РАСПОЗНАВАНИЕ РУКОПИСНОЙ ПОДПИСИ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ
Аннотация
Настоящая работа посвящена решению задачи распознаванию подписи с использованием нейронных сетей. Авторами предложено использование сверточных нейронных сетей с целью определения класса подписи. Подписи играют важную роль в финансовых, коммерческих и юридических транзакциях, их распознавание гарантирует безопасность не только информации, но и личности в целом. Применение нейронных сетей для распознавания подписи позволяет достоверно идентифицировать пользователя в автоматизированном режиме. Авторами разработана сверточная нейронная сеть, также предложен алгоритм, который состоит из предобработки изображения, включающей в себя сегментацию фона, шумоподавление и нормализация изображения. Предобработка изображения позволяет повысить качество работы сети. Далее выполняется извлечения вектора признаков, который состоит из глобальных признаков, таких как отношение высоты к ширине подписи, максимальная горизонтальная гистограмма и максимальная вертикальная гистограмма, горизонтальный центр и вертикальный центр подписи, конечные точки подписи, область подписи, обучения нейронной сети с извлеченными признаками, распознавания владельца рукописной подписи и последующее прогнозировании класса подписи.
Цель – разработка алгоритма распознавания рукописной подписи с применением нейронных сетей.
Метод или методология проведения работы: в работе использованы методы компьютерного зрения; методы глубокого обучения, а также методы объектно-ориентированного программирования.
Результаты: разработан алгоритм распознавания рукописной подписи с применением нейронной сети.
Область применения результатов: применение полученных результатов целесообразно в криминалистических анализах документов, так как человек использует подпись на регулярной основе для подписания чеков, юридических документов, контрактов и других бумажных носителей, нуждающихся в защите. Поэтому, когда кто-то пытается скопировать подпись возникает проблема, которая может повлечь за собой нежелательные последствия в виде хищения и дальнейшего использования как персональных данных, так и другой ценной секретной информации.
Скачивания
Литература
Список литературы
Plamondon R., Srihari S. N. Online and off-line handwriting recognition: a comprehensive survey // IEEE Transactions on pattern analysis and machine intelligence. – 2000. – Т. 22. – №. 1. – С. 63-84.
Jain A. K., Nandakumar K., Nagar A. Biometric template security // EURASIP Journal on advances in signal processing. – 2008. – Т. 2008. – С. 1-17.
Maiorana E. et al. Cancelable templates for sequence-based biometrics with application to on-line signature recognition // IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans. – 2010. – Т. 40. – №. 3. – С. 525-538.
Rua E. A. et al. Biometric template protection using universal background models: An application to online signature // IEEE Transactions on Information Forensics and Security. – 2011. – Т. 7. – №. 1. – С. 269-282.
Grosso E., Pulina L., Tistarelli M. Modeling biometric template update with ant colony optimization // 2012 5th IAPR International Conference on Biometrics (ICB). – IEEE, 2012. – С. 506-511.
Bhunia A. K., Alaei A., Roy P. P. Signature verification approach using fusion of hybrid texture features // Neural Computing and Applications. 2019, vol. 31, p. 8737–8748.
Kumar R., Sharma J., Chanda B. Writerindependent off-line signature verification using surroundedness feature // Pattern recognition letter. 2012, vol. 33(3), p. 301–308.
Hafemann L. G., Oliveira L. S., Sabourin R. Fixed sized representation learning from offline handwritten signatures of different sizes // International Journal on Document Analysis and Recognition. 2018, vol. 21(3), p.219–232.
Yilmaz M., Yanikog B. Score level fusion of classifiers in off-line signature verification // Information Fusion. 2016, vol. 32, p. 109–119.
MacQueen J. Proceedings of the fifth Berkeley symposium on mathematical statistics and probability // Some methods for classification and analysis of multivariate observations. – 1967. – С. 281-297.
Jagtap A. B., Sawat D. D., Hegadi R., Hegadi R.S. Verification of genuine and forged offline signatures using Siamese Neural Network (SNN) // Multimedia Tools and Applications. 2020, vol. 79, p. 35109–35123.
Jain A., Singh S. K., Singh K. P. Handwritten signature verification using shallow convolutional neural network // Multimedia Tools and Applications. 2020, vol. 79, p. 19993–20018.
Ghosh, R. A. Recurrent Neural Network based deep learning model for offline signature verification and recognition system // Expert Systems with Applications. 2021. Vol. 168.
Антонио Джулли, Суджит Пал Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow. - ДМК Пресс, 2017. - 296 с.
Matplotlib 3.6.2 documentation // Matplotlib documentation URL: https://matplotlib.org/stable/index.html (дата обращения: 05.11.2022).
About OpenCV // OpenCV URL: https://opencv.org/about/ (дата обращения: 05.11.2022).
References
Plamondon R., Srihari S. N. Online and off-line handwriting recognition: a comprehensive survey // IEEE Transactions on pattern analysis and machine intelligence. – 2000. – Т. 22. – №. 1. – С. 63-84.
Jain A. K., Nandakumar K., Nagar A. Biometric template security // EURASIP Journal on advances in signal processing. – 2008. – Т. 2008. – С. 1-17.
Maiorana E. et al. Cancelable templates for sequence-based biometrics with application to on-line signature recognition // IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans. – 2010. – Т. 40. – №. 3. – С. 525-538.
Rua E. A. et al. Biometric template protection using universal background models: An application to online signature // IEEE Transactions on Information Forensics and Security. – 2011. – Т. 7. – №. 1. – С. 269-282.
Grosso E., Pulina L., Tistarelli M. Modeling biometric template update with ant colony optimization // 2012 5th IAPR International Conference on Biometrics (ICB). – IEEE, 2012. – С. 506-511.
Bhunia A. K., Alaei A., Roy P. P. Signature verification approach using fusion of hybrid texture features // Neural Computing and Applications. 2019, vol. 31, p. 8737–8748.
Kumar R., Sharma J., Chanda B. Writerindependent off-line signature verification using surroundedness feature // Pattern recognition letter. 2012, vol. 33(3), p. 301–308.
Hafemann L. G., Oliveira L. S., Sabourin R. Fixed sized representation learning from offline handwritten signatures of different sizes // International Journal on Document Analysis and Recognition. 2018, vol. 21(3), p.219–232.
Yilmaz M., Yanikog B. Score level fusion of classifiers in off-line signature verification // Information Fusion. 2016, vol. 32, p. 109–119.
MacQueen J. Proceedings of the fifth Berkeley symposium on mathematical statistics and probability // Some methods for classification and analysis of multivariate observations. – 1967. – С. 281-297.
Jagtap A. B., Sawat D. D., Hegadi R., Hegadi R.S. Verification of genuine and forged offline signatures using Siamese Neural Network (SNN) // Multimedia Tools and Applications. 2020, vol. 79, p. 35109–35123.
Jain A., Singh S. K., Singh K. P. Handwritten signature verification using shallow convolutional neural network // Multimedia Tools and Applications. 2020, vol. 79, p. 19993–20018.
Ghosh, R. A. Recurrent Neural Network based deep learning model for offline signature verification and recognition system // Expert Systems with Applications. 2021. Vol. 168.
Antonio Giulli, Sujit Pal Keras library is a deep learning tool. Implementation of neural networks using Theano and TensorFlow libraries. - DMK Press, 2017. - 296 p.
Matplotlib 3.6.2 documentation // Matplotlib documentation URL: https://matplotlib.org/stable/index.html (accessed 11/05/2022).
About OpenCV // OpenCV URL: https://opencv.org/about/ (accessed 11/05/2022).
Просмотров аннотации: 281 Загрузок PDF: 116
Copyright (c) 2023 Anna V. Pyataeva, Mikhail A. Merko, Vladislava A. Zhukovskaya, Ivan A. Pinchuk, Maria S. Eliseeva
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
