’onde appropriée, il a des résultats de classification prometteurs. La vulnérabilité du système de reconnaissance faciale a été beaucoup discutée lors de la détection des attaques de présentation, en particulier les masques en silicone. Notre méthode utilise la réflectance hyperpspectrale pour identifier les objets non cutanés car les coefficients d’absorption de plusieurs pigments cutanés sont uniques. Nous collecterons plus d’images de peau hyperspectrales et généraliserons notre méthode pour des applications pratiques.