Signature verification

Transcrição

1 Signature verification Thiago Jorge Abdo Departamento de informática Universidade Federal do Paraná Junho, 2018

2 Sumário 1 Introducao 2 Dificuldades 3 Offline signature verification 4 Online signature verification 5 Redes Neurais 6 Bibliografia

3 O problema Identificar automaticamente se uma assinatura pertence realmente a um individuo ou se é apenas uma falsificação

4 Por que? Atualmente temos outros métodos de identificação pessoal, mas a assinatura ainda é muito utilizada. Para contratos, procurações, basicamente tudo que envolve um juiz ainda é usado a assinatura como identificação.

5 Datasets Como todos os outros problemas existem diversos datasets, mas o interessante é que nesse problema existem dois tipos de negativos, existem as falsificações e as falsificações de alta qualidade. Existem os datasets ICDAR 2011, GPDS-960, GPDS-300, GPDS-160, etc. E também existe um dataset da puc-pr

6 Resolução que a assinatura foi capturada Assinatura esta completamente contida no espaço capturado Apenas a "foto" da assinatura é considerada mais fácil de burlar O nível de estresse do individuo pode alterar sua assinatura Maioria dos métodos antigos era dependia da língua

7 Offline signature verification Verificacao offline avalia as features que podem ser extraidas de uma imagem da assinatura, ou seja, apenas a assinatura e não dados do momento em que ela foi "gerada". O Equal Error Rate da literatura para esse metodo é proximo a 7%

8 Discriminative Features Mining for Offline Handwritten Signature Verification O método nesse descrito no artigo [Rehman, 2002] lembra o começo do processo para digitais visto em sala Ele é divido no artigo com três etapas: Pre-processamento, extracao de features e classificação

9 imagem representando o algoritmo

10 Pre-processamento O pre-processamento do algoritmo faz normalização do tamanho das assinaturas e apos isso realiza a binarização e o thinning. Essa parte lembra bastante o começo do algoritmo para avaliacao de digitais, inclusive ele utiliza o mesmo algoritmo de thinning que usamos(skeleton)

11 Extração de features No artigo é divido a extração em duas partes, a primeira usa o ponto de centro de gravidade e a segunda extrai N features. Para a o ponto de centro de gravidade é utilizado o COG para estimar o ponto e ele mostra a formula para isso. Para extrair as features e com isso gerar um grafico unico para cada pessoa ele usa o ponto calculado anteriormente e faz uma divisao da imagem respeitando o ponto do centro de gravidade.

12 imagem da extracao de features

13 classificacao A função da fase de classificação é procurar similaridades nos grafos gerados nos passos anteriores. Normalmente é usado algoritmos que assumem que os grafos são simpĺes, mas ja foram apresentados algoritmos que usam propriedades especiais desses grafos.

14 Online signature verification Algoritmos para verificação online de features utilizam hardware feito para isso, para poder captar mais informações do que apenas a assinatura, captam informações como pressão, aceleração, velocidade e movimentos da caneta. São considerados como mais difíceis de burlar do que os offline

15 Comparação online-offline O preprocessamento do online é menos "importante" do que o do offline pois no online são usados hardware controlados a aplicação, mas ainda assim é necessário algum pre-processamento, no caso do algoritmo do artigo "On-line signature verification" [Anil K. Jain, 2014] é feito a uniao dos pontos finais com base em analise temporal(para fazer com que a caneto nunca tenha saido do papel)

16 Extração de features A extração de features é extraida em duas formas a estatica(basicamente extração do offline) mas em conjunto é extraido as informações temporais

17 Comparação Nesse artigo é sugerido usar o que foi chamado de distancia de dissimilaridade para cada assinatura, que da uma distancia após alinhar as duas assinaturas com penalidades para cada diferenca de strokes(vezes que tirou a caneta do papel) Também é sugerido a possibilidade de ter um threshold de distancia por individuo que seria mais adaptavel a cada inviduo mas precisa de mais amostras para poder fazer um calculo preciso

18 Explicar sobre redes neurais Podemos utilizar redes neurais para tanto os algoritmos offline quanto os algoritmos online. As redes podem ser tanto utilizadas na extração das features quanto na classificação e permitem que a rede seja customizada para cada database sem ter que fazer tunning de parametros(apesar de não ser essa a ideia)

19 Convolutional neural network O artigo [Luiz G. Hafemann, 2014] que escolhi faz o uso similar a altoritmos offline, tentando a partir dos datasets treinar redes especificas para verificar cada individuo mas como o numero de amostrar por indivuo é pequeno é sugerido fazer o aprendizado em duas etapas

20 Processo de treino Treina redes Deep Convolutional Neural Network para aprender a representação de features e depois usa um classificador binario para cada individuo que preve se a assinatura é uma falsificação ou não O artigo também comenta que criar uma classe para falsificação e outra para genuinas é uma alternativa um pouco extrema pois teoricamente a falsificação é muito proxima da genuina e ele prefere a ideia de ser um termo adicional para a rede.

21 Preprocessamento No artigo esta descrito que o preprocessamento não é o foco desse algoritmo logo ele considera as imagens preprocessadas, mas ele precisa fazer uma reducao da imagem para 150x220 pixelsm ele faz isso cortando o centro delas

22 Comparacao com algotimos tradicionais

23 Bibliografia I Anil K. Jain, Friederike D. Griess, S. D. C. (2014). On-line signature verification. 3DR EXPRESS. Luiz G. Hafemann, Robert Sabourin, L. S. O. (2014). Learning Features for Offline Handwritten Signature Verification using Deep Convolutional Neural Networks. Rehman, K. N. D. M. T. S. A. (2002). Discriminative Features Mining for Offline Handwritten Signature Verification. Pattern Recognition, 35: