ПОДХОДЫ К ОНЛАЙН ВЕРИФИКАЦИИ СОБСТВЕННОРУЧНОЙ ПОДПИСИ

Анастасия В. Береснева, Анна В. Епишкина

Аннотация


Собственноручная подпись – один из наиболее распространенных методов биометрической аутентификации, где статические и динамические характеристики подписи используются для подтверждения личности пользователя. Целью исследования является анализ алгоритмов верификации собственноручной подписи и методов извлечения характеристик. Существующие разработки используют в основе различные технологии, такие как нейронная сеть, скрытая модель Маркова и алгоритмы машинного обучения. Помимо этого, на точность алгоритма верификации оказывает влияние метод извлечения характеристик подписи, а также, какие именно характеристики подписи принимаются во внимание в процессе классификации. Данная тематика бурно развивается, новые подходы и алгоритмы для решения задачи улучшают точность верификации и скорость обучения. По результатам исследования выбран алгоритм с наименьшим количеством ошибок первого и второго рода. Наиболее перспективный алгоритм положен в основу разрабатываемой системы аутентификации на основе собственноручной подписи.


Ключевые слова


верификация, аутентификация, биометрическая аутентификация, собственноручная подпись, машинное обучение, нейронная сеть.

Полный текст:

PDF

Литература


1. Ooi, Shih Yin, Andrew Beng Jin Teoh, Ying-Han Pang and Bee Yan Hiew. “Image-based handwritten signature verification using hybrid methods of discrete Radon transform, principal component analysis and probabilistic neural network.” Appl. Soft Comput. Vol. 40, 2016. P. 274–282.
DOI: https://doi.org/10.1016/j.asoc.2015.11.039.

2. Wróbel, Krzysztof & Doroz, Rafal & Porwik, Piotr & Naruniec, Jacek & Kowalski, Marek. (2017). Using a Probabilistic Neural Network for lip-based biometric verification. Engineering Applications of Artificial Intelligence. 64. 112-127. DOI: https://doi.org/10.1016/j.engappai.2017.06.003.

3. Buchegger, P. Hacking Fingerprint Readers Without Making A Mess. Syss. URL:https://www.syss.de/fileadmin/dokumente/Publikationen/2018/Hacking_Fingerprint_Readers_without_Making_a_Mess.pdf (дата обращения: 25.12.2019).

4. Deng, Y. Keystroke Dynamics Advances for Mobile Devices Using Deep Neural Network Y. Deng, Y. Zhong. Recent Advances in User Authentication Using Keystroke Dynamics Biometrics. 2015. Vol. 2. P. 59–70.
DOI: https://doi.org/10.15579/gcsr.vol2.ch4.

5. Rosso OA, Ospina R, Frery AC. Classification and Verification of Handwritten Signatures with Time Causal Information Theory Quantifiers // Journal of Computer Aided Design and Computer Graphics. Vol. 19, No. 3. P.243–301. DOI: https://doi.org/10.1371/journal.pone.0166868.

6. L. Lu and Y. Liu, "Safeguard: User Reauthentication on Smartphones via Behavioral Biometrics," in IEEE Transactions on Computational Social Systems, Vol. 2, No. 3. P. 53–64, Sept. 2015.
DOI: https://doi.org/10.1109/TCSS.2016.2517648.

7. L. Zhang, L. Zhang and B. Du, "Deep Learning for Remote Sensing Data: A Technical Tutorial on the State of the Art," in IEEE Geoscience and Remote Sensing Magazine, Vol. 4, No. 2. P. 22–40, June 2016.
DOI: https://doi.org/10.1109/MGRS.2016.2540798.

8. Al-Ani, Muzhir. (2015). Signature Recognition Using Discrete Fourier Transform.
DOI: https://doi.org/10.13140/RG.2.1.5182.6645.

9. Gao ZK, Yang Y-X, Zhai L-S, Ding M-S, Jin N-D. Characterizing slug to churn flow transition by using multivariate pseudo Wigner distribution and multivariate multiscale entropy. Chemical Engineering Journal. Vol. 291, 2016. P. 74–81. DOI: https://doi.org/10.1016/j.cej.2016.01.039.

10. Rosso, Osvaldo & Olivares, Felipe & Plastino, A. (2015). Noise versus chaos in a causal Fisher-Shannon plane. 1852-4249. 7. DOI: https://doi.org/10.4279/PIP.070006.

11. Jain, A., Singh, S.K. & Singh, K.P. Handwritten signature verification using shallow convolutional neural network. Multimed Tools Appl (2020). DOI: https://doi.org/10.1007/s11042-020-08728-6.

12. Yalin Yin and Xiangdong Zhou "End-to-end online handwriting signature verification", Proc. SPIE 11069, Tenth International Conference on Graphics and Image Processing (ICGIP 2018), 1106921 (6 May 2019). DOI: https://doi.org/10.1117/12.2524447.

13. Alona Levy, Ben Nassi, Yuval Elovici, and Erez Shmueli. 2018. Handwritten Signature Verification Using Wrist-Worn Devices. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 2, 3, Article 119 (September 2018). – 26 p. DOI:https://doi.org/10.1145/3264929.

14. Beltramelli, T., & Risi, S. (2015). Deep-Spying: Spying using Smartwatch and Deep Learning. ArXiv, abs/1512.05616.

15. Kumar, R., Phoha, V.V., & Raina, R. (2016). Authenticating users through their arm movement patterns. ArXiv, abs/1603.02211.




DOI: http://dx.doi.org/10.26583/bit.2020.2.06

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.