Распределение значений локальной кривизны как структурный признак для off-line верификации рукописной подписи
Another Title
Distribution of local curvature values as a structural feature for off-line handwritten signature verification
Bibliographic entry
Старовойтов, В. В. Распределение значений локальной кривизны как структурный признак для off-line верификации рукописной подписи = Distribution of local curvature values as a structural feature for off-line handwritten signature verification / В. В. Старовойтов, У. Ю. Ахунджанов // Системный анализ и прикладная информатика. – 2023. – № 2. – С. 49-58.
Abstract
В работе предложен новый признак описания цифрового изображения рукописной подписи на базе частотного распределения значений локальной кривизны контуров этой подписи. Подробно описывается вычисление этого признака на бинарном изображении подписи. Формируется нормализованная гистограмма распределений значений локальной кривизны для 40 интервалов. Частотные значения, записанные в виде 40-мерного вектора, названы кодом локальной кривизны подписи. При верификации близость двух подписей определяется корреляцией между кодами кривизны и LBP-кодами, описанными авторами в работе [23]. Для выполнения процедуры верификации подписи строится двумерное признаковое пространство, содержащее образы корреляционной близости пар подписей. При верификации подписи с N подлинными подписями этого же человека в признаковом пространстве представлено N(N-1)/2 образов близости пар подлинных подписей и N образов пар близости анализируемой подписи с подлинными. В качестве классификатора используется машина опорных векторов (SVM). Экспериментальные исследования выполнены на оцифрованных изображениях подлинных и фальшивых подписей из двух баз. Точность автоматической верификации подписей на общедоступной базе CEDAR составила 99,77 %, а на базе TUIT 88,62 %.
Abstract in another language
In the paper, a new feature for describing a digital image of a handwritten signature based on the frequency distribution of the values of the local curvature of the signature contours, is proposed. The calculation of this feature on the binary image of a signature is described in detail. A normalized histogram of distributions of local curvature values for 40 bins is formed. The frequency values recorded as a 40-dimensional vector are called the local curvature code of the signature. During verification, the proximity of signature pairs is determined by correlation between curvature codes and LBP codes described by the authors in [23]. To perform the signature verification procedure, a two-dimensional feature space is constructed containing images of the proximity of signature pairs. When verifying a signature with N authentic signatures of the same person, N(N-1)/2 patterns of the proximity of pairs of genuine signatures and N images of pairs of proximity of the analyzed signature with genuine signatures are presented in the feature space. The Support Vector Machine (SVM) is used as a classifier. Experimental studies were carried out on digitized images of genuine and fake signatures from two databases. The accuracy of automatic verification of signatures on the publicly available CEDAR database was 99,77 % and on TUIT was 88,62 %.
View/
Collections
- № 2[9]