About handwritten signature verification.pdf 1. Подходы к верификации собственноручной подписи На данный момент разработано несколько различных подходов к задаче верификации собственноручной подписи. Автономная система проверки подписей, представленная в [1], построена на основе нескольких статистических методов, в частности используются скрытые модели Маркова (СММ) в построении эталонной модели для каждого локального объекта. Другая система, предложенная в [2], основана на машинном обучении. Для применения машинного обучения при верификации подписи необходима обучающая выборка. В процессе исследования изучалась возможность применения таких алгоритмов, как KNN, метод опорных векторов и метод логистической регрессии. В [3] описана методика верификации подписи, которая основана на использовании нейронной сети. Для каждого объекта устанавливается специальный двухступенчатый перцептрон и внедрена структурная классификация. Технология применения нейронных сетей является широко распространённой для решения подобного рода задач. 2. Анализ основных алгоритмов верификации Преимущества использования динамических признаков в том, что их гораздо сложнее подделать, так как они не видны при рассмотрении бумажной копии подписи. Результаты тестирования алгоритмов верификации подписи представляются в виде соотношения ошибок 1-го и 2-го рода. Ошибки 1-го рода связаны с отказами в доступе законному пользователю, ошибки 2-го рода - ложной идентификацией. Используемые при дальнейшей обработке характеристики подписи: - графическое изображение (в графической или векторной форме); - количество отрывов пера от поверхности устройства; - временные характеристики (минимальное, максимальное, среднее, полное время без отрыва пера от экрана); - характеристики скорости перемещения пера (минимальные, максимальные значения проекций скоростей на оси и модуля скорости). Проанализированы следующие подходы, позволяющие произвести верификацию собственноручной подписи: - KNN-алгоритм; - алгоритм Range Classifier; - алгоритм на основе скрытой модели Маркова; - простейшая перцептронная нейронная сеть. KNN-алгоритм классификации [2] (k Nearest Neighbours, k ближайших соседей) на вход принимает вектор, содержащий значения характеристик подписи, а на выходе выдаёт решение, подлинная подпись или подделка. Для классификации каждой из характеристик на основе обучающей выборки необходимо последовательно выполнить следующие операции: - вычислить расстояние до каждого из объектов обучающей выборки; - отобрать k объектов обучающей выборки, расстояние до которых минимально. Далее принимается положительное решение в случае, если характеристики находятся в пределах допустимого отклонения. Данный алгоритм имеет следующие недостатки: - низкая точность; - возникновение ошибок 1-го и 2-го рода при поворотах, масштабировании, сдвигах подписи. Алгоритм верификации подписи Range Classifier состоит из следующих этапов: - для каждого образца подписи рассчитывается центроид; - для каждой подписи формируются векторы из углов и длин радиус-векторов от центроида до каждой точки; - накладываются последовательности векторов тестируемой подписи и объектов обучающей выборки с учётом погрешности; - определяется диапазон значений каждого вектора согласно обучающей выборке. Если пороговое число параметров попадает в указанный диапазон и наложение векторов совпадает, подпись признаётся подлинной. Алгоритм на основе скрытой модели Маркова на вход также принимает вектор из характеристик подписи. Алгоритм состоит из следующих шагов: - процесс подписания моделируется с несколькими состояниями, которые представляют собой цепь Маркова; - каждое из этих состояний соответствует отдельной части подписи, которая не наблюдаются непосредственно (то есть скрыта); - наблюдаемые данные связаны статистически с состояниями модели и условно независимы в каждом состоянии; - при обучении параметры модели оцениваются по набору, содержащему достоверные подписи. Во время верификации вычисляется вероятность того, что подпись подлинна. Если эта вероятность достигает установленного порогового значения, подпись принимается, в противном случае отвергается. Этот подход можно рассматривать как статистическое соответствие проверяемой подписи и подписи, построенной на основе скрытой модели Маркова. Следующий алгоритм: нейронная сеть принимает на входы вектор, содержащий значения характеристик подписи. Сеть имеет 12 входов, 2 скрытых уровня по 6 нейронов каждый и 1 выход; функционирует по принципу «обучение с учителем». Обучение сети и верификация подписи происходит следующим образом: 1) на входы нейронной сети подаются характеристики подписи; 2) с помощью логистической функции активации задаются веса синапсов нейронной сети; 3) подпись признаётся верной, если на выходе нейронной сети значение превышает пороговое. Данный алгоритм верификации отличается точностью распознавания и нечувствительностью к изменениям масштаба и сдвигах подписи. 3. Реализация и тестирование Алгоритмы реализованы в виде мобильного приложения для платформы Android на языке Java. В ходе тестирования на выборке из 100 подписей для рассмотренных алгоритмов получены результаты, приведённые в таблице. Результаты тестирования реализованных алгоритмов Алгоритм Ошибки 1-го рода, % Ошибки 2-го рода, % Время вычисления, мс KNN-алгоритм 13 20 3,37 Range Classifier 4 20 5,17 Алгоритм на основе СММ 10 17 4,82 Нейронная сеть 8 12 2,16 Выводы В ходе исследования выявлено, что наиболее перспективными для дальнейшей работы являются алгоритм на основе СММ и нейронная сеть, так как доля ошибок этих алгоритмов меньше, чем других. В рамках дальнейшего исследования предполагается разработать усовершенствованный алгоритм верификации собственноручной подписи, учитывающий силу нажатия пера, сократить количество ошибок 1-го и 2-го рода и время обучения.

Скачать электронную версию публикации