Signaturbekræftelse

Den aktuelle version af siden er endnu ikke blevet gennemgået af erfarne bidragydere og kan afvige væsentligt fra den version , der blev gennemgået den 14. april 2019; checks kræver 3 redigeringer .

Signaturverifikation  er en biometrisk teknologi , der bruger en signatur til at identificere en person.

Signaturbekræftelse kan være anvendelig på områder, der kræver automatisering af workflow, såsom bankvirksomhed eller retssager. Signaturgenkendelsesalgoritmer er afhængige af mønstergenkendelsesalgoritmer eller matematiske kurveanalysemetoder, da en signatur kan repræsenteres af et sæt punkter. I verifikationsproblemet bruges derfor ofte ekspansion til serie- eller kurvetilnærmelse.

Oprindelse

Signatur er en af ​​de mest almindelige måder at verificere dokumenter på. Men på trods af udbredelsen af ​​brugen af ​​en signatur, er det visuelt ret svært at skelne en ægte signatur fra en falsk, fordi selv to signaturer af den samme person kan variere betydeligt. Derfor opstår opgaven med at skabe automatiske signaturgenkendelsesenheder. Sådanne systemer bør have et tilstrækkeligt højt niveau af genkendelsesnøjagtighed. Grundlaget for autentificering af signaturidentitet er den relative unikke og stabilitet af skriveprocessens karakteristika, som kan bruges til at sammenligne to signatureksempler [1] . Teknologiudviklingen har gjort det muligt at identificere og kvantificere de forskellige karakteristika ved signaturskrivning. Grafiske tabletter begyndte at blive brugt til at komme ind i signaturen , der på bestemte tidspunkter markerer placeringen af ​​enden af ​​pennen, såvel som pennens vinkel og det tryk, der udøves på tabletten. Data opnået ved hjælp af grafiske tabletter afspejler dynamikken i håndens muskelbevægelser og er derfor en biometrisk karakteristik af en bestemt person [2] . Naturligvis er signaturen mindre stabil end nogle andre biometriske karakteristika. Men opgaven med signaturverifikation er fortsat relevant, da bekræftelse ved signatur er en almindelig måde at bekræfte dokumenter og handlinger på.

Signaturgenkendelsesmetoder

Opgaven med brugergodkendelse ved signatur kan opdeles i flere faser. Først registreres signaturskabelonen. En person bliver bedt om at indtaste en signatur flere gange for at indsamle statistik. Så er der identifikation og analyse af brugerens unikke egenskaber, udtrykket af disse karakteristika kvantitativt samt definitionen af ​​referencedata og den tilladte afvigelse fra dem. Referencedataene er et array, der matches med en personlig signatur, og som der vil blive sammenlignet med i fremtiden. Det næste trin er at indtaste en prøvesignatur. På dette trin udtrækkes egenskaberne for den indtastede signaturprøve på samme måde som registreringen af ​​skabelonen. Herefter sammenlignes standardens og prøvens karakteristika, og der vurderes, hvor meget de er sammenfaldende. Hvis der er en tilstrækkelig grad af matchning, anses prøvesignaturen for autentisk. Ellers betragtes prøven som en falsk.



Signaturgenkendelsesmetoder er opdelt i to typer i henhold til metoden til at indhente data [3] .

Statisk metode

Den statiske metode forudsætter, at en person skriver under på papir, billedet scannes eller fotograferes, og derefter analyserer det biometriske system det resulterende billede. Denne metode omtales ofte som "off-line" metoden. Den statiske metode giver mindre information end den dynamiske metode, da kun punkternes koordinater er kendt.

Dynamisk metode

Den dynamiske metode forudsætter, at en person skriver under på en grafisk tablet , som læser signaturen i realtid. Denne metode kaldes også "on-line" metoden. Dynamisk information kan indeholde følgende egenskaber:

Den dynamiske metode har en højere grad af pålidelighed, da den udover statisk information indeholder yderligere, dynamisk information. I overensstemmelse hermed har sidstnævnte metode fået en stor grad af distribution [4] , [5] , [6] .

Signaturgenkendelsesalgoritmer

For hver person kan unikke egenskaber identificeres, når du skriver en signatur. Forskning inden for biometri involverer at vælge den bedste måde at sammenligne to biometriske objekter for en bestemt person. For eksempel er en person karakteriseret ved hurtig skrivning med skarpe toppe og dale, mens en anden er karakteriseret ved konstant stærkt tryk på pennen og glathed af stregen. Der er et tilstrækkeligt antal algoritmer til at identificere forskellige signaturkarakteristika og deres yderligere sammenligning. Forskellige algoritmer afspejler forskellige egenskaber ved signaturen, så i det generelle tilfælde er det umuligt at sammenligne algoritmer med hinanden.


Algoritme baseret på mønstergenkendelse

Populære teknikker inden for mønstergenkendelsesteori er også anvendelige til signaturgenkendelse. For eksempel den skjulte Markov-model og den dynamiske tidstransformationsalgoritme ( DTW-algoritme ). Kombinationer af metoder er også mulige [7] . Signaturen er foreløbig opdelt i sektioner som følger. Koordinaterne for det geometriske centrum af hele signaturen beregnes, og signaturen opdeles derefter i to sektioner i forhold til massecentret. Yderligere fortsætter opdelingen på hver sektion. Efter at partitionen er fuldført, tildeles hver sektion af signaturen en inertiellipse. I dette tilfælde er inertiellipsen en ellipse, hvis centrum falder sammen med det geometriske centrum af signaturafsnittet, og selve ellipsen er konstrueret på samme måde som inertiellipsen af ​​et fysisk legeme , idet signaturpunktets masse tages som én [ 8] . På denne måde opbygges en pyramideformet repræsentation af signaturen med elliptiske primitiver. Yderligere sammenligning udføres mellem repræsentationer af signaturen.

Bezier Curve Approximation Algoritme

Signaturpunkternes koordinater aflæses fra læseren. Derefter opdeles arrayet af punkter i sektioner, for eksempel ifølge princippet om at vælge lokale ekstrema langs akserne [9] eller opdele signaturlinjerne med skæringspunkter [10] . Derefter tegnes en Bezier-kurve på hver af pakkerne baseret på et sæt punkter i pakken. Således er hver sektion forbundet med en række koefficienter, der definerer Bezier-kurven . Sammenligningen af ​​to signaturer udføres ved at sammenligne de tilsvarende sektioner af signaturerne og yderligere sammenligne koefficienterne for det tilnærmede Bezier-polynomium i sektionerne [11] .

Algoritme baseret på beregning af afstandsmatrix

Resultatet af algoritmen er en afstandsmatrix, der er invariant under translation, rotation og skalering. Med andre ord, hvis du tager en signaturprøve og derefter strækker, roterer og flytter signaturen, så vil afstandsmatrixen være den samme som den oprindelige signatur. Matrixen beregnes ved følgende trin:
1. De indledende data er centreret i forhold til gennemsnitsværdien

2. Koordinaterne normaliseret til elementet med maksimumværdien beregnes

3. Afstandsmatrixen beregnes for hele sættet af normaliserede koordinater [12]

 er afstanden mellem i-te og j-te koordinater.

Yderligere sammenlignes afstandsmatricerne for de to signaturer.

Algoritme til at matche lokale ekstremer

Signaturgenkendelse er en temmelig lignende opgave til menneskelig talegenkendelse. Derfor er eksisterende metoder inden for talegenkendelse anvendelige til håndskriftsgenkendelse med nogle tilføjelser [13] . En af de vigtigste metoder til verifikation er tilgangen ved hjælp af neurale netværk og matchende punkter af dynamiske kurver ved hjælp af metoden til dynamisk transformation af tidsskalaen ( DTW-algoritme ). DTW-metoden har nogle ulemper: beregningsmæssig kompleksitet og reduktion af selv en falsk signatur til en referenceformular. For at eliminere disse mangler blev der foreslået en signatursammenligningsmetode baseret på søgningen efter korrespondance af ekstreme punkter (ekstreme punkters skævhed, EPW) [14] . Fra afhængigheden x(t) og y(t) skelnes en sekvens af maksima og minima. Derfor bør man finde overensstemmelser mellem punkterne indesluttet mellem det tilsvarende minimum og maksimum [15] . Efter at korrespondancen mellem punkterne i en signatur og punkterne i en anden signatur er bygget, sammenlignes punkterne for forskellige signaturer, der svarer til hinanden, direkte.

Algoritme baseret på udvidelse af funktionerne X(t), Y(t), P(t) til serier

Dekomponering i rækker tillader kompakt lagring af signaturdata med mulighed for original gendannelse og viser signaturskrivningsdynamikken. Funktionerne X(t), Y(t), P(t) kan udvides i form af Fourier-koefficienter eller wavelet-udvidelser . Dernæst sammenlignes signaturerne ved at sammenligne de tilsvarende arrays af ekspansionskoefficienter. Ifølge den resulterende række af ekspansionskoefficienter er det også muligt at gendanne de oprindelige funktioner. Ved brug af wavelet-transformationen falder antallet af fejl af den første slags, med en fast fejl af den anden slags. Men det skal bemærkes, at wavelet-transformationen har en større beregningsmæssig kompleksitet af algoritmerne end Fourier-transformationen, for hvilken der er en algoritme for den hurtige Fourier-transformation [16] .

Yderligere karakteristika ved signaturen sammenlignes ofte: forholdet mellem signaturens længde og dens bredde, signaturens hældningsvinkel, hældningsvinklen mellem midten af ​​signaturens halvdele [17] .

Omfang

Teknologien kan bruges i en række applikationer, herunder [18] :

Links

Noter

  1. ↑ Doroshenko T.Yu., Kostyuchenko E.Yu. Autentificeringssystem baseret på håndskrevet signaturdynamik  // Rapporter fra TUSUR, nr. 2 (32): tidsskrift. – 2014.
  2. ↑ Kolyadin D.V., Petrov I.B. Algoritme til udvælgelse af ekstreme punkter i forhold til problemet med biometrisk verifikation af en håndskrevet signatur  // Elektronisk journal "RESEARCHED IN RUSSIA" : journal. - 2005.
  3. ↑ VISHVJIT S. NALWA. Automatisk on-line signaturverifikation  (udefineret)  // PROCEEDING OF THE IEEE, VOL. 85, NR. 2. - 2005.
  4. ↑ Alexander Prokhorov. Mit hus er min fæstning, mit ansigt er mit pas  (neopr.)  // ComputerPress 7. - 2000.
  5. ↑ Sorokin I.A. Dannelse af et system af tegn til identifikation af en person ved hjælp af dynamikken i signaturgengivelse: forfatter. afhandlinger af cand. tech. Videnskaber. Penza stat. universitet, Penza, 2005.  : tidsskrift. - 2005.
  6. ↑ E.S. Anisimov. [ http://crm.ics.org.ru/uploads/crmissues/crm_2014_3/14302.pdf Identifikation af en online signatur ved hjælp af den vinduesformede Fourier-transformation og radial basis]  // COMPUTERRESEARCH AND MODELING vol. 6 nr. 3 pp. 357– 364 : log. – 2014.
  7. ↑ Faundez-Zanuy, Marcos. On-line signaturgenkendelse baseret på VQ-DTW  (udefineret)  // Mønstergenkendelse. - 2007. - T. 40 , nr. 3 . - S. 981-992 .
  8. ↑ MM Lange, SN Ganebnykh. Klassifikation af 2D-gråskalaobjekter i et rum med multiresolution-repræsentation  (engelsk)  : tidsskrift. - 2005.
  9. ↑ Kolyadin D.V., Savin A.A. Om problemet med signaturverifikation i adgangskontrolsystemer  // Behandling af information og modellering. - M.: MIPT, 2002: tidsskrift. - 2002. - S. 81-89 . Arkiveret fra originalen den 29. november 2014. Arkiveret kopi (ikke tilgængeligt link) . Hentet 20. november 2014. Arkiveret fra originalen 29. november 2014. 
  10. ↑ Eremenko A.V. Algoritme til at opdele en signatur i fragmenter i forhold til problemet med at forbedre pålideligheden af ​​personlighedsgenkendelse ved dynamikken ved at skrive adgangskoder  // Proceedings of the 62nd videnskabelige og tekniske konference SibADI. -Omsk, t.Kn. 1. : magasin. - 2008. - S. 124-128 . Arkiveret fra originalen den 15. december 2014. Arkiveret kopi (ikke tilgængeligt link) . Hentet 20. november 2014. Arkiveret fra originalen 15. december 2014. 
  11. ↑ Arun Vijayaragavan J. Visumathi, KL Shunmuganathan. Cubic Bezier Curve Approach for Automated Offline Signatur Verification with Intrusion Identification  //  Mathematical Problems in Engineering Volume, Article ID 928039 : journal. – 2014.
  12. ↑ Ruchai A.N. Invarianter som metode til verifikation ved statistisk signatur  // Knowledge-Ontology-Theory (ZONT-09): journal. – 2009.
  13. ↑ T. Starner, J. Makhoul, R. Schwartz, G. Chou. Online kursiv håndskriftsgenkendelse ved hjælp af talegenkendelsesmetoder  //  IEEE Conference on Acoustics, Speech and Signal Processing: journal. - 1994. - Bd. 5 . - S. 125-128 .
  14. ↑ F. Hao, C.W. Chan. Online signaturbekræftelse ved hjælp af en ny ekstreme punkters  vridningsteknik //  Mønstergenkendelsesbogstaver : journal. - 2003. - Bd. 24 . - S. 2943-2951 .
  15. ↑ Kolyadin D.V., Savin A.A. Om problemet med signaturverifikation i adgangskontrolsystemer  // Behandling af information og modellering. - M.: MIPT: journal. - 2002. Arkiveret den 29. november 2014. Arkiveret kopi (ikke tilgængeligt link) . Hentet 20. november 2014. Arkiveret fra originalen 29. november 2014. 
  16. ↑ Leus A.V. Biometrisk autentificering baseret på signaturens dynamiske karakteristika  // Katalog "ACS. Antiterrorisme" : tidsskrift. – 2009.
  17. ↑ Ruchai A.N. Invarianter som metode til verifikation ved statistisk signatur  // Knowledge-Ontology-Theory (ZONT-09): journal. – 2009.
  18. ↑ Alexander Prokhorov. Mit hus er min fæstning, mit ansigt er mit pas  (neopr.)  // ComputerPress 7'2000. - 2000.