Разработка и исследование математического и программного обеспечения распознавания и визуализации подписи

• Автор: Шуб, Дмитрий Анатольевич
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Москва
• Количество страниц: 131 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ4
ГЛАВА 1. МЕТОДИКИ РАСПОЗНАВАНИЯ И ВИЗУАЛИЗАЦИИ ПОДПИСИ И МОДЕЛИ ПРОЦЕССА СОЗДАНИЯ ПОДПИСИ

1.1. Анализ существующих методик верификацииподписи

1.2 Существующие моделипроцесса создания подписи.

1.21. Осцилляционная модель

1.2.2. ДельтаЛогнормальная,модель

1.2.3. Модель АУ1ТЕУК1ТЕ.

1.2.4. Модели, предполагающие наличие внутренних моделей

1.2.5. Модели точки равновесия

1.2.6. Модель динамической фильтрации шума

1.2.7. Модели оптимального управления.
1.3. Визуализацияподписи
1.4. Задачи исследования..
ГЛАВА 2. ФОРМАЛЬНОЕ ОПИСАНИЕ ВЕРИФИКАЦИИ ПОДПИСИ И ПРОЦЕССА СОЗДАНИЯ ПОДПИСИ
21. Оценка эффективности верификации
2.2. Формальное описание верификации подписи.
2.3 Модель процесса создания подписи
2.4. Выводы по главе 2.
ГЛАВА 3. МЕТОДИКИ РАСПОЗНАВАНИЯ, ВЕРИФИКАЦИИ И ВИЗУАЛИЗАЦИИ ПОДПИСИ
3.1. Методика распознавания подписи
3.2. Методика верификации подписи
32.1. Формирование образа подписей.
3.22. Проверка введенной подписи.
3.3. Методика визуализации подписи.
3.4. Выводы по главе 3.
ГЛАВА 4. РЕАЛИЗАЦИЯ И ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ПРЕДЛОЖЕННЫХ МЕТОДИК.
4.1. Программное обеспечение, реализующее предложенные методики
4.2. Подсистема ввода подписи
4.3. Подсистема создания образа подписей.
4.4. Подсистема предобработки
4.5. Подсистема чтениязаписи и технология активных данных
4.6. Подсистема верификации.
4.7. Подсистема распознавания.
4.8. Подсистема взаимодействия с оператором.
4.9. Развертывание программной системы
4 Экспериментальное исследование предложенных методик
4 Выводы по главе 4.
ЗАКЛЮЧЕНИЕ.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК.
ПРИЛОЖЕНИЯ.
Приложение 1. Акт о внедрении в ООО Систематика.
Приложение 2. Акт о внедрении в МИРЭА.
Приложение 3. Акт о внедрении в ИВФ РАО.
ВВЕДЕНИЕ
Актуальность


Обучение НММ производится с помощью алгоритма Баума-Вельха. На основе полученных оценок схожести подписей, введенных при формировании образа подписей, определяются математическое ожидание и среднеквадратическое отклонение оценок схожести. Подпись признается подлинной, если ее оценка схожести принадлежит интервалу, границы которого выбираются в зависимости от значений математического ожидания и среднеквадратического^ отклонения оценок схожести. Для обучения НММ используются пять подлинных подписей. При использовании тестовой базы подписей, состоявшей из 2 подлинных подписей и подделок, система обеспечила FAR=4% и FRR=%. В работе McCabe A. Для оценки схожести, проверяемой подписи и принятии решения о ее подлинности используется многослойный перцептрон с одним скрытым слоем, содержащий от пятнадцати до тридцати нейронов. В качестве активационной функции используется сигма-функция. Веса связей варьируются от 0. Обучение нейросети предлагается проводить с помощью метода обратного распространения ошибки, метода градиентного спуска и метода Левенберг-Маркуарта. Для формирования образа используются пять подлинных подписей и 0 случайных подделок. Сообщается, что система обеспечивает EER=1,9% при использовании случайных подделок. Проверка методики проводилась с помощью базы. Заметим, что необходимость использования* подделок при обучении нейросети значительно усложняет применение нейросетей для распознавания подписи. В' работе Kholmatov A. YanikogluB; []; сегментом; подписи является вектор* значений параметров- для конкретного момента*; времени. Для сравнения' подписей; используется расстояние между сравниваемыми подписями - оценка расхождения? DTW. Определяется* подпись с минимальными средними расстояниями ДО’ других введенных подписей (эталонная'подпись); среднее расстояние между введенными подписями и ближайшей подписью; среднее расстояние между введенными подписями и самой дальней подписью; среднее расстояние между введенными, подписями и эталонной: подписью Затем происходит обучение классификатора* для* пространства характеристических векторов. При этом-предлагается использовать классификатор Байеса, метод опорных, векторов или принципиальный, компонентный анализ. Для* обучения классификатора, к уже введенным:’ подлинным подписям вводится дополнительный набор подлинных подписей'и подделок. На этапе проверки подлинности подписи для введенной подписи вычисляется значение вектора, на основе которого обученный классификатор принимает решение о подлинности введенной подписи. Сообщается, что система смогла, достигнуть FAR=3,5% при FRR=3,6%. Как видно из приведенных примеров, полученные значения FAR, FRR, EER оказываются не менее нескольких процентов. Оценка эффективности других методик, описанных в литературе [4, 8, , , , , , , , , , , , ], показывает аналогичные значения. EER не менее 2,8%. Указанные значения1 характеристик эффективности: верификации подписи затрудняют широкое применение систем распознавания подписи в областях, в которых традиционно принято использовать подпись (например, в- платежных^ системах, системах документооборота, ' системах, криминалистической^ экспертизы). Так,, по> требованиям американского национального' стандарта Х9:. Biometrie Information: Management and Security [6] значения ошибок FAR и FRR для> применения: в. Таким образом, в настоящее время, актуальна ; задача повышения эффективности, распознавания подписи, востребована и актуальна методика верификации^ подписи, обеспечивающая высокую эффективность распознавания подписи, актуальны разработка и исследование реализующего > ее математического. Целью данной работы является, повышение эффективности распознавания подписи за- счет применения нового математического и программного обеспечения на этапе верификации подписи. Провести исследование существующих методик верификации подписи. Разработать формальное описание всего процесса, верификации подписи. На основе полученного формального описания всего процесса верификации подписи определить пути повышения эффективности верификации подписи.