No abstract

Вінницький національний технічний університет, ВінницяАнотація. У статті проведено аналіз відомих методів динамічної верифікації підпису, які зведено у класифікаційну таблицю. Запропоновано метод динамічної верифікації підпису на основі спайкінгової нейронної мережі. Обрано три динамічних параметри підпису l(t), α(t), Z(t), які є інваріантними до кута нахилу підпису, а після їх нормалізації -ще й до просторового та часового масштабів підпису. Ці динамічні параметри підпису подаються на спайкінгову нейронну мережу для розпізнавання одночасно у вигляді часових рядів без попереднього перетворення у вектор статичних ознак, що, з одного боку, спрощує метод завдяки відсутності складних обчислювальних процедур перетворення, а з іншого боку, перешкоджає втраті корисної інформації, а томупідвищує точність і достовірність верифікації та розпізнавання підписів (особливо при розпізнаванні підроблених підписів, які сильно корельовані з оригіналами). Використовувана нейронна мережа має просту процедуру навчання, причому навчаються не всі нейрони мережі, а тільки вихідні. При необхідності додавання нових підписів не потрібно перенавчати всю мережу повністю, а достатньо додати кілька вихідних нейронів і навчити тільки їхні зв'язки. Ключові слова: online верифікація підпису, спайкінгова нейронна мережа, інваріантні динамічні параметри, розпізнавання підпису, біометрія, контроль доступу. Аннотация. В статье проведен обзор известных методов динамической верификации подписи, которые сведены в классификационную таблицу. Предложен метод динамической верификации подписи на основе спайкинговой нейронной сети.Выбраны три динамических параметра подписи l(t), α(t), Z(t), которые являются инвариантными к углу наклона подписи, а после их нормализацииеще и к пространственному и временному масштабам подписи. Эти динамические параметры подписи подаются на спайкинговую нейронную сеть для распознавания одновременно в виде временных рядов без предварительного преобразования в вектор статических признаков, что, с одной стороны, упрощает метод благодаря отсутствию сложных вычислительных процедур преобразования, а с другой стороны, препятствует потере полезной информации, а поэтомуповышает точность и достоверность верификации и распознавания подписей (особенно при распознавании поддельных подписей, которые сильно коррелированы с оригиналами). Используемая нейронная сеть имеет несложную процедуру обучения, причем обучаются не все нейроны сети, а только выходные. При необходимости добавления новых подписей не нужно переучивать всю сеть целиком, а достаточно добавить несколько выходных нейронов и научить только их связи. Ключевые слова: online верификация подписи, спайкинговая нейронная сеть, инвариантные динамические параметры, распознавание подписи, биометрия, контроль доступа. Abstract. The article reviews the known methods of dynamic signature verification, which are summarized in the classification table. A method of dynamic signature verification based on a spiking neural network is proposed. Three dynamic parameters of the signature l(t), α(t)...

No abstract

No abstract

The article proposes a method for dynamic signature identification based on a spiking neural network. Three dynamic signature parameters l(t), xy(t), p(t) are used, which are invariant to the signature slope angle, and after their normalization, also to the signature spatial and temporal scales. These dynamic parameters are fed to the spiking neural network for recognition simultaneously in the form of time series without preliminary transformation into a vector of static features, which, on the one hand, simplifies the method due to the absence of complex computational transformation procedures, and on the other hand, prevents the loss of useful information, and therefore increases the accuracy and reliability of signature identification and recognition (especially when recognizing forged signatures that are highly correlated with the genuine). The spiking neural network used has a simple training procedure, and not all neurons of the network are trained, but only the output ones. If it is necessary to add new signatures, it is not necessary to retrain the entire network as a whole, but it is enough to add several output neurons and learn only their connections. In the results of experimental studies of the software implementation of the proposed system, it’s EER = 3.9% was found when identifying skilled forgeries and EER = 0.17% when identifying random forgeries.