DETECÇÃO DE FALSIFICAÇÕES EM ASSINATURAS HUMANAS BASEADA EM REDES NEURAIS ARTIFICIAIS

Transcrição

1 II Congresso Brasileiro de Computação CBComp 00 DETECÇÃO DE FALSIFICAÇÕES EM ASSINATURAS HUMANAS BASEADA EM REDES NEURAIS ARTIFICIAIS João Fernando Marar 1 Rodrigo Freitas Rodrigues 1 fermarar@fc.unesp.br rfrodrigues@ig.com.br Danilo Nogueira Costa 1 dnc@bol.com.br 1 Laboratório de Sistemas Adaptativos e Computação Inteligente (SACI Universidade Estadual Paulista UNESP Faculdade de Ciências Bauru -SP RESUMO A verificação de assinaturas é uma importante e desafiadora área de estudos da biometria, que encontra aplicações diretas em sistemas de automação bancária e comercial. Neste sentido, este artigo descreve um protótipo para verificação estática de assinaturas baseado em redes neurais artificiais. O protótipo é estruturado em três módulos principais: pré-processamento, extração de características e validação dos padrões. O módulo de pré-processamento é responsável pela normalização e binarização da imagem da assinatura. Na extração de características, sete momentos invariantes são calculados para a imagem pré-processada. Estes momentos são invariantes quanto a translação, rotação e mudança de escala da imagem. A validação dos padrões é dada por uma rede neural artificial com arquitetura MLP- Backpropagation (Multilayer Perceptron Backpropagation. O padrão fornecido para a rede é o conjunto de momentos invariantes extraídos da imagem. O algoritmo de verificação de assinaturas é capaz de detectar falsificações simples e hábeis. O protótipo foi intensamente testado com várias classes (pessoas proporcionando uma taxa de acerto de 74,75%. Palavras chave: Verificação de Assinatura, Processamento de Imagem, Reconhecimento de Padrão, Rede Neural, Momento Invariante. ABSTRACT The signature verification is an important and challenging biometric research area which finds direct applications in bank and business automation systems. In this sense, this paper describes a prototype for static signature verification based in artificial neural networks. The prototype is structured into three main modules: preprocessing, feature extraction and pattern validation. The preprocessing module is responsible for signature image normalization and thresholding. In the feature extraction, seven invariant moments are calculated for the preprocessing image. This set of moments is invariant to translation, rotation, and scale change of the image. The pattern validation is given by an artificial neural network with MLP-Backpropagation (Multilayer Perceptron Backpropagation architecture. The pattern supplies for the network is the set of invariant moments extracted of the image. The signature verification algorithm is capable of detecting simple and skilled forgeries. The prototype was intensively tested with several classes (people providing hit rate of 74.75%. Key-words: Signature Verification, Image Processing, Pattern Recognition, Neural Network, Invariant Moment.

2 II Congresso Brasileiro de Computação CBComp 00 1 INTRODUÇÃO Neste artigo, é proposto um sistema para verificação estática de assinaturas capaz de detectar falsificações simples e estaticamente hábeis. Uma falsificação é considerada simples quando ela não é gerada com precisão e/ou quando não tenta simular ou esboçar uma assinatura genuína. Já em uma falsificação hábil, o falsificador tenta e pratica com o intuito de representar da melhor maneira possível a informação estática e dinâmica da assinatura genuína. Quando um falsificador dirige sua atenção somente na informação estática da assinatura na falsificação, considera-se a imitação como uma falsificação estaticamente hábil (Lee et. al., O método para verificação de assinaturas proposto neste trabalho é dividido em três módulos: préprocessamento das imagens, extração de características e classificação de padrões. PRÉ-PROCESSAMENTO DAS IMAGENS A imagem resultante do processo de aquisição, pode apresentar imperfeições, tais como: presença de pixels ruidosos, resolução inadequada, etc. O módulo de pré-processamento visa aprimorar a qualidade da imagem e ajustá-la para as etapas subseqüentes. As operações efetuadas nesta etapa são ditas de baixo nível, porque trabalham diretamente com os valores de intensidade dos pixels, sem nenhuma conexão com o significado da imagem. No sistema de verificação de assinaturas proposto, a imagem passa por dois processos antes da extração de características: limiarização e normalização do tamanho da imagem. Estes processos ressaltam a região da assinatura, na imagem, e minimizam os ruídos ocasionados na escrita manual. A Figura 1 apresenta um exemplo dos resultados obtidos no pré-processamento da imagem de uma assinatura..1 LIMIARIZAÇÃO O princípio da limiarização consiste em separar as regiões de uma imagem quando esta apresenta duas classes (o fundo e o objeto (MARQUES; NETO, A forma mais simples de limiarização consistem na bipartição do histograma, convertendo os pixels cujo tom de cinza é maior ou igual a um certo valor de limiar T em brancos e os demais em pretos.

3 II Congresso Brasileiro de Computação CBComp 00 As imagens originais das assinaturas utilizadas neste trabalho estão representadas com 56 tons de cinza. O processo de limiarização, neste caso, consiste em separar o fundo da assinatura (objeto. O limiar T, adotado, foi 55 (considerando que 0 representa o preto e 55 o branco, pois as amostras presentes no banco de dados já passaram por filtros de eliminação de ruídos..1 NORMALIZAÇÃO DO TAMANHO DA IMAGEM A operação de normalização do tamanho das assinaturas consiste em encontrar uma resolução espacial conveniente para as imagens das assinaturas e padronizar este tamanho. A extração de características de imagens com alta resolução espacial, geralmente, se apresentam muito sensíveis a ruídos introduzidos pelos instrumentos de escritas ou pela própria escrita manual. Por outro lado, quando é adotada uma baixa resolução, torna-se extremamente difícil distinguir uma assinatura genuína de uma boa imitação (LEE et. al., Com base nestas observações, foi fixado um comprimento para todas as assinaturas e calculada a largura linearmente proporcional, de acordo com a seguinte equação: y = x f f y x sig sig onde, x f é o comprimento fixado (em 56 pixels, y f é a largura linearmente proporcional, x sig e y sig o comprimento e a largura da imagem original, respectivamente. Figura 1: Exemplo de pré-processamento da imagem de uma assinatura: (a imagem original; (b imagem limiarizada; (c imagem normalizada

4 II Congresso Brasileiro de Computação CBComp 00 3 EXTRAÇÃO DE CARACTERÍSTICAS Para se construir um sistema capaz de reconhecer e interpretar imagens, necessitamos de ferramentas que, através de descritores, nos permitam caracterizar com precisão cada uma das classes de imagens a serem discriminadas. Nesta fase, a entrada do sistema, ainda é uma imagem, mas a saída é um conjunto de dados correspondentes àquela imagem. No caso das assinaturas, é possível dizer que um bom método extrator de características eqüivale a uma "assinatura numérica" extraída da sua imagem. Ou seja, os descritores de uma assinatura devem conter informações representativas para a classe que ela pertence e ser capaz de fornecer informações que permitam diferi-la de falsificações (GONZALEZ ; WOODS, 199. Projetar bons extratores de característica para sistemas verificadores de assinaturas, ainda é um grande obstáculo, dada a complexidade do problema (RODRIGUES ; MARAR, 000. Recentes trabalhos tem sido direcionados para a extração de características de imagens de assinaturas (LEE et. al., Neste trabalho é proposto um método extrator de características, relevante ao problema de verificação de assinaturas, baseado no cálculo de momentos invariantes. 3.1 MOMENTOS INVARIANTES Momentos invariantes são propriedades de regiões conectadas em imagens que são invariantes em relação à translação, rotação e escala. Eles são úteis porque definem uma maneira simplificada de calcular propriedades de conjuntos de regiões que podem ser usadas para classificação de formas e padrões. A seguir, são apresentadas as equações para a extração de um conjunto de sete momentos invariantes (GONZALEZ;WOODS, 199: = η 0 = ( η = ( η = ( η = ( η [3( η = ( η 0 0 = (3η [3( η 3η 3η ( η [( η ( η + 4η + (3η + ( η ( η ( η [( η [( η ( η ] ] ( η ] + 4η 3( η ( η ] + (3η 1 1 ( η ] + (3η 1 1 ( η ( η n

5 II Congresso Brasileiro de Computação CBComp 00 Sendo que, η pq é o momento central normalizado, definido por: onde, para p + q =, 3,... η pq = µ µ pq γ 00 p + q γ = + 1 O momento central µ pq, para uma imagem digital, é expresso por: onde, µ x y p ( x x ( y y f ( x, y pq = m 10 x = e m 00 m y = m Tendo-se, para uma imagem digital, o momento de ordem (p + q, definido como: = x y p q m pq x y f ( x, y q Vários trabalhos na área de reconhecimento de padrões utilizam o cálculo de momentos invariantes para extrair características e identificar objetos em imagens (RODRIGUES et. al., 000 (ELIKAN et. al., Considerando os casos em que as assinaturas humanas apresentam pequenas variações intra-classe e variações significativas inter-classes, o cálculo de momentos invariantes pode representar um interessante método para extração de característica neste tipo de problema. 4 CLASSIFICAÇÃO DE PADRÕES Nesta seção, é apresentado o módulo verificador. Este, coleta os dados obtidos com a extração de características e faz uma análise classificando a assinatura como autêntica ou não. A validação dos padrões (assinaturas é dada por uma rede neural com arquitetura MLP- Backpropagation (KUNG, 1993, com base nas características extraídas das imagens. Para avaliação da autenticidade, a rede desempenha o papel de uma função discriminante de Bayes (DUDA et. al., O sistema opera em duas fases: a de treinamento e a de uso/teste. Na fase de

6 II Congresso Brasileiro de Computação CBComp 00 treinamento, para cada nova classe de assinatura apresentada é fornecido um conjunto de assinaturas autênticas e de falsificações (simples e hábeis para o sistema, possibilitando o treinamento da rede. No final da fase de treinamento, os parâmetros ajustados associados àquela classe são salvos para posterior recuperação. Na fase de uso/teste, a imagem de uma assinatura é fornecida para o sistema, juntamente com sua suposta classe. Nesta fase, o sistema recupera os parâmetros da classe, reconstrói a rede e verifica a autenticidade da assinatura. 4.1 REDE MLP-BACKPROPAGATION COMO DISCRIMINANTE DE BAYES Em DUDA et. al. (1998 encontra-se a demonstração de como uma rede neural pode servir como uma aproximação da função discriminate de Bayes. A utilização de uma rede neural como uma função discriminante de Bayes para a verificação de assinaturas exige algumas considerações: w classe representa o estado da natureza onde uma assinatura é desta classe; x representa as características extraídas da assinatura; P(w classe x a probabilidade posteriori da assinatura ser desta classe. Tais considerações permitem definir a regra de decisão de Bayes como: Decida w classe se P(w classe x > P limiar ; caso contrário decida w classe onde, P limiar é a probabilidade limiar para se decidir se uma assinatura é verdadeira (w classe ou falsa ( w classe. O problema de autenticar uma assinatura, tem por objetivo, classificá-la como verdadeira ou falsa. Este problema, visto geometricamente, significa separar a região que representa determinada classe. A Figura ilustra um exemplo hipotético do problema de verificação de assinaturas. A dimensão do espaço geométrico adotado é igual ao número de características extraídas. A área escura (R true representa a região de decisão onde se concentram as assinaturas verdadeiras, respeitando as variáveis x 1, x e x 3 que são as características extraídas. Em contrapartida, todos os elementos presentes na região em branco (R false, devem ser considerados falsos.

7 II Congresso Brasileiro de Computação CBComp 00 Assim, o classificador proposto, deve ser capaz de separar estas duas regiões de tal forma que ao se apresentar um novo elemento para o sistema ele deve verificar a qual região o elemento pertence e dar a região como resposta: R true (verdadeiro ou R false (falso. Figura : Regiões de decisão em um processo de verificação de assinatura 4. PROTOCOLO DE TREINAMENTO Para cada novo elemento (assinatura apresentado ao sistema, sabe-se para qual classe ele está sendo avaliado. Na tentativa de conseguir um melhor mapeamento de cada classe, cada uma delas é treinada separadamente. Desta forma, no final do treinamento, obtém-se um conjunto de pesos representativos para cada classe. Neste sistema, a rede neural tem uma topologia previamente fixada, com número de neurônios e conexões iguais para todas as classes. Apresentando-se o conjunto de treinamento de uma nova classe ao sistema, ele instância a rede e inicia os pesos aleatoriamente. Após o treinamento de uma classe, é armazenado o estado atual da rede para posterior uso/teste. Assim, o protocolo de treinamento para m classes com n padrões de treinamento para cada pode ser visto no seguinte procedimento: inicia topologia: n hidden, ξ, épocas max para i = 1 até m inicia pesos: w i épocas 0 faça para j = 1 até n x j seleciona padrão de treinamento

8 II Congresso Brasileiro de Computação CBComp 00 ajusta pesos: w i fim-para épocas épocas + 1 até que (E < ξ ou (épocas > épocas max armazena pesos: w i fim-para onde, n hidden é o número de neurônios na camada escondida, ξ é o limiar de erro e épocas max é o número máximo de épocas. 4.3 PROTOCOLO DE USO/TESTE Na fase de verificação da assinatura, deve-se apresentar ao classificador o padrão a ser avaliado e a classe que este padrão "se faz passar", pois este, pode ser falso. Desta forma, o classificador recupera os parâmetros da rede para aquela classe e certifica-se ou não da sua autenticidade. O algoritmo abaixo descreve este procedimento: inicia P limiar x padrão de teste C classe em teste recupera pesos: w C propaga na rede: x se g(x;c > P limiar então retorna Sig x C senão retorna Sig x C fim-se onde, g(x;c é a saída gerada pela rede e Sig x é a assinatura representada pelo padrão x. 5 RESULTADOS Nesta seção são mostrados os resultados alcançados pela técnica proposta para verificação estática de assinaturas humanas digitalizadas. Os experimentos foram realizados com assinaturas de 40 pessoas diferentes, ou seja, 40 classes. Para cada classe foi fornecido um conjunto de 0

9 II Congresso Brasileiro de Computação CBComp 00 amostras de assinaturas, sendo, 10 originais, 6 falsificações simples e 4 falsificações hábeis. No total, o sistema contou com um banco de dados de 800 amostras de assinaturas para treinamento e teste, cedidas gentilmente pelo Grupo de do Departamento de Ciência da Computação da Universidade Federal de Pernambuco (UFPE. Os conjuntos de amostras para cada classe foram divididos em dois subconjuntos: de treinamento e de teste. Cada um destes subconjuntos contou com 5 amostras originais, 3 falsificações simples e falsificações hábeis, por classe. A arquitetura da rede foi definida com duas camadas, tendo 7 neurônios na camada de entrada (a mesma dimensão do vetor de características, 4 na camada escondida e 1 na camada de saída. O treinamento foi individualizado para cada classe, conforme descrito anteriormente, utilizando seus respectivos subconjuntos de treinamento. O tempo médio de treinamento por classe foi de 87,0 segundos. O número médio de iterações por classe ficou em épocas. Após o treinamento, os subconjuntos de teste para cada classe foram apresentados ao sistema. Para os testes, o valor de P limiar foi fixado em 0,5. O tempo médio de resposta do sistema na fase de teste foi de segundos para cada assinatura avaliada. O sistema apresentou uma taxa de acerto de 74,75%. Na Tabela 1 são apresentados os índices de falsa aceitação, falsa rejeição e o erro global ocorridos nos testes com o sistema. Falsa Rejeição Falsa Aceitação Erro Global (% Simples (% Hábil (% Geral (% (% 0,50 17,50 48,75,00 5,5 Tabela 1: Resultado dos testes com o sistema de verificação de assinaturas Todos os módulos do sistema foram desenvolvidos em linguagem Java. O treinamento e os testes foram realizados em um microcomputador AMD Athlon 800MHz com 18MB de memória RAM sobre uma plataforma Java versão 1.3 para Windows.

10 II Congresso Brasileiro de Computação CBComp 00 6 CONCLUSÕES Todos os dias, milhares de documentos autenticados por assinatura humana são processados manualmente. Procedimentos para verificação automática de assinaturas representa significativa economia para as empresas que se utilizam deste tipo de documento, tais como instituições financeiras e governamentais. Este trabalho propôs um eficiente método para automatizar este processo. O modelo de sistema verificador proposto atingiu excelente desempenho nos testes, com uma taxa de sucesso de 74,75%. O sistema também apresentou ótimos índices de tempo para treinamento e teste, viabilizando a implantação do método para utilização em aplicações que exigem respostas em tempo real. 7 AGRADECIMENTOS Os autores agradecem à FAPESP Proc. n. 97/139-5 e ao CNPq/PIBIC pelo suporte financeiro para este trabalho. 8 REFERÊNCIAS BIBLIOGRÁFICAS DUDA, R. O. et. al. Pattern classification and scene analysis: part I pattern classification. ed. John Wiley & Sons Inc., ELIKAN, H., GEIS, J., MODI, A. Binary image processing and recognition. Computer Project Report #1, (CSE/EE 486: Fundamentals of Computer Vision GONZALEZ, R. C., WOODS, R. E. Digital image processing. Nova York: Addison-Wesley Inc., 199. KOERICH, A. L., LEE, L. L. A system for automatic extraction of the user-entered data from bankchecks. In: INTERNATIONAL SYMPOSIUM ON COMPUTER GRAPHICS, VISION AND IMAGE PROCESSING (SIBGRAPI'98, Out. 1998, Rio de Janeiro, Anais. Rio de Janeiro, p KUNG, S. Y. Digital neural networks. New Jersey: Prentice-Hall, LEE, L. L., et. al. A prototype for Brazilian Bankcheck Recognition. International Journal of Pattern Recognition and Artificial Intelligence, v.11, n.4, p , Jun MARQUES FILHO, O., VIEIRA NETO, H. Processamento digital de imagens. Rio de Janeiro: Brasport, 1999.

11 II Congresso Brasileiro de Computação CBComp 00 MCCLELLAND, J. L., RUMELHART, D. E. Explorations in parallel distributed processing. Cambridge, Massachusetts: The MIT Press, RODRIGUES, R. F. MARAR, J. F. Aplicação de redes neurais Polinômios Potências de Sigmóides em problemas de reconhecimento de assinaturas off-line. In: XII CONGRESSO DE INICIAÇÃO CIENTÍFICA DA UNESP, São José do Rio Preto, 000. Ciências Exatas - Resumos. São José do Rio Preto, UNESP, 000. p.43.