DYNAMIC HANDWRITTEN SIGNATURE IDENTIFICATION USING SPIKING NEURAL NETWORK

Vladislav Kutsman; Oleh Kolesnytskyj

doi:10.35784/iapgos.2718

PDF (angielski)

Opublikowane: 2021-09-30

DOI: https://doi.org/10.35784/iapgos.2718

Numer Tom 11 Nr 3 (2021)

WYKORZYSTANIE TECHNOLOGII STEALTH W MOBILNYCH ZESPOŁACH ROBOTYCZNYCH ORAZ METODY WYKRYWANIA NIEWIDOCZNYCH OBIEKTÓW
Andrii Rudyk, Andriy Semenov, Olena Semenova, Sergey Kakovkin

4-8
INTELIGENTNY WÓZEK INWALIDZKI Z NAPĘDEM ELEKTRYCZNYM: PROBLEMY I WYZWANIA W PODEJŚCIU PRODUKTOWYM
Serge Ageyev, Andrii Yarovyi

9-13
POPRAWA DOKŁADNOŚCI WYNIKÓW POMIARÓW DRGAŃ
Anzhelika Stakhova, Volodymyr Kvasnikov

14-17
KASTOMIZACJA OPARTA NA CAD AUTOMATION W PRODUKCJI WKRĘTÓW MEDYCZNYCH PRZY UŻYCIU DRUKU 3D
Piotr Bednarczuk

18-21
METODA I NARZĘDZIE DO WIZUALIZACJI WYŁADOWAŃ GAZOWYCH DO ANALIZY OBIEKTÓW BIOLOGICZNYCH W FAZIE CIEKŁEJ
Yaroslav A. Kulyk, Bohdan P. Knysh, Roman V. Maslii, Roman N. Kvyetnyy, Valentyna V. Shcherba, Anatoliy Ia. Kulyk

22-29
PRZEGLĄD TECHNIK DIAGNOSTYKI SKÓRY W OPARCIU O MODELE WIELOWARSTWOWE SKÓRY I SPEKTROFOTOMETRIĘ
Magdalena Michalska

30-33
DYNAMICZNA IDENTYFIKACJA PODPISU ODRĘCZNEGO PRZY UŻYCIU PULSUJĄCEJ SIECI NEURONOWEJ
Vladislav Kutsman, Oleh Kolesnytskyj

34-39
ZIARNISTA REPREZENTACJA POTENCJAŁU INFORMACYJNEGO ZMIENNYCH – PRZYKŁAD ZASTOSOWANIA
Adam Kiersztyn, Agnieszka Gandzel, Maciej Celiński, Leopold Koczan

40-44
BADANIE WPŁYWU STEROWANIA GRĄ PLATFORMOWĄ NA EFEKTYWNOŚĆ ROZGRYWKI
Bartosz Wijatkowski, Jakub Smołka, Maciej Celiński

45-49
PRZEGLĄD OBECNIE WYKORZYSTYWANYCH IZOLOWANYCH PRZETWORNIC PRĄDU STAŁEGO
Damian Dobrzański

50-54

Archiwum

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

2021

Tom 11 Nr 4
2021-12-20 15
Tom 11 Nr 3
2021-09-30 10
Tom 11 Nr 2
2021-06-30 11
Tom 11 Nr 1
2021-03-31 14

2020

Tom 10 Nr 4
2020-12-20 16
Tom 10 Nr 3
2020-09-30 22
Tom 10 Nr 2
2020-06-30 16
Tom 10 Nr 1
2020-03-30 19

2019

Tom 9 Nr 4
2019-12-16 20
Tom 9 Nr 3
2019-09-26 20
Tom 9 Nr 2
2019-06-21 16
Tom 9 Nr 1
2019-03-03 13

Authors

Vladislav Kutsman

kutsmanvlad@gmail.com

1TOV "Ulf-Finans", Kyiv, Ukraine, 2 Vinnytsia National Technical University, Computer Sciences Department, Vinnytsia, Ukraine

http://orcid.org/0000-0001-5256-9651 ##orcid.unauthenticated##

Oleh Kolesnytskyj

kolesnytskiy@vntu.edu.ua

Winnicki Narodowy Uniwersytet Techniczny

http://orcid.org/0000-0003-0336-4910 ##orcid.unauthenticated##

Abstrakt

W artykule zaproponowano metodę dynamicznej identyfikacji podpisów opartą na pulsującej sieci neuronowej. Wykorzystywane są trzy parametry dynamiczne podpisu l(t), xy(t), p(t), które są niezmienne względem kąta nachylenia podpisu, a po ich normalizacji – także do skali przestrzennej i czasowej podpisu. Te dynamiczne parametry są podawane do sieci neuronowej w celu rozpoznania jednocześnie jako szeregi czasowe bez uprzedniej konwersji na wektor cech statycznych, co z jednej strony upraszcza metodę ze względu na brak skomplikowanych procedur konwersji obliczeniowej, a z drugiej ręka zapobiega utracie przydatnych informacji – zwiększa dokładność i wiarygodność identyfikacji i rozpoznawania podpisów (zwłaszcza w rozpoznawaniu podpisów sfałszowanych, które są silnie skorelowane z autentycznymi). Zastosowana sieć neuronowa typu spiking ma prostą procedurę treningu, przy czym nie wszystkie neurony sieci są trenowane, a jedynie te wyjściowe. Jeśli konieczne jest dodanie nowych sygnatur, nie jest konieczne trenowanie całej sieci, ale wystarczy dodać kilka neuronów wyjściowych i uczyć tylko te połączenia. W wyniku eksperymentu programowego zaproponowanego systemu otrzymano EER = 3,9% przy identyfikacji sfałszowanych podpisów i EER = 0,17% przy identyfikacji fałszerstw losowych.

Słowa kluczowe:

identyfikacja podpisu online, sieć neuronowa typu spiking, niezmienne parametry dynamiczne, rozpoznawanie podpisu

Bibliografia

Al-Banhawy N. H., Mohsen H., Ghali N. I.: Signature identification and verification systems: a comparative study on the online and offline techniques. Future Computing and Informatics Journal 5(1), 2020, article 3 [https://digitalcommons.aaru.edu.jo/fcij/vol5/iss1/3]

Babita P.: Online Signature Recognition Using Neural Network. Journal of Electrical & Electronics 4(3), 2015, 1.

Diaz M., Ferrer M. A., Impedovo D., Malik M. I., Pirlo G., Plamondon R.: A Perspective Analysis of Handwritten Signature Technology. ACM Comput. Surv. 51(6), 2019, article 117.

Doroshenko T. Y., Kostyuchenko E. Y: The authentication system based on dynamic handwritten signature. TUSUR 2(32), 2014, 219–223.

Fierrez J., Galbally J., et al.: BiosecurID: A Multimodal Biometric Database. Pattern Analysis and Applications 13(2), 2010, 235–246.

Fierrez J., Ortega-Garcia J., Ramos D., Gonzalez-Rodriguez J.: Hmm-Based On-Line Signature Verification: Feature Extraction And Signature Modeling. Pattern Recognition Letters 28(16), 2007, 2325–2334.

Gerstner W., Kistler W.: Spiking Neuron Models: Single Neurons, Populations, Plasticity. Cambridge University Press, Cambridge 2002. [http://doi.org/10.1017/CBO9780511815706].

Hamadly I., Khaleel A., Munim A., Hassan H. E., Mohamed H. K.: Online Signature Recognition And Verification Using (SURF) Algorithm With SVM Kernels. Journal of Al-Azhar University Engineering Sector 13(49), 2018, 1332–1344.

Houmani N., Garcia-Salicetti S., Dorizzi B.: On assessing the robustness of pen coordinates, pen pressure and pen inclination to time variability with personal entropy. IEEE 3rd Int. Conf. on Biometrics: Theory, Applications, and Systems 2009, 1–6.

Kolesnytskij O. K., Samra Muavija Hassan Hamo: A method for recognizing multidimensional time series using pulsed neural networks. Information technology and computer engineering 2(6), 2006, 86–93.

Kolesnytskyj O. K., Bokotsey I. V., Yaremchuk S. S.: Optoelectronic Implementation of Pulsed Neurons and Neural Networks Using Bispin-Devices. Optical Memory & Neural Networks (Information Optics) 19(2), 2010, 154–165.

Kolesnytskyj O. K., Kutsman V. V., Skorupski K., Arshidinova M.: Neurocomputer architecture based on spiking neural network and its optoelectronic implementation. Proc. SPIE 11176, 2019, 1117609 [http://doi.org/10.1117/12.2536607].

Kutsman V. V., Kolesnytskyj O. K., Denysov I. K.: Investigation of intrapersonal and interpersonal variability of dynamic signature parameters in the process of their identification, Optoelectronic Information-Power Technologies 39(2), 2020, 5–15.

Kutsman V. V., Kolesnytskyj O. K.: Signature verification and recognition as a multiparametric process based on a spiking neural network. Information technologies and computer engineering 50(1), 2021, 36–44 [http://doi.org/10.31649/1999-9941-2021-50-1-36-44].

Maass W.: Networks of spiking neurons: the third generation of neural network models. Neural Networks 10, 1997, 1659–1671.

Nilchiyan M. R., Yusof R. B.: Improved Wavelet-Based Online Signature Verification Scheme Considering Pen Scenario Information. IEEE 1st International Conference on Artificial Intelligence, Modelling and Simulation 2013, 8–13.

Ortega-Garcia J., Fierrez J., et al.: MCYT Baseline Corpus: A Bimodal Biometric Database. IEEE Proc. Vision, Image and Signal Processing 150(6), 2003, 395–401.

Patil B. V., Patil P. R.: An Efficient DTW Algorithm For Online Signature Verification. IEEE International Conference on Advances in Communication and Computing Technology (ICACCT) 2018, 1–5.

Pavlidis I., Papanikolopoulos N. P., Mavuduru R.: Signature Identification Through The Use Of Deformable Structures. Signal Processing 71(2), 1998, 187–201.

Tolosana R., Vera-Rodriguez R., Fierrez J., Ortega-Garcia J.: DeepSign: Deep On-Line Signature Verification. arXiv preprint arXiv: 2002.10119, 2020.

Vlachos M., Kollios G., Gunopulos D.: Discovering similar multidimensional trajectories. Proceedings 18th International Conference on Data Engineering 2002, 673–684.

DYNAMICZNA IDENTYFIKACJA PODPISU ODRĘCZNEGO PRZY UŻYCIU PULSUJĄCEJ SIECI NEURONOWEJ . (2021). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 11(3), 34-39. https://doi.org/10.35784/iapgos.2718

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 11 Nr 3 (2021)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja