تائید امضای آنلاین با استفاده از نمایش برداری i
چکیده
تائید امضا (SV) یکی از روش های رایج برای تشخیص هویت در بانکداری است، که به دلایل امنیتی، داشتن روش دقیقی برای SV خودکار (ASV) حائز اهمیت است. ASV معمولا با مقایسه امضای آزمایشی و امضای ثبت شده توسط فردی بررسی می شود که هویت او به دو روش ادعا شده است: آنلاین و آفلاین. در این مطالعه، یک روش جدید مبتنی بر برداری i برای SV آنلاین پیشنهاد شده است. در روش پیشنهادی، برداری با طول ثابت، به نام بردار i، از هر امضا استخراج شده است و سپس این بردار به ساخت الگو مورد استفاده قرار گرفته است. چند تکنیک مانند طرح ریزی ویژگی مزاحمت (NAP) و هنجار سازی کوواریانس درون کلاس (WCCN) نیز برای کاهش تغییر درون کلاسی در فضای بردار i مورد بررسی قرار گرفته اند. در مرحله امتیاز دادن و تصمیم گیری، استفاده از یک روش ماشین بردار پشتیبان کلاس 2 نیز پیشنهاد شده است. نتایج تجربی نشان می دهند که روش پیشنهادی در بهترین حالت می تواند در پایگاه داده SigWiComp2013 به نرخ خطای برابر 8.75% (EER) برسد. در پایگاه داده SVC2004، EER 5% به دست آمده است که به معنای بهبود نسبی 11 درصد در مقایسه با بهترین نتیجه گزارش شده است. علاوه بر افزایش دقت قابل توجه آن، نسبت به روش معمول انحراف زمانی پویا، بهبود قابل توجهی در هزینه محاسباتی نشان داده شده است.
مقدمه
تشخیص هویت به عنوان تعیین هویت فرد بر اساس ویژگی های فیزیکی یا رفتاری تعریف شده است.ویژگی های مختلفی در این گروه وجود دارند (به عنوان مثال، فیزیکی / رفتاری). گروه اول، در واقع، مجموعه ویژگی های بیومتریک مانند اثرانگشت، چشم – به خصوص عنبیه و قرنیه- و گفتار است. در گروه دوم، که بر اساس ویژگی های رفتاری قرار دارد، ویژگی هایی مانند دست خط و امضا برای شناسایی فرد مورد استفاده قرار می گیرند. از نظر نحوه بیان کلمات و عبارات معمول فرد، گفتار نیز می تواند در گروه دوم قرار گیرد. روش های مربوط به گروه اول از نظر دقت بهتر هستند و در میان آن ها اثر انگشت گسترده تر بوده و به طور معمول در سیستم های حضور و غیاب مورد استفاده قرار می گیرد. با این حال، از آن جا که استفاده از امضا بسیار راحت تر است، روش های مبتنی بر این ویژگی ها در بانکداری گسترده تر هستند، هرچند دقت آن ها نسبت به روش های گروه اول کم تر است. امضای دست نویس به عنوان یک بیومتریک رفتاری می تواند تحت تاثیر شرایط ذهنی و فیزیکی فرد قرار گیرد، از این رو، نشان دهنده بی ثباتی ناشی از استرس، احساسات، خواب آلودگی ، خستگی و ... می باشد.
Abstract
Signature verification (SV) is one of the common methods for identity verification in banking, where for security reasons, it is very important to have an accurate method for automatic SV (ASV). ASV is usually addressed by comparing the test signature with the enrolment signature(s) signed by the individual whose identity is claimed in two manners: online and offline. In this study, a new method based on the i-vector is proposed for online SV. In the proposed method, a fixed-length vector, called i-vector, is extracted from each signature and then this vector is used for template making. Several techniques such as nuisance attribute projection (NAP) and within-class covariance normalisation (WCCN) are also investigated in order to reduce the intra-class variation in the i-vector space. In the scoring and decision making stage, they also propose to apply a 2-class support vector machine method. Experimental results show the proposed method could achieve 8.75% equal error rate (EER) on SigWiComp2013 database in the best case. On SVC2004 database, it also achieved 5% EER that means 11% relative improvement compared with the best reported result. In addition to its considerable accuracy gain, it has shown significant improvement in the computational cost over conventional dynamic time warping method.
1 Introduction
Identity verification is defined as determining a person's identity based on their physical or behavioural characteristics. There are different such characteristics in each category (i.e. physical/ behavioural). The first category is, in fact, the set of biometric characteristics such as fingerprint, eye — especially the iris and cornea — and speech [1]. In the second category, which is based on behavioural characteristics, features such as handwriting and signature are used to identify a person [1]. From the perspective of how a person utters words and his habitual phrases, speech can be placed in the second category too. The methods in the first category are superior in terms of accuracy, and among them fingerprints are more widespread and are very commonly employed in time and attendance systems. However, since it is much more convenient to use signatures, methods based on such characteristics are more widespread in banking, even though they are less accurate than the methods in the first category. As a behavioural biometric, handwritten signature can be influenced by a person's mental and physical conditions, hence it exhibits inconstancy due to stress, emotions, sleepiness, fatigue etc
چکیده
مقدمه
سیستم های مبتنی بر بردار i
ایجاد مدل پس زمینه جهانی (UBM)
روش های مربوط به کاهش اثرات تغییرات درون کلاس
روش پیشنهادی
ایجاد یک الگو برای هر فرد
امتیاز دادن (معیار شباهت)
تصمیم گیری
تصمیم گیری بر اساس طبقه بندی دوتایی SVM
استخراج ویژگی
پیش پردازش
ویژگی ها
پس از پردازش
هنجارسازی میانگین و واریانس
تنظیمات آزمایش
پایگاه داده
معیارهای ارزیابی
تجسم t-SNE در فضای بردار i
نتایج تجربی
اثرات اجزای UBM، ابعاد بردارهای i و پس پردازش ویژگی ها
مقایسه تغییرات NAP و WCCN
استفاده از امضاهای مرجع در تغییرات WCCN و NAP
اثرات کاهش سرعت نمونه برداری
اثرات اندازه مجموعه مرجع بر عملکرد
نتایج تکنیک های مبتنی بر SVM پیشنهادی
مقایسه با سایر روش ها
نتایج مربوط به پایگاه داده SVC2004
مقایسه با سایر نتایج گزارش شده در مورد پایگاه داده SVC2004
نتیجه گیری
منابع
Abstract
1 Introduction
2 i-Vector-based systems
2.1 Universal background model (UBM) training
2.2 Extraction of Baum–Welch statistics
2.3 i-Vector
2.4 Training the parameters of the model
2.5 Computing the i-vector
2.6 Methods for reducing the effects of intra-class variations
3 Proposed method
3.1 Creating a template for each individual
3.2 Scoring (similarity measure)
3.3 Decision making
3.4 Decision making based on a binary SVM classifier
4 Feature extraction
4.1 Preprocessing
4.2 Features
4.3 Post-processing
5 Experiment setup
5.1 Database
5.2 Evaluation criteria
6 Experiments results
6.1 Effects of UBM components count, i-vectors dimensionality, and features post-processing
6.2 NAP and WCCN transforms comparison
6.3 Using reference signatures in WCCN and NAP transforms
6.4 Effects of sampling rate reduction
6.5 Effects of reference set size on the performance
6.6 Results of the proposed SVM-based techniques
6.7 Comparison with other methods
6.8 Results on SVC2004 database
6.9 Comparison with others reported results on the SVC2004 database
7 Conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه