1. SISTEM DE IDENTIFICARE
BAZAT PE
RECUNOAȘTEREA
SEMNĂTURII
Alexandru Cristian
Profesor coordonator: Ş.l. Dr. Ing. Cosmin Cernăzanu-Glăvan
Iunie 2014
Universitatea Politehnica Timișoara
Facultatea de Automatică și Calculatoare
Calculatoare și Tehnologia Informației
1/21
4. Semnătura.
• Text sau un însemn scris de mână cu scopul de a marca
și de a autentifica permanent un document.
• În funcție de complexitate se poate împărții in 3 categorii:
4/21
5. Semnătura falsificată.
• Semnăturile contrafăcute prezintă următoarele
caracteristici: caractere mai mari, retușări, variații in
grosime si intensitate, apariții ale unor forme inexistente.
• În funcție de dificultatea cu care pot fi detectate semnăturile
contrafăcute se împart în mai multe categorii: falsuri
aleatorii, falsuri ocazionale, falsuri calificate.
5/21
6. Sistemul propus:
• Sistem bazat pe modele standard de tip pipeline, cu 3
etape:
• Pre-procesare
• Extragere de trăsături
• Clasificare
6/21
7. Pre-procesarea:
Etapă necesară pentru a obține o imagine care să respecte cerințele
pentru ca etapa următoare să se execute cu succes.
Este compusă din patru pași:
Transformarea imaginii în alb negru.
Eliminarea zgomotelor.
Normalizarea imaginii.
Redimensionarea.
7/21
9. Extragerea de trăsături:
Trăsăturile se pot impărții în două categorii:
Trăsături globale:
o Histograma punctelor
Trăsături locale:
o Densitate de pixeli
o Centrul de greutate
o Unghiul de înclinație față de orizontală
o Unghiul de înclinație față de verticală
9/21
10. Trăsături globale:
o Histograma reprezintă distribuția punctelor din imagine pe
coloane, aceasta se calculează pe benzi cu lățimea de 15
coloane.
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75
Histograma de puncte
Banda
10/21
11. Trăsături locale:
o Inclinatia fata de orizontala
o Centrul de greutateo Densitatea de pixeli
o Inclinatia fata de verticala
Trăsături locale se extrag din zone de dimensiuni mai mici
numite celule, obținute prin segmentarea imaginii.
Din fiecare celulă se extrag urmatoarele trăsături:
11/21
12. Clasificarea:
Clasificatorul folosit este o rețea neuronală artificială (RNA), cu următoarele
caracteristici:
• RNA cu propagare înainte (feed – forward)
• un start intrare
• două staturi ascunse
• un strat de ieșire, cu un singur neuron
• algoritm de învățare supervizat, cu propagarea erorii înapoi
12/21
13. Implementarea sistemului:
Se disting
următoarele pachete:
•clasifier
•core
•extraction
•preprocess
•services
•util
•test
Aplicația software a fost implementată în limbajul de
programare Java folosind Eclipse Kepler IDE.
S-au folosit bibliotecile:
• Open-CV Java
• Encog
13/21
14. Rezultate experimentale.
• Pentru testarea sistemului s-au folosite 5 seturi de date,
constând din date de test și validare:
• Setul 1 de date este compus din 197 imagini
• Setul 2 de date este compus din 130 imagini
• Setul 3 de date este compus din 269 imagini
• Setul 4 de date este compus din 119 imagini
• Setul 5 de date este compus din 118 imagini
• S-a variat procentul de imagini folosite la antrenarea
clasificatorului cu un increment de 5% pentru fiecare test.
14/21
15. Acurateteasistemului
50
55
60
65
70
75
80
85
90
95
100
5.00% 9.00% 15.00% 20.00% 25.00% 30.00% 35.00% 40.00% 45.00% 50.00% 55.00% 60.00% 65.00% 70.00% 75.00% 80.00% 85.00% 90.00%
Ratadesucces
Procent din imagini folosite la antrenare
Procentul de semnături catalogate corect din totalul de semnături folosite la
evaluare
15/21
18. Variațiapreciziei
Procentul de documente relevante din mulțimea obținută
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 20 40 60 80 100 120 140 160 180 200
Precizie
Numarul de semnaturi folosite la antrenare
18/21
19. Concluzii:
• Sistemul este independent.
• Soluția dezvoltată prezintă o rata mare de success,
peste 85% pentru un set de antrenare de 25 de
semnături.
• Sistemul evoluează, îmbunătățindu-și acuratețea pană la
95% prin creșterea numărului de semnături.
• Numărul de catalogări fals pozitive este redus, în medie
de 3.8 semnături fals pozitive pe set.
• Aplicatia dezvoltata este adaptiva, obtinand rezultate
constante pentru toate seturile de date folosite.
19/21
20. Dezvoltări ulterioare:
• Testarea sistemului cu alte seturi de date.
• Adaugarea unor noi trăsături care să ducă la creșterea
performanței.
• Testarea unor noi clasificatori care să scadă rata de
eroare.
• Optimizarea procesului de pre-procesare.
• Îmbunătățirea siguranței și validarea integrității datelor ce
sunt salvate pe disc prin criptare.
20/21
