Статические методы распознавания рукописных подписей
2.1. Оффлайн-система распознавания рукописной подписи со смешанной зависимостью от автора
Стандартные системы распознавания рукописных подписей являются зависимыми от автора, т.е. для каждого автора создается определенный классификатор. Однако требовать от каждого автора большое число подписей для формирования его классификатора не представляется удобным. В этой связи создаются независимые от каждого конкретного пользователя классификаторы. Более того, современные системы распознавания (зависимые от пользователя и независимые) обеспечивают высокую точность благодаря объединению признаков, но увеличивают вычислительную сложность. Поэтому в работе [2] предлагается гибридная независимая-зависимая от автора оффлайн система распознавания рукописных подписей, как компромисс двух существующих подходов. Когда пользователь регистрируется в системе, применяется независимый от автора классификатор. После того, как будут собраны подписи автора, независимый классификатор адаптируется к его подписям. И таким образом, зависимый классификатор заменяет общий независимый от автора классификатор.
Эксперименты, проведенные на базе данных бразильских подписей и GPDS подтверждают, что предложенная гибридная система верификации обеспечивает сопоставимую с современными зависимыми или независимыми системами точность и меньшую вычислительную сложность.
Эффективность предложенной системы определяется рассмотрением двух режимов работы:
- Независимый от автора режим верификации – цель этого режима состоит в измерении минимальной точности системы. Предполагается, что только одна подпись приобретается на этапе регистрации, она используется для задачи верификации.
- Зависимый от автора режим – цель этого режима состоит в определении разумного числа образцов пользователя, необходимых для создания надежного зависимого от автора классификатора.
Результаты эксперимента подтверждают гибкость и устойчивость предложенного подхода. Средняя ошибка при этом достигает 5,38% на бразильской базе подписей и 13,96% на базе подписей GPDS.
2.2. Оффлайн-система верификации подписей на основе искусственной иммунной системы распознавания
В статье [6] предлагается новый метод верификации оффлайн подписей на основе искусственной иммунной системы распознавания. Для генерации признаков здесь предлагается два разных дескриптора. Первый дескриптор – это градиентные локальные бинарные шаблоны, второй – признак длинного запуска, описывающий топологию подписей рассмотрением самой длинной серии пикселей текста. Эффективность предложенной системы была проверена на наборах данных CEDAR и GPDS-100. Полученные результаты показывают, что предложенная система превосходит современные методы распознавания подписей.
Первоначально изображения подписей преобразуются в бинарный формат. Далее они направляются в модуль генерации признаков для извлечения необходимой информации. Характеристические векторы подписей представляют набор антигенов подлинных и поддельных классов. Иммунная система распознавания подписей обучается на этих антигенах для построения множества ячеек памяти, описывающий изменчивость в этих двух классах. Множество ячеек памяти используется на этапе верификации. Каждая запрашиваемая подпись подвергается тем же процедурам бинаризации и извлечения признаков. Затем вычисляется множество сходств относительно всех ячеек памяти. Наконец, запрашиваемая подпись приписывается подлинному или поддельному классу на основе метода к ближайших соседей.
Кроме того, вводятся два признака, описывающие градиентные и топологические свойства рукописных подписей. Градиентные признаки получены с использованием градиентных локальных бинарных шаблонов, которые комбинируют градиентную информацию с текстурными признаками, полученными из однородных шаблонов. В качестве топологических признаков предлагаются признаки длинного запуска, которые рассматривают длину самой длинной последовательности пикселей в различных направлениях.
Средняя ошибка распознавания составляет 1,59% на наборе подписей CEDAR и 11,73% на наборе GPDS.
Библиографический список
- Doroz R., Porwik P., Orczyk T. Dynamic signature verification method based on association of features with similarity measures / Neurocomputing. – 2016. No.171. – pp. 921–931.
- Eskander G. S., Sabourin R., Granger E. Hybrid writer-independent–writer-dependent offline signature verification system / Selected papers from International Conference on Frontiers in Handwriting Recognition / doi: 10.1049/iet-bmt.2013.0024 IET Biom. – 2013. -Vol. 2, Iss. 4. – pp. 169–181.
- Galbally J, Martinez-Diaz M, Fierrez J Aging in Biometrics: An Experimental Analysis on On-Line Signature. PLoS ONE – 2013. – 8(7): e69897. doi:10.1371/journal.pone.0069897.
- Galbally J., Diaz-Cabrera M., Miguel A. Ferrer, Gomez-Barrero M., Morales A., Fierrez J. On-line signature recognition through the combination of real dynamic data and synthetically generated static data / Pattern Recognition. – 2015. – No. 48. – pp. 2921–2934.
- Guerbai Y., Chibani Y., Hadjadji B. The effective use of the one-class SVM classifier for handwritten signature verification based on writer-independent parameters / Pattern Recognition. – 2015. – No. 48. – pp. 103–113.
- Serdouk Y., Nemmour H., Chibani Y. New off-line Handwritten Signature Verification method based on Artificial Immune Recognition System / Expert Systems With Applications. – 2016. – No. 51. – pp. 186–194.