Новый признак для описания изображений рукописной подписи на базе локальных бинарных шаблонов

Цели. Рассматривается задача описания инвариантных признаков цифрового изображения рукописной подписи, представляющих распределение ее локальных особенностей. Подробно описывается формирование принципиально нового подхода к вычислению таких признаков.
Методы. Используются методы обработки цифровых изображений. Сначала изображение преобразуется в бинарное представление, затем выполняется его морфологическая и медианная фильтрация. Далее с помощью метода главных компонент осуществляется поворот изображения для придания подписи горизонтальной ориентации. Вырезается описывающий подпись прямоугольник и масштабируется в шаблон определенного размера (в статье использовался шаблон размером 300×150 пикселов). После этого формируется граница подписи. По ее бинарному контуру вычисляются локальные бинарные шаблоны, т. е. каждому пикселу ставится в соответствие число от 0 до 255, которое описывает расположение контурных пикселов в окрестности 3×3 каждого пиксела. Формируется гистограмма вычисленных шаблонов для 256 интервалов. Первый и последний интервалы отбрасываются, так как они соответствуют всем черным и белым пикселам в окрестности и не являются информативными. Оставшиеся 254 числа представляют собой массив новых локальных признаков подписи.
Результаты. Исследования выполнены на базах оцифрованных подписей TUIT и CEDAR, содержащих истинные и поддельные подписи 80 человек. Точность корректной верификации подписей на этих базах составила порядка 78 и 70 %.
Заключение. Экспериментально подтверждена возможность применения предложенного признака для решения задач верификации подлинности рукописной подписи.

1. Kaur, H. Signature identification and verification techniques: state-of-the-art work [Electronic resource] / H. Kaur, M. Kumar // J. of Ambient Intelligence and Humanized Computing. – 2021. – P. 1–19. – Mode of access: https://link.springer.com/article/10.1007/s12652-021-03356-w. – Date of access: 24.04.2022. https://doi.org/10.1007/s12652-021-03356-w

2. Hafemann, L. G. Offline handwritten signature verification – Literature review / L. G. Hafemann, R. Sabourin, L. S. Oliveira // Seventh Intern. Conf. on Image Processing Theory, Tools and Applications, Montreal, Canada, 28 Nov. – 01 Dec. 2017. – Montreal, 2017. – P. 8. https://doi.org/10.1109/ipta.2017.8310112

3. A perspective analysis of handwritten signature technology / M. Diaz [et al.] // ACM Computing Surveys. – 2019. – Vol. 51, no. 6. – P. 1–39. https://doi.org/10.1145/3274658

4. Kalera, M. K. Offline signature verification and identification using distance statistics / M. K. Kalera, S. Srihari, A. Xu // Intern. J. of Pattern Recognition and Artificial Intelligence. – 2004. – Vol. 18, no. 7. – P. 1339–1360. https://doi.org/10.1142/S0218001404003630

5. Шапиро, Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман ; пер. с англ. – 3-е изд. – M. : БИНОМ. Лаборатория знаний, 2015. – 763 с.

6. Otsu, N. A threshold selection method from gray-level histograms / N. Otsu // IEEE Transactions on Systems, Man and Cybernetics. – 1979. – Vol. 9, no. 1. – P. 62–66.

7. A writer-independent off-line signature verification system based on signature morphology / R. Kumar [et al.] // Proc. of the First Intern. Conf. on Intelligent Interactive Technologies and Multimedia, Allahabad, India, 27–30 Dec. 2010. – Allahabad, 2010. – P. 261–265. https://doi.org/10.1145/1963564.1963610

8. Ахунджанов, У. Ю. Предварительная обработка изображений рукописных подписей для последующего распознавания / У. Ю. Ахунджанов, В. В. Старовойтов // Системный анализ и прикладная информатика. – 2022. – № 2. – С. 4–9. https://doi.org/10.21122/2309-4923-2022-2-4-9

9. Kamal, N. N. Offline signature recognition using centroids of local binary vectors / N. N. Kamal, L. E. George // Intern. Conf. on New Trends in Information and Communications Technology Applications, Baghdad, Iraq, 2–4 Oct. 2018. – Baghdad, 2018. – Vol. 938. – P. 255–268. https://doi.org/10.1007/978-3-030-01653-1_16

10. Jadhav, T. Handwritten signature verification using local binary pattern features and KNN / T. Jadhav // Intern. Research J. of Engineering and Technology. – 2019. – Vol. 6, no. 4. – P. 579–586.

11. Старовойтов, В. В. Сравнительный анализ оценок качества бинарной классификации / В. В. Старовойтов, Ю. И. Голуб // Информатика. – 2020. − Т. 17, № 1. – С. 87–101. https://doi.org/10.37661/1816-0301-2020-17-1-87-101

12. Huh, S. Linear discriminant analysis for signatures / S. Huh, D. Lee // IEEE Transactions on Neural Networks. – 2010. – Vol. 21, no. 12. – P. 1990–1996.

13. Bharathi, R. K. Discriminative DCT: An efficient and accurate approach for off-line signature verification / R. K. Bharathi, B. H. Shekar // Fifth Intern. Conf. on Signal and Image Processing, Bangalore, India, 8–10 Jan. 2014. – Bangalore, 2014. – P. 179–184. https://doi.org/10.1109/ICSIP.2014.34