Верификация нормализованных онлайн-подписей без вычисления динамических признаков
Аннотация
Цели. Целью работы является исследование метода проверки подлинности подписи человека, выполненной на планшете стилусом и заданной тремя параметрами: координатами X, Y и давлением на планшет P.
Методы. Даны N подлинных динамических подписей человека. Данные, описывающие разные подписи, сделанные одним человеком, всегда имеют разное число точек. Исследованы основные варианты нормализации исходных данных подписей. По заданным подписям, которые называются модельными, строится индивидуальный образ подписей человека без вычисления динамических признаков. Для сравнения однотипных данных разных подписей используется метод динамической трансформации временно́й шкалы (Dynamic Time Warping, DTW). Результатами этого преобразования являются расстояния DTW между параметрами пар подписей. Данные расстояния служат координатами точки в трехмерном признаковом пространстве, описывающей сходство пары подписей. Множество таких точек формирует образ подлинной подписи человека. Параметры верифицируемой подписи в паре с каждой из N подлинных, использованных для построения образа, сравниваются на предмет близости к этому образу. Если более N/2 таких пар отстоит от образа подписи дальше определенного порога T, подпись считает фальшивой, иначе – подлинной.
Результаты. По итогам сравнительных экспериментов найден вариант нормализации исходных данных динамических подписей человека, позволяющий выполнять верификации таких подписей без использования дополнительных признаков, обычно вычисляемых по исходным данным X, Y, P.
Заключение. Эксперименты по формированию индивидуальных образов подписей каждого из 230 человек из общедоступной базы динамических подписей MCYT (подмножество базы DeepSignDB) и проверке подлинности 11 500 подписей, выполненных от имени этих людей, показали точность верификации 99,82 %. Из них половина подписей были подлинными, половина поддельными.
Список литературы
1. Kaur, H. Signature identification and verification techniques: state-of-the-art work / H. Kaur, M. Kumar // Journal of Ambient Intelligence and Humanized Computing. – 2023. – Vol. 14, no. 2. – P. 1027–1045.
2. Чуприна М. В. Языковая политика в Республике Индия / М. В. Чуприна // Знание. Понимание. Умение. – 2012. – № 2. – С. 293–297.
3. Старовойтов, В. В. Верификация динамической подписи человека по ограниченному числу образцов / В. В. Старовойтов // Информатика. – 2024. − Т. 21, № 2. – С. 94–106.
4. Старовойтов, В. В. Следует ли нормализовать данные динамических подписей перед верификацией методом DTW? / В. В. Старовойтов // BIG DATA и анализ высокого уровня : сб. науч. ст. X Междунар. науч.-практ. конф., Минск, 13 марта 2024 г. : в 2 ч. – Минск, 2024. – Ч. 2. – С. 391–400.
5. DeepSign: Deep on-line signature verification / R. Tolosana, R. Vera-Rodriguez, J. Fierrez, J. Ortega-Garcia // IEEE Transactions on Biometrics, Behavior, and Identity Science. – 2021. – Vol. 3, iss. 2. – Р. 229–239.
6. Saleem, M. Survey of preprocessing techniques and classification approaches in online signature verification / M. Saleem, B. Kovari // Image Analysis and Recognition. ICIAR 2020. Lecture Notes in Computer Science. – 2020. – Vol. 12131. – P. 253–266. – DOI: 10.1007/978-3-030-50347-5_23.
7. Saleem, M. Systematic evaluation of pre-processing approaches in online signature verification / M. Saleem, C. Lia Szucs, B. Kovari // Intelligent Decision Technologies. – 2023. – Vol. 17, no. 3. – P. 655–672.
8. Fenton, D. Evaluation of features and normalization techniques for signature verification using dynamic timewarping / D. Fenton, M. Bouchard, T. H. Yeap // IEEE Intern. Conf. on Acoustics Speed and Signal Processing Proceedings, Toulouse, France, 14–19 May 2006. – Toulouse, 2006. – Vol. 3. – URL: https://ieeexplore.ieee.org/document/1660860/keywords#keywords (date of access: 17.08.2024).
9. Signature alignment based on GMM for on-line signature verification / X. Xia, Z. Chen, F. Luan, X. Song // Pattern Recognition. – 2017. – Vol. 65. – P. 188–196.
10. An on-line signature verification system based on fusion of local and global information / J. Fierrez-Aguilar, L. Nanni, J. Lopez-Peñalba [et al.] // 5th Intern. Conf. Audio- and Video-Based Biometric Person Authentication, Hilton Rye Town, N. Y., USA, 20–22 July 2005. – Springer, 2005. – P. 523–532.
11. Discriminative feature selection for on-line signature verification / X. Xia, X. Song, F. Luan [et al.] // Pattern Recognition. – 2018. – Vol. 74. – P. 422–433.
12. BioSecure signature evaluation campaign (BSEC'2009): Evaluating online signature algorithms depending on the quality of signatures / N. Houmani, A. Mayoue, S. Garcia-Salicetti [et al.] // Pattern Recognition. – 2012. – Vol. 45, no. 3. – Р. 993–1003.
13. Sharma, A. An enhanced contextual DTW based system for online signature verification using vector quantization / A. Sharma, S. Sundaram // Pattern Recognition Letters. – 2016. – Vol. 84. – P. 22–28.
14. Dsdtw: Local representation learning with deep soft-dtw for dynamic signature verification / J. Jiang, S. Lai, L. Jin, Y. Zhu // IEEE Transactions on Information Forensics and Security. – 2022. – Vol. 17. – P. 2198–2212.
15. Prewarping Siamese network: Learning local representations for online signature verification / X. Wu, A. Kimura, S. Uchida, K. Kashino // IEEE Intern. Conf. on Acoustics, Speech and Signal Processing, Brighton, UK, 2–17 May 2019. – Brighton, 2019. – P. 2467–2471.
Рецензия
Для цитирования:
Старовойтов В.В. Верификация нормализованных онлайн-подписей без вычисления динамических признаков. Информатика. 2024;21(4):72-84.
Послать статью по эл. почте 