(42-4) 14 * << * >> * Русский * English * Содержание * Все выпуски

Аутентификация пользователя по динамике подписи на основе нечеткого классификатора
Ходашинский И.А., Костюченко Е.Ю., Сарин К.С., Анфилофьев А.Е., Бардамова М.Б., Самсонов С.С., Филимоненко И.В.

Томский государственный университет систем управления и радиоэлектроники, Томск, Россия

 PDF, 418 kB

DOI: 10.18287/2412-6179-2018-42-4-657-666

Страницы: 657-666.

Аннотация:
Анализ динамики подписи является одним из наиболее быстрых, интуитивно понятных и экономичных инструментов аутентификации пользователей. Динамическое распознавание подписи основано на анализе нескольких характеристик почерка индивидуума, таких как параметры движения, давление, азимут и угол наклона пера в определенные моменты времени, а также скорости и ускорения вышеперечисленных величин. В нашей работе в качестве признаков были использованы постоянная составляющая и первые семь гармоник разложения данных сигналов в ряд Фурье. Создание систем подтверждения подлинности подписи включает следующие этапы: предобработка, отбор информативных признаков, классификация. Для отбора признаков использованы бинарные метаэвристические и детерминированные алгоритмы. Классификация выполнялась с помощью нечеткого классификатора. Параметры нечетких классификаторов настраивались непрерывными метаэвристическими алгоритмами. Работоспособность системы аутентификации проверена на авторской базе данных. База данных содержит 280 оригинальных вариантов подписи одного автора и 1281 вариант фальсификаций (поддельных подписей) семи авторов. Для оценки статистической значимости различий в точности и ошибках нечетких классификаторов, сформированных метаэвристическими алгоритмами, использованы критерий Манна–Уитни (Уилкоксона) и тест Крускала–Уоллиса.

Ключевые слова:
распознавание образов, обработка информации, алгоритмы, отбор признаков, нечеткий классификатор, распознавание подписи.

Цитирование:
Ходашинский, И.А. Аутентификация пользователя по динамике подписи на основе нечеткого классификатора / И.А. Ходашинский, Е.Ю. Костюченко, К.С. Сарин, А.Е. Анфилофьев, М.Б. Бардамова, С.С. Самсонов, И.В. Филимоненко // Компьютерная оптика. – 2018. – Т. 42, №4. – С. 657-666. – DOI: 10.18287/2412-6179-2018-42-4-657-666.

Литература:

  1. Ortega-Garcia, J. Authentication gets personal with biometrics / J. Ortega-Garcia, J. Bigun, D. Reynolds, J. Gonzalez-Rodriguez // IEEE Signal Processing Magazine. – 2004. – Vol. 21, Issue 2. – P. 50-62. – DOI: 10.1109/MSP.2004.1276113.
  2. Gupta, G. A review of dynamic handwritten signature verification / G. Gupta, A. McCabe // Technical report at James Cook University, Australia. – 1997.
  3. Zalasinski, M. Fuzzy-genetic approach to identity verification using a handwritten signature / M. Zalasinski, K. Cpalka, L. Rutkowski. – In Book: Advances in data analysis with computational intelligence / ed. by A. Gaweda, J. Kacprzyk, L. Rutkowski, G. Yen. – Cham: Springer, 2018. – P. 375-394. – DOI: 10.1007/978-3-319-67946-4_17.
  4. Аникин, И.В. Распознавание динамической рукописной подписи на основе нечёткой логики / И.В. Аникин, Э.С. Анисимова // Вестник Казанского государственного энергетического университета. – 2016. – Т. 31, № 3. – С. 48-64.
  5. Kholmatov, A. Identity authentication using improved online signature verification method / A. Kholmatov, B. Yanikoglu // Pattern Recognition Letters. – 2005. – Vol. 26, Issue 15. – P. 2400-2408. – DOI: 10.1016/j.patrec.2005.04.017.
  6. 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, Issue C. – P. 22-28. – DOI: 10.1016/j.patrec.2016.07.015.
  7. Xia, X. Signature alignment based on GMM for on-line signature verification / X. Xia, Z. Chen, F. Luan, X. Song // Pattern Recognition. – 2017. – Vol. 65, Issue C. – P. 188-196. – DOI: 10.1016/j.patcog.2016.12.019.
  8. Khan, M.A.U. Velocity-image model for online signature verification / M.A.U. Khan, M.K. Khan, M.A. Khan // IEEE Transactions on Image Processing. – 2006. – Vol. 15, Issue 11. – P. 3540-3549. – DOI: 10.1109/TIP.2006.877517.
  9. Razzak, M.I. Multilevel fusion for fast online signature recognition using multi-section VQ and time modelling / M.I. Razzak, B. Alhaqbani // Neural Computing and Applications. – 2015. – Vol. 26, Issue 5. – P. 1117-1127. – DOI: 10.1007/s00521-014-1779-6.
  10. Cpalka, K. A new algorithm for identity verification based on the analysis of a handwritten dynamic signature / K. Cpalka, M. Zalasinski, L. Rutkowski // Applied Soft Computing. – 2016. – Vol. 43. – P. 47-56.
  11. Doroz, R. Dynamic signature verification method based on association of features with similarity measures / R. Doroz, P. Porwik, T. Orczyk // Neurocomputing. – 2016. – Vol. 171. – P. 921-931. – DOI: 10.1016/j.neucom.2015.07.026.
  12. Nanni, L. Combining local, regional and global matchers for a template protected on-line signature verification system / L. Nanni, E. Maiorana, A. Lumini, P. Campisi // Expert Systems with Applications. – 2010. – Vol. 37, Issue 5. – P. 3676-3684. – DOI: 10.1016/j.eswa.2009.10.023.
  13. Jalalirad, A. Using feature-based models with complexity penalization for selecting features / A. Jalalirad, T. Tjalkens // Journal of Signal Processing Systems. – 2018. – Vol. 90, Issue 2. – P. 201-210. – DOI: 10.1007/s11265-016-1152-3.
  14. Alkuhlani, A. Multistage feature selection approach for high-dimensional cancer data / A. Alkuhlani, M. Nassef, I. Farag // Soft Computing. – 2017. – Vol. 21, Issue 22. – P. 6895-6906. – DOI: 10.1007/s00500-016-2439-9.
  15. Bolón-Canedo, V. Feature selection for high-dimensional data / V. Bolón-Canedo, N. Sánchez-Maroño, A. Alonso-Betanzos. – London: Springer, 2015. – 148 p. – ISBN: 978-3-319-21857-1.
  16. Иванов, А.И. Оценка надежности верификации автографа на основе искусственных нейронных сетей, сетей многомерных функционалов Байеса и сетей квадратичных форм / А.И. Иванов, П.С. Ложников, А.Е. Сулавко // Компьютерная оптика. – 2017. – Т. 41, № 5. – С. 765-774. – DOI: 10.18287/2412-6179-2017-41-5-765-774.
  17. Kostyuchenko, E. Integration of Bayesian classifier and perceptron for problem identification on dynamics signature using a genetic algorithm for the identification threshold selection / E. Kostyuchenko, M. Gurakov, E. Krivonosov, M. Tomyshev, R. Mescheryakov, I. Hodashinsky. – In book: Advances in Neural Networks – ISNN 2016 / ed. by L. Cheng, Q. Liu, A. Ronzhin. – Cham: Springer, 2016. – P. 620-627. – DOI: 10.1007/978-3-319-40663-3_71.
  18. Мех, М.А. Сравнительный анализ применения методов дифференциальной эволюции для оптимизации параметров нечётких классификаторов / М.А. Мех, И.А. Ходашинский // Известия Российской академии наук. Теория и системы управления. – 2017. – № 4. – С. 65-75. – DOI: 10.7868/S0002338817040060.
  19. Rashedi, E. GSA: A gravitational search algorithm / E. Rashedi, H. Nezamabadi-pour, S. Saryazdi // Information Sciences. – 2009. – Vol. 179, Issue 13. – P. 2232-2248. – DOI: 10.1016/j.ins.2009.03.004.
  20. Mehrabian, A.R. A novel numerical optimization algorithm inspired from weed colonization / A.R. Mehrabian, C. Lucas // Ecological Informatics. – 2006. – Vol. 1, Issue 4. – P. 355-366. – DOI: 10.1016/j.ecoinf.2006.07.003.
  21. Yang, X.-S. Engineering optimisation by cuckoo search / X.-S. Yang, S. Deb // International Journal of Mathematical Modelling and Numerical Optimisation. – 2010. – Vol. 1, Issue 4. – P. 330-343. – DOI: 10.1504/IJMMNO.2010.035430.
  22. Yang, X.-S. Cuckoo search: recent advances and applications / X.-S. Yang, S. Deb // Neural Computing and Applications. – 2014. – Vol. 24, Issue 1. – P. 169-174. – DOI: 10.1007/s00521-013-1367-1.
  23. Zhao, R. Monkey algorithm for global numerical optimization / R. Zhao, W. Tang // Journal of Uncertain Systems. – 2008. – Vol. 2, Issue 3. – P. 165-176.
  24. Gandomi, A.H. Krill herd: A new bio-inspired optimization algorithm / A.H. Gandomi, A.H. Alavi // Communications in Nonlinear Science and Numerical Simulation. – 2012. – Vol. 17, Issue 12. – P. 4831-4845. – DOI: 10.1016/j.cnsns.2012.05.010.
  25. Yu, L. Feature selection for high-dimensional data: A fast correlation-based filter solution / L. Yu, H. Liu // Proceedings of the 12th International Conference on Machine Learning (ICML-03). – 2003. – P. 856-863.
  26. Sarin, K.S. Identification of fuzzy classifiers based on the mountain clustering and cuckoo search algorithms / K.S. Sarin, I.A. Hodashinsky // 2017 International Siberian Conference on Control and Communications (SIBCON). – 2017. – 6 p. – DOI: 10.1109/SIBCON.2017.7998553.
© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20