Verificação da Autenticidade de Assinaturas Manuscritas Utilizando o Comportamento Médio das Características.

Transcrição

1 Verificação da Autenticidade de Assinaturas Manuscritas Utilizando o Comportamento Médio das Características. Heber V. Nogueira¹, Arlindo R. Galvão Filho², Simone C. Martinez³, Gustavo T. Laureano 4 e Clarimar J. Coelho¹ ¹ Pontifícia Universidade Católica de Goiás, ² Instituto Tecnológico de Aeronáutica, 3 Instituto Nacional de Criminalística da Policia Federal, 4 Universidade Federal de Goiás hebervn@yahoo.com.br, alindo@ita.br, simonecabanelas@hotmail.com, clarimarc@gmail.com, gustavoengdm@gmail.com Abstract The problem of verifying the authenticity of signatures has been working to build the most effective strategies in identifying fraud involving handwritten documents. The classical approach consists in analyzing expert, performed by an expert who confront the questioned signature with other samples of authentic signatures by the same author. Several techniques using computational resources have been used in order to assist the expert in their conclusions. Such techniques have aimed to extract features that can distinguish the signature in question. In this context, this paper presents an exploratory study of multiple methods of feature extraction of signatures in order to reduce the subjectivity of expert conclusions. The results show that the adjustment medium was 76%. 1. Introdução A assinatura é uma marca pessoal usada para comprovar a intenção na realização de transações que envolvem documentos, escrituras, cheques bancários, entre outros [1, 2, 3]. Dada a importância da assinatura, qualquer suspeita de fraude deve ser avaliada por peritos com o objetivo de verificar a autenticidade ou identificar o autor da assinatura [4, 5]. Na análise pericial, o perito deve confrontar o documento questionado com amostras de exemplares autênticos. A área da ciência forense que trabalha na solução do problema de verificar a autenticidade de assinaturas é a grafoscopia [6]. A grafoscopia é a ciência que estuda a escrita como marca pessoal [6]. Sua principal finalidade é extrair características que individualizem a escrita e possibilite a identificação da autoria e a verificação da autenticidade da assinatura em documentos [5,7]. O problema da verificação da autenticidade de uma assinatura consiste em julgar se o suposto dono da assinatura é realmente a pessoa que assinou o documento questionado. A identificação, por sua vez, tem o intuito de identificar o dono da assinatura [8, 11, 9, 2]. Neste trabalho será abordado somente o problema da verificação da autenticidade. A verificação da autenticidade de assinaturas é um problema de difícil solução devido a inúmeras variações no padrão da escrita, tais como: a evolução da escrita do indivíduo, alterações ocorridas em falsificações e dissimulações, fatores psicológicos, lesões na mão, entre outros [4, 5, 6]. Estas variações podem ser classificadas em dois grandes grupos: variações intrapessoais e interpessoais. A primeira ocorre entre assinaturas autênticas de um mesmo autor. A segunda são variações ocorridas entre assinaturas de diferentes autores. Em teoria as variações intrapessoais devem ser as mínimas possíveis e as interpessoais as máximas possíveis. Na prática isso nem sempre ocorre, pois duas assinaturas de um mesmo autor nunca são idênticas, e assinaturas de autores diferentes podem possuir caligrafias similares [4, 10, 11]. Outra dificuldade enfrentada pelos peritos grafoscópicos é a inexistência de procedimentos normatizados para análise de documentos questionados [7]. Ao analisar um documento, um perito pode considerar apenas algumas características gráficas para avaliar sua autenticidade. Outro perito pode avaliar o mesmo documento considerando características diferentes. Isso torna a análise pericial sujeita à subjetividade do perito, o que pode ocasionar em laudos discordantes. Diante de tais dificuldades a análise pericial de assinaturas tem se tornado alvo de muitas pesquisas no âmbito computacional, principalmente na extração de características, como a inclinação axial [7, 8], pressão da caneta [1], e outras tantas características, além da combinação algumas destas [3, 11, 5].

2 Do ponto de vista computacional, a verificação da autenticidade da assinatura pode ser dividida em duas classes, online e offline, de acordo com o método de aquisição dos dados [10, 4, 15, 7]. A utilização do método online possibilita a obtenção dos dados de forma dinâmica através de equipamentos como tablets e canetas eletrônicas. Essa abordagem possui a vantagem de ser mais precisa em relação aos dados obtidos e por produzir uma maior quantidade de informação [6, 11]. A desvantagem é a sua não aplicabilidade a documentos gerados da maneira tradicional, utilizando papel e caneta. O método offline não obtém dados com a mesma precisão que o método online, [6, 11]. No entanto, a utilização da abordagem offline não necessita de nenhum equipamento especial na produção da assinatura [4]. A assinatura é produzida da forma tradicional e a sua imagem é digitalizada. Outra desvantagem do método é a possível presença ruídos na imagem e a necessidade da utilização de técnicas de pré-processamento, o que aumenta a complexidade computacional do problema. Neste contexto, este trabalho apresenta um estudo exploratório de múltiplos métodos de extração de características de assinaturas no intuito de reduzir a subjetividade das conclusões periciais. Para isso, as assinaturas são adquiridas de modo offline e digitalizadas por um scanner de alta resolução. Posteriormente são utilizadas técnicas de pré-processamento de imagens para preparar as assinaturas para extração de características. Tais características extraídas são baseadas nas técnicas de grafoscopia utilizada pelos peritos. Por fim uma classificação das assinaturas é apresentada utilizando a raiz quadrada do erro quadrático médio (Root Mean Square Error, RMSE), resultando em uma taxa de acerto de 76%. 2. Características grafoscópicas Com o objetivo de aproximar este trabalho da visão pericial, a abordagem utilizada foca a extração de características baseadas na grafoscopia. Dentre os vários atributos contidos em uma assinatura e que podem ser analisados pelo perito quatro foram escolhidas para comporem este trabalho: proporcionalidade, pressão, momentos gráficos e inclinação axial. Vale ressaltar que as características extraídas no método offline não são tão precisas quanto as características obtidas no método online, portanto, os dados extraídos representam apenas uma aproximação do padrão de escrita do autor da assinatura Proporcionalidade A proporcionalidade pode representar a expansividade do autor da assinatura. Enquanto a dimensão ocupada por assinaturas autênticas de um determinado autor segue um padrão, em uma falsificação pode ocorrer desproporcionalidade entre a largura e a altura da escrita [1, 3, 9, 20]. Essa característica da escrita possui vantagem de ser uma técnica simples e de baixa complexidade computacional. A altura e a largura de uma assinatura podem mudar de acordo com o espaço que o autor dispõe para escrever, porém a proporção entre a altura e a largura de uma mesma pessoa permanece semelhante. A largura de uma assinatura é a distancia medida entre os dois pontos extremos na direção horizontal. De forma parecida, a altura é medida entre os dois pontos extremos na direção vertical Momentos Gráficos A característica de momentos gráficos possui a finalidade de encontrar pontos finais e iniciais das assinaturas. A quantidade de momentos finais é fortemente relacionada com a quantidade de vezes que o escritor interrompe a escrita e eleva a caneta em um ponto do traçado [1, 9, 14]. A Figura 1 apresenta a imagem de uma assinatura onde cada um dos pontos circulados representa um momento gráfico. Figura1. Momentos gráficos de uma assinatura Pressão A pressão exercida pelo autor com a caneta possibilita a distinção de indivíduos por meio de duas medidas: a velocidade e a força da escrita [1]. O indivíduo que utiliza maior pressão acaba por diminuir a velocidade do traçado, em contrapartida um indivíduo que escreve com velocidade maior tende a exercer menor pressão na escrita. Essa característica é de difícil reprodução por ser um hábito desenvolvido pelo escritor ao longo de sua vida, tornando-a uma boa característica de individualização da assinatura [1, 3, 9, 14]. No contexto offline existe um paralelo entre a pressão exercida pelo autor e a densidade da assinatura. Dessa maneira a pressão pode ser determinada pela variação da densidade do traçado e a quantidade de tinta depositada no papel [6] Inclinação axial

3 A inclinação axial é uma característica que descreve os aspectos dinâmicos do traçado. A extração da inclinação axial pode ser realizada através do ângulo formado entre o traçado e a linha horizontal imaginária (linha de pauta) e pode ocorrer à direita, esquerda ou ser nula. O cálculo sobre as bordas da imagem oferece um melhor resultado [7, 8] por preservar melhor as características do traçado. 3. Materiais e métodos 3.1. Formação do banco de dados A construção de um banco de dados de assinaturas fazse necessário devido à escassez de bases oficiais dessa natureza. Além de assinaturas autênticas, são necessárias também assinaturas falsificadas que possam transmitir veracidade de uma tentativa de falsificação. Isso dificulta a construção de uma base de dados confiável. O banco de dados utilizado neste trabalho é constituído por 250 assinaturas de dez indivíduos diferentes. Desse montante, 200 são autênticas sendo 20 amostras para cada indivíduo. Além disso, o banco possui cinco assinaturas falsificadas para cada indivíduo totalizando 50 assinaturas falsificadas. As cinco assinaturas falsificadas de cada indivíduo são produzidas por outros cinco, escolhidos aleatoriamente dentro do conjunto de dez indivíduos que produz as assinaturas autênticas. A coleta de todas as assinaturas é realizada em papel branco sem pauta com a utilização de diferentes canetas esferográficas. Posteriormente, as assinaturas são digitalizadas com o auxílio de um scanner VSC5000. Tal equipamento possui três câmeras digitais coloridas que oferecem zoom óptico de até 85 vezes e resolução de 1360 por As assinaturas digitalizadas são armazenadas em matrizes do tipo 1360 linhas por 1024 colunas. As assinaturas mostradas na Figura 2 são exemplos das assinaturas autênticas e falsificadas dos indivíduos que formam a base de dados utilizada neste trabalho. Figura 2. Exemplos de assinaturas que compõem a base de dados utilizada neste trabalho Pré-processamento A etapa de pré-processamento é essencial, pois prepara as imagens para a extração de características, eliminando ruídos e corrigindo imperfeições [9, 10]. Essa fase do trabalho pode ser dividida em 5 passos: recorte, remoção de ruídos, binarização, afinamento e detecção de bordas. As imagens são adquiridas do scanner no padrão RGB (Red Green Blue) e convertidas para tons de cinza. Posteriormente são submetidas ao processo de binarização através do método de Otsu [17]. Tal método é utilizado devido à sua funcionalidade e à composição do banco de dados, o que torna desnecessário o uso da binarização dinâmica [16, 18]. No processo de digitalização da imagem é capturada uma área maior que a assinatura de forma a garantir que nenhum elemento da escrita fique fora da imagem digitalizada. No entanto, o espaço em branco ao redor da assinatura não possui qualquer informação que pode ser utilizada no processo de classificação. Dessa maneira, faz-se necessária a eliminação de tal espaço, o que é efetuado por intermédio do método das projeções horizontais e verticais [18]. A imagem recortada proporciona maior precisão quanto à dimensão do espaço utilizado pelo autor para inserção da assinatura [14, 20]. Após o recorte a imagem possa a contar com dimensões iguais à largura e altura da assinatura. A presença de qualquer elemento na imagem digitalizada que não tenha sido inserido pelo autor da assinatura é considerado um ruído. A presença de ruídos pode ocasionar na construção de um classificador ruim, o que torna a extração de ruídos um procedimento essencial. Neste trabalho, o processo de extração de ruídos é realizado a partir da imagem binarizada e recortada. As operações de morfologia matemática, abertura e fechamento, são usadas para eliminar ruídos e melhorar a qualidade das imagens [16, 19]. A imagem processada até esta etapa é usada na extração das características de pressão e proporcionalidade. Para extração da característica de momentos gráficos é preciso submeter a imagem da assinatura a um processo de afinamento. O objetivo é formar um conjunto de linhas finas que condensam informação do objeto original e preserva as relações entre os objetos e o fundo da imagem [18]. O afinamento é uma técnica que consiste na remoção de todos os pixels de uma imagem que estejam na borda dos objetos a partir da identificação de pontos isolados do fundo da imagem [16]. Uma assinatura afinada resulta em um traçado com apenas um pixel de largura. A característica de inclinação axial pode ser obtida tanto por intermédio da assinatura afinada quanto das bordas da assinatura. No entanto as bordas proporcionaram um resultado melhor por preservar melhor a forma estrutural do objeto em relação ao processo de afinamento [18]. Para extração das bordas da assinatura é utilizado o método de Canny [19, 21]. A Figura 3 ilustra o resultado de todas as etapas do processo de pré-processamento das imagens, exceto a remoção de ruídos, pois a diferença visual entre a imagem binarizada e a imagem sem ruídos é imperceptível.

4 (a) (b) (c) Figura 4. Elemento estruturante utilizado na extração da característica de inclinação axial. Ao final do processo de extração de características é gerado um vetor com 20 posições, conforme descrito abaixo:,,,. (3) (d) Figura 3. Etapas do pré-processamento de imagens: (a) assinatura binarizada, (b) assinatura recortada, (c) assinatura afinada, (d) bordas da assinatura Extração de Características A etapa de extração de características é realizada a partir das imagens pré-processadas. A imagem da assinatura que passou pelos processos de binarização e recorte é utilizada no cálculo da característica de proporcionalidade. O cálculo da proporcionalidade da assinatura () é feito pela relação entre a quantidade de linhas e colunas da matriz que representa a imagem recortada / (1) onde representa a quantidade de linhas e a quantidade de colunas da imagem. A quantidade de momentos gráficos () é determinada pela quantidade de pontos finais contidos na assinatura afinada. Na Figura 1 é possível contabilizar 7 momentos gráficos. O cálculo da pressão () é realizado somando-se todos os pixels da imagem binarizada e recortada, cujo resultado é dividido pela área ocupada pela imagem recortada., Neste trabalho a inclinação axial () é determinada com o auxílio de um elemento estruturante de dimensões 5 por 17, conforme apresentado na Figura 4. A partir das bordas da assinatura é gerado um vetor de 17 posições relativas à distribuição de probabilidade dos ângulos do traçado, conforme técnica apresentada por Bulacu et al. [8]. (2) O vetor de características representa uma amostra de assinatura de um determinado autor. A base de dados é composta por 25 assinaturas por autor (20 autênticas e 5 falsificadas). Para cada autor é gerada uma matriz de características de dimensões 25 linhas por 20 colunas. Portanto, após todos os processos descritos anteriormente, a base de dados passa a contar com 10 matrizes de características, sendo uma para cada autor. 4. Resultados O conjunto de dados de cada autor é normalizado e dividido em outros dois conjuntos: calibração e teste. O conjunto de calibração é composto por 15 assinaturas autênticas, já o conjunto de teste é composto por 10 assinaturas, sendo 5 autênticas e 5 falsificadas. A partir do conjunto de calibração é calculada a média de cada característica entre todas as assinaturas, compondo assim o vetor de médias (é). Posteriormente é calculada a diferença entre as assinaturas do conjunto teste e o vetor é, através da equação!!" )* $ %&é'($, (4) resultando no vetor de erros!!". O vetor!!" é composto por 10 posições, sendo as 5 primeiras referentes às assinaturas autênticas e as 5 últimas às falsas. A validação dos resultados é feita através da comparação entre os erros das assinaturas autênticas e falsas do conjunto de teste. A classificação é feita somando 20% ao maior erro encontrado dentre as assinaturas autênticas do autor em questão. A Tabela 1 apresenta os resultados obtidos para cada autor, contendo 5 assinaturas verdadeiras (linha superior) e 5 assinaturas falsas (linha inferior). Os erros destacados em cinza são referentes ao que ultrapassaram o limiar do +,

5 classificador, ou seja, assinaturas falsas que foram classificadas como verdadeiras. Tabela 1. Resultado do erro de classificação Autor Assinaturas Autênticas / Falsas 10 %+ ) 2,41 2,91 3,18 3,16 2,23 1 5,10 4,20 4,51 5,77 4,96 1,67 1,69 1,95 2,07 2,11 2 2,52 3,63 4,23 4,69 3,10 1,80 1,55 1,36 1,11 1,49 3 4,13 3,31 9,04 8,00 3,58 1,90 1,08 2,69 1,16 3,22 4 3,49 4,03 9,94 8,63 3,87 2,85 4,03 3,77 3,39 8,55 5 4,43 10,22 11,59 12,60 4,52 1,71 0,97 2,09 2,16 1,64 6 2,93 3,30 4,54 1,04 3,69 4,04 3,03 3,31 3,94 3,06 7 3,39 2,76 6,57 3,26 3,55 1,89 1,75 2,43 1,51 1,73 8 3,06 2,98 5,23 3,26 2,80 3,01 2,63 3,68 4,28 3,81 9 4,40 5,16 6,67 6,92 4,87 2,06 2,14 1,30 1,29 0, ,84 4,21 5,05 4,69 4,11 Observando a Tabela 1 é possível verificar que, no pior caso (autor 7), foi obtido 20% de acerto, em contra partida o melhor caso os acertos foram de 100% (autores 1, 3 e 10). Estes dois casos podem ser melhor observados nas Figuras 3 e 4. observar ainda, que características de assinaturas falsificadas estão dentro da região de desvio padrão, o que pode ocasionar em uma falsa aceitação. Isto pode ser justificado pelo fato do tipo de assinatura utilizada ser rubrica. Alguns especialistas indicam que algumas rubricas não oferecem características suficientes para obtenção de um parecer conclusivo. Figura 6. Características do Autor 10. Observando a Figura 6 é notada que a maioria das características das assinaturas falsas encontra-se fora da região de +/- 1 desvio padrão, já as características das assinaturas falsas encontram-se próximas de tal região. 5. Conclusão Figura 5. Características do Autor 7. É possível observar na Figura 5 que tanto características das assinaturas autênticas quanto das falsificadas se encontram afastadas da média, fora até mesmo da região de +/- 1 desvio padrão. É possível Este artigo apresentou uma abordagem para a verificação da autenticidade de assinaturas manuscritas utilizando uma análise estatística. Tal análise foi obtida pela comparação do comportamento médio da assinatura de cada indivíduo com um conjunto de teste, que por sua vez possui assinaturas autênticas e falsas. Como resultado, levando em consideração o pior caso (autor 7), foi obtido 20% de acerto, em contra partida no melhor caso os acertos foram de 100%. Vale resaltar que, apesar do desempenho do pior caso, o acerto médio foi de 76%, o que ultrapassa a porcentagem de acerto dos peritos, que segundo [10] é de 70%. A taxa de acerto obtida neste trabalho indica que a combinação das características apresentadas pode auxiliar o perito na sua tomada de decisão. 6. Referências

6 [1] Plamondon, R. e Schomaker, L. A Relation between Pen Force and Pen Point Kinematics in Handwriting. Technology, 1990, pp [2] Srinivasan, H., Srihari, S. N. e Beal, M. J. M. "Machine Learning for Signature Verification", Machine Learning in Document Analysis and Recognition S. Marinai and H. Fujisawa (eds.), Springer Series: Studies on Computational Intelligence, vol. 90, 2008, pp [3] Santos, C. R. Análise de Assinaturas Manuscritas Baseada nos Princípios da Grafoscopia Tese de Doutorado - Pontifícia Universidade Católica do Paraná. [4] Rasha, A. A Prototype System for Off-line Signature Verification Using Multilayered Feedforward Neural. Tese de Doutorado Department of Computer Science, R MIT [5] Hanusiak, R. K. Identificação da Autoria de Manuscritos com Base em Atributos Genéticos e Genéricos da Escrita Introdução. Tese de Doutorado - Pontifícia Universidade Católica do Paraná [6] Justino, J. E. R. O Grafismo e os Modelos Escondidos de Markon na Verificação Automática de Assinaturas. Tese de Doutorado - Pontifícia Universidade Católica do Paraná [7] Baranoski, F. Verificação da Autoria em Documentos Manuscritos Usando SVM. Tese de Doutorado - Pontifícia Universidade Católica do Paraná [8] Bulacu, M., Schomaker, L. e Vuurpijl, L. Writer identification using edge-based directional features. Seventh International Conference on Document Analysis and Recognition, Proceedings., [S.l.], n.icdar, 2003, p [9] Ozgunduz, E., Azenturk, T. e Karslagil, M. E. Offline Signature Verification and Recognition by Support Vector Machine. Neural Networks, [S.l.], n.90, 2010, p.1 4. [10] Kholmatov, A. A. Biometric Identity Verification Using On-Line & Off-Line Signature Verification. Tese de Mestrado. Sabanci University, [11] Sabourin, R., Plamondon, R. e Beaumier, L. Structural Interpretation of Handwritten Signature Images. International Journal of Pattern Recognition and Artificial Intelligence, vol. 8, pp , [12] Schlapcach, A. e Bunke, H. Writer Identification Using an HMM-Based Handwriting Recognition System : To Normalize the Input or Not? Departament of Computer Science, University of Bern. [13] Mccabe, A., Trevathan, J. e Read, W. Neural Network-based Handwritten Signature Verification. Jornal of Computers, [S.l.], v.3, n.8, p.9 22, [14] Baltzakis, H. A New Signature Verification Technique Based on a Two-stage Neural Network Classifier. Engineering Applications of Artificial Intelligence, [S.l.], v.14, n.1, p , [15] Kapp, M. N. Reconhecimento de Palavras Manuscritas Utilizando Redes Neurais Artificiais. Dissertação de Mestrado, Universidade Católica do Paraná, 2004 [16] SOILLE, P. Morphological Image Analysis. Principles and Applications. [S.l.]: Springer, [17] OTSU, N. A Threshold Selection Method from Gray- Level Histograms. IEEE Transactions On Systems Man And Cybernetics, [S.l.], v.9, n.1, p.62 66, [18] Gonzalez, R. C. Digital Image Processing. [S.l.]: Prentice-Hall, [19] Gonzalez, R. C. Digital Image Processing Using Matlab. [S.l.]: Prentice-Hall, [20] Azzopardi, G. e Camilleri, K. P. Offline Handwritten Signature Verification using Radial Basis Function Neural Networks. Methodology, [S.l.], p.1 6, [21] Canny, J. A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, [S.l.], v.8, n.6, p , [22] Cha, S.-h. Use of Distance Measures in Handwrite Analysis. Tese de Doutorado - State University of New York at Buffalo, 2001 [23] Silva, I. N. d., Spatti, D. H. e Flauzino, R. A. Redes Neurais Artificiais para engenharia e ciências apliacadas. [S.l.]: ArtLiber Editora Ltda., [24] Carvalho, A. d. P. B., Ludemir, T. B. e Leon, A. C. P. de. Redes Neurais Artificiais: teoria e aplicações. [S.l.]: Livros Técnicos e Científicos Editora S/A, [25] Beale, M. H., Hagan, M. T. e Demuth, H. B. Neural Network Toolbox. User s Guide. [S.l.]: The MathWorks, Inc., 2011.