(43-5) 17 * << * >> * Русский * English * Содержание * Все выпуски

Метод баггинга и отбор признаков в построении нечётких классификаторов для распознавания рукописной подписи

К.С. Сарин1, И.А. Ходашинский1

1 Томский государственный университет систем управления и радиоэлектроники, Томск, Россия

 PDF, 1047 kB

DOI: 10.18287/2412-6179-2019-43-5-833-845

Страницы: 833-845.

Аннотация:
Распознавание рукописной подписи является важной проблемой в области исследований аутентификации личности и биометрической идентификации. Известны два метода распознавания рукописной подписи: если возможно оцифровать скорость движения пера, то говорят о динамическом распознавании; в противном случае, когда доступно только изображение подписи, говорят о статическом распознавании. Доказано, что при использовании динамического распознавания достигается большая точность, чем при использовании статического распознавания. В настоящей работе в качестве характеристик подписи используются амплитуды, частоты и фазы гармоник, извлечённых из сигналов подписи координат X и Y движения пера с помощью дискретного преобразования Фурье. Предварительно все сигналы подвергаются предобработке, включающей в себя устранение разрывов, устранение угла наклона, нормализацию позиции и масштабирование. В качества инструмента распознавания подписи по полученным признакам предлагается использовать нечёткий классификатор. В работе исследуется эффективность данного инструмента в составе ансамбля, а также с применением процедуры отбора информативных признаков. Для построения ансамбля классификаторов используется известный метод баггинга, а отбор признаков основан на определении взаимной информации между признаком и классом объекта. Проведены эксперименты по распознаванию подписи на наборе данных SVC2004 с построением нечёткого классификатора и ансамблей из трёх, пяти, семи и девяти нечётких классификаторов. Эксперименты проводились как с использованием процедуры отбора, так и без отбора. Проведено сравнение эффективности работы построенных классификаторов между собой и с известными аналогами: деревьями решений, машинами опорных векторов, дискриминантным анализом и k-ближайшими соседями.

Ключевые слова:
рукописная подпись, нечёткий классификатор, ансамбль, баггинг, отбор признаков.

Цитирование:
Сарин, К.С. Метод баггинга и отбор признаков в построении нечётких классификаторов для распознавания рукописной подписи / К.С. Сарин, И.А. Ходашинский // Компьютерная оптика. – 2019. – Т. 43, № 5. – С. 833-845. – DOI: 10.18287/2412-6179-2019-43-5-833-845.

Благодарности:
Исследование выполнено в рамках проектной части государственного задания Министерства образования и науки Российской Федерации на 2017-2019 гг. № 2.3583.2017/4.6.

Литература:
  1. Yang, S. Task sensitivity in EEG biometric recognition / S. Yang, F. Deravi, S. Hoque // Pattern Analysis and Applications. – 2018. – Vol. 21. – P. 105-117. – DOI: 10.1007/s10044-016-0569-4.
  2. 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.
  3. Ferrer, M.A. A behavioral handwriting model for static and dynamic signature synthesis / M.A. Ferrer, M. Diaz, C. Carmona-Duarte, A. Morales // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2017. – Vol. 39, Issue 6. – P. 1041-1053. – DOI: 10.1109/TPAMI.2016.2582167.
  4. Carmona-Duarte, C. Myoelectronic signal-based methodology for the analysis of handwritten signatures / C. Carmona-Duarte, R. de Torres-Peralta, M. Diaz, M.A. Ferrer, M. Martin-Rincon // Human Movement Science. – 2017. – Vol. 55. – P. 18-30. – DOI: 10.1016/j.humov.2017.07.002.
  5. Chang, S.-H. Biomechanical analyses of prolonged handwriting in subjects with and without perceived discomfort / S.-H. Chang, C.-L. Chen, N.-Y. Yu // Human Movement Science. –2015. – Vol. 43. – P. 1-8. – DOI: 10.1016/j.humov.2015.06.008.
  6. TenHouten, W.D. Handwriting and creativity // Encyclopedia of Creativity. – 2011. – P. 588-594. – DOI: 10.1016/B978-0-12-375038-9.00112-6.
  7. 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.
  8. Maiorana, E. Cancelable Templates for Sequence-Based Biometrics with Application to On-line Signature Recognition / E. Maiorana, P. Campisi, J. Fierrez, J. Ortega-Garcia, Al. Neri // IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans. – 2010. – Vol. 40, Issue 3. – P. 525-538. – DOI: 10.1109/TSMCA.2010.2041653.
  9. Sanchez-Reillo, R. Improving presentation attack detection in dynamic handwritten signature biometrics / R. Sanchez-Reillo, H.C. Quiros-Sandoval, I. Goicoechea-Telleria, W. Ponce-Hernandez // IEEE Access. – 2017. – Vol. 5. – P. 20463-20469. – DOI: 10.1109/ACCESS.2017.2755771.
  10. Linden, J. Dynamic signatures: A review of dynamic feature variation and forensic methodology / J. Linden, R. Marquis, F. Taroni // Forensic Science International. – 2018. – Vol. 291. – P. 216-229. – DOI: 10.1016/j.forsciint.2018.08.021.
  11. Baltzakis, H. A new signature verification technique based on a two-stage neural network classifier / H. Baltzakis, N. Papamarkos // Engineering Applications of Artificial Intelligence. – 2001. – Vol. 14. – P. 95-103. – DOI: 10.1016/S0952-1976(00)00064-6.
  12. Ivanov, A.I. Evaluation of signature verification reliability based on artificial neural networks, Bayesian multivariate functional and quadratic forms / A.I. Ivanov, P.S. Lozh­nikov, A.E. Sulavko // Computer Optics. – 2017. – Vol. 41, Issue 5. – P. 765-774. – DOI: 10.18287/2412-6179-2017-41-5-765-774.
  13. Hu, X. Fuzzy classifiers with information granules in feature space and logic-based computing / X. Hu, W. Pedrycz, X. Wang // Pattern Recognition. – 2018. – Vol. 80. – P. 156-167. – DOI: 10.1016/j.patcog.2018.03.011.
  14. Hodashinsky, I.A. Dynamic-signature-based user authentication using a fuzzy classifier / I.A. Hodashinsky, E.Yu. Kostyuchenko, K.S. Sarin, A.E. Anfilofiev, M.B. Bardamova, S.S. Samsonov, I.V. Filimonenko // Computer Optics. – 2018. – Vol. 42, Issue 4. – P. 657-666. DOI: 10.18287/2412-6179-2018-42-4-657-666.
  15. Kuncheva, L. Combining pattern classifiers, Methods and algorithms / L. Kuncheva. – 2nd ed. – New York: Wiley, 2014. – 384 p. – ISBN: 978-1-118-31523-1.
  16. Breiman, L. Bagging predictors / L. Breiman // Machine Learning. – 1996. – Vol. 24. – P. 123-140. – DOI: 10.1023/A:1018054314350.
  17. Freund, Y. A decision-theoretic generalization of on-line learning and an application to boosting / Y. Freund, R.E. Schapire // Journal of Computer and System Sciences. – 1997. – Vol. 55. – P. 119-139. – DOI: 10.1006/jcss.1997.1504.
  18. Hu, J. Writer-independent off-line handwritten signature verification based on real adaboost / J. Hu, Y. Chen // 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce. – 2011. – P. 6095-6098. – DOI: 10.1109/AIMSEC.2011.6010102.
  19. Bertolini, D. Reducing forgeries in writer-independent off-line signature verification through ensemble of classifiers / D. Bertolini, L.S. Oliveira, E.J.R. Sabourin // Pattern Recognition. – 2010. – Vol. 43. – P. 387-396. – DOI: 10.1016/j.patcog.2009.05.009.
  20. Chandrashekar, G. A survey on feature selection methods / G. Chandrashekar, F. Sahin // Computers and Electrical Engineering. – 2014. – Vol. 40. – P. 16-28. – DOI: 10.1016/j.compeleceng.2013.11.024.
  21. Cai, J. Feature selection in machine learning: A new perspective / J. Cai, J. Luo, S. Wang, S. Yang // Neurocomputing. – 2018. – Vol. 300. – P. 70-79. – DOI: 10.1016/j.neucom.2017.11.077.
  22. Kumar, R. Writer-independent off-line signature verification using surroundedness feature / R. Kumar, J.D. Sharma, B. Chanda // Pattern Recognition Letters. – 2012. – Vol. 33. – P. 302-308. – DOI: 10.1016/j.patrec.2011.10.009.
  23. Cham, F.L. Signature recognition through spectral analysis / F.L. Cham, D. Kamins // Pattern Recognition. – 1989. – Vol. 22, Issue 1. – P. 39-44. – DOI: 10.1016/0031-3203(89)90036-8.
  24. Yanikoglu, B. Online signature verification using Fourier descriptors / B. Yanikoglu, A. Kholmatov // EURASIP Journal on Advances in Signal Processing. – 2009. – 2009(260516). – DOI: 10.1155/2009/260516.
  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. – 2003. – P. 856-863.
  26. Bezdek, J.C. FCM: the fuzzy c–means clustering algorithm / J.C. Bezdek, R. Ehrlih, W. Full // Computers & Geosciences. – 1984. – Vol. 10, Issues 2-3. – P. 191-203. – DOI: 10.1016/0098-3004(84)90020-7.
  27. Yang, X.-S. Cuckoo search via Levy flights / X.-S. Yang, S. Deb // Proceedings of World Congress on Nature & Biologically Inspired Computing. – 2009. – P. 210-214.
  28. Yang, X.-S. Engineering optimisation by cuckoo search / X.-S. Yang, S. Deb // International Journal of Mathematical Modelling and Numerical Optimisation. – 2010. – Vol. 1. – P. 330-343. – DOI: 10.1504/IJMMNO.2010.035430.
  29. Yang, X.-S. Cuckoo search: recent advances and applications / X.-S. Yang, S. Deb // Neural Computing and Applications. – 2014. – Vol. 24. – P. 169-174. – DOI: 10.1007/s00521-013-1367-1.
  30. Rokach, L. Ensemble-based classifiers // Artificial Intelligence Review. – 2010. – Vol. 33, Issues 1-2. – P. 1-39. DOI: 10.1007/s10462-009-9124-7.
  31. Гланц, С. Медико-биологическая статистика / С. Гланц; пер. с англ. – М.: Практика, 1998. – 459 с.

 

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20